[发明专利]一种顾及遥感图像旋转目标的目标检测方法

说明书

本发明提供了一种用于遥感图像旋转目标的旋转目标检测器，包括一个特征提取阶段和一个检测框精炼阶段，在算法的检测中，第一阶段网络使用水平回归框，从而获得更快的速度和更多的区域建议框，在回归框精炼阶段使用了旋转锚框以适应密集场景。解决了在遥感图像舰船检测过程中由于舰船目标排列密集导致的检测精度不高的问题，本发明能够得到长宽比和尺寸更贴近舰船的真实形状的检测结果，适用于军用及民用的遥感图像舰船检测作业。

技术领域

本发明涉及遥感图像检测技术领域，具体涉及一种顾及遥感图像旋转目标的目标检测方法。

背景技术

遥感图像中包含了丰富的信息，在军事与民用领域都有着重要的意义。目前，对于民用领域中土地规划、环境监测、气象分析等方面以及军事领域中战前情报掌握、战时战略分析、军事测绘和领土检测等方面都做出了极大贡献。

对于高分辨率可见光遥感图像，舰船目标的检测一直是遥感图像理解任务中的一个研究热点。遥感舰船图像中，由于许多目标通常以密集排列的形式出现，且目标的尺度差异相对较大，这使得对于深度学习的检测算法，舰船的检测对检测框的角度的变化十分敏感，自然场景目标检测方法很难应用于遥感图像舰船检测任务中。目前常见的水平矩形框检测方法，检测结果中，由于检测框不能贴合舰船的真实形状，导致有的很多不属于舰船的像素，这对于区分背景和舰船区域十分不利，尤其是密集排列的交叠非常大的舰船目标。

因此，如何提供一种具有高识别精度的顾及遥感图像旋转目标的目标检测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种用于遥感图像旋转目标的旋转目标检测器，该算法由一个特征提取阶段和一个检测框精炼阶段组成，在算法的检测中，第一阶段网络使用水平检测框，从而获得更快的速度和更多的区域建议框，在回归框精炼阶段使用了旋转检测框以适应密集场景。解决了在遥感图像舰船检测过程中由于舰船目标排列密集导致的检测精度不高的问题。

为了实现上述目的，本发明采用如下技术方案：

一种顾及遥感图像旋转目标的目标检测方法，构建改进的R3Det深度神经网络模型，作为旋转目标检测器，旋转目标检测器的目标检测方法包括如下步骤：

S1、回归框提取阶段：

S11、输入遥感图像依次经过级联残差网络进行目标的特征提取，得到N个特征，分别进入金字塔网络对应的层进行特征融合，得到每一层输出的多尺度融合特征图；

S12、所述金字塔网络每一层的输出均连接有一个第一分类回归子网络，得到并输出初步的第一回归框和第一分类结果；

S2、回归框精炼阶段：

S21、将所述S11中每一层得到的多尺度融合特征图结合所述S12中得到的第一回归框和第一分类结果进行第一回归框调整，得到调整后的回归框，使调整后的回归框符合目标的的真实形状和朝向；

S22、每一层输出的调整后的检测框分别进入至一个第二分类回归子网络，得到并输出最终的第二回归框和第二分类结果。

优选的，所述S11之前还包括：获得目标的遥感图像作为原始数据，所述原始数据集经过图像增强步骤，获得输入数据集，即所述输入遥感图像；所述图像增强步骤包括裁剪、旋转、颜色变换。

优选的，所述S11中，级联残差网络包括N+1个模块，每个模块包括若干残差块；所述级联残差网络中各个模块之间依次级联，第二模块至第N+1模块的N个输出端作为金字塔网络的N个融合层的输入端。

优选的，所述S11中，金字塔网络每一融合层接收特征时使用卷积层进行卷积，经过卷积后的特征，向下一层传递，并通过上采样将上一级联融合层与当前融合层进行融合，得到当前层融合后的特征；融合后的特征继续通过卷积层进行卷积，输出特征图像。