本发明涉及深度学习目标检测，尤其涉及基于数据驱动的点状空间目标检测方法。
背景技术：
1、对天观测期间，如何对光学图像中的空间目标进行快速、精确的探测是必须解决的重点问题。由于成像距离过远，在曝光时间较短等观测条件下时，空间目标以及恒星目标在图像中呈现为点状分布，对此类目标的检测存在以下问题：其一，目标尺寸较小，缺乏几何、结构和纹理特征；其二，在观测过程中，空间目标自身可能存在翻转，且目标与光学系统的距离、太阳相对于目标的入射角度等观测条件都存在动态变化，使得空间目标在序列星图中的灰度值也有所改变；其三，为了更好地反映目标间的灰度区别以及单目标的灰度变化，工程中往往会采用具有更高深度值的图像，这使得图像及目标间的差异性很大；最后，当光学系统在轨服务时，受限于硬件资源，系统对算法的计算复杂度有较高的要求。现有的方法大多遵循抑制背景以及增强目标显著性的方式来实现对目标的检测，这忽略了目标自身的分布特性，在目标灰度、尺寸跨度较大及干扰较强时缺乏鲁棒性，但是现阶段基于模型驱动的方法在目标偏离理想分布的情况下存在一定的局限性，这是因为当目标与平台间存在较高的相对移动速度或曝光时间较长时，目标将受运动模糊的影响，其分布将沿着运动轨迹方向延伸，由于目标的运动方向与速度不同，反映在图像中则是延伸的方向及长度有所差异，难以在不同的情况下总结出一个广义的目标函数，即使在目标检测过程中进行了参数归一化等处理，但方法仍存在阈值设置的问题，现阶段有更多的学者将深度学习作为一种典型的基于数据驱动的方法被越来越多地应用于目标检测领域，然而，现有的深度学习方法由于下述问题难以直接用于空间目标检测，首先，即使拍摄的是同一片天区，具有不同参数的相机的探测能力也有所差异，即拍摄图像中存在的恒星及目标数量和位置无法确定，极难构建全局范围内的数据集，第二，常用的网络结构中有大量的池化层，因此难以直接应用于弱小目标的检测，第三，深度学习算法通常需要大量的计算资源，这给系统的硬件提出了极高的要求。
技术实现思路
1、为了解决上述技术问题，本发明的目的是提供基于数据驱动的点状空间目标检测方法，能够通过对图像的各候选区域进行检测实现在减少全局标注的工作量的情况下提高图像的检测精度。
2、本发明所采用的第一技术方案是：基于数据驱动的点状空间目标检测方法，包括以下步骤：
3、对待检测图像进行预处理，得到预处理后的图像；
4、根据图像最小像素级半径对预处理后的图像进行搜索处理，得到候选区域；
5、将候选区域作为数据驱动输入至sf-cnn分类模型进行引导分类，得到图像预测类别。
6、进一步，所述对待检测图像进行预处理，得到预处理后的图像这一步骤，其具体包括：
7、通过监视望远镜对星图进行拍摄，获取待检测图像；
8、通过中值滤波器对待检测图像进行噪声消除处理，得到抑制噪声后的图像；
9、对抑制噪声后的图像进行剪裁与待检测图像的图像背景值估计处理，得到块背景值；
10、通过双线性插值法将块背景值进行转换处理，得到背景图与均方根图；
11、将背景图进行分割处理，得到前景图像，所述前景图像包括待检测的恒星与目标；
12、根据均方根图对前景图像依次进行二值化处理与编码处理，得到预处理后的图像。
13、进一步，所述对抑制噪声后的图像进行剪裁与待检测图像的图像背景值估计处理，得到块背景值这一步骤，其具体包括：
14、对抑制噪声后的图像进行迭代剪裁处理，直至图像背景值满足预设收敛范围，停止剪裁，得到剪裁后的图像；
15、对剪裁过程的图像背景值的变化进行判断；
16、判断到每次剪裁图像背景值的减小速度小于预设减小速度，选取剪裁后的图像的背景值的平均值为块背景值；
17、判断到每次剪裁图像背景值的减小速度大于预设减小速度，对剪裁后的图像的背景值进行模式估计，得到块背景值。
18、进一步，所述模式估计的计算过程如下所示：
19、mode＝2.5×median-1.5×mean
20、上式中，mode表示模式估计，median表示中值滤波器的输出中值，mean表示均值。
21、进一步，所述根据图像最小像素级半径对预处理后的图像进行搜索处理，得到候选区域这一步骤，其具体包括：
22、根据图像最小像素级半径确定预处理后的图像中的目标之间的最小搜索距离；
23、根据预处理后的图像中的目标之间的最小搜索距离确定膨胀操作区域；
24、根据膨胀操作区域对预处理后的图像进行膨胀搜索处理，得到图像的局部最大值点；
25、对图像的局部最大值点所在区域进行集合构建处理，得到候选区域。
26、进一步，所述将候选区域作为数据驱动输入至sf-cnn分类模型进行引导分类，得到图像预测类别这一步骤，其具体包括：
27、对候选区域进行归一化处理，得到归一化后的候选区域；
28、对归一化后的候选区域进行图像插值处理，得到插值后的候选区域；
29、将插值后的候选区域输入至sf-cnn分类模型进行分类，得到分类结果，所述分类结果包括目标的置信度值与非目标的置信度值；
30、根据分类结果确定目标的尺寸并生成对应的显著性图与半径图；
31、通过非极大值抑制方法对显著性图与半径图进行冗余目标消除处理，得到图像预测类别。
32、进一步，所述非极大值抑制方法的表达式如下所示：
33、
34、
35、上式中，vr表示半径r内v的最大值，v表示显著性图，r表示半径图，(xi,yi)表示疑似中心点，v(xi,yi)表示显著性图上的某一点(xi,yi)，r(xi,yi)表示半径图上的某一点(xi,yi)。
36、所述将插值后的候选区域输入至sf-cnn分类模型进行分类，得到分类结果这一步骤，其具体包括：
37、将插值后的候选区域输入至sf-cnn分类模型，所述sf-cnn分类模型包括第一卷积层、池化层、第二卷积层和全连接层；
38、基于第一卷积层对插值后的候选区域进行特征提取处理，得到图像的特征信息；
39、基于池化层对图像的特征信息进行下采样操作处理，得到低空间维度的图像特征信息；
40、基于第二卷积层对低空间维度的图像特征信息进行组合处理，得到组合后的图像特征信息；
41、基于全连接层，根据组合后的图像特征信息计算插值后的候选区域的置信度值并分类，输出分类结果。
42、进一步，所述第二卷积层的损失函数为偏差损失函数，其表达式具体如下所示：
43、
44、
45、上式中，lbias表示偏差损失函数，表示非线性标度函数，α、β表示可调贡献参数，qij表示第i个样本是否为类别j，pi表示第i个样本对应的特征值，θ表示模型参数，fj(·)表示神经网络，表示卷积层输出的处理后的第i个样本的方差，n表示样本总数。
46、本发明方法的有益效果是：本发明通过监视望远镜进行观测与拍摄获取星图，进一步对星图进行图像预处理，消除图像的热噪声与smear效应，在消除噪声过程中加入模式估计法进行图像噪声的消除，能够在过强的干扰下有效抑制图像噪声，进一步应用目标和恒星的成像特征来搜索图像中的目标候选区域，将处理后的区域作为sf-cnn模型的输入，采用数据驱动的方式来替代传统的模型驱动，使得算法能够适用于更多的场合，其中sf-cnn模型为简单化的分类模型，将全图范围内的检测问题转化为局部的分类问题，能够对各候选区域进行识别从而实现全图像目标检测问题。