[发明专利]基于F-SSD网络滤波的光学遥感视频目标检测方法

说明书

本发明提出了一种基于F‑SSD网络滤波的光学遥感视频目标检测方法，旨在提高对光学遥感视频的目标检测准确率。实现步骤为：获取训练样本集和验证样本集；构建网络模型F‑SSD，对构建的网络模型进行训练；按一定的间隔帧数取待检测视频的若干帧用训练好的网络模型进行检测，得到这些间隔帧上检测到的目标；依次取这些间隔帧上检测到的目标为跟踪对象，用相关滤波算法进行跟踪；获得光学遥感视频的目标检测结果；本发明方法实现了光学遥感视频的目标检测，提高了目标检测的准确率。

技术领域

本发明属于视频图像处理技术领域，特别涉及一种基于F-SSD网络滤波的光学遥感视频目标检测方法，可用于光学遥感视频的目标检测，在城市交通监控、土地测绘、农业估产和生态环境监测等领域具有重大的应用价值。

背景技术

目标检测是计算机视觉领域的核心任务之一，包括图像目标检测和视频目标检测。近年来，在视频目标检测领域，许多研究学者致力于可见光视频或红外视频的目标检测技术研究，但是没有针对光学遥感视频的目标检测技术。相比于可见光视频或红外视频，光学遥感视频是RGB三通道彩色图像，分辨率较低，目标尺寸较小，而且目标与背景在颜色上具有很大的相似性，将可见光视频或红外视频的目标检测技术应用于光学遥感视频的目标检测无法得到较高的准确率。光学遥感视频是由光学遥感图像序列组成，目前，现有技术中对光学遥感图像最典型的目标检测技术是基于深度学习的方法。

深度学习的方法使图像直接作为网络的输入，避免了复杂的特征提取过程，而且其提取的特征更鲁棒、表达能力更强；SSD网络模型是深度学习方法中最常用的目标检测网络模型之一，深度学习方法中常见的用于目标检测的网络模型有Fast R-CNN、SSD和YOLO等，Fast R-CNN模型需要先产生候选区域，然后对候选区域进行分类和位置精修，而SSD和YOLO模型不先产生候选区域，可以直接生成物体的类别概率和位置坐标值。

现有技术中虽然没有记载光学遥感视频的目标检测技术，但是光学遥感视频是由光学遥感图像序列组成，采用现有技术中对光学遥感图像的目标检测技术对视频的每一帧光学遥感图像分别进行目标检测，仍然可以得到该光学遥感视频的目标检测结果；但是相比于图像数据，视频包含更多的时域信息，视频相邻帧之中的目标是有关联性的，如果在检测光学遥感视频时，将光学遥感视频的每一帧当成独立的光学遥感图像分开检测会损失掉视频帧间的关联性，导致检测准确率降低。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于F-SSD网络滤波的光学遥感视频目标检测方法，用于解决现有光学遥感视频目标检测方法中存在的检测准确率较低的技术问题。

本发明的技术思路是：首先构建网络模型F-SSD，获取训练该网络模型的样本集并对网络模型进行训练，用训练好的网络模型按一定的帧数间隔检测光学遥感视频的若干帧，依次以这些帧中检测出的目标为跟踪对象，用相关滤波算法对其进行跟踪，跟踪持续一定帧数后修正该跟踪对象的位置，然后继续跟踪，保存该跟踪对象在光学遥感视频各帧中的位置，最后得到所有跟踪对象在光学遥感视频帧中的位置，即为光学遥感视频的目标检测结果。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取训练集T和验证集V：

(1a)从数据库中获取视频帧图像大小为H×H×3、分辨率为r的M个光学遥感视频，H≥300，M≥5，对包含目标的视频帧图像中的目标进行标注，并将标注过目标的视频帧图像及目标的标签组合成样本集D1，然后从D1中随机选取一半以上的样本作为训练集T1，剩余的样本作为验证集V1；