融合场景信息和深度特征的遥感图像机场目标识别方法与流程

技术特征：

1.一种融合场景信息和深度特征的遥感图像机场目标识别方法，其特征在于，包括以下步骤：

1)根据预设的若干种尺寸，分别采用滑窗的方式在图像上生成机场的目标候选框；

2)构建深度卷积神经网络特征提取器，对步骤1)所得到的每一个目标候选框都增加相应内部窗口和上下文窗口，实现对候选框区域影像的自身特征、内部特征以及上下文特征的学习和提取，将这三种特征进行组合作为该目标候选框最终的融合描述特征；所述深度卷积神经网络特征提取器包括在GooleNet模型的最后一层全链接层之前增加全链接层模块，所述全链接层模块包括一层N维的全链接层、一层激活函数层和一层模型平均层，其中N为预设的特征表达维数；

3)根据融合描述特征，基于SVM支持向量机进行目标候选框的类别判定，得到目标候选框的类别属性和属于这个类别的概率；

4)根据步骤3)所得结果进行目标候选框的定位精处理，得到遥感图像机场目标识别结果。

2.根据权利要求1所述融合场景信息和深度特征的遥感图像机场目标识别方法，其特征在于：N＝64。

3.根据权利要求1所述融合场景信息和深度特征的遥感图像机场目标识别方法，其特征在于：对目标候选框增加相应内部窗口和上下文窗口，实现方式为，设某原始的目标候选框宽为Width、长为Height，内部窗口宽为Width/2、长为Height/2，上下文窗口宽为2Width、长为2Height。

4.根据权利要求1所述融合场景信息和深度特征的遥感图像机场目标识别方法，其特征在于：所述SVM支持向量机采用LIBSVM。

5.根据权利要求1或2或3或4所述融合场景信息和深度特征的遥感图像机场目标识别方法，其特征在于：步骤4)的实现包括以下两步，

第一步，利用非极大值抑制解决候选框冗余的问题，包括从得分最高的框开始，依次和剩下的所有框进行比较，将重叠面积与得分最高的框的面积之比超过预设比值B的框舍弃，得到一组筛选后的框，然后依次进行同样处理，直到遍历完成，得到两两之间重叠面积都小于预设比值B的框的集合；

第二步，进行回归处理，首先将框与框之间有交集的分到一组，分组之后对每组分别进行框回归计算，回归后的框的坐标由以下公式给出，

$\begin{array}{cc}{x}_i^L=\underset{k=1}{\overset{n}{\Σ}}\frac{a_k}{a_1+a_2+...+a_n}{x}_k^L& x_i^R=\underset{k=1}{\overset{n}{\Σ}}\frac{a_k}{a_1+a_2+...+a_n}{x}_k^R\end{array}$

$\begin{array}{cc}{Y}_i^T=\underset{k=1}{\overset{n}{\Σ}}\frac{a_k}{a_1+a_2+...+a_n}{Y}_k^T& Y_i^B=\underset{k=1}{\overset{n}{\Σ}}\frac{a_k}{a_1+a_2+...+a_n}{Y}_k^B\end{array}$

式中，该组内有n个窗口，a_k表示第k个窗口被判定为机场的得分概率，和分别表示第k个窗口在图像中的左上点坐标和右下角坐标，通过计算回归之后的左上角点和右下角点得到每一个目标所对应的目标候选框，作为目标的最终位置信息。