[发明专利]基于集成深度卷积网络的光学遥感图像目标检测方法

说明书

本发明公开了一种基于集成深度卷积网络的光学遥感图像目标检测方法，主要解决现有技术中误检目标多以及测试过程复杂繁琐的问题。本发明的具体步骤如下：(1)搭建多分支深度网络；(2)生成含有目标区域训练数据集；(3)第一次训练集成深度卷积网络；(4)生成所有区域训练数据集；(5)第二次训练集成深度卷积网络；(6)生成测试数据集；(7)得到检测结果图；(8)计算平均精度。本发明能够提取所有无目标区域的目标候选框作为负样本，充分利用光学遥感图像的信息，更好地区分光学遥感图像中的目标和复杂的背景，具有测试过程简单、检测结果误检目标少的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及目标检测图像处理技术领域中的一种基于集成深度卷积网络的光学遥感图像目标检测方法。本发明可用于从光学遥感图像中检测出飞机、舰船等地物目标。

背景技术

光学遥感图像在国防和民用方面起着不可替代的作用，由于其成像机制与可见光图像的差异很大，因此研究针对该类图像的特点的处理算法尤为重要。光学遥感图像中的目标检测是计算机视觉和图像处理等技术在遥感领域的重要应用和基本问题之一。随着遥感在成像技术方面的不断发展和进步，光学遥感图像正朝着更高的时间分辨率、更高的空间分辨率和更高的光谱分辨率方向发展，相应的应用范围和需求也在不断增加。现有的航空航天侦察方式多种多样，获取了海量的光学遥感数据。因此，对于光学遥感影像目标检测的研究是非常有价值的。飞机和舰船目标的检测对于国防军事和生活生产实际都有着重要意义，例如对特定区域的机场、港口或空域、海域的监视，对交通运输的管理，以及对某些非法捕鱼、走私等违法犯罪活动的控制等。

中国科学院在其申请的专利文献“一种基于深度学习的鲁棒性舰船目标检测方法”(专利申请号：201710677418.X，公布号：CN107563303A)中提出了一种于深度学习的鲁棒性舰船目标检测方法。该方法首先对训练样本进行处理并训练，得到训练分类器，获得需处理的光学遥感图像，并对其进行预处理；然后对预处理后的光学遥感图像进行海陆分割，得到海陆分割区域，并对不存在舰船的岸上区域进行遮挡，获得特征提取网络，并利用其提取海陆分割区域的旋转不变深度特征，即得到特征图；最后利用分类激活特征图的方法得到舰船这一类别的响应图，对响应图求连通域，得到初步检测框，对舰船的参数进行估计，得到带有检测框的结果图。虽然该方法通过海陆分割进行水域区分，可以降低虚警率，提高目标检测的精度，但是，该方法仍然存在的不足之处是，需要对光学遥感图像进行海陆分割，该分割需要区域分割、特征提取等多个步骤，使得测试过程复杂繁琐。

Shaoqing Ren在其发表的论文“Faster R-CNN:Towards Real-Time ObjectDetection with Region Proposal Networks”(神经信息处理系统进展大会NIPS(NeuralInformation Processing Systems蒙特利尔国际会议论文2015年)中提出了快速区域卷积神经网络Faster R-CNN目标检测方法。该方法首先使用区域生成网络(Region ProposalNetworks，RPN)来进行目标候选区的提取，然后对这些目标候选区进行分类和边框回归，最后对所有的目标边框进行非极大抑制处理，得到最后的检测结果。虽然该方法对于自然图像目标检测有着很好的效果，但是，该方法仍然存在的不足之处是，由于光学遥感图像背景复杂，干扰信息较多，将该目标检测方法直接应用于光学遥感图像，容易将背景误检为目标，导致目标检测的精度低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于集成深度卷积网络的光学遥感图像目标检测方法，对飞机和舰船目标进行检测。本发明与其他现有光学遥感图像目标检测方法相比，能够更多地利用光学遥感图像中的信息，测试过程简单，得到较高的光学遥感图像目标检测精度。