[发明专利]一种基于深度神经网络的遥感图像目标检测方法

说明书

一种基于深度神经网络的遥感图像目标检测方法，包括：获取训练样本并对所述训练样本进行缩放预处理操作；在预处理后的所述训练样本中，对包含遥感目标及遥感背景的训练样本图像执行多种类型的标记操作；基于最大迭代次数，对选取的深度卷积神经网络模型执行预训练和微调操作，得到微调的深度卷积神经网络模型；对所述微调的深度卷积神经网络模型的全连接层进行处理，得到微调的深度全卷积网络模型；基于所述微调的深度卷积神经网络模型及所述微调的深度全卷积网络模型对遥感图像目标进行检测。该方法具有检测速度快、检测精度高等优点，可被广泛应用于目标检测、目标跟踪、智能导航、城市规划等领域。

技术领域

本发明所属的技术领域为数字图像处理与模式识别，涉及图像处理、深度学习算法、图像分类、目标检测等内容。

背景技术

遥感图像的目标检测指的是在大幅高分辨遥感图像中检测出一类或者几类目标(如飞机、桥梁和房屋等)并标注其位置。早期的遥感图像目标检测主要是基于模板匹配和形状先验的，随着卷积神经网络(Convolutional Neural Networks，CNNs)等深度学习方法的发展和在图像分类、目标检测等领域的成功运用，深度学习的方法也被迁移到了遥感图像目标检测上。

目前使用深度学习算法解决遥感图像目标检测问题的主要思路是使用区域搜索算法进行候选区域选取，然后使用浅层CNN模型进行候选区域的分类，之后使用非极大值抑制算法去除重叠的检测框。区域搜索算法主要包括滑动窗口、显著性检测、SelectiveSearch等方法。滑动窗口方法在图像上进行穷举搜索，显著性检测使用梯度计算、阈值分割等方法找到目标和背景的差异，从而为候选区域的选取提供先验知识。Selective Search方法先把图像分割成小区域，然后根据相似性对小区域进行合并，进而得到候选区域。另外，现有方法主要使用基于5层LeNet模型的浅层CNN模型进行候选区域的特征提取和分类。在处理重叠结果方面，现有方法主要采用非极大值抑制算法。非极大值抑制算法的主要原理是在覆盖同一目标的检测框中保留置信度最高的一个。

现有技术主要存在以下问题：第一，使用区域搜索算法进行候选区域选取时会产生大量不包含遥感目标的候选区域，从而提升检测算法的误检率，因此需要对候选区域进行筛选以减轻后期CNN模型分类的工作量；第二，浅层CNN模型特征提取能力不足，分类效果不理想，但是由于没有足够的遥感图像样本，不能完成对深度CNN模型的微调，无法使用深度CNN模型完成候选区域的分类；第三，非极大值抑制算法可以去除重叠检测框，但是无法调整检测框的位置，这使得遥感图像目标检测结果不够精确。

发明内容

本发明所要解决的技术问题在于克服现有技术的缺点，提供一种省时、高效、高精度的结合深度神经网络的遥感图像目标检测方法。

本发明实施例提供了一种基于深度神经网络的遥感图像目标检测方法，包括：

获取训练样本并对所述训练样本进行缩放预处理操作；

在预处理后的所述训练样本中，对包含遥感目标及遥感背景的训练样本图像执行多种类型的标记操作；

基于最大迭代次数，对选取的深度卷积神经网络模型执行预训练和微调操作，得到微调的深度卷积神经网络模型；

对所述微调的深度卷积神经网络模型的全连接层进行处理，得到微调的深度全卷积网络模型；

基于所述微调的深度卷积神经网络模型及所述微调的深度全卷积网络模型对遥感图像目标进行检测。

根据本发明实施例的一种具体实现方式，所述获取训练样本并对所述训练样本进行缩放预处理操作，包括：

(a)从日常常见物体数据集ILSVRC-2012中选取1000000张常见物体样本图像，从遥感图像数据集中选取4000张包含遥感目标的训练样本图像和9000张包含遥感背景的训练样本图像；