[发明专利]基于集成深度卷积网络的光学遥感图像目标检测方法

摘要

本发明公开了一种基于集成深度卷积网络的光学遥感图像目标检测方法，主要解决现有技术中误检目标多以及测试过程复杂繁琐的问题。本发明的具体步骤如下：(1)搭建多分支深度网络；(2)生成含有目标区域训练数据集；(3)第一次训练集成深度卷积网络；(4)生成所有区域训练数据集；(5)第二次训练集成深度卷积网络；(6)生成测试数据集；(7)得到检测结果图；(8)计算平均精度。本发明能够提取所有无目标区域的目标候选框作为负样本，充分利用光学遥感图像的信息，更好地区分光学遥感图像中的目标和复杂的背景，具有测试过程简单、检测结果误检目标少的优点。

主权项

1.一种基于集成深度卷积网络的光学遥感图像目标检测方法，其特征在于，该方法是从光学遥感图像中提取所有无目标区域的目标候选框作为负样本，用该负样本对搭建的集成深度卷积网络进行训练，使用集成深度卷积网络中的两个分类子网络，分别对目标候选框进行分类，该方法的具体步骤包括如下：(1)搭建集成深度卷积网络：搭建一个由基础网络、区域生成子网络、两个分类子网络组成的集成深度卷积网络；(2)生成含有目标区域训练数据集：(2a)从遥感卫星上实时接收的光学遥感影像中，随机选取含有飞机和舰船目标的7帧不连续的光学遥感图像，作为训练图像；(2b)标注训练图像中所有飞机和舰船目标的类别和位置坐标，得到标注目标；(2c)用大小为400×400的矩阵窗口，对每幅训练图像中所有含有标注目标的区域，进行切块处理，对切块处理后的图像块依次进行旋转、翻转、随机曝光度调整，得到5850个图像块；(2d)将每个在图像块中的标注目标的位置坐标变换为其在图像块中的位置坐标，将每个图像块中所有标注目标的类别和位置坐标组合得到类标，将所有图像块和对应的类标作为含有目标区域训练数据集；(3)第一次训练集成深度卷积网络：将含有目标区域训练数据集，输入到除第二个分类子网络之外的集成深度卷积网络中进行迭代训练，直至网络的损失函数收敛，得到第一次训练后的集成深度卷积网络；(4)生成所有区域训练数据集：(4a)利用切割合并方法，生成训练图像所有的目标候选框以及目标候选框的置信度和类别；(4b)将所有与标注目标有交集的目标候选框指定为有目标区域目标候选框，将所有与标注目标无交集的目标候选框指定为无目标区域目标候选框；(4c)对所有的有目标区域目标候选框，计算每个目标候选框与每个标注目标的交集面积与并集面积的比值，得到每个目标候选框与每个标注目标的交并比，选取所有与任一标注目标的交并比大于0.5的目标候选框，将每个目标候选框的类别依次设为与该目标候选框交并比最大的标注目标的类别，将目标候选框和类别以及目标候选框所在的图像块，组成有目标区域训练数据集；(4d)对无目标区域目标候选框设定三个背景类，将类别为背景的目标候选框的类别设为第一类背景类，将类别为飞机的目标候选框的类别设为第二类背景类，将类别为舰船的目标候选框的类别设为第三类背景类，将目标候选框和类别以及目标候选框所在的图像块，组成无目标区域训练数据集；(5)第二次训练集成深度卷积网络：将有目标区域训练数据集作为正样本，无目标区域训练数据集作为负样本，将正样本和负样本输入到除第一个分类子网络之外的集成深度卷积网络中进行迭代训练，直至集成深度卷积网络的损失函数收敛，得到第二次训练后的集成深度卷积网络；(6)生成测试数据集：从遥感卫星上实时接收的光学遥感影像中，再随机选取含有飞机和舰船目标的4帧不连续的光学遥感图像，作为测试图像；(7)得到检测结果图：(7a)用切割间隔为100、大小为400×400的矩阵窗口，对测试图像进行切块处理，将切块处理后的图像块依次输入到训练好的集成深度卷积网络中，依次输出每个图像块中每个目标的边框、类别和两个置信度，两个置信度分别为三类置信度和五类置信度，计算每个目标最终的置信度，将目标的边框坐标变换为其在对应测试图像中的坐标；(7b)对所有的目标边框和与之对应的置信度，进行非极大抑制处理，得到最终的检测结果；(7c)将每个目标的边框绘制到光学遥感图像对应的位置，得到检测结果图；(8)计算平均精度：分别计算每个类别的平均精度以及多类别平均精度，对检测结果进行评估。