[发明专利]遥感视频图像运动目标实时智能感知方法及其装置

说明书

本发明提供一种遥感视频图像运动目标实时智能感知方法及其装置，通过图像处理算法、迁移学习方法和树形分类架构相结合的构建方式，实现了小尺度目标检测和利用少量样本数据训练深度卷积神经网络，并使样本数据随着系统的持续运行而不断扩充，从而在检测过程中拓展了样本数据规模，提高了目标实时智能感知的准确性。

技术领域

本发明涉及图像处理技术领域，具体的涉及一种遥感视频目标实时智能感知方法，特指为视频卫星拍摄的遥感视频图像提供的一种遥感视频图像运动目标实时智能感知方法及其装置。

背景技术

视频卫星是一种采用视频成像、视频数据实时传输、人在回路交互式操作工作方式的新型天基信息获取类微小卫星。与传统卫星相比，视频卫星可提供实时视频图像，与静止单幅图像相比增加了时域信息，可获取目标的动态过程信息，能够探测到动态事件的发生，并可以基于视频图像中的序列图像进行图像重构获得更高分辨率的图像，为抗灾救灾、战时监控、计划决策提供第一手资料。面对视频卫星时刻更新的海量数据，人的理解能力既无法完成对大量数据的感知，其理解速度也无法适应信息的更新速度，为了充分挖掘与利用视频卫星所拍摄的视频图像，使人在回路的控制方式更加科学可靠，操作更加简单智能，对运动目标的实时智能感知提出了迫切需求。实现对运动目标的实时智能感知，引导视频卫星对其跟踪成像，具有重要的社会和军事价值。运动目标的实时智能感知，要求能够实时检测识别出运动目标，且感知过程无需人的参与，能够自动完成。

传统的目标检测识别算法流程包括(1)生成候选区域，如滑动窗口、选择搜索算法等，生成所有可能包含目标的区域；(2)特征提取，如尺度不变特征转换、梯度直方图等，提取出候选区域的特征；(3)图像分类，如Adaboost、支持向量机分类器等，根据提取出的候选区域图像特征对候选区域是否包含目标及目标种类做出判断，给出置信度。传统目标检测识别算法的问题主要有生成候选区域时间复杂度高，窗口大量冗余，使算法实时性差，同时形态多样性、光照变化多样性、背景多样性使得提取的特征鲁棒性差。自从2013年卷积神经网络应用于图像的目标检测识别以来，基于深度学习的目标检测识别算法得到了广泛关注，第一类还是基于传统目标检测识别流程，通过卷积神经网络识别候选区域的目标，然而通过选择搜索或者区域生成网络(RPN)得到候选区域的算法复杂度较高，无法满足实时性要求；第二类是端到端的算法，通过一个神经网络完成目标检测识别，但这些算法大多是在卷积神经网络提取出的图像特征层上检测目标，对于目标在图像中所占像素不超过总像素量5％的小尺度目标来说，无法很好地检测出来。同时，由于遥感图像中的目标往往缺乏公开的图像数据集，使得训练神经网络模型时可利用的样本数较少，导致神经网络模型的训练容易出现过拟合问题。因此，目标的小尺度特性、样本数较少以及实时性要求高是深度学习应用于遥感视频目标实时智能感知的难点所在。

发明内容

本发明提供了一种遥感视频图像运动目标实时智能感知方法及其装置，该发明解决了现有方法对遥感视频图像中小尺度目标感知结果准确性与实时性较差的技术问题。

本发明采用的技术方案如下：

本发明提供的一种基于深度学习的遥感视频运动目标实时智能感知系统，包括：运动目标候选区域图像提取模块、运动目标图像识别模块、运动目标图像归类模块；其中，运动目标候选区域图像提取模块采用图像处理算法对遥感视频原始图像进行计算，得到原始图像中可能包含运动目标的候选区域图像；运动目标图像识别模块采用经过目标样本数据训练的深度卷积神经网络对可能包含运动目标的候选区域图像进行计算，得到候选区域图像为不同类别目标的概率；运动目标图像分类模块通过计算候选区域图像为不同类别目标的贝叶斯后验概率，将候选区域图像归类为对应的目标集合，从而完成对运动目标的实时智能感知。

候选区域图像被归类为特定目标集合后，便将该候选区域图像作为样本扩充到目标样本集中，用于进一步训练运动目标图像识别模块中的深度卷积神经网络，实现对目标类别的不断细分和提高检测结果的准确性。

参见图1，本发明提供了一种遥感视频图像运动目标实时智能感知方法及其装置，包括以下步骤：