[发明专利]面向遥感影像的旋转框目标检测模型的构建方法

说明书

本发明公开了一种面向遥感影像的旋转框目标检测模型的构建方法，包括：使用基于长边的多参数法并结合双边向量表示旋转目标框；以深度卷积神经网络为基础，构建适用于多尺度目标的目标检测模型；获取遥感影像并进行处理；将步骤3中处理后的遥感影像数据输入到步骤2构建的目标检测模型中进行模型参数的训练得到训练好的目标检测模型，再将待检测的遥感影像输入到训练好的目标检测模型中，得到旋转目标框的检测结果。本发明兼顾了长短边双向向量法，使得模型更具有鲁棒性，对处于边界角度的旋转目标的坐标定位准确度提高具有重要作用，因此模型整体检测精度进一步提高。

技术领域

本发明属于遥感图像目标检测技术领域，具体涉及一种面向遥感影像的旋转框目标检测模型的构建方法。

背景技术

随着遥感领域技术的快速发展，其在农业、军事、交通等各个领域，发挥的作用日益增长。利用光学遥感影像大范围自动检测目标在军事和民用领域都有重要的意义。针对遥感影像尺度多样、多方向性、背景复杂等特性，当前一些基于深度学习的目标检测方法还存在着不足。基于长边的5参数回归方法的目标检测，对于旋转框目标检测具有一定的效果，但是依旧存在一些边界性定义问题，导致其在长宽比范围广的目标检测中鲁棒性不够。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种面向遥感影像的旋转框目标检测模型的构建方法，该方法兼顾了长短边双向向量法，使得模型更具有鲁棒性，对处于边界角度的旋转目标的坐标定位准确度提高具有重要作用，因此模型整体检测精度进一步提高。

为解决上述技术问题，本发明采用如下技术方案：

一种面向遥感影像的旋转框目标检测模型的构建方法，包括如下步骤：

步骤1、使用基于长边的多参数法并结合双边向量表示旋转目标框；

步骤2、以深度卷积神经网络为基础，构建适用于多尺度目标的目标检测模型；

步骤3、获取遥感影像并进行处理；

步骤4、将步骤3中处理后的遥感影像数据输入到步骤2构建的目标检测模型中进行模型参数的训练得到训练好的目标检测模型，再将待检测的遥感影像输入到训练好的目标检测模型中，得到旋转目标框的检测结果。

进一步地，步骤1中旋转目标框使用基于长边的5参数法表示为(x,y,w,h,θ)，其中，(x,y)为目标框的中心点坐标，(w,h)为其长边和短边，θ为从X正方向轴逆时针旋转遇到的带一条长边所形成的夹角。

进一步地，步骤1中双向量包括旋转目标框两条边的方向向量。

进一步地，步骤2中以RetinaNet深度卷积神经网络为基础，构建适用于多尺度目标的目标检测模型。

进一步地，步骤3中对遥感影像处理的方法为：将遥感影像统一转换成8位的PNG图像，并进行统一大小裁切。

进一步地，步骤4中在训练旋转框目标检测模型时采用梯度下降法不断对模型参数进行迭代计算直至损失函数不再减小，结束迭代。

进一步地，在训练模型参数时，需要在多参数法(x,y,w,h,θ)的基础上，将旋转目标框两条边的方向向量加入到损失计算中。

进一步地，损失函数部分将为回归损失BCE_obj、分类损失BCE_cls、向量回归损失BCE_r1r2以及IoU损失IoU_box之和。

进一步地，各损失函数的计算公式为：

IOU损失部分计算的是实际目标框box(xn)和预测目标框box(yn)之间的差异，具体如下计算公式为：