[发明专利]基于目标锚框优选策略的交通基建施工目标监测系统与方法

说明书

本发明公开了基于目标锚框优选策略的交通基建施工目标监测系统与方法，包括如下流程，步骤一：通过遥感图像处理技术进行遥感图像信息采集，并反馈到内部的图像预处理模块；步骤二：图像预处理模块对采集的图像进行图像增强、归一化等相关预处理操作；步骤三：预处理结果自动输入至卷积特征提取模块，提取相应的多层级多尺度卷积特征，并通过所提候选框调优方案进行ROI区域定位和特征提取；步骤四：利用所提的候选框得分调优与候选框位置调优进行目标框精细处理。本发明利用图像邻域内多个可靠候选框的信息，构建准确可靠的最优候选框选择策略，提升高分辨率遥感图像中基建主体目标的定位与分类精度，候选框调优策略不仅能够有效提取出具有真实目标的检测框，还缓解检测过程中对部分小尺度目标的漏检。

技术领域

本发明涉及交通基建施工监测技术领域，具体为基于目标锚框优选策略的交通基建施工目标监测系统与方法。

背景技术

当前，基于锚框提取和分类的两阶段目标检测方法仍是解决目标精确定位和分类的主流方案，例如R-CNN[1]、Fast R-CNN、Faster R-CNN。该类方法主要通过在特征图候选区域上密集地放置不同尺度、长宽比的锚框，然后根据获取的特征表述对这些锚框进行分类和回归。通常目标的锚框在匹配阈值化后，一个目标对象将有多个粗配准的候选锚框，因此需要利用基于非极大抑制处理对候选结果进行筛选，得到最终唯一的检测框。在R-CNN中，NMS被用来确定最终的锚点框的位置，对每个候选框送入分类器并根据类别分类概率做排序。然而，R-CNN实际需要非常多的候选区域以确保准确度，且很多区域是彼此重叠的。为了，FastR-CNN在此基础上提出了选择性搜索算法，降低前者预设的候选区域个数。但该策略仍依赖外部候选区域方法，为此FasterR-CNN提出了区域生成网络(RPN,RegionProposal Network)，在特征图每个点预测多个不同宽高比的锚点框。虽然Faster R-CNN的检测精度较高，但每秒7帧的图像处理效率仍制约着目标检测方法的性能。因此，近些年SSD、YOLO等单阶段目标检测算法被提出，利用不同感受野(或最顶层感受野)的特征图进行锚框分类和位置回归，在一次前向传播过程中同时完成目标的定位和分类任务。可以看出，这种检测方法在时间效率上要优于两阶段目标检测方法。但是，由于锚框的结构依赖于人工经验设置，且小目标的特征来源于浅层网络特征，导致SSD的检测精度不及FasterR-CNN算法。除此之外，无论是单阶段还是两阶段目标检测算法，当面对多类别检测任务时，如果对每类分别进行NMS，那么当检测结果中包含两个被分到不同类别的目标且其IoU较大时，会得到不可接受的结果。

当前，已有部分与本项目相关的基于深度学习目标检测的专利被发表，具体的总结如下：

专利1：《CN110765886A》一种基于卷积神经网络的道路目标检测方法及装置。该专利结合卷积神经网络强大的层级特征图生成能力，利用增强算法来突出目标在各个尺度层级的表征，随后结合增强后的特征融合图像、锚点框和真值信息进行监督训练，实现图像目标检测及定位。该专利的增强特征图使用是重点但也是其缺陷，这主要是因为他、增强算法是一个预设的方案，无法在后续的检测过程根据图像的特征分布、目标多样性进行自适应调整。因此，检测框的定位精度依赖于算法预设方案，无法适用于多样性的建筑体目标。

专利2：《CN111461145A》一种基于卷积神经网络进行目标检测的方法。该专利将锚框区域获取的局部特征图信息输入到卷积预测器，实现对目标边界回归和类别分类。其中，所设计的卷积预测器是通过利用分类正例锚框来训练获得。

因此亟需设计基于目标锚框优选策略的交通基建施工目标监测系统与方法来解决上述问题。

发明内容

本发明的目的在于提供基于目标锚框优选策略的交通基建施工目标监测系统与方法，以解决上述背景技术中提出因素问题。

为实现上述目的，本发明提供如下技术方案：基于目标锚框优选策略的交通基建施工目标监测系统与方法，包括如下系统工序流程：

步骤一：通过图像遥感技术进行图像遥感采集，并反馈到内部的图像预处理模块；