本發明涉及一種遙感圖像目標檢測方法及裝置，該方法首先建立深度全卷積神經網絡；所述深度全卷積神經網絡包括用于特征提取的主網絡和用于目標檢測的子網絡；然后利用圖像分類數據庫對主網絡進行訓練；在主網絡訓練完成后，添加子網絡；利用遙感目標檢測數據庫對網絡參數進行微調，得到訓練好的深度全卷積神經網絡；最后將待測遙感圖像輸入至深度全卷積神經網絡，得到最終的目標檢測結果。相對于常規的直接只使用遙感目標檢測數據庫對建立的深度全卷積神經網絡進行訓練，本發明可以提高泛化能力和準確率，實現在復雜背景下快速、高精度、高魯棒性地自動目標檢測。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種遙感圖像目標檢測方法及裝置。

背景技術

遙感圖像目標自動檢測，是指計算機通過全自動的方式對監控區域的典型目標進行檢測、定位的技術。遙感圖像目標檢測作為當前遙感圖像應用領域中主要研究的內容，具有重要的理論意義和廣泛的應用價值。

自動檢測技術在軍民兩方面都具有重要的應用價值。在軍事方面，自動目標檢測被用來探測和檢測軍事目標，實現對區域的自動監視、偵查和警戒。在民用方面，自動目標檢測技術可用于輔助工作人員進行車輛監控、土地規劃、機場障礙物檢測等工作。

經典的目標檢測方法，主要分為模型驅動和數據驅動兩種類型。

模型驅動方法主要依靠領域專家對目標進行建模，之后利用實際數據的統計信息修正和改進模型，目標檢測的過程通過模型匹配的方式實現。這類方法往往計算復雜、設計難度大，并且無法適應復雜多變的實際情況。

數據驅動的方法主要利用大量人工標注的數據進行半監督或監督學習，特征提取和分類器的參數均由訓練得到。這類方法的優勢是不需要專家進行模型設計，同時只要數據庫夠完善，就能夠適應復雜的實際環境和不同的應用領域；缺點是需要大量人力建設完善的數據庫。

近年來，基于深度卷積神經網絡的自動目標檢測方法取得了良好的檢測效果，但是，目標的卷積神經網絡往往結構復雜，訓練過程繁瑣，計算量大，難以實現快速檢測；此外，精確標注的遙感圖像數據庫規模較小，容易導致深度神經網絡過擬合，導致實際應用中檢測準確率較低。

發明內容

本發明的目的在于提供一種遙感圖像目標檢測方法及裝置，用以解決現有技術中只采用精確標注的遙感圖像數據庫進行遙感圖像目標檢測時造成的檢測準確率較低的問題。

為解決上述技術問題，本發明的技術方案為：

本發明提供了一種遙感圖像目標檢測方法，包括如下方法方案：

方法方案一，包括如下步驟：

建立深度全卷積神經網絡；所述深度全卷積神經網絡包括用于特征提取的主網絡和用于目標檢測的子網絡；

利用圖像分類數據庫對主網絡進行訓練；在主網絡訓練完成后，添加子網絡；利用遙感目標檢測數據庫對網絡參數進行微調，得到訓練好的深度全卷積神經網絡；

將待測遙感圖像輸入至深度全卷積神經網絡，得到最終的目標檢測結果。

方法方案二，在方法方案一的基礎上，將待測遙感圖像輸入至深度全卷積神經網絡前，還包括將待測遙感圖片縮放至設定尺寸的步驟。

方法方案三，在方法方案一的基礎上，所述得到目標檢測結果包括：通過深度全卷積神經網絡的前向傳播計算待測遙感圖片中的目標位置和輸出類別置信度信息，將輸出類別置信度高于設定閾值的目標位置作為最終的目標檢測結果。

方法方案四，在方法方案三的基礎上，所述子網絡采用滑動窗口的方式對主網絡產生的特征圖上的區域進行卷積，以得到待測遙感圖片中的目標位置和輸出類別置信度信息。