(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 202210792617.6 (22)申请日 2022.07.07 (71)申请人 中国科学院长春光学精密机 械与物 理研究所 地址 130033 吉林省长 春市经济技 术开发 区东南湖大路38 88号 (72)发明人 刘晶红　朱圣杰　王波　左羽佳　 (74)专利代理 机构 深圳市科进知识产权代理事 务所(普通 合伙) 44316 专利代理师 刘建伟 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/60(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种航空遥感图像的车辆 检测方法 (57)摘要 本发明公开了一种航空遥感图像的车辆检 测方法， 包括： 步骤1， 获得光学遥感影像输入数 据； 步骤2， 根据训练数据集中车辆目标的实际像 元尺寸， 对输入 数据中的图像进行自适应尺度裁 切， 得到待训练影像数据集； 步骤3， 基于待训练 影像数据集中已标注检测框计算固定参考框， 代 入模型并训练得到模型参数， 获得训练好的模 型； 步骤4， 根据拍摄待检测图像的相关数据逐一 将待检测图像进行自适应裁剪； 步骤5， 利用训练 好的模型搜索裁剪后待检测图像中的车辆目标； 步骤6， 将步骤5获得的识别结果进行拼接， 去除 重复重叠图像部分的目标， 获得车辆检测结果。 本发明可快速提取大视场城市背景的车辆目标， 准确快速获取其数量和位置信息， 有效降低了虚 警率。 权利要求书1页 说明书7页 附图7页 CN 115240089 A 2022.10.25 CN 115240089 A 1.一种航空遥感图像的车辆检测方法， 其特 征在于， 包括以下步骤： 步骤1， 获得光学遥感影 像输入数据； 步骤2， 根据训练数据集中车辆目标的实际像元尺寸， 对所述输入数据中的图像进行自 适应尺度裁切， 得到待训练影 像数据集； 步骤3， 基于待训练影像数据集中已标注检测框计算固定参考框， 代入模型并训练得到 模型参数， 获得训练好的模型； 步骤4， 根据拍摄待检测图像的相关数据逐一将待检测图像进行自适应裁 剪； 步骤5， 利用训练好的模型搜索裁 剪后待检测图像中的车辆目标； 步骤6， 将步骤5获得的识别结果进行拼接， 去除重复重叠图像部分的目标， 获得车辆检 测结果。 2.根据权利要求1所述的航空遥感图像的车辆检测方法， 其特征在于， 所述步骤2中， 若 训练数据集成像相关参数明确， 则利用车辆目标的理论像素值乘以比例系 数k计算得到图 像应分割的尺寸大小； 否则， 统计训练数据集中各图片 中标注好的目标像素长宽尺寸并计 算均方根， 取中位数乘以放大比例k得到对应图片的裁剪像素边长； 对训练集中所有图片分 割完成后， 得到尺 寸不同的正方形图像分割后， 通过插值缩放的方法， 将所有分割图像尺度 统一为模型的输入尺寸， 得到待训练影 像数据集。 3.根据权利要求2所述的航空遥感图像的车辆检测方法， 其特征在于， 训练数据集成像 相关参数包括相机成像焦距、 航拍高度、 像元尺寸 参数中的至少一个。 4.根据权利要求1至3任一项所述的航空遥感图像的车辆检测方法， 其特征在于， 所述 步骤2中， 裁切时， 以训练数据集图像中目标像素的N 倍设置重叠区域， 其中， N大于1。 5.根据权利要求1所述的航空遥感图像的车辆检测方法， 其特征在于， 所述步骤3 中， 对 步骤2处理后的待训练影像数据集中车辆目标大小进行聚类， 得到多个目标尺寸的典型值 作为固定参 考框代入 模型。 6.根据权利要求5所述的航空遥感图像的车辆检测方法， 其特征在于， 所述步骤3 中， 采 用k‑means++方法对步骤2处 理后的待训练影 像数据集中车辆目标 大小进行聚类。 7.根据权利要求1所述的航空遥感图像的车辆检测方法， 其特征在于， 所述步骤4中， 通 过拍摄待检测图像的相 机成像焦距、 航拍高度、 像元尺寸参数计算车辆目标 的理论像元尺 寸， 以此估计值乘以比例系数k计算得到图像 应分割的尺寸大小。 8.根据权利要求1所述的航空遥感图像的车辆检测方法， 其特征在于， 所述步骤5 中， 采 用卷积神经网络结合全局注意力机制的方式， 搜索裁 剪后待检测图像中的车辆目标。 9.根据权利要求1所述的航空遥感图像的车辆检测方法， 其特征在于， 所述步骤3 中， 模 型训练时采用数据增强方法提升 鲁棒性。 10.根据权利要求1所述的航空遥感图像的车辆检测方法， 其特征在于， 所述步骤6中， 去除重复重叠图像部分的目标包括： 采用非极大值抑制方法找到最佳 的目标边界框， 消除 冗余的边界框， 输出最终结果。权　利　要　求　书 1/1 页 2 CN 115240089 A 2一种航空遥感图像的车辆检测方 法 技术领域 [0001]本发明属于图像处 理技术领域， 特别涉及一种航空遥感图像的车辆检测方法。 背景技术 [0002]航空遥感通常以飞机或气球作为工作平台， 飞行高度通常有数百米到数十公里之 间。 航空遥感具有成像比例尺大、 分辨率高、 几何纠正准确等优点， 是重要的遥感手段之一。 在航空遥感图像中， 车辆检测是民用和军事监控中不可或缺的技术， 如交通管 理、 城市规划 等。 但通过人工判读的方式进行车辆识别， 数据利用率低且情报时效性差， 且易受身体状 况、 精神和主观意识的影响。 因此， 通过计算机视觉减少对人力资本的消耗， 高效准确的可 见光遥感图像的自动检测技 术尤为重要。 [0003]与一般影 像相比， 航空遥感影 像具有独特的视角。 这项任务的难点主 要有： [0004]1、 大视场： 航空遥感图像 由高空高分辨率成像设备拍摄， 得到的图像一般具有大 视场、 高分辨 率的特点， 因此简单的向下采样到大多数算法所要求的输入大小是不 合适的。 [0005]2、 较大的尺度范围： 由于遥感图像 的采集高度和传感器参数不 同， 导致相似目标 的尺度也 不一致。 一般来说， 在航空成像中， 感兴趣的目标往 往非常小， 密集 地聚集在一 起。 [0006]3、 特殊的视角： 航 空图像是俯视视角， 这使得地面目标具有旋转不变性， 方向角度 为任意值。 因此， 目标不存在重 叠的问题。 [0007]4、 背景复杂： 城市的遥感图像中存在大量与车辆目标拥有相近特征的物体， 且航 拍图像的拍摄易受到云雾等天气的影响， 需要考虑复杂气象条件 对航拍图像的影响。 [0008]现有的许多航空遥感图像处理方法利用了先进的通用图像检测模型， 如Faster   R‑CNN、 deformable  R‑CNN、 YOLOv4等来检测。 观察模型的输入尺寸， Faster  RCNN模型会要 求输入图像的短边为600像素， YOLO模 型也会将图像调整为608 ×608像素作为输入图像， 这 些框架都无法直接接收到航空遥感图像的典型输入尺寸(ITCVD遥感数据集： 5616*3744像 素， DOTA遥感数据集： 约40 00*4000像素)。 [0009]为满足标准架构的要求， 对图像直接缩小是不可行的， 因为这种方法将直接导致 小像素目标的丢失。 为了解决上面提到的问题， 现有算法通常会先对原始图像进行分割。 YOLT模型采用 “滑动窗口 ”方法进行分割图像， 并设计了15％的重叠， 以确保所有区域都能 被分析。 然而， 目标物体的像素大小 取决于拍摄高度与相机参数， 使用固定尺 寸对原图进 行 裁剪， 目标像素仍存在较大动态范围， 影响目标的检测能力。 [0010]此外， 一些研究采用了长短期记忆网络(LSTM)和空间记忆网络(SMN)来增强目标 特征。 例如， AC ‑FCN模型指出， 目标对象之间的信息有助于提升检测能力。 这种方法的训练 通常是复杂的， 并且这些方法仍是简单的前馈网络， 易造成特征信息的丢失。 FA ‑SSD模型通 过使用更高级的抽象特性， 提高了从小目标中提取上下文信息的能力。 这些方法虽然对一 些小目标 取得了良好的效果， 但由于不具 备实时性它 们不适用于空中图像， 检测效率低。 [0011]总之， 现有的航空遥感图像的车辆检测方法具有以下缺 点： [0012]1、 现有航空遥感图像的目标识别技术采用固定像素尺寸的分割方法， 对每个图片说　明　书 1/7 页 3 CN 115240089 A 3