[发明专利]基于YOLOv2的遥感图像快速目标检测方法

说明书

基于YOLOv2的遥感图像快速目标检测方法属图像处理和模式识别技术领域，本发明实现了对遥感图像中的重要目标的快速检测；首先构建了遥感图像数据集用于模型的训练及性能检测；然后提出了一种适用于遥感图像分类的卷积神经网络结构用于特征提取，进而构建目标检测网络。针对卷积神经网络对小目标检测能力差这一问题，本发明采用增加训练尺度、批量正则化等方法提升了网络的性能。本发明定义了偏移因子校正目标位置，利用SVM分类器对检测结果进行目标背景二次分类，在保证检测精度的同时保障了检测速度，实现了端到端检测。最重要的是，模型允许将新数据的检测结果扩充到训练数据集中，从而更新训练目标检测网络，不断提升模型的泛化能力。

技术领域

本发明属图像处理和模式识别技术领域，具体涉及一种基于YOLOv2的遥感图像快速目标检测方法。

背景技术

遥感技术凭借其迅猛的发展以及在获取地面信息方面所特有的优势，广泛地应用到军事和国民经济的各个领域。利用遥感图像处理系统准确的搜索发现并识别各类重要目标，实现遥感图像数据向有用信息的快速转化，不但可以节约人力资源，更重要的是可以提高信息获取的效率，充分发挥遥感探测的优势。因此如何快速、准确的从海量遥感图像中挖掘出重点目标信息成为了至关重要的问题。目前我国利用遥感数据进行重点目标情报整编仍处在人工判读的阶段，人工判读不仅需要极强的专业背景知识，而且处理速度慢，对于从卫星传回的海量遥感数据不能及时有效的进行处理，仅有小部分信息得以利用，对于大部分信息由于不能及时处理而失去实时性、失去了其本身的价值，造成了信息资源的极大浪费。

目前遥感图像目标识别系统主要是针对特定目标的识别系统，如舰船目标识别系统、机场目标识别系统、建筑物提取系统、港口识别系统等。这些针对特定目标的识别系统在特定领域识别效果好，但是系统不具有泛化能力，在其他领域不能很好的应用。目前的遥感图像目标识别系统目标识别种类单一，局限性大。对于复杂环境下的目标识别鲁棒性差，并且缺少对遥感数据的有效管理。

传统的多源遥感图像重点目标检测算法存在以下几个方面：基于统计分类的目标识别：主要是根据遥感图像中的目标的统计特性，如目标的灰度、纹理、形状等，然后通过特征匹配来进行目标识别。基于知识的目标识别：利用与遥感图像中重点目标相关的专家知识来进行参数模型的构建，如目标的上下文信息、目标的形状以及目标的地理信息等。基于模型的目标识别：取遥感图像中重点目标的重要特征，将重点目标样本空间简化为目标模型、背景模型或环境模型。但是目标检测是一个复杂的图像分析处理过程，已有的许多检测模型，包括一些成熟的算法，只有有限的能够应用到在实际的军事场景中。

相比于传统方法的对目标先验知识要求高、模型泛化能力差等特点，目前基于深度学习的遥感图像目标识别得到了广泛的应用。但鉴于实际应用的复杂性和多变性，大多数的检测方法仅具备部分的有效性，有必要对目标检测算法进行改进和扩展，使其能够更好的应用到具体遥感对地观测任务中。

发明内容

本发明的目的在于对遥感图像中的关键目标进行快速检测，提供一种基于YOLOv2的遥感图像快速目标检测方法。

本发明构建了遥感图像数据集，针对遥感图像目标检测问题提出了一种改进的卷积神经网络作为模型的特征提取网络，包括下列步骤：

1制作遥感图像数据集，并对图像进行预处理操作，具体包括下列步骤：

1.1预处理：用暗通道去雾算法对雾天图像进行去雾处理，用MSRCR图像增强算法获得清晰度和对比度得到提升的遥感图像数据集；

1.2对步骤1.1.1获得的遥感图像数据集进行人工标注，将待检测目标划分为飞机、船、车辆、广场、操场、建筑六个类别，记录目标位置坐标，将图像中包含的目标类别信息，及其对应的坐标信息存储为XML文件格式；

1.3将步骤1.1.1获得的遥感图像数据集通过翻转、旋转、裁切、加入噪声、调整色调来扩大样本数，选取遥感图像数据集中80％作为训练集，剩下的20％作为测试集；