[发明专利]一种基于深度神经网络的遥感图像车辆目标检测方法

说明书

一种基于深度神经网络的遥感图像车辆目标检测方法，包括利用遥感图像数据集通过数据增强方法制作预训练数据集，构建改进的M2det遥感图像车辆检测网络，利用预训练数据集对车辆检测网络进行预训练，得到预训练后的遥感图像车辆检测网络，制作调整训练数据集，对预训练后的遥感图像车辆检测网络进行调整训练，得到遥感图像车辆检测模型，制作测试数据集，并利用遥感图像车辆检测模型对测试数据集进行检测，得到车辆检测结果，保存车辆检测结果，统计不同类别车辆数量及整个图像区域内车辆总数。本发明提供的方法，能够利用遥感图像进行大范围车辆检测，具有较高的检测精度和较快的检测速度。

技术领域

本发明属于目标检测技术领域，更具体地说，本发明涉及一种基于深度神经网络的遥感图像车辆目标检测方法。

背景技术

传统的目标检测方法主要是在给定的图像上选择一些候选的区域，然后对这些区域进行特征提取，其特征主要包含角点、轮廓和边缘等，最后使用预先训练好的分类器进行分类。由于基于滑窗的区域选择策略没有针对性，时间复杂度高，存在窗口冗余，而且手工设计的特征对于环境多样性的变化并没有很好的鲁棒性，导致传统的目标检测已经很难适应遥感图像的目标检测任务，尤其是针对小目标而言。近年来深度学习得到了快速的发展，因其可以实现特征的自动提取以及提取的特征具有更强的的表达能力，在目标检测领域展现出独特的优势，逐渐产生了两阶段和一阶段目标检测方法。其中一阶段目标检测方法在检测速度和检测精度上更具优势，通过设计合理的网络结构，可以实现小目标的快速、准确的检测。

发明内容

本发明的目的是要提供一种基于深度神经网络的遥感图像车辆检测方法，能够利用遥感图像方便、快速、准确地进行大范围区域内的车辆检测和数量统计，具有高的检测精度和快的检测速度。

一种基于深度神经网络的遥感图像车辆检测方法，包括以下步骤：

步骤S1：利用遥感图像数据集以及数据增强方法制作预训练数据集；

步骤S2：构建改进的M2det遥感图像车辆检测网络；

步骤S3：利用预训练数据集对遥感图像车辆检测网络进行预训练，得到预训练后的遥感图像车辆检测网络；

步骤S4：制作调整训练数据集；

步骤S5：利用调整训练数据集对预训练后的遥感图像车辆检测网络进行调整训练，得到遥感图像车辆检测模型；

步骤S6：制作测试数据集，并利用遥感图像车辆检测模型对测试数据集进行检测，得到车辆检测结果；

步骤S7：保存车辆检测结果，统计不同类别车辆数量及整个图像区域内车辆总数。

进一步地，步骤S1中，所述的利用遥感图像数据集以及数据增强方法制作预训练数据集中，遥感图像数据集是利用遥感图像数据，手工制作需要的数据集。

进一步地，步骤S1中，所述的利用遥感图像数据集以及数据增强方法制作预训练数据集中，具体包括：针对所选的遥感图像数据集，提取所需要的车辆图像和相应的标注信息，根据构建的遥感图像车辆检测网络的图像输入格式要求，将其标注信息转换成对应的格式，再将其尺寸通过裁剪、拼接等操作转换成要求的输入尺寸，组成新的数据集，针对新的数据集进行数据增强处理，弥补单一图像数据数量上的不足，制作预训练数据集，处理方法包括：图像随机（水平或垂直）旋转、图像缩放以及图像模糊等。

进一步地，步骤S2中，所述构建改进的M2det遥感图像车辆检测网络，具体包括：在M2det目标检测网络的基础上进行改进，使其适用于遥感图像车辆检测，包括：Backbone部分（基于VGG16的主干特征提取网络）；Back-Head部分（由多级金字塔结构、特征强化分支结构、特征融合结构组成的特征传递和强化网络）及Head部分（基于SSD目标检测框架的目标预测网络）。

进一步地，步骤S3中，所述的利用预训练数据集对遥感图像车辆检测网络进行预训练的过程中，将预训练数据集中的图像采用分批次的方式输入到遥感图像车辆检测网络中进行预训练，得到预训练后的遥感图像车辆检测模型。