[发明专利]基于深度神经网络的遥感影像车辆目标识别模型及方法

说明书

本发明提供一种基于深度神经网络的遥感影像车辆目标识别模型及方法。该模型将Yolov4网络结构中PANet网络中的卷积块替换为倒置残差模块，具体为：将PANet网络中上采样单元自下而上依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第一倒置残差模块和第二倒置残差模块；将PANet网络中下采样单元自上而下依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第三倒置残差模块和第四倒置残差模块；在第二倒置残差模块和第三倒置残差模块之间新增一个倒置残差模块，并定义为第五倒置残差模块，所述第五倒置残差模块用于对输入的图像进行下采样。本发明对阴影遮挡等复杂环境下的车辆目标识别更精确。

技术领域

本发明涉及遥感影像目标识别技术领域，具体涉及在复杂环境的街道场景遥感影像中的汽车检测与识别方法，尤其涉及一种基于深度神经网络的遥感影像车辆目标识别模型及方法。

背景技术

航天遥感影像识别任务中，汽车识别作为一种重要的交通工具，一直是研究的难点和热点。无论是军事应用还是民用方面，基于遥感图像的车辆目标检测都发挥着十分重要的作用。而在遥感图像中，车辆目标像素过小、周围环境复杂、语义信息差、建筑物或阴影遮挡等问题导致现有的框架对汽车的识别效果不理想。

目前，国内外对目标识别的研究有很多，但大多数方法是针对一般物体和图像而进行实验分析的，针对车辆目标尤其是小目标检测的研究还少。而针对遥感图像目标像素过小，环境复杂，俯瞰角度不一，目标信息不全，建筑物、云层等遮挡等困难，现有的深度学习方法对遥感图像目标的识别结果仍不理想。

发明内容

针对传统的目标识别方法在面对复杂环境下的遥感影像识别车辆这类小目标时的识别效果较差的问题，本发明提供一种基于深度神经网络的遥感影像车辆目标识别模型及方法。

一方面，本发明提供一种基于深度神经网络的遥感影像车辆目标识别模型，将Yolov4网络结构中PANet网络中的卷积块替换为倒置残差模块，具体为：

将PANet网络中上采样单元自下而上依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第一倒置残差模块和第二倒置残差模块；

将PANet网络中下采样单元自上而下依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第三倒置残差模块和第四倒置残差模块；

在第二倒置残差模块和第三倒置残差模块之间新增一个倒置残差模块，并定义为第五倒置残差模块，所述第五倒置残差模块用于对输入的图像进行下采样。

进一步地，所述倒置残差模块，包括自上而下依次连接的3层子网络；其中，第一层子网络包括依次连接的1*1卷积层、批量标准化层和Relu6激活函数；第二层子网络包括依次连接的3*3卷积层、批量标准化层和Relu6激活函数；第三层子网络包括依次连接的1*1卷积层和批量标准化层；所述第一层子网络的输入与所述第三层子网络的输出相加后作为所述倒置残差模块的输出。

另一方面，本发明提供一种基于深度神经网络的遥感影像车辆目标识别方法，采用上述的遥感影像车辆目标识别模型，所述方法包括：

对原始的遥感影像进行GAMMA矫正；

将矫正后的遥感影像输入至所述遥感影像车辆目标识别模型，并采用预训练好的模型参数yolov4.conv.137作为初始权重值对遥感影像车辆目标识别模型进行训练；

使用训练好的遥感影像车辆目标识别模型对输入的遥感影像进行车辆目标识别。

本发明的有益效果：