基于深度学习的遥感图像目标检测算法研究

基于深度学习的遥感图像目标检测算法研究

董新钰

天津水运工程勘察设计院有限公司, 天津市水运工程测绘技术重点实验室  天津市  300456

摘要：遥感图像目标检测在城市规划、资源调查和灾害监测等领域应用广泛，基于遥感图像的目标检测具有重要研究意义。遥感技术为人们快速、全面了解地表覆盖变化提供了技术支持，在高分辨率遥感技术不断发展的大背景下，大量高品质遥感图像的采集越来越方便。遥感图像是利用遥感技术生成的远距离图像，可以对目标进行有效的处理。目标检测是遥感图像处理的基础任务之一，通过对遥感图像的分析可以分辨出水体、植被等目标，同时遥感影像可以识别更小的目标，如具体的树木、人、交通标志、足球场标志线等等，因此遥感图像目标检测已经成为当前研究的热点问题。遥感设备拍摄图像时由于设备距离目标较远，包含的地面范围大，受到分辨率的限制，待检测目标可能以微小形式显示在遥感图像中，这些检测目标具有尺度小、特征弱等特点，为图像目标的检测工作带来较大难度。

关键词：深度学习；遥感图像；目标检测算法

引言

基于遥感卫星影像对特定目标进行检测识别一直以来是高分辨率遥感影像的重要应用方向之一。目前遥感卫星所拍摄到的高分辨率遥感影像图中包含有大量清晰的飞机目标,利用这些遥感影像对飞机目标进行快速精确的检测,能够在机场调度、流量监控、飞机应急救援以及军事侦察等多个领域发挥重要作用。

1利用深度学习算法提取遥感图像特征

在输入层中，深度卷积神经网络会把输入的影像转码为立体矩阵的形式，以矩阵的长宽比来表示影像的长度和宽度，由于输入的初始遥感图像为灰色图像，因此设置深度为1。卷积神经网络是利用不同的网络结构，从输入层到最终的全连通层，从而达到对目标特性的转移。卷积层是图像局部特征提取环节的主要工作环境，卷积层的每一个结点都只是上层的一个局部，记为感知场，感知场的大小决定着每一次处理的局部面积。卷积层采用不同尺寸的卷积对输入的图像进行了详细的分析，使其能够更好地提取出更高级的抽象特征，并能更好地表示出对象的特性。在卷积运算中，卷积核在输入的局部特征区域上进行矩阵的乘法运算，计算出偏移量，然后根据所设置的步长量，使其在图像上来回滑动。一般情况下，在完成卷积运算后，节点的矩阵深度将会得到进一步的提高。在不改变矩阵深度的情况下，采用了对矩阵进行降维的方法。池化层运算可以减少图像的解析度。利用池化层，使上一次全连接层中的结点数目得到了进一步减少，从而降低了总的网络参数值。

2基于深度学习的遥感图像目标检测算法

2.1基于距离约束的检测框回归

在分类与回归阶段中，经过特征融合的各层特征图需要进行分类和位置回归分支进行回归处理，以目标真实框为基准进行网络反馈优化。特征融合后的预测框的精确度仍然和主流检测方法有差距，其原因是网络结构在远离目标的中心位置产生了许多预测框，这些低质量的预测框最终影响了网络的预测的效果。为了解决该问题，提出了一种基于距离约束的中心回归DCCN，该回归方式利用检测框中心与真实框中心之间的距离来评估预测框的预测效果，距离敏感的回归方式能够有效利用遥感图像中目标的位置信息，从而更加高效的检测。

2.2仿真图像作为模板的遥感影像小目标检测方法

随着航天航空技术的突飞猛进，遥感技术也得到了快速成长，遥感技术在许多领域中都发挥着巨大作用，在交通、环境、农业等领域中遥感技术都得到了广泛的应用。遥感技术的发展使得遥感影像的精度越来越高，遥感影像视角较高，包含丰富的位置、特征等信息。因此，遥感影像中的目标检测受到了越来越多的关注。仿真图像是通过成像仿真技术生成的，而仿真成像技术是基于数学或物理方法来构建全链路成像模型，最终由模型生成图像的方法。构建成像仿真系统的第一步是搭建成像仿真框架。全链路的成像仿真框架从太阳直射、天空漫射开始，目标经过材质划分、并通过贴图的方式来体现不同材质的反射特性。材质反射后的光照强度再经过大气传输模型，即大气要素计算，最后进入相机成像模块。相机成像模块主要负责将成像前来到相机模块的光照强度根据一定计算规则转化为相应的电信号，然后经过信号处理模块，最终形成可见光仿真图像，整个成像仿真系统的闭环链路就此搭建完成。当仿真图像作为模板加入到神经网络时，像是一种先验知识或是常识，指导网络的学习与推理，不仅提高了网络的准确率，也提高了网络的可解释性。

2.3用于卫星遥感图像的多尺度目标检测算法

为解决卫星遥感图像的目标检测中目标过小或者模糊导致检测效果不佳的问题，本文提出Yolov5-WMFPN算法，在Backbone中使用通道注意力与空间注意力模块CBAM，提高了对特征提取的针对性。WMFPN特征融合网络，提取的feature map经过上采样-下采样-上采样结构的特征融合，不仅使细节特征信息得到增强，而且也使feature map富含位置信息，并使用通道融合权重，使通道融合时让网络关注更加重要的通道，实现不同层次特征信息的充分利用，在稍微增加计算量的同时将精度大幅提高。该算法可以有效提升对卫星遥感图片的多尺度检测精度，对部分小目标和复杂目标检测效果提升明显，与yolov5m相比，在DIOR数据集上mAP提升3.1%，达73.6%。

2.4遥感图像倾斜边界框目标检测

目标检测是计算机视觉中一项基础但又十分具有挑战性的任务，其不仅在资源勘测、环境监测、城市规划等民用领域有重要的作用，而且在战场目标信息获取、目标捕捉、目标情报获取等军用领域也扮演着重要的角色。随着深度学习技术的发展，基于深度卷积神经网络DCNN（Deep的自然图像目标检测算法取得了长足的进步。然而与自然图像相比，遥感图像背景复杂度更高，同时遥感图像中的物体目标也具有尺度差异大、分布密集、方向多样等特点，若直接将基于自然图像的目标检测算法应用至遥感图像，并不能取得理想的效果。基于深度学习的水平框目标检测旨在由水平框定位出目标在图像中的位置，并判断目标的具体类别。水平框检测算法按是否产生候选区域可分为双阶段检测算法和单阶段检测算法；而单阶段检测算法根据其是否使用锚框又可分为基于锚框的检测算法和基于关键点的检测算法。以R-CNN系列为代表的双阶段目标检测算法，将目标检测过程分为候选区域生成、候选区域特征提取、目标的分类和位置坐标回归3个部分。与传统的目标检测算法不同，该类算法中的目标特征并不是由人工设计，而是由深度卷积神经网络经过训练获得，这极大地提高了目标检测的效率和准确度。

结语

目标检测是一种利用物体的几何特性和统计特性来进行图像分割的方法，由于目标检测具有快速定位目标的特点，因此被广泛地应用于导航、远程监测等诸多领域中。遥感技术以及遥感图像的出现，扩大了目标检测的维度，同时也为目标检测工作带来巨大的难度与挑战。通过深度学习算法的应用，在保证检测速度的同时，极大地提高了对于遥感图像中微小目标的检测精度。

参考文献

[1]李红光,于若男,丁文锐.基于深度学习的小目标检测研究进展[J].航空学报,2021,42(7):107-125.

[2]欧巧凤,肖佳兵,谢群群,等.基于深度学习的车检图像多目标检测与识别[J].应用科学学报,2021,39(6):939-951.

[3]杜泽星,殷进勇,杨建.基于半监督学习的遥感飞机图像检测方法[J].激光与光电子学进展,2020,57(6):131-139.

[4]杨天天,陈志明,吕颖,等.基于深度学习的多分辨率海洋目标检测方法[J].电光与控制,2020,27(11):81-85.