[发明专利]一种基于语义信息和注意力机制的无锚航拍图像检测方法

说明书

本发明公开了一种基于语义信息和注意力机制的无锚航拍图像车辆检测方法，该方法包括：首先采集车辆的航拍图像，并对其中的车辆进行标注；之后在FCOS网络的基础上加上语义信息融合以及注意力机制和动态激活函数，构造新的网络结构；将航拍图像数据集送入到神经网络进行训练，直至网络收敛；然后利用训练好的神经网络和权重文件来检测测试图像中的车辆，并输出检测结果。本发明解决了目前航拍图像下车辆识别准确度低的问题，在通用数据集DLR‑3K上的检测精度达到了89.6。本发明提高了航拍图像下车辆检测的准确率。

技术领域

本发明涉及一种基于语义信息和注意力机制的无锚航拍图像检测方法，属于计算机视觉技术领域。

背景技术

目前，随着无人机技术的不断成熟，高分辨率的航拍图像越来越容易获得。航拍图像下的车辆检测在遥感领域受到了广泛的关注，由于其对智能交通，停车位管理，城市规划，交通监控，无人机驾驶和军事等等有重要的意义。在智能交通系统中，我们可以对地面车辆进行检测，分析路面状况，然后对行驶路线进行优化，降低堵车率，方便出行。在军事领域，无人机对地面伪装目标进行检测，找到可疑目标，然后方便实施精准打击。高分辨率的航拍图像中的车辆检测仍然是一项具有挑战性的任务，复杂的背景环境，树木和房屋阴影的遮挡，目标小且密集，极不均衡的目标分布密度以及大量的相似结构。

近年来，深度学习取得了快速的发展，尤其是目标检测算法,例如RCNN系列，SSD，YOLO系列，RetinaNet等等。虽然基于CNN的算法取得了巨大的成功，但是这些算法都需要人为的设定anchor的大小，长宽比以及数量，而且结果受anchor影响很大。这些anchor的大小是固定的，限制了检测器的泛化能力，尤其是针对小目标的检测效果差。这些算法在图像上生成大量的anchor box来提高召回率，但是，大部分属于负样本，导致正负样本不均衡，而且也会增加模型的计算量和大小。除此之外，航拍图像中，往往背景占着大部分，前景所占的比例很小，导致从主干网络提取到的特征图具有很多的噪声。现有的算法往往很难把他们的注意力放在目标上，而是关注到复杂的背景上，导致了现有的模型检测精度较低。

VCSOP在特征提取方面，通过特征金字塔融合策略将残差网络深层和浅层特征连接在一起。在连接的特征上，四个卷积层并行连接以预测车辆特征。Sraf-net通过上下文注意获得的上下文信息使网络能够关注外观不明显的对象，并且使用可变形卷积来增强特征表示。虽然这些方法使用了不同的特征增强方法，但是对于航拍图像的检测来说还是不够的。

发明内容

本发明目的在于针对上述现有技术的不足，提供了一种基于语义信息和和注意力机制的无锚航拍图像车辆检测方法，该方法解决了目前航拍图像下车辆识别准确度低、模型健壮性差的问题。

本发明解决其解决问题所采取的技术方案是：一种基于语义信息和和注意力机制的无锚航拍图像车辆检测方法，该方法包括以下步骤：

步骤1：数据集获取过程；

采集针对车辆的航拍图像，并对其中的车辆进行标注，标注出图像中车辆的种类和位置；

步骤2：构建神经网络过程；

使用ResNet50作为基准网络，将深层的语义信息融合到浅层，同时对每层的特征使用注意力机制，并且将激活函数换成动态激活函数；

步骤3：神经网络训练过程；

将标注后的航拍车辆图像数据集或者通用的航拍车辆数据集送入步骤2构建的神经网络进行训练，直至网络收敛；

步骤4：测试图像检测过程；

采用训练好的神经网络和权重文件来检测测试图像中的车辆目标。

进一步地，本发明所述步骤1包括以下步骤：