[发明专利]一种基于PSPNet网络的飞机起降跑道识别方法

说明书

本发明公开了一种基于PSPNet网络的飞机起降跑道识别方法，该方法采用残差网络ResNet与轻量级深层神经网络MobileNetV2作为主干特征提取网络加强特征提取，同时将原有的四层金字塔池化模块调整为五层，每个层级的尺度大小分别为9×9，6×6，3×3，2×2，1×1，利用有限的自制飞机起降地形图像进行训练，将飞机起降地形图像中的飞机起降跑道标识并进行提取。该方法将ResNet和MobileNetV2进行有效结合，相比现有技术提高了飞机起降跑道的检测精度。

技术领域

本发明涉及计算机视觉领域和模式识别领域技术领域，特别涉及一种基于PSPNet网络的飞机起降跑道识别方法。

背景技术

飞机起降地形识别中所运用的语义分割技术是计算机视觉领域和模式识别领域中的关键技术，也是环境感知领域的核心技术。语义分割能够结合物体检测和图像分类对环境整体感知。目前，语义分割技术广泛应用于自动无人驾驶、地表地质检测、人脸面部分割、医学检测识别等领域，近年来受到越来越多的关注。语义分割算法主要分为基于全卷积网络语义分割与基于上下文知识的语义分割，其中基于全卷积的语义分割是采用级联的卷积层和池化层，不断抽象图像中的特征，得到特征图(feature map)，最后通过转置卷积插值得到还原为原始大小的特征图，完成图像逐像素的语义分割；而基于上下文知识的语义分割是在CNN的处理过程中加入图像特征的全局信息，将图像特征作为序列输入，用以对全局上下文信息建模，改善语义分割结果。

随着深度学习的不断发展与应用，基于上下文知识的语义分割网络在地形识别应用中取得了很好的效果，相对于传统分割方法基于上下文知识的语义分割网络在分割准确率和精细度上有大幅提升，凭借着良好的分割效果，基于上下文知识的语义分割网络及一些优秀的神经网络逐渐应用于地形识别领域中，但是由于现有的神经网络通常采用一个主干网络来进行特征提取,识别准确性不是很高。

发明内容

针对现有技术存在的上述问题，本发明的要解决的技术问题是：如何提高对飞机起降跑道识别的准确性。

为解决上述技术问题，本发明采用如下技术方案：一种基于PSPNet网络的飞机起降

跑道识别方法，包括如下步骤：

S100：构建PSPNet网络:所述PSPNet网络根据对图像的处理流程依次包括如下部分：

包括两个主干特征提取网络,所述两个主干特征提取网络分别用于提取特征图；

包括两个加强特征提取模块,所述两个加强特征提取模块分别用于对主干特征提取网络提取的特征图进行进一步特征提取；

包括上采样模块，所述上采样模块用于还原原始图像分辨率；

包括尺寸统一模块，所述尺寸统一模块用于将两个加强特征提取模块提取的加强特征尺寸统一化处理；

包括数据串联模块，所述数据串联模块用于对经过尺寸统一模块处理后的两个加强特征进行串联；

包括卷积输出模块，所述卷积输出模块用于对数据串联模块处理后的数据进行卷积后输出；

S200：训练PSPNet网络，具体训练过程如下：

S210：构建训练数据集：

采集N张光学遥感数据图像，对N张光学遥感数据图像中选择部分能够满足飞机起降特定地形的图像进行放大、截取，并进行数据集标注，即标注飞机的起飞降落的跑道位置和区域大小，所有标注后的图像作为训练样本，所有训练样本构成训练数据集；

S220：初始化PSPNet网络中的参数；

S230：将训练集中的所有训练样本输入PSPNet网络中，对PSPNet网络进行训练；