(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210079252.2 (22)申请日 2022.01.24 (71)申请人 湖北工业大 学 地址 430068 湖北省武汉市洪山区南李路 28号 (72)发明人 钮焱　郑新科　李军　何睦　同乐　 赵慧　王子壬　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 肖明洲 (51)Int.Cl. G06V 20/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种改进的复杂背景遥感图像目标检测方 法及系统 (57)摘要 本发明公开了一种改进的复杂背景遥感图 像目标检测方法及系统， 首先构建并训练复杂背 景遥感图像目标检测网络； 然后将将待测遥感图 像输入训练好的复杂背景遥感图像目标检测网 络中进行目标检测， 得到目标检测结果。 本发明 采用单阶段目标检测算法SSD， 且在特征提取与 锚框标注方面进行改进。 相比于现有的算法， 本 改进算法参数量较少、 检测精度高、 有效性强且 简单实用易于实现。 权利要求书3页 说明书7页 附图2页 CN 114463636 A 2022.05.10 CN 114463636 A 1.一种改进的复杂背景遥感图像目标检测方法， 其特 征在于， 包括以下步骤： 步骤1： 构建复杂背景遥感图像目标检测网络； 所述复杂背景遥感图像目标检测网络， 包括特征提取网络、 基于先验知识 的锚框改进 网络和基于I oU优化的锚框补选增强网络； 所述特征提取网络， 以VoVNet作为基础网络， 包括串联的3*3卷积层、 并联的1*1卷积 层， 在VoVNet中进行串联的第一层卷积层之前与最后层卷积后级联残差结构和自注意力 层； 残差结构有一层卷积层conv1*1、 批量归一化BN和激活函数leaky ‑relu； VoVNet连续的 卷积层进行双向连接， 既与后一层相连接， 又在最后一个特 征图一次性聚合所有特 征； 所述基于先验知识的锚框改进 网络， 用于将特征提取网络输出的特征图使用调窗算法 进行类型转 化， 提取有效的结构信息， 然后提取 先验信息； 所述基于IoU优化的锚框补选增强网络， 用于设置一个与真实锚框A相同大小的假锚框 B， S*是A与B的交集 面积， 则 步骤2： 训练复杂背景遥感图像目标检测网络； 步骤3： 将待测遥感图像输入训练好的复杂背景遥感图像目标检测网络中进行目标检 测， 得到目标检测结果。 2.根据权利要求1所述的改进的复杂背景遥感图像目标检测方法， 其特征在于： 步骤1 中， 所述特征提取网络， 串联的3*3卷积层输入维度为64， 输出维度为1024， 并联的1*1卷积 层输入维度为1024， 输出维度为256； 残差结构输入维度为64， 输出维度为256； 对于64维的 图文特征向量， 输入到3*3卷积层得到102 4维的特征， 同时经过残差结构 输出256维的特征， 1024维的特 征再经过自注意力层后输入到并联的1*1卷积层， 输出25 6维的特征。 3.根据权利要求1所述的改进的复杂背景遥感图像目标检测方法， 其特征在于， 步骤1 中， 所述特征提取网络的自注意力层， 在自注意力层中特征图x的输入为c ×h×w， c其是特 征图的通道数， h是特征图的高度， w是特征图的宽度； 特征图x先在h ×w两个卷积核进行卷 积， 然后缩减特征图的通道数c1＝c/8维度为c1×h×w的目标特征空间f(x)和维度为c1×h ×w的目标特征空间g(x)， 第三次卷积得到维度为c ×h×w的矩阵h(x)； 经过f(x)和g(x)的 矩阵乘法， 取得尺度 特征矩阵Sij， 再通过Softmax函数在列方向上进行尺度归一化， 得到注 意力矩阵βji： Sij＝f(xi)Tg(xi)； 其中， N表示尺度特征图矩阵中元素的数量， j表示区域， i表示位置， xi表示原始输入特 征图； 对特征空间h和注意力矩阵进行矩阵乘法运算， 最终得到自注意力特征图； 输出注意 力层表示 为： O＝(O1,O2,O3...OI...ON)∈RC×N； h(xi)＝Whxi； 其中， Wh表示特征空间h的特 征向量；权　利　要　求　书 1/3 页 2 CN 114463636 A 2将权重加入自注意特征图， 原始权重值为0， 权重值的迭代由反向传播的神经网络完 成： yi＝γOi+xi； yi表示最终返回的特征图， γ表示自注意力特征图中初始值权重， 初始值 为0， Oi为展开后的自注意力特 征图。 4.根据权利要求1所述的改进的复杂背景遥感图像目标检测方法， 其特征在于， 步骤1 中， 所述调窗算法是将特征图从第一个灰度自左向右进行面积累加， 当累加的面积占到整 个特征图面积的预设值时对应的灰度值作为窗位， 然后设定固定窗宽； 其中， 将特征图的局 部极小值 点的灰度值作为窗底， 然后搜索剩余 值中的最大值， 令其灰度值作为窗位。 5.根据权利要求1所述的改进的复杂背景遥感图像目标检测方法， 其特征在于， 步骤1 中， 提取先验信息包含设定初始值和构建判别函数， 根据数据之间的联系以及图像的灰度 信息设定初始值； 对调窗处理的后的图像梯度特征和纹理特征， 利用机器学习构造出判别 函数d(x)＝ wTXi， 其中wT为增广权向量， Xi为增广模式向量。 6.根据权利要求1所述的改进的复杂背景遥感图像目标检测方法， 其特征在于， 步骤2 的具体实现包括以下子步骤： 步骤2.1： 利用遥感图像制作遥感图像数据集， 并确定出训练数据集和 测试数据集； 步骤2.2： 将训练数据输入特 征提取网络进行 特征提取， 得到所需的特 征图； 步骤2.3： 将得到的特 征图输入到基于先验知识的锚框改进网络中进行目标 标注； 步骤2.4： 将标注过的数据结果输入到基于IoU优化的锚框补选增强网络中进行锚框选 择， 得到最 合适的锚框； 步骤2.5： 将测试数据输入到训练后的复杂背景遥感图像目标检测网络， 将检测结果与 实际目标进行对比， 若满足精度值mAP值为最大值时， 则结束训练， 获得训练好的复杂背景 遥感图像目标检测网络； 否则回转执 行所述步骤2.2。 7.根据权利要求6所述的改进的复杂背景遥感图像目标检测方法， 其特征在于： 步骤 2.1中， 收集卫星遥感图像， 在遥感图像上注释出图像中待检测目标的属性， 包括类别、 位置 和形状； 将标注后的卫星遥感 图像尺寸调整至预设输入图像的大小， 形成卫星遥感图像数 据集； 将制作好的数据集分为训练集和 测试集。 8.一种改进的复杂背景遥感图像目标检测系统， 其特 征在于， 包括以下模块： 模块1， 用于构建复杂背景遥感图像目标检测网络； 所述复杂背景遥感图像目标检测网络， 包括特征提取网络、 基于先验知识 的锚框改进 网络和基于I oU优化的锚框补选增强网络； 所述特征提取网络， 以VoVNet作为基础网络， 包括串联的3*3卷积层、 并联的1*1卷积 层， 在VoVNet中进行串联的第一层卷积层之前与最后层卷积后级联残差结构和自注意力 层； 残差结构有一层卷积层conv1*1、 批量归一化BN和激活函数leaky ‑relu； VoVNet连续的 卷积层进行双向连接， 既与后一层相连接， 又在最后一个特 征图一次性聚合所有特 征； 所述基于先验知识的锚框改进 网络， 用于将特征提取网络输出的特征图使用调窗算法 进行类型转 化， 提取有效的结构信息， 然后提取 先验信息； 窗算法为设计锚框的算法， 调窗算法是将特征图从第一个灰度自左向右进行面积累 加， 当累加的面积占到整个特征图面积的72％时对应的灰度值作为窗位， 然后设定固定窗 宽， 本发明将其改进， 将特征图的局部 极小值点的灰度值作为窗底， 然后搜索剩余值中的最 大值， 令其灰度值作为窗位；权　利　要　求　书 2/3 页 3 CN 114463636 A 3