[发明专利]高分辨率遥感影像目标尺度特征的卷积神经网络检测方法

说明书

本发明提供了一种高分辨率遥感影像目标尺度特征的卷积神经网络检测方法，包括通过建立包含不同辐射亮度、不同尺度大小的大规模高分辨率遥感影像多目标检测数据集，对数据集中各目标尺度范围分别统计分析，及所有目标一起统计分析，获得高分辨率遥感影像中各目标尺度的最优分布范围；根据高分辨率遥感影像中各目标尺度分布范围覆盖的区域面积，获得高分辨率遥感影像目标检测建议框的最优尺度大小；根据目标建议框的最优尺度大小，设置适合高分辨率遥感影像目标检测的卷积神经网络架构，实现影像中目标检测。本发明方法可以获得高精度的高分辨率遥感影像目标检测结果，该方法具有简单、可靠、精度高、易于实现的特点。

技术领域

本发明属于遥感影像处理及信息提取领域，特别是涉及到关于如何对高分辨率遥感影像目标实现最优尺度建议框的目标检测方法。

背景技术

随着地对地观测技术的发展，高分辨率遥感影像的数据获取量越来越大，且已被广泛用于城市规划、灾害监测、农业管理和军事侦察等方面。在大数据条件下，如何自动化、智能化地实现高分辨率遥感影像目标检测，对高分辨率遥感影像应用价值的发挥具有重要影响。为此，国内外学者开展了大量的研究，其中许多研究方法主要使用人工设计的影像目标特征进行目标检测，如梯度直方图(histogram of oriented gradient，HOG)、局部二值模式(local binary patterns，LBP)、尺度不变特征变换(scale-invariant featuretransform，SIFT)和Gabor等特征，然后将这些特征以特征量的形式输入到传统的分类器，如支持向量机(support vector machine，SVM)、AdaBoost、决策树等进行分类，在特定的目标检测任务中取得了较好的效果。但由于遥感卫星复杂多变的拍摄条件，传统的目标检测算法难以适应不同情况下的遥感影像，算法的稳健性、普适性较差。

近年来，卷积神经网络(convolutional neural networks，CNN)作为最热门的深度学习模型算法，由于其不需要人为设计目标特征，且会根据海量数据和标注自行进行有效特征提取和学习；另外，在训练数据充足的情况下，模型具有良好的泛化能力，能够在复杂多变的条件下亦然保持良好的稳健鲁棒性。因此，卷积神经网络模型已被广泛应用于图像目标检测领域。现在常用的卷积神经网络目标检测架构有Faster regional CNN(Faster-RCNN)、You Only Look Once(YOLO)和Single-shot multibox Detector(SSD)等，这些卷积神经网络目标检测架构均是针对自然图像的目标尺度设计的，在自然图像的目标检测中均取得较好的目标检测结果。高分辨率遥感卫星通常在近地轨道对地球表面进行成像，且成像过程中受光照、气象条件等影响，生成的遥感影像存在影像内容复杂、目标尺度范围较小，且不同时间段生成的遥感影像辐射差异较大等特点。相对于自然图像，高分辨率遥感影像存在背景更加复杂、目标区域范围更小和同类目标尺度变化更大等特点。因此，现有的Faster-RCNN、YOLO和SSD等目标检测框架不能有效耦合高分辨率遥感影像的目标尺度特征，难以获得高精度的高分辨率遥感影像目标检测结果。武汉大学的研究团队于日前提交了论文《遥感影像目标的尺度特征卷积神经网络识别法》，针对传统影像目标检测与识别中人工设计特征稳健性与普适性差的问题，提出了一种基于目标尺度特征的卷积神经网络检测与识别方法。但是，论文中只是粗略的对对数据集中所有目标尺度进行统计分析，缺乏合理的最优建议框尺度获取技术手段，从而影响了检测效果。

针对以上问题，本发明提出改进，提出一种新的高分辨率遥感影像目标尺度特征的卷积神经网络检测方法。

发明内容

本发明针对如何获得高分辨率遥感影像目标检测最优尺度建议框的问题，提出一种新的基于遥感影像目标尺度特征的卷积神经网络检测方法。

本发明提供的技术方案为一种高分辨率遥感影像目标尺度特征的卷积神经网络检测方法，包括以下步骤：