[发明专利]基于无锚点精确采样遥感图像车辆目标检测方法

说明书

本发明公开了一种基于无锚点精确采样遥感图像车辆目标检测方法，包括如下步骤：S1，使用多层卷积神经网络对原始图片进行特征提取，根据不同尺度大小的特征图构成自上而下特征金字塔；S2，对于特征金字塔的每一层特征，生成特征图上所有像素点的类别预测；S3，对于特征金字塔的每一层特征，生成特征图上所有像素点的目标框预测；S4，根据输入图片中的真实框面积信息确定当前车辆目标所属的特征图；S5，借助真实框内的目标实例分割信息确定目标在该层特征内的正样本像素点，并计算该像素点到真实框四条边的差值；S6，计算所有正样本像素点的类别损失与关于真实框的回归损失。

技术领域

本发明属于基于深度学习的图像处理技术领域，具体涉及一种基于无锚点精确采样遥感图像车辆目标检测方法。

背景技术

近年来，卫星遥感技术的发展，从空中获取地面图片越来越方便。同时，随着社会的经济发展，车辆保有量也逐年增加。人们对城市交通运输能力的要求也在增加，大规模区域内的交通状况获取也变得越来越重要。通过卫星平台获取遥感图像中的车辆信息具有很大的优越性以及便利性，其中，遥感图像中的车辆目标检测是智能交通、城市交通分析规划、军事车辆目标识别以及跟踪的基础且重要的任务。

神经网络在遥感图像中的车辆检测领域已有先例，这其中使用的方法一种是专注于精度的双阶段目标检测网络，一种是专注于精度的单阶段目标检测网络。它们大多基于锚点来预先设置好目标框的信息，在应用到遥感图像的车辆目标中需要根据数据集的特点设置不同大小以及比例的锚点框，通用性不高。且遥感图像的获取来源不统一，不同的数据集之间有着明显的差距。无锚点的单阶段检测方法避免了人为设置锚点信息的步骤，同时兼备了检测的精度与速度。而原有的无锚点检测方法Foveabox在选择目标正样本时，考虑的是目标真实框中心区域内的所有像素点。这样虽然使靠近目标中心产生的结果质量更高，但一来减少了采样点的数量，车辆目标在经过深层网络的处理后，保留的像素点本就偏少，处于目标框内的非真实实例的目标像素点对检测结果存在干扰。二是在遇到倾斜的车辆目标框中，背景信息偏多，中心区域采样不能代表整个车辆目标。三是对于形状特殊的物体，只采样目标框的中心区域，会丢失掉物体的大部分甚至全部特征信息，使得模型的通用性低。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于无锚点精确采样遥感图像车辆目标检测方法，通过引入目标框中车辆的像素级分割信息，来重新定义车辆目标的中心点。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于无锚点精确采样遥感图像车辆目标检测方法，包括如下步骤：

S1，使用多层卷积神经网络对原始图片进行特征提取，根据不同尺度大小的特征图构成自上而下特征金字塔；

S2，对于特征金字塔的每一层特征，生成特征图上所有像素点的类别预测；

S3，对于特征金字塔的每一层特征，生成特征图上所有像素点的目标框预测；

S4，根据输入图片中的真实框面积信息确定当前车辆目标所属的特征图；

S5，借助真实框内的目标实例分割信息确定目标在该层特征内的正样本像素点，并计算该像素点到真实框四条边的差值；

S6，计算所有正样本像素点的类别损失与关于真实框的回归损失。

优选地，所述步骤S1进一步包括：

选用ResNet-50作为基础卷积神经网络，图片经过网络，在不同的层输出不同尺度的特征图，每上一个特征图是下一个特征图所经过网络的输出，此时的不同特征具有不同的通道数，越上层的特征，通道数越多，首先对不同特征图进行通道数统一化，其过程如下：

P_i＝Conv_3×3(C_i，256，3，1，1)