[发明专利]一种基于深度学习的航拍车辆检测方法

说明书

一种基于深度学习的航拍车辆检测方法，步骤如下：构建训练数据集并对数据集中图像的标签信息进行预处理；搭建用于航拍车辆检测的基于深度学习的目标检测网络；基于最大迭代次数，用训练样本对搭建的目标检测网络进行训练，得到训练好的航拍车辆目标检测网络；对航拍图像进行车辆目标检测。在特征提取网络中加入注意力模块。由于卷积运算通过混合跨信道和空间信息来提取图像特征，采用本发明中的注意力模块强调了这两个主要维度上有意义的特征，有效地抑制航拍图像中的复杂噪声背景，提高车辆目标检测的准确率。第二，在基础锚框的选择中加入旋转角度，使得目标检测网络可以检测出航拍车辆目标的旋转角度，得到更加丰富的车辆目标位置信息。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习的图像目标检测方法。设计了一种以深层卷积神经网络Resnet为基础搭建的FasterR-CNN目标检测网络。本发明可应用于航拍图像中的车辆目标检测。相较于现有方法，本发明能得到更加丰富的车辆目标位置信息，并且检测准确率较高。

背景技术

私人交通工具的普及导致了交通情况的复杂化，完善交通管理系统对城市现代化有着重要影响。车辆检测是交通管理系统中不可或缺的组成部分，有利于解决交通堵塞、车流控制、道路规划及停车场预估等问题。

近年来，随着深度学习的兴起，卷积神经网络在目标检测领域取得了优异的成果。FasterR-CNN引入了与检测网络共享全图像卷积特性的区域建议网络(RPN)，实现了端到端的目标检测。目前，FasterR-CNN在目标检测领域达到了领先水平。然而，航拍图像与自然图像相比，目标车辆在图像中占比较小，背景也较为复杂。这导致FasterR-CNN在航拍车辆检测方面的检测效果很不理想。

浅层的特征语义信息较少，但目标位置准确；深层的特征语义信息丰富，但目标位置较为粗略。FPN(Feature Pyramid Networks)利用图像金字塔的思想，将浅层特征与深层特征进行融合，有效地解决了目标检测场景中小尺度目标检测困难的问题。将FPN与FasterR-CNN结合可以有效提高航拍车辆目标的检测精度。Mask R-CNN中又提出一种新的区域特征聚集方式ROIAligh代替了FasterR-CNN中的ROIPooling，提高了小目标检测的准确性。

然而，航拍图像中的车辆目标通常以任意方向出现，现有技术无法检测出车辆的旋转方向。且由于航拍图像具有较多的噪声背景，现有技术也难以达到较高的检测准确率。

发明内容

本发明提出了一种基于深度学习的航拍车辆检测方法，目的在于解决上述现有技术中的不足。本方法综合利用了现有的目标检测网络的优点，并在此基础上解决旋转角度问题，减少噪声影响，提高了航拍车辆检测的准确率。

本发明的技术方案：

一种基于深度学习的航拍车辆检测方法，步骤如下：

步骤1：构建训练数据集并对数据集中图像的标签信息进行预处理

构建训练数据集的具体方法如下：

(1)用窗口大小为800×800×3像素，且步长为256×256×3像素的划窗，对多幅航拍图像进行逐一切割，得到多个切割图像块及相应的标签文件；

(2)对得到的切割图像块进行数据增强处理，得到训练数据集

对数据集中图像的标签信息进行预处理的具体方法如下：

(1)将标签信息中的位置信息表示为(x,y,h,w,θ)，其中(x,y)表示框的几何中心，h表示框的短边，w表示框的长边，θ∈(-45°,135°)表示框的旋转方向，然后将框的长宽扩大gt_margin倍；

(2)将标签信息中的类型信息标记为1；

步骤2：搭建用于航拍车辆检测的基于深度学习的目标检测网络