(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 202210395544.7 (22)申请日 2022.04.15 (71)申请人 中国科学院空天信息创新研究院 地址 100094 北京市海淀区邓庄南路9号 (72)发明人 赵利民　李家国　刘万涛　陈兴峰　 聂云峰　陈洪真　胡雪可　李华富　 (74)专利代理 机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 专利代理师 陈霁 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种多场景飞机目标检测方法 (57)摘要 本发明涉及一种多场景飞机目标检测方法， 包括： 根据高分辨率卫星遥感影像裁剪飞机目标 图像， 制作飞机目标数据集； 统计海量不同气候、 不同光照下的飞机目标图像， 获取 飞机目标中心 点响应光谱， 并根据响应光谱获取通道增量先验 知识， 通过通道增量先验知识对飞机目标样本进 行多场景增广； 采用多级跳连接的深层次残差网 络将多级提取的飞机目标特征融合， 得到高语义 关系的特征图； 结合候选框采用双线性插值截取 特征图， 经过神经网络推理出飞机目标锚框位 置， 并结合非极大抑制算法剔除重叠飞机目标锚 框位置坐标， 最终将飞机目标的坐标绘制在遥感 影像上。 本发 明提高了深度学习方法在不同场景 下的泛化能力与识别精度， 进而提高飞机目标检 测能力。 权利要求书2页 说明书6页 附图3页 CN 114724050 A 2022.07.08 CN 114724050 A 1.一种多场景飞机目标检测方法， 其特 征在于， 包括： 根据高分辨 率卫星遥感影 像裁剪飞机目标图像， 制作飞机目标 数据集； 对所述数据集中的飞机目标图像进行几何增广， 得到多个样本图像； 其中， 所述数据集 包括飞机目标坐标信息； 根据所述多个样本图像与飞机目标坐标信息获取飞机目标中心点响应光谱； 根据飞机目标数据集中所有样本图像的响应光谱获得响应光谱最大值与最小值， 并根 据所述响应光谱最大值与最小值计算其与每一张样本图像中飞机目标中心点响应光谱的 通道增量先验知识； 根据不同光照与气候条件下飞机 中心点先验知识的样本扩充技术， 结合所述通道增量 先验知识与所述多个样本图像进行飞机目标的多场景样本增广， 得到多个飞机目标样本； 将所述多个飞机目标样本与所述飞机目标坐标信息输入目标检测模型进行训练， 其 中， 所述目标检测模型采用 多级跳连接的深层次残差网络将多级提取的飞机目标特征融 合， 得到高语义关系的特 征图； 结合飞机目标锚框采用双线性插值截取特征图， 经过神经网络推理出飞机目标锚框位 置， 并结合非极大抑制算法剔除重叠飞机目标锚框位置坐标， 最终将飞机目标的坐标绘制 在遥感影 像上。 2.根据权利要求1所述的方法， 其特征在于， 所述根据高分辨率卫星影像裁剪飞机目标 图像， 制作飞机目标 数据集包括： 选取多个不同光照、 不同气候的多场景高分辨率遥感影像， 将每个遥感影像划分为 416*416大小的网格块， 计算飞机目标对应的网格块位置， 裁剪飞机目标对应的网格块， 同 时记录飞机目标在网格块上的相对坐标， 生成飞机目标图像的数据集。 3.根据权利要求2所述的方法， 其特征在于， 所述根据高分辨率卫星影像裁剪飞机目标 图像， 制作飞机目标 数据集还 包括： 对数据集中的飞机目标图像进行归一 化处理； 其中， 归一 化计算公式如下： 式中x表示影像图， x ′表示归一化的图像， min(x)表示训练图像 的最小值， max(x)表示 训练图像的最大值。 4.根据权利要求3所述的方法， 其特征在于， 在所述对数据集中的数据进行归一化处理 之后还包括： 将飞机目标图像放大25 5倍， 将浮 点数据类型转 化为整数型存储。 5.根据权利要求1所述的方法， 其特征在于， 所述对所述数据集中的飞机目标图像进行 几何增广， 得到多个样本图像包括： 将所述飞机目标图像以随机角度旋转、 水平垂直镜像以及随机缩放的几何变换方式进 行几何增广。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述多个样本图像与飞机目标坐 标信息获取飞机目标中心点响应光谱 包括： 获取多个不同光照、 不同气候多场景的高分辨率遥感影像， 根据飞机目标位置计算飞权　利　要　求　书 1/2 页 2 CN 114724050 A 2机目标锚框中心对应图像的值记作 其中i为影像通道索引， j为影 像索引。 7.根据权利要求1所述的方法， 其特征在于， 所述根据飞机目标数据集中所有样本图像 的响应光谱获得响应光谱最大值与最小值， 并根据所述响应光谱最大值与最小值计算其与 每一张样本图像中飞机目标中心点响应光谱的通道增量先验知识包括： 统计所有 每一个通道的最大值Maxi与最小值Mini， 作为先验知识， 一个训练样本影 像Ii所有锚框中心点每个通道平均值记为Vi； 采用如下不同场景增广公式计算通道增量先 验知识： Ai＝Vi‑Mini Bi＝Maxi‑Vi I＝Ii+Rand(Ai， Bi) 其中， Ai为光谱响应最低限度与训练样本平均的差距值， Bi为光谱响应最高限度与训练 样本平均的差距值， I 为训练样本在Ai与Bi之间随机场景增广影 像。 8.根据权利要求1所述的方法， 其特征在于， 所述将所述多个飞机目标样本与 所述飞机 目标坐标信息 输入目标检测模型进行训练包括： 训练过程采用神经网络的梯度 下降方法， 求解目标分类与目标锚框位置回归任务的最 优解。 9.根据权利要求8所述的方法， 其特征在于， 所述目标检测模型基于采用多级跳连接的 深层次残差网络将多 级提取的飞机目标 特征融合， 得到高语义关系的特 征图包括： 将网络模型主干网络分为5大卷积块， 分别Layer_1、 Layer_2、 Layer_3、 Layer_4、 Layer_5， Layer_1卷积块由7 ×7卷积核、 批归一化与ReLU激活函数、 池化层组成， 其余个卷 积块由1×1卷积核， 3 ×3卷积核， 1 ×1卷积核， 堆叠后跳连接残差构成， 每个卷积块之间跳 连接残差相连； 采用RPN网络作为候选区网络， 根据主干网络提取特征， 计算目标候选框， 根据候选框 位置， 采用双线性插值获取飞机特 征； 通道注意力 机制将飞机特征F， 结合平均值池化与最大值池化， 按特征通道维度分别计 算出每一个特征图通道注意力权重， 并将 融合后权重作用到提取特征图得到Fc； 空间注意 力机制将特征图Fc,从空间维度上， 对每一个点对应横向通道计算平均值池化与最大值池 化， 将分别计算的结果拼接， 采用一个1 ×1卷积获取 空间上特征图注意力权重， 将 计算空间 注意力权 重作用到特 征图Fc， 得到特 征图Fs。 10.根据权利要求1所述的方法， 其特征在于， 所述将所述特征图进行裁剪， 并结合非极 大抑制算法剔除重 叠坐标信息， 最终将飞机目标的坐标绘制在遥感影 像上包括： 采用滑动窗口方法， 设置 重叠值， 交错裁 剪遥感影像； 将裁剪后的遥感影 像作为模型输入， 检测经纬度结果； 根据非极大抑制算法过滤重叠目标， 最终将 飞机目标的经纬度坐标绘制在所述遥感影 像中。权　利　要　求　书 2/2 页 3 CN 114724050 A 3