基于光学遥感图像的目标检测分类方法和装置

本技术涉及图像识别，特别是涉及一种基于光学遥感图像的目标检测分类方法和装置。

背景技术：

1、高分辨率遥感光学图像中的目标纹理细节清晰，结构特征明显，为图像目标分类识别提供了数据基础。从目前的研究状况看，现有的绝大部分工作都是将遥感图像中不同类型的所有目标统一划分为“第一分类”的总类别，与图像的背景进行区分判别。如能在检测定位的基础上，识别出目标的具体类型，无疑将大大提高遥感图像信息的利用率。

2、yolov5s算法属于典型的one-stage检测算法，one-stage检测方法相比于two-stage检测方法，在检测速度方面具有非常大的优势，其实时性好，可对海量遥感图像数据进行快速检测，同时也更能满足后续对运动目标跟踪监视任务对检测速度的要求。但是一阶段检测算法检测精度相对较低、网络模型较大，同时遥感图像的背景复杂、不同目标的尺度差距大、目标容易排列密集，这些问题会严重影响算法模型对目标的检测精度，进一步影响挖掘到的信息的准确性与实时性，因此有必要对yolov5s算法进行改进，以便其可以解决上诉问题，精准快速的对遥感图像数据中的目标进行检测定位，进而细粒度分类。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于光学遥感图像的目标检测分类方法和装置。该方法针对遥感图像目标检测中存在的场景复杂、目标密集分布，目标尺度与类型多样造成的检测精度较低的问题，以及对目标只能做到识别，而不能对其类别具体分类等问题，为高精度的实现遥感图像目标-类别两级细粒度检测识别功能。

2、一种基于光学遥感图像的目标检测分类方法，所述方法包括：

3、获取待检测光学遥感图像，并对所述待检测光学遥感图像进行预处理。

4、将预处理后的待检测光学遥感图像输入到训练好的目标检测分类模型，得到目标类别-目标两级细粒度检测识别结果；所述目标检测分类模型是基于yolov5s网络改进得到的，所述改进点包括：改进其损失函数，将yolov5s网络的骨干网络框架替换为rtmdet骨干网络框架，在yolov5s网络的颈部neck框架中添加bc3模块得到新颈部neck框架；所述bc3模块为采用bot模块与cbs模块构成的类似c3结构的模块。

5、在其中一个实施例中，步骤：获取待检测光学遥感图像，并对所述待检测光学遥感图像进行预处理，之前还包括：

6、构建目标检测分类模型。

7、构建所述目标检测分类模型的总损失函数。

8、获取光学遥感图像数据集，并对其进行标注、预处理，得到训练样本。

9、将所述训练样本输入到目标检测分类模型中，得到目标类别-目标两级细粒度检测识别预测结果。

10、根据所述船类别-目标两级细粒度检测识别预测结果、学遥感图像数据集的标注以及所述总损失函数，对所述目标检测分类模型进行反向训练，得到训练好的目标检测分类模型。

11、在其中一个实施例中，所述总损失函数包括：分类损失、定位损失以及置信度损失。

12、构建所述目标检测分类模型的总损失函数，包括：

13、将所述所述目标检测分类模型的所述分类损失和所述置信度损失定义为bceloss函数，

14、将所述目标检测分类模型的所述定位损失定义为eiou loss。

15、根据所述分类损失、所述置信度损失以及所述定位损失，得到所述目标检测分类模型的总损失函数。

16、在其中一个实施例中，所述rtmdet骨干网络框架有五层结构构成，包括：一个干层和四个阶段层；所述干层包括三个cbs模块；第一、第二以及第三阶段层的结构相同，由一个cbs模块和一个csplayer模块构成；第四阶段层由1个cbs模块、一个spff模块以及一个csplayer模块构成。

17、将预处理后的待检测光学遥感图像输入到训练好的目标检测分类模型，得到目标类别-目标两级细粒度检测识别结果，包括：

18、将预处理后的待检测光学遥感图像输入到所述rtmdet骨干网络框架中，依次经过干层、第一阶段层、第二阶段层、第三阶段层以及第四阶段层处理后，得到第二阶段层特征、第三阶段层特征以及第四阶段层特征。

19、将所述第二阶段层特征、所述第三阶段层特征以及所述第四阶段层特征输入到所述新颈部neck中，得到多层次的特征。

20、将所述多层次的特征输入到所述检测头部，得到目标类别-目标两级细粒度检测识别结果。

21、在其中一个实施例中，所述新颈部neck框架包括多个c3模块、多个cbs模块以及一个bc3模块。

22、将所述第二阶段层特征、所述第三阶段层特征以及所述第四阶段层特征输入到所述新颈部neck中，得到多层次的特征，包括：

23、将所述第四阶段层特征经过第一个cbs模块处理后，得到第一层次中间特征，并将所述第一层中间次特征作为第一层次特征。

24、将所述第一层中间次特征进行上采样后与所述第三阶段层特征进行拼接后进过第一个c3模块进行处理，将得到的特征经过第二个cbs模块处理后，得到第二层次中间特征。

25、将所述第二层次特征进行上采样后与所述第二阶段层特征拼接后经过第三个c3模块处理后，得到第三层次中间特征。

26、将所述第三层次中间特征经过第三个cbs模块处理后与所述第二层次中间特征拼接。

27、将拼接后的特征经过第三个c3模块处理后输入到所述bc3模块中，得到第二层次特征。

28、将所述第二层次特征经过第四个cbs模块处理后与所述第一层次中间特征拼接，将拼接的结果经过第四个c3模块处理后，得到第三层次特征。

29、在其中一个实施例中，所述bc3模块包括：3个cbs模块和一个bot模块。

30、将拼接后的特征经过第三个c3模块处理后输入到所述bc3模块中，得到第二层次特征，包括：

31、将拼接后的特征经过第三个c3模块处理后的结果依次经过所述bc3模块的第一个cbs模块处理和所述bot模块处理，得到融合注意力特征。

32、将拼接后的特征经过第三个c3模块处理后与所述融合注意力特征进行拼接，并将拼接的结果经过所述bc3模块的第三个cbs模块处理后，得到第二层次特征。

33、在其中一个实施例中，检测头部包括3个检测子网络；检测子网络包括卷积层和检测头；将所述多层次的特征输入到所述检测头部，得到目标类别-目标两级细粒度检测识别结果，包括：

34、将所述第一层次特征、所述第二层次特征以所述第三层次特征分别输入到所述检测头部的三个检测子网络中，得到三个目标框，采用加权非极大值抑制nms的方式对多个目标框进行筛选，得到目标类别-目标两级细粒度检测识别结果。

35、在其中一个实施例中，所述cbs模块包括二维conv层、批标准化层以及silu激活函数。

36、在其中一个实施例中，光学遥感图像数据集为hrsc2016数据集；原始hrsc2016数据集进行了多级分类，一级分类为船，二级分类包括四大类。

37、获取光学遥感图像数据集，并对其进行标注、预处理，得到训练样本，包括：

38、获取hrsc2016数据集，并将所述hrsc2016数据集的原始标注格式化转换为yolo格式；

39、将遥感图像中的目标分为四个类别，同时将含有标注一级分类船的图像全部删除，筛选出若干张不含一级分类标注的图像，将目标图像分类标注为二级分类类型。

40、对得到的标注图像采用mosaic方法进行数据增强处理，得到训练样本。

41、一种基于光学遥感图像的目标检测分类装置，所述装置包括：

42、图像预处理模块，用于获取待检测光学遥感图像，并对所述待检测光学遥感图像进行预处理。

43、目标分类模块，用于将预处理后的待检测光学遥感图像输入到训练好的目标检测分类模型，得到目标类别-目标两级细粒度检测识别结果；所述目标检测分类模型是基于yolov5s网络改进得到的，所述改进点包括：改进其损失函数，将yolov5s网络的骨干网络框架替换为rtmdet骨干网络框架，在yolov5s网络的颈部neck框架中添加bc3模块得到新颈部neck框架；所述bc3模块为将bot模块与cbs模块构成的类似c3结构的模块。

44、上述基于光学遥感图像的目标检测分类方法和装置，该方法以一阶段目标检测算法yolov5s为基础，对其进行优化，首先改进了其损失函数，采用eiou损失函数代替默认的ciou损失函数，其次引入rtmdet骨干框架增强了骨干网络，使检测网络能够提取更高层次的特征，减少非关键特征信息的干扰，最后在yolov5s的neck框架中添加bc3模块，即引入自注意力模块，提高目标检测的准确性，更加准确地识别和定位目标。该方法可以精准快速的对遥感图像数据中的目标进行检测定位，进而细粒度分类，挖掘遥感图像数据中潜在的信息，提高遥感图像数据信息的利用率，同时为后续的运动目标跟踪监视奠定基础。