一种基于遥感图像汽车目标检测与细粒度识别算法

本发明涉及遥感图像的目标检测，具体讲就是一种基于遥感图像的目标检测与细粒度识别，在遥感图像中的车辆进行准确的区分，并且能够准确车辆并给予标注，属于深度学习领域。

背景技术：

1、基于深度学习方法的遥感图像目标检测和场景识别等已成为近年来重要的研究和发展方向。而当前基于深度学习的卷积神经网络检测方法成为主流，包括两阶段检测网络，如r-cnn、fast r-cnn、faster r-cnn等，以及单阶段的检测网络，如yolo系列、ssd系列，但是随着网络的不断加深，将导致图像中的小目标纹理和几何信息快速丢失。针对这一系列问题，在2020年,tang等人改进的yolo v3车辆图像检测算法的网络架构，检测精度得到了不错的提升。2020年,zhao等人，通过全卷积网络的损失函数计算，用标定数据对网络进行训练，得到适用于检测航拍车辆的网络模型。

2、然而，这些算法存在一些问题，如人工参数过多、冗余计算量大、时间成本高、鲁棒性差等。此外，在复杂的汽车检测场景下，算法的检测效率低，无法正确区分车辆类型。获取的自然图像多包含复杂的背景信息，受硬件设备、天气、光线、周围细小物体等因素的影响，从而造成特征提取往往是困难的。大多数汽车在视觉上具有相似的外观特征，只有找到具有区别性的局部细节来突出不同类型汽车之间的细微差别，因此，本方法旨在提出一种基于深度学习的遥感图像汽车目标检测和细粒度识别方法，解决不同类别的汽车数据分布不均匀进而才能准确地进行汽车类型识别。

技术实现思路

1、针对上述问题，本发明的重点是遥感图像汽车目标检测和细粒度识别技术。通过背景过滤网络，快速过滤除遥感汽车图像的背景区域，并利用汽车细粒度分类网络检测和区分汽车的类别。大多数算法只进行汽车目标的检测，而没有进行汽车目标的细粒度分类。此外，部分汽车检测算法忽略了背景信息对特征的干扰，导致检测的准确性降低。然而，使用yolov7在遥感图像汽车目标识别和细粒度识别时容易出现问题，例如汽车检测不准确容易受到复杂背景的影响，且在提取细节特征时不够具体，难以区分不同车辆类型。因此，在本发明中，将采用基于深度学习的遥感图像汽车目标检测与细粒度识别算法，并使用改进型yolov7作为主干网络。这样可以实现对不同型号的汽车进行准确的目标检测和分类，包括轿车、卡车、城市越野车（suv）等，同时减少背景带来的干扰。

2、本发明的技术方案是：一种基于遥感图像的目标检测与细粒度识别算法，其特殊之处在于，包括以下步骤：

3、为了解决遥感图像中含有道路、建筑物、水体等与汽车类似的复杂背景信息，本发明提出一种改进yolov7的目标检测方法，即通过在主干网络中添加集中特征金字塔cfp-c(centralized feature pyramid-coordinate)。骨干网络输出的特征图经cfp-c平滑处理后，其包含的噪声得到抑制；由于cfp-c中引入了高效注意力模块ca(coordinateattention)，横向和纵向信息将被编码到通道域中，因此网络在不带来更多的计算量的前提下，实现大范围的区域关注；这解决了遥感图像汽车检测背景复杂导致检测效率低的问题。

4、为解决遥感图像汽车目标检测过程中对不同尺度车辆的检测性能不均,本发明提出一种具有多尺度特征融合的新型ms(multi-scale)模块。该模块旨在增强实时目标检测提取多尺度特征的能力。新型ms模块通过引入多个分支,每个分支负责处理不同层级的特征图,同时在不同层级上提取多尺度特征信息。这样模型能更全面识别图像目标。这使模型更关注重要特征,提高了对汽车图像检测的性能。

5、遥感图像汽车细粒度识别时，由于其视觉特征难以区分，其类间差异小，这导致模型在推理时准确的回归框可能匹配一个不正确的类别。为了解决这一问题，本发明提出一种新的ffp（local feature and global feature pooling），通过选择相关的深度描述符来提取全局特征。深度挖掘不同部件之间的内在关系，从而获得具有代表性的局部特征。进一步提高遥感图像汽车检测网络对于不同类型汽车的区分效果。

6、数据集的建立，使用遥感卫星、无人机或其他遥感设备获取汽车图像数据。在不同时间、不同地点和不同角度下采集图像，以增加数据的多样性。并对采集到的图像进行预处理，包括去噪、图像增强、尺度调整等，以确保图像质量和一致性。对图像进行目标标注，即在图像中框选出汽车目标，并为每个目标分配相应的类别标签，如轿车、卡车、suv等。通过应用旋转、镜像、平移等数据扩增技术，增加数据集的大小和多样性，以提高训练模型的鲁棒性。将数据集划分为训练集、验证集和测试集，通常按照一定比例划分，以便在训练、优化和评估模型时使用不同的数据子集。对数据集进行质量控制，检查标注准确性和一致性，排除低质量或错误标注的样本。确保各个类别的样本数量相对均衡，避免数据集中某些类别过多或过少，以避免模型偏向某些类别。

技术特征：

1.一种基于遥感图像汽车目标检测与细粒度识别方法，其特征是，包括：

2.如权利要求1所述基于遥感图像汽车目标检测与细粒度识别方法，其特征在于，步骤2中特征提取模块通过在主干网络中添加集中特征金字塔cfp-c；骨干网络输出的特征图经cfp-c平滑处理后，使得包含的噪声得到抑制。

3.如权利要求1所述基于遥感图像汽车目标检测与细粒度识别算法中，步骤2中多尺度特征融合模块，通过引入多个分支,每个分支负责处理不同层级的特征图,同时在不同层级上提取多尺度特征信息。

4.如权利要求1所述基于遥感图像汽车目标检测与细粒度识别算法中，步骤2中特征提取模块，通过选择相关的深度描述符来提取全局特征；深度挖掘不同部件之间的内在关系，从而获得具有代表性的局部特征，进一步提高遥感图像汽车检测网络对于不同类型汽车的区分效果。

5.如权利要求1所述基于遥感图像汽车目标检测与细粒度识别算法中，其特征是：

技术总结本发明公开了一种遥感图像汽车目标检测与细粒度识别的方法，步骤如下：步骤1、对YOLOv7进行优化改进，拟提出将改进型集中特征金字塔CFP‑C引入到YOLOv7中的BackBone部分解决遥感图像汽车因目标分布密集以及检测背景复杂导致检测效率较低的问题；步骤2：在YOLOv7模型中加入多尺度特征融合的新型MS模块，使网络更加关注对于不同大小的汽车识别，提高对于汽车特征提取能力，从而提高遥感图像汽车目标检测与细粒度识别的准确率；步骤3、通过引入FFP将全局特征与局部特征进行结合，挖掘汽车部件之间的内在关系，从而获得具有代表性的局部特征。进一步提高遥感图像汽车检测网络对于不同类型汽车的检测效果。技术研发人员：赵爽,辛瑞龙,陈磊,冯泽振受保护的技术使用者：长春理工大学技术研发日：技术公布日：2024/10/10