[发明专利]遥感图像目标检测方法

说明书

本发明涉及一种遥感图像目标检测方法，包括：S1.利用预先训练的卷积神经网络提取输入待检测遥感图像的特征，并输出特征图；S2.利用目标检测模块对所述特征图上的目标的关键点进行估计；S3.根据估计的关键点，利用几何特征对所述目标进行编码；S4.利用最大池化对所述关键点的坐标进行后处理，并对所述目标的位置进行修正；S5.对所述目标的几何特征进行解码，得到最终的目标检测结果。本发明的方法能快速、准确地检测大尺寸遥感图像中方向不固定的目标。

技术领域

本发明涉及遥感图像处理及目标检测技术领域，尤其涉及一种遥感图像目标检测方法。

背景技术

得益于卷积神经网络特征提取能力的提升，基于深度学习的检测技术在自然场景目标检测任务中表现优异。然而，遥感图像与自然场景图像存在显著差异：遥感图像中的目标具有更小的尺寸、更密集的分布、更多样的宽高比和不固定的方向，且图像中包含复杂的背景信息。另外，要想精确定位遥感图像中的目标，还需要预测方向信息，而自然场景目标检测中使用的水平矩形框无法满足要求。遥感图像存在的上述差异使得应用在自然场景图像的检测技术难以直接应用在遥感图像上。

现有的主流目标检测框架分为两类：一类是基于区域提案的方法，又称两阶段方法，另一类是基于回归的方法，又称单阶段方法。在两阶段方法的第一阶段，检测器生成一系列区域提案，这些区域提案被认为可能包含目标；在第二个阶段，检测器对区域提案进行进一步判断，将其分类为背景或特定类别的目标，同时回归目标的形状信息。两阶段方法通常具备较好的检测精度。单阶段方法不显示生成区域提案，而是将所有位置都看作潜在目标，直接对目标分类并回归目标的形状信息。单阶段方法在保证检测精度的同时具备较快的检测速度。

现有的主流区域提案生成方法分为两类：基于锚的方法和基于关键点的方法。基于锚的方法在特征图上各点处生成不同尺寸、比例、角度的先验框，随后通过分类和回归得到先验框是否包含目标的概率以及目标的形状信息。基于锚的方法中的先验框越复杂，检测器的检测能力越强，但是计算开销也越大。基于关键点的方法，又称为无锚方法，被部分单阶段方法采用。基于关键点的方法对目标的关键点(如中心点、顶点)进行建模，并使用关键点附近的特征计算目标的形状信息。基于关键点的方法计算开销小、设计灵活、可拓展性强。

针对对方向不固定的目标进行编码的常用方法有两种。一种方法是将目标近似为绕中心旋转的矩形框，并使用矩形框中心点坐标、矩形框宽高和矩形框绕水平轴的旋转角度来表示目标。该方法较为直观，但旋转角度的取值范围和几何意义与其他值不同，导致该方法在检测时存在回归不一致问题，使得检测效果不佳。另一种方法是将目标看作凸四边形，使用凸四边形最小外接矩形框中心点的坐标和凸四边形四个顶点相对于该点的偏移来表示目标。该方法能精确地描述目标形状，但形式复杂，检测难度较大。

针对遥感图像的目标检测，通常采用精度更高的基于区域提案的方法建立检测模型，并设计复杂的先验框来检测尺寸、比例、方向各异的目标。这些模型均取得了较好的检测精度，但在检测速度上还存在不足。此外，由于使用复杂的先验框，这类方法需要使用非极大值抑制等算法来删除冗余的检测结果，同时增加了计算开销，难以满足实际应用需求。如何快速检测大尺寸遥感图像中方向不固定的目标在遥感图像处理与目标检测领域中仍是一个颇具挑战的难题。

发明内容

为克服上述现有技术存在的缺陷，本发明的目的在于提供一种遥感图像目标检测方法，能快速、准确地检测大尺寸遥感图像中方向不固定的目标。

为实现上述发明目的，本发明采用的技术方案为：

本发明提供一种遥感图像目标检测方法，包括：

S1.利用预先训练的卷积神经网络提取输入待检测遥感图像的特征，并输出特征图；

S2.利用目标检测模块对所述特征图上的目标的关键点进行估计；

S3.根据估计的关键点，利用几何特征对所述目标进行编码；