[发明专利]一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法

说明书

本发明公开了一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法，主要步骤包括：首先将原有小目标检测任务进行在不同尺度上进行分解，得到多尺度任务组。然后分别在不同尺度下训练低分辨率检测器，并应用其进行检测，得到不同尺度下的检测结果。最后将这些检测结果进行融合，得到最终针对小目标的检测结果。本发明解决了现有技术中目标检测器难以在高分辨率图像进行微小目标检测的难题。

技术领域

本发明属于目标检测技术，尤其涉及一种基于计算机视觉和深度学习的高分辨率图像中微小目标自动检测方法。

背景技术

目前应用比较广泛的基于深度学习的目标检测器主要可以分为两类：第一类是两步(two stage)目标检测器，如Fast R-CNN，Faster R-CNN，Mask R-CNN等，这些算法特点都是将目标检测分为两个阶段：首先提取候选区域，然后再将其送入检测网络完成对目标的定位与识别。第二类是单步(one stage)目标检测算法，如Single Shot Detection(SSD)、You Look Only Once(YOLO)，YOLO 9000，YOLO V3等，此类算法不需要预先提取候选框，而是直接通过网络中预设框来完成目标位置的回归和类别的判断，是一种端到端的目标检测算法。在待检测目标尺度较大且不密集的场景下，两步目标检测器和单步目标检测器都具有较高的检测精度，而后者相较前者有更快的检测速度。然而由于受到目标实际大小、拍摄设备、拍摄距离、观测尺度等因素的影响，真实目标在图像中往往会表现为小目标。与大目标相比，小目标的像素更少、可提取的特征也不明显。在对这些小目标进行检测时，无论是两步还是单步检测器都难以取得较好的检测效果。

目前针对小目标检测算法的优化主要集中在模型的改进上，即在输入低分辨率图像尺寸不变的前提上，通过改进模型结构提升检测器的特征提取能力以及其检测精度。目前比较有效的改进算法是特征金字塔网络(Feature Pyramid Networks)。该网络可嵌入到上述两步、单步检测器中，其可将主体网络生成的低层次特征图与高层次特征图以特定方式进行融合，完成对特征金字塔的重构。这样操作后低层次的特征图感受野范围提升，其语义信息得到增强，最终使得模型对小目标检测的精度有了很大提升。

虽然上述改进可以提升模型检测精度，但是这些模型处理的对象仍然是低分辨率图像。随着摄像设备硬件性能的提升，人们可以获得更高分辨率的图像。而与低分辨率图像相比，小目标在高分辨率图像中可以用更多的像素来表征，即可以被更加清晰的刻画出来。这一特点为小目标检测任务提供了有效的数据支撑。虽然获得了数据上的支撑，但目前的检测算法基本都不适用于分辨率高达几千万像素的图像。但如果将高分辨率图像进行下采样以适应检测模型，又将丢失信息，无法充分地利用高分辨率图像的特点，最终也很难对小目标进行检测。针对高分辨率图像小目标检测问题，基于高分辨率卫星影像的目标检测流程Satellite Imagery Multiscale Rapid Detection with Windowed Networks(SIMRDWN)利用快速检测器对通过滑窗获取的候选区域进行检测，可以完成对任意尺寸高分辨率图像的快速检测任务。但是该方法检测精度低、虚警多，且执行时间较长。针对此问题，本专利提出了一种简单有效的办法来解决高分辨率图像中小目标检测的问题。该算法将原始检测任务在图像的不同尺度上进行拆分，得到具有逻辑关联的多尺度检测任务组；然后分别针对不同尺度下的检测任务训练相应的低分辨率目标检测器；最后将各尺度下的检测结果进行融合得到最终的缺陷标检测结果。研究目的在于构建基于深度神经网络的模式识别框架，探索基于高分辨率图像的小目标检测方法。

发明内容

针对现有技术中的问题，本发明提供一种高分辨率图像中小目标自动检测方法，该方法解决了现有技术中目标检测器难以在高分辨率图像进行微小目标检测的难题。

本方法分为检测和训练流程，一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法，其特征在于，步骤如下：

S1检测流程

S1.1建立多尺度任务组