[发明专利]一种基于旋转定位网络的光学遥感图像飞机目标检测方法

说明书

一种基于旋转定位网络的光学遥感图像飞机目标检测方法，包括如下步骤，步骤S1、将图片输入ResNet特征网络，提取出多维度特征信息，获取用多维数组表示的特征图；步骤S2、特征图输入累积特征金字塔网络中，将高层语义与底层语义相融合，将高层语义的接收域和上下文信息与底层语义的目标位置信息提炼在一起；步骤S3、RPN子网络在累积特征金字塔网络输出的特征中产生锚框，并对锚框进行边界回归和前景分类，获取水平提议框；步骤S4、将水平提议框送入旋转区域定位网络进行旋转和缩放，生成旋转目标框，最终输出飞机目标旋转检测框。本发明利用累积特征金字塔网络进行特征融合，还采用旋转矩形包围框，减少框定目标后的背景冗余，在密集场景下，使检测结果更准确。

技术领域

本发明属于图像检测技术领域，具体涉及一种基于旋转定位网络的光学遥感图像飞机目标检测方法。

背景技术

飞机目标检测是评估机场功能与重要程度、掌握敌情动态的重要途径。随着遥感影像技术日趋成熟，遥感图像分辨率变高，包含的信息量增多，因此飞机目标检测方法越来越多的使用遥感图像作为检测的基础结构。在这种趋势下，近些年大热的机器学习方法也被广泛运用于这一领域。

虽然技术日益成熟，但是飞机目标检测方法仍然存在许多的困难和挑战：1、机场停机坪上的飞机往往是密集排布的，遥感卫星图像拍摄的图片中，飞机目标距离较近，使用传统的水平检测框会存在检测框重叠的情况，并且在包围框内会存在大量地冗余，在选取前景和背景的筛选过程中，也会将部分正确的目标框误删，导致检测效果不好；2、目前，主流的机器学习方法主要通过复杂的特征提取过程以及具有针对性的参数选取实现飞机目标的检测，这种方法过于依赖人工，在复杂场景下的鲁棒性不强，无法推广应用。即使是鲁棒性较强的深度网络，仅考虑特征提取网络最后一层包含高级语义的feature map，会失去很多飞机目标位置信息；3、飞机目标检测大部分使用的是网络上的公共数据集，其图片来源是网上爬取的一些飞机图片，并未有针对性地考虑拍摄视角、飞机地点分布、是否具有多样性等特点，由公共数据集训练出来的网络模型性能层次不齐，且普遍检测效果不佳，检测网络不具有普适性。

飞机目标识别是基于所给影像信息进行飞机物体检测，并将目标在影像上框定出来。它不仅仅依赖于所给图像信息的完备与否，还依赖于检测算法的选取、训练方式以及应用的具体场景。飞机目标检测往往存在所给数据信息不足、训练效果不佳和密集场景检测效果不好等问题。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于旋转定位网络的光学遥感图像飞机目标检测方法，利用累积特征金字塔网络进行特征融合，该方法还采用旋转矩形包围框，减少框定目标后的背景冗余，在密集场景下，使检测结果更准确。

本发明提供一种基于旋转定位网络的光学遥感图像飞机目标检测方法，包括如下步骤，

步骤S1、将图片输入ResNet特征网络，提取出多维度特征信息，获取用多维数组表示的特征图；

步骤S2、特征图输入累积特征金字塔网络中，将高层语义与底层语义相融合，将高层语义的接收域和上下文信息与底层语义的目标位置信息提炼在一起；

步骤S3、RPN子网络在累积特征金字塔网络输出的特征中产生锚框，并对锚框进行边界回归和前景分类，获取水平提议框；

步骤S4、将水平提议框送入旋转区域定位网络进行旋转和缩放，生成旋转目标框，最终输出飞机目标旋转检测框。

作为本发明的进一步技术方案，步骤S2中，累积特征金字塔网络从最高语义层开始，对本层以上每一个feature map进行最近邻上采样，获取与本层大小相同的featuremap，再进行拼接合并，拼接合并的feature map和本层的feature map分别经过1*1的卷积核处理，处理后的两个feature map对应元素相加，获取的结果再通过3*3卷积核处理，获取一个单层多维度feature map。