【技术实现步骤摘要】
本专利技术属于复杂环境下遥感小目标检测算法领域，具体涉及一种复杂背景遥感图像的小目标检测方法。
技术介绍
1、高空遥感图像数据的获取主要来自卫星或飞机成像系统，在武器制导、应急救援、智慧农业等领域得到广泛应用，已成为重要的信息获取工具，并已逐渐成为研究的焦点。然而，遥感卫星在高空拍摄图像时，会受到很多因素的影响，可能会造成图像的各种几何变形、失真、模糊和噪声。这些因素包括大气条件、光照变化和环境干扰等，在一定程度上让复杂背景下精确探测遥感目标变得困难。目前，遥感图像目标检测领域仍然面临着检测精度低、检测误差大、漏检率高等诸多挑战。这些问题的存在限制了遥感图像的进一步应用。
技术实现思路
1、鉴于此，本专利技术提供一种复杂背景遥感图像的小目标检测方法，以解决
技术介绍
中记载的上述问题。
2、为了达到上述目的，本专利技术是通过以下技术方案实现的：
3、本专利技术提供一种复杂背景遥感图像的小目标检测方法，包括以下步骤：
4、步骤一：搭建基础的yolo-v5算法网络结构；
5、步骤二：构造一种基于残差网络思想的res2unit网络；
6、步骤三：建立密集连接网络和第四尺度，对复杂背景下遥感小目标进行有效准确的检测；
7、步骤四：将多种遥感小目标图像数据集作为训练集和测试集，对改进后的yolo-v5目标检测算法进行训练和测试。
8、在上述的复杂背景遥感图像的小目标检测方法中，作为优选的方案，所述搭建基础的yol
9、s11、将目标检测问题转化为回归问题，将图像划分为固定数量的网格；
10、s12、利用yolo-v5算法预测网络单元n个边界框，并预测边界框的位置(x,y,w,h)及其置信度p；
11、s13、yolo-v5算法的网络输出一共包含s×s的网格单元，输出张量大小为s×s×(n×5+c)。
12、在上述的复杂背景遥感图像的小目标检测方法中，作为优选的方案，所述边界框的位置(x,y,w,h)及其置信度p中，(x,y)表示框的中心相对于网格单元的边界，而w和h则表示边界框相对于整个图像的宽度和高度；置信度p是一个对象在每个边界框中存在的概率，定义为
13、
14、其中，iou为预测框与真实值的交集，为0到1之间的数字。
15、在上述的复杂背景遥感图像的小目标检测方法中，作为优选的方案，所述构造一种基于残差网络思想的res2unit网络具体不包括：
16、s21、在一个残差网络中构建层次化的残差类连接来完成特征提取，并将其命名为res2unit；
17、s22、在残差单元中引入了几个小型残差项，以实现每个层感知域扩大的目的；s23、构建输出公式：其中*表示卷积；conv表示3×3卷积核的卷积层；x1,x2,x3,x4为输入特征图经过卷积层(1×1)后平均分为4个子特征。
18、在上述的复杂背景遥感图像的小目标检测方法中，作为优选的方案，所述步骤三中建立密集连接网络和第四尺度，具体包括：
19、s31、构建基础的densenet模型；
20、s32、通过不同的dense block提取不同尺度的特征图；
21、s33、提取一个高分辨率特征图引入第四尺度特征，用于捕捉更细粒度的信息；
22、s34、将不同尺度的特征图进行融合。
23、在上述的复杂背景遥感图像的小目标检测方法中，作为优选的方案，所述s32中的dense block中使用conv(1x1xm)-bn-relu-conv(3x3xm)-bn-relu的结构，其中1x1卷积用于降低输入特征图的数量，减少计算量。
24、在上述的复杂背景遥感图像的小目标检测方法中，作为优选的方案，所述步骤s33中的第四尺度为下采样4次的特征图。
25、本专利技术提供一种复杂背景遥感图像的小目标检测方法及应用，具有如下有益效果：
26、1.为提高目标检测算法多尺度特征提取性能，本专利技术基于残差网络的思想，提出“res2unit”来替代yolo-v5原有特征提取网络中的深度残差单元，由于在一个残差网络中构建了层次化的残差类连接来完成特征提取，因此可以利用更细粒度表示多尺度特征，并扩大了每个层的接受域范围；
27、2.为避免算法网络梯度衰减，本专利技术利用密集连接网络中“dense block”来代替检测层中的卷积层。dense block内含多层，每层的特征图大小维度相同，层与层之间采用密集连接方式，能够更有效地利用特征信息，提升算法网络的综合性能；
28、3.为提高复杂遥感小目标的综合检测性能，在yolo-v5算法框架下采样中引入了第四尺度。相较于传统采用的三种尺度检测层对多尺度目标进行检测，对于复杂环境下的遥感图像数据集来说，小目标的数量远远超过了中型目标和大型目标的数量，第四尺度的引入可以更好的获得特征图中更细粒度的特征和更详细的位置信息，有效提升算法检测的准确性。
本文档来自技高网...【技术保护点】
1.一种复杂背景遥感图像的小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的复杂背景遥感图像的小目标检测方法，其特征在于，所述搭建基础的YOLO-V5算法网络结构过程包括：
3.根据权利要求2所述的复杂背景遥感图像的小目标检测方法，其特征在于：所述边界框的位置(x,y,w,h)及其置信度p中，(x,y)表示框的中心相对于网格单元的边界，而w和h则表示边界框相对于整个图像的宽度和高度；置信度p是一个对象在每个边界框中存在的概率，定义为
4.根据权利要求1所述的复杂背景遥感图像的小目标检测方法，其特征在于，所述构造一种基于残差网络思想的Res2Unit网络具体不包括：
5.根据权利要求1所述的复杂背景遥感图像的小目标检测方法，其特征在于：
6.根据权利要求5所述的复杂背景遥感图像的小目标检测方法，其特征在于：所述S32中的Dense Block中使用
7.根据权利要求5所述的复杂背景遥感图像的小目标检测方法，其特征在于：所述步骤S33中的第四尺度为下采样4次的特征图。
【技术特征摘要】
1.一种复杂背景遥感图像的小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的复杂背景遥感图像的小目标检测方法，其特征在于，所述搭建基础的yolo-v5算法网络结构过程包括：
3.根据权利要求2所述的复杂背景遥感图像的小目标检测方法，其特征在于：所述边界框的位置(x,y,w,h)及其置信度p中，(x,y)表示框的中心相对于网格单元的边界，而w和h则表示边界框相对于整个图像的宽度和高度；置信度p是一个对象在每个边界框中存在的概率，定义为
【专利技术属性】
技术研发人员：孙昊琛，李振红，李卫庭，史素真，李申，
申请(专利权)人：河南机电职业学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。