[发明专利]基于抑制优化机制的粘连树木检测方法

说明书

基于抑制优化机制的粘连树木检测方法，包括如下步骤：步骤1.预测边界框抑制避免；步骤2.树木检测；步骤3.弹性抑制后处理。本发明提出的基于抑制优化机制的树木检测方法对比现有方法，在树木粘连的场景下具有更优异的检测性能，粘连越严重的场景提高更加明显，相比基线方法具有更少的误识和更少的漏识。

技术领域

本发明涉及检测高分辨率遥感图像粘连树木的方法。

背景技术

高分辨率遥感影像可以帮助林业人员实现大范围高精度森林资源调查、木材产量估计和森林绘制，也可以为城市绿化规划提供决策支持。随着遥感影像的分辨率逐渐提高，获取变得容易，很多研究人员致力于单棵树木信息的提取工作。但是这些树木检测方法普遍依赖于专家的先验知识，对不同场景的鲁棒性较低。

虽然当前通用目标检测方法越来越多，但是针对遥感图像中的地物检测，尤其是树木检测的方法研究还是相对较少。这主要是因为遥感图像的分辨率还不够高，以及树木之间在地面的生长情况相对比较复杂，尤其在高郁闭度的复杂场景下，树木之间相对拥挤，树冠之间存在相互交错的情况。在遥感图像中这些情况表现为树冠边界不清晰，以及树木之间相互粘连严重，面对这样的树木检测中的问题目前还没有比较好的解决方法。

发明内容

本发明要克服现有技术的上述缺点，提供一种面向树木粘连场景下基于抑制优化机制的粘连树木检测方法。

本发明设计了一种基于抑制优化机制的粘连树木检测方法。首先对预测边界框进行抑制避免来优化模型，分别添加实例外预测边界框距离损失和实例外参考边界框距离损失来抑制避免从而减少漏识和定位漂移问题，然后利用优化后的模型树木进行检测，最后进行弹性抑制后处理进一步提高粘连树木的检测精度。

基于抑制优化机制的粘连树木检测方法，包括如下步骤：

1.预测边界框抑制避免；

基于抑制避免的模型以Mask R-CNN为基础，其总体损失函数如下：

L＝L_cls+L_box+L_mask (1)

其中L_cls是分类损失，L_box是回归损失，L_mask是掩模损失；这三种损失均没有考虑树木粘连的影响，其中回归损失只是让预测边界框无限逼近对应的实例参考树，但无法避免预测框相互抑制的现象；传统的非极大值方法只会保留树木重叠区域中置信度极高的边界框，这会产生漏识等问题；通过对添加以下两项损失可以解决这些问题，它可以用于在真实图像中进行树木检测；

11)实例外预测边界框距离损失避免抑制；给定Box ∈Boxes(Box是边界框，Boxes是所有预测是树的边界框集合)，实例内Box为Box_inner，实例外Box为Box_outer，实例外预测边界框距离损失L_{outer_box}可以表示为如下公式：

其中计算的条件是实例内预测边界框和实例外预测边界框有粘连，即IOU(Box_inner，Box_outer)＞0，IOU是重叠度，Smooth_ln是平滑的ln函数；

该步骤避免了树木粘连问题中不同参考边界框对应的预测边界框之间相互抑制的现象；优化后的损失函数如公式(3)所示：

L＝L_cls+L_box+L_mask+L_{outer_box} (3)