[发明专利]基于跨阶段局部多尺度密集连接的遥感图像目标检测方法

说明书

本发明公开了一种基于跨阶段局部多尺度密集连接的遥感图像目标检测方法，主要解决现有技术中不能很好的对遥感图像中多尺度目标进行检测的问题。其实现方案是：1)从公开网站获取遥感图像数据集，将数据集划分为训练集和测试集；2)搭建由主干子网络、特征融合子网络和检测子网络依次连接组成的跨阶段局部多尺度密集连接检测网络；3)用训练集对跨阶段局部多尺度密集连接检测网络进行训练；4)用训练好的网络模型对测试集进行目标检测，输出目标检测结果。本发明具有强化的特征提取能力和对多尺度遥感图像目标检测精度高的优点，可应用于对遥感图像中的多尺度目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种遥感图像目标检测方法，可应用于对遥感图像中的多尺度目标识别。

背景技术

目标识别是基于分类的识别问题，即对给定图像中的目标进行分类，是目标检测技术的基础。目标检测是图像处理、计算机视觉领域的重要研究方向。遥感图像目标检测是指检测遥感图像中是否存在感兴趣的目标，并确定目标在图像中的位置和分类。随着遥感技术的不断发展，遥感图像目标检测技术已经从军事领域覆盖到民用领域，在自然灾害监测、城市规划、军事设备监控等方面有着广阔的应用前景。

传统的目标检测算法需要人工设计样本特征，检测过程如下：1)使用不同尺度的滑窗在给定的图像上确定候选区域；2)提取候选区域的特征，如SIFT、Harr以及HOG特征；3)使用训练的分类器进行分类。这种传统的目标检测算法基于滑动窗口的区域选择策略没有针对性，时间复杂度高并且有大量的窗口冗余，另外人工设计的特征对于目标多样性的变化没有很好的鲁棒性。

近年来，随着深度学习的不断发展，卷积神经网CNN被应用遥感图像的目标检测并进一步提高了检测性能。与传统的目标检测算法相比，基于卷积神经网络的目标检测算法具有优秀的特征提取能力，可以处理更复杂的场景，准确率也更高。Redmon等人发表的名为“YOLOv3:An Incremental Improvement”的论文中使用基于残差卷积神经网络改进的Darknet53作为主干网络提取特征，并采用多尺度检测方法加强了对不同尺度目标的检测能力，使YOLO系列方法不擅长检测小物体的缺陷得到了改善。但该方法由于使用的残差网络结构具有冗余性，且过多的参数会导致训练复杂、增大对数据量的需求以及减慢检测速度，其次，虽然该方法使用了类似于FPN的特征金字塔，在三个尺度的特征图上进行检测，但由于没有充分融合各层的特征，使得小尺度目标的信息在经过多层卷积信息后容易出现丢失，以至于难以被准确检测。

西安电子科技大学在其申请号：CN201810111594.1，公开号：CN108491757A的专利申请中提出了一种多尺度特征学习的遥感图像目标检测方法。该方法首先构建了一个多尺度特征网络，分别对多尺度特征网络的深浅层特征进行提取；之后在遥感卫星上实时接收的遥感图像中选取多幅含有飞机和舰船目标的光学遥感图像构造训练集样本集和标签集；然后将其输入到多尺度特征网络中，对不同层的输出特征进行融合，得到多尺度特征网络中飞机和舰船目标信息更加丰富的融合特征；最后用训练好的模型对测试样本集进行检测，得到最终的目标检测结果。该方法通过提取融合深浅层的特征，能够克服不同尺度目标特征分布不均衡的问题，提高了小目标和非小目标检测的准确性。但是，该方法由于所构造的多尺度特征网络中对浅层特征提取不够充分，导致大量的边缘位置信息被丢失，即使对深浅层特征进行融合也会使得小目标的检测精度并不理想。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于跨阶段局部多尺度密集连接的遥感图像目标检测方法，以减小边缘位置信息的丢失，提高多尺度目标尤其是小尺度目标的检测精度。

本发明的技术思路是：通过跨阶段局部密集连接结构充分提取浅层特征，使用多尺度特征融合网络进一步融合深层特征和浅层特征，实现对多尺度目标检测精度的提高。其实现方案如下：

1.一种基于跨阶段局部多尺度密集连接的遥感图像目标检测方法，其特征在于，包括如下：