本發(fā)明涉及遙感圖像的目標(biāo)檢測，具體講就是一種基于遙感圖像的目標(biāo)檢測與細(xì)粒度識別，在遙感圖像中的車輛進(jìn)行準(zhǔn)確的區(qū)分，并且能夠準(zhǔn)確車輛并給予標(biāo)注，屬于深度學(xué)習(xí)領(lǐng)域。

背景技術(shù)：

1、基于深度學(xué)習(xí)方法的遙感圖像目標(biāo)檢測和場景識別等已成為近年來重要的研究和發(fā)展方向。而當(dāng)前基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)檢測方法成為主流，包括兩階段檢測網(wǎng)絡(luò)，如r-cnn、fast?r-cnn、faster?r-cnn等，以及單階段的檢測網(wǎng)絡(luò)，如yolo系列、ssd系列，但是隨著網(wǎng)絡(luò)的不斷加深，將導(dǎo)致圖像中的小目標(biāo)紋理和幾何信息快速丟失。針對這一系列問題，在2020年,tang等人改進(jìn)的yolo?v3車輛圖像檢測算法的網(wǎng)絡(luò)架構(gòu)，檢測精度得到了不錯的提升。2020年,zhao等人，通過全卷積網(wǎng)絡(luò)的損失函數(shù)計算，用標(biāo)定數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到適用于檢測航拍車輛的網(wǎng)絡(luò)模型。

2、然而，這些算法存在一些問題，如人工參數(shù)過多、冗余計算量大、時間成本高、魯棒性差等。此外，在復(fù)雜的汽車檢測場景下，算法的檢測效率低，無法正確區(qū)分車輛類型。獲取的自然圖像多包含復(fù)雜的背景信息，受硬件設(shè)備、天氣、光線、周圍細(xì)小物體等因素的影響，從而造成特征提取往往是困難的。大多數(shù)汽車在視覺上具有相似的外觀特征，只有找到具有區(qū)別性的局部細(xì)節(jié)來突出不同類型汽車之間的細(xì)微差別，因此，本方法旨在提出一種基于深度學(xué)習(xí)的遙感圖像汽車目標(biāo)檢測和細(xì)粒度識別方法，解決不同類別的汽車數(shù)據(jù)分布不均勻進(jìn)而才能準(zhǔn)確地進(jìn)行汽車類型識別。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明的重點(diǎn)是遙感圖像汽車目標(biāo)檢測和細(xì)粒度識別技術(shù)。通過背景過濾網(wǎng)絡(luò)，快速過濾除遙感汽車圖像的背景區(qū)域，并利用汽車細(xì)粒度分類網(wǎng)絡(luò)檢測和區(qū)分汽車的類別。大多數(shù)算法只進(jìn)行汽車目標(biāo)的檢測，而沒有進(jìn)行汽車目標(biāo)的細(xì)粒度分類。此外，部分汽車檢測算法忽略了背景信息對特征的干擾，導(dǎo)致檢測的準(zhǔn)確性降低。然而，使用yolov7在遙感圖像汽車目標(biāo)識別和細(xì)粒度識別時容易出現(xiàn)問題，例如汽車檢測不準(zhǔn)確容易受到復(fù)雜背景的影響，且在提取細(xì)節(jié)特征時不夠具體，難以區(qū)分不同車輛類型。因此，在本發(fā)明中，將采用基于深度學(xué)習(xí)的遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別算法，并使用改進(jìn)型yolov7作為主干網(wǎng)絡(luò)。這樣可以實現(xiàn)對不同型號的汽車進(jìn)行準(zhǔn)確的目標(biāo)檢測和分類，包括轎車、卡車、城市越野車（suv）等，同時減少背景帶來的干擾。

2、本發(fā)明的技術(shù)方案是：一種基于遙感圖像的目標(biāo)檢測與細(xì)粒度識別算法，其特殊之處在于，包括以下步驟：

3、為了解決遙感圖像中含有道路、建筑物、水體等與汽車類似的復(fù)雜背景信息，本發(fā)明提出一種改進(jìn)yolov7的目標(biāo)檢測方法，即通過在主干網(wǎng)絡(luò)中添加集中特征金字塔cfp-c(centralized?feature?pyramid-coordinate)。骨干網(wǎng)絡(luò)輸出的特征圖經(jīng)cfp-c平滑處理后，其包含的噪聲得到抑制；由于cfp-c中引入了高效注意力模塊ca(coordinateattention)，橫向和縱向信息將被編碼到通道域中，因此網(wǎng)絡(luò)在不帶來更多的計算量的前提下，實現(xiàn)大范圍的區(qū)域關(guān)注；這解決了遙感圖像汽車檢測背景復(fù)雜導(dǎo)致檢測效率低的問題。

4、為解決遙感圖像汽車目標(biāo)檢測過程中對不同尺度車輛的檢測性能不均,本發(fā)明提出一種具有多尺度特征融合的新型ms(multi-scale)模塊。該模塊旨在增強(qiáng)實時目標(biāo)檢測提取多尺度特征的能力。新型ms模塊通過引入多個分支,每個分支負(fù)責(zé)處理不同層級的特征圖,同時在不同層級上提取多尺度特征信息。這樣模型能更全面識別圖像目標(biāo)。這使模型更關(guān)注重要特征,提高了對汽車圖像檢測的性能。

5、遙感圖像汽車細(xì)粒度識別時，由于其視覺特征難以區(qū)分，其類間差異小，這導(dǎo)致模型在推理時準(zhǔn)確的回歸框可能匹配一個不正確的類別。為了解決這一問題，本發(fā)明提出一種新的ffp（local?feature?and?global?feature?pooling），通過選擇相關(guān)的深度描述符來提取全局特征。深度挖掘不同部件之間的內(nèi)在關(guān)系，從而獲得具有代表性的局部特征。進(jìn)一步提高遙感圖像汽車檢測網(wǎng)絡(luò)對于不同類型汽車的區(qū)分效果。

6、數(shù)據(jù)集的建立，使用遙感衛(wèi)星、無人機(jī)或其他遙感設(shè)備獲取汽車圖像數(shù)據(jù)。在不同時間、不同地點(diǎn)和不同角度下采集圖像，以增加數(shù)據(jù)的多樣性。并對采集到的圖像進(jìn)行預(yù)處理，包括去噪、圖像增強(qiáng)、尺度調(diào)整等，以確保圖像質(zhì)量和一致性。對圖像進(jìn)行目標(biāo)標(biāo)注，即在圖像中框選出汽車目標(biāo)，并為每個目標(biāo)分配相應(yīng)的類別標(biāo)簽，如轎車、卡車、suv等。通過應(yīng)用旋轉(zhuǎn)、鏡像、平移等數(shù)據(jù)擴(kuò)增技術(shù)，增加數(shù)據(jù)集的大小和多樣性，以提高訓(xùn)練模型的魯棒性。將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，通常按照一定比例劃分，以便在訓(xùn)練、優(yōu)化和評估模型時使用不同的數(shù)據(jù)子集。對數(shù)據(jù)集進(jìn)行質(zhì)量控制，檢查標(biāo)注準(zhǔn)確性和一致性，排除低質(zhì)量或錯誤標(biāo)注的樣本。確保各個類別的樣本數(shù)量相對均衡，避免數(shù)據(jù)集中某些類別過多或過少，以避免模型偏向某些類別。

技術(shù)特征：

1.一種基于遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別方法，其特征是，包括：

2.如權(quán)利要求1所述基于遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別方法，其特征在于，步驟2中特征提取模塊通過在主干網(wǎng)絡(luò)中添加集中特征金字塔cfp-c；骨干網(wǎng)絡(luò)輸出的特征圖經(jīng)cfp-c平滑處理后，使得包含的噪聲得到抑制。

3.如權(quán)利要求1所述基于遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別算法中，步驟2中多尺度特征融合模塊，通過引入多個分支,每個分支負(fù)責(zé)處理不同層級的特征圖,同時在不同層級上提取多尺度特征信息。

4.如權(quán)利要求1所述基于遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別算法中，步驟2中特征提取模塊，通過選擇相關(guān)的深度描述符來提取全局特征；深度挖掘不同部件之間的內(nèi)在關(guān)系，從而獲得具有代表性的局部特征，進(jìn)一步提高遙感圖像汽車檢測網(wǎng)絡(luò)對于不同類型汽車的區(qū)分效果。

5.如權(quán)利要求1所述基于遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別算法中，其特征是：

技術(shù)總結(jié)
本發(fā)明公開了一種遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別的方法，步驟如下：步驟1、對YOLOv7進(jìn)行優(yōu)化改進(jìn)，擬提出將改進(jìn)型集中特征金字塔CFP?C引入到Y(jié)OLOv7中的BackBone部分解決遙感圖像汽車因目標(biāo)分布密集以及檢測背景復(fù)雜導(dǎo)致檢測效率較低的問題；步驟2：在YOLOv7模型中加入多尺度特征融合的新型MS模塊，使網(wǎng)絡(luò)更加關(guān)注對于不同大小的汽車識別，提高對于汽車特征提取能力，從而提高遙感圖像汽車目標(biāo)檢測與細(xì)粒度識別的準(zhǔn)確率；步驟3、通過引入FFP將全局特征與局部特征進(jìn)行結(jié)合，挖掘汽車部件之間的內(nèi)在關(guān)系，從而獲得具有代表性的局部特征。進(jìn)一步提高遙感圖像汽車檢測網(wǎng)絡(luò)對于不同類型汽車的檢測效果。

技術(shù)研發(fā)人員：趙爽,辛瑞龍,陳磊,馮澤振
受保護(hù)的技術(shù)使用者：長春理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10