[发明专利]基于空洞特征金字塔网络的光学遥感图像目标检测方法

说明书

本发明涉及一种基于空洞特征金字塔网络的光学遥感图像目标检测方法，其特征在于：所述方法的步骤为：S1、将所采用的光学遥感图像数据集划分成训练集和测试集；S2、对数据集中的光学遥感图像进行尺寸变换、标准化与归一化处理，并且进行训练集的数据增强；S3、利用空洞卷积构造空洞特征金字塔网络，并利用训练集中的图像进行网络模型的训练；S4、利用训练好的目标检测模型对遥感图像进行检测，并进行检测效果的分析与对比。本发明设计科学合理，通过构造新颖的空洞特征融合模块来提升光学遥感图像上多尺度目标的检测性能，并获得较好的泛化能力。

技术领域

本发明属于计算机视觉领域，涉及计算机视觉任务中的多尺度目标检测，尤其涉及一种基于空洞特征金字塔网络的光学遥感图像目标检测方法。

背景技术

目标检测是计算机视觉识别任务中的基本问题之一，在多个领域有着广泛的应用。光学遥感图像中的目标检测在军事应用，城市规划和环境管理等方面具有广泛的应用前景。与自然图像上的目标检测不同，光学遥感图像上的目标比自然图像上的目标要小得多，而且目标的尺寸和方向具有多样性(比如操场，车，桥等)。此外，遥感图像中目标实例的视觉外观在很大程度上由于遮挡，阴影，照明，分辨率和视点变化而变化。因此，遥感图像上的目标检测比自然图像上的目标检测要困难得多。目前，光学遥感图像上面的目标检测算法主要分为两类：基于传统图像处理和机器学习算法的目标检测方法以及基于深度学习的目标检测算法。

其中，基于传统图像处理和机器学习算法的目标检测方法中所用到的图像特征都是手工设计的，例如SIFT(Scale Invariant Feature Transform，尺度不变特征转换算法)，HOG(Histogram ofOriented Gradient，方向梯度直方图)以及SURF(Speeded UpRobust Features，加速稳健特征)等等。通过手工设计的特征提取器对输入图像进行特征提取，然后根据这些特征对目标进行识别，并结合相应的策略对目标进行定位。在很长一段时间内，基于手工设计特征的目标检测算法在计算机视觉领域占据主导地位。但是，这种基于手工设计的特征对于目标的多样性没有很好的鲁棒性

基于深度学习的目标检测算法，利用深度卷积神经网络从数据中自动学习特征表示，能够学习到具有很好的鲁棒性并且具有强大表达能力的特征表示。随着深度学习的迅速发展，目标检测算法也从基于手工特征的传统算法转向了基于深度卷积神经网络的目标检测算法。由于深度卷积神经网络的引入，目标检测任务在过去的几年中在速度和精度上都有很大的进步。目前，基于深度卷积神经网络的目标检测算法主要分为两类：两阶段方法和一阶段方法。其中，两阶段目标检测方法先在给定图像中提取候选区域，然后对每个提取到的候选区域进行分类和回归定位。一阶段方法提出了一个单一、整体的卷积神经网络，将目标检测问题重新构造成一个回归问题来直接预测目标的类别和位置。一般意义上，两阶段方法在准确度上有优势，而一阶段方法在速度上面有优势。但是随着目标检测算法的不断发展，这两类算法都在速度和精度上面进行平衡。