CN106910188B - 基于深度学习的遥感影像中机场跑道的检测方法 - Google Patents

Abstract

本发明公开一种基于深度学习的遥感影像中机场跑道的检测方法，包括以下步骤：批量获取包含完整机场的样本图片，制作样本集；采用Faster‑RCNN算法中的模型对所述样本集进行训练，输出机场跑道模型并更新；将待检测遥感影像输入所述更新的机场跑道模型进行检测，输出检测识别后的机场跑道影像并保存；其中，所述检测还包括根据待检测遥感影像的影像大小确定滑动窗口和滑动步长、根据所述更新的机场跑道模型确定检测阈值。本发明提高检测效率的同时，也具有较高的检测精度。

Description

基于深度学习的遥感影像中机场跑道的检测方法

技术领域

本发明涉及机场跑道检测的技术领域，更具体地说，本发明涉及一种基于深度学习的遥感影像中机场跑道的检测方法。

背景技术

近年来，随着遥感卫星技术的不断进步，其所获取的影像空间分辨率越来越高，人们可以获取到更多、更清晰的遥感卫星影像。依靠这类高分辨率的卫星影像已成为人们获取各类地理信息的重要途径，利用遥感影像对人工地物进行提取已成为遥感领域中的重要应用之一。通过对地物的提取，可以快速生成矢量地图，无论是在国民经济生产还是在军事领域方面均游着广泛的应用。机场作为一类较重要的人工地物，与人类生活息息相关，同时也是军事目标打击所关注的内容。

目前遥感影像机场提取的方法，有以尺度变换、边缘检测、平行线提取等流程为主的技术方案；有基于带通滤波技术的机场跑道提取方法；有通过图像分割处理、逐步剔除非机场地物、初步提取出机场区域后，结合相应的特征提取算法，进行区域约束条件下的机场跑道提取；有基于图像空间多尺度Hough变换方法的机场跑道提取方法等等。这些方法虽然可以检测出机场目标，但效率不高，不仅需要大量的时间精力，操作复杂，而且对于相对复杂背景情况下的机场跑道，提取精度不是很高，也不具备通用性。

发明内容

针对上述技术中存在的不足之处，本发明提供一种基于深度学习的遥感影像中机场跑道的检测方法，提高检测效率的同时，也具有较高的检测精度。

为了实现根据本发明的这些目的和其它优点，本发明通过以下技术方案实现：

本发明提供一种基于深度学习的遥感影像中机场跑道的检测方法，包括以下步骤：

批量获取包含完整机场的样本图片，制作样本集；

采用Faster-RCNN算法中的模型对所述样本集进行训练，输出机场跑道模型并更新；

将待检测遥感影像输入所述更新的机场跑道模型进行检测，输出检测识别后的机场跑道影像并保存；

其中，所述检测还包括根据待检测遥感影像的影像大小确定滑动窗口和滑动步长、根据所述更新的机场跑道模型确定检测阈值。

优选的是，所述样本图片的批量获取，包括步骤：

对Google earth批量采集的图像分别进行截取，批量获取包含完整机场的样本图片；或，

获取高分一号或高分二号批量采集的遥感影像。

优选的是，对Google earth采集的机场图片进行截取以获取所述样本图片的同时，还包括遥感影像预处理步骤：

将高分一号或高分二号批量采集的所述遥感影像按真彩色波段组合方式显示并保存。

优选的是，高分一号或高分二号批量采集的所述遥感影像的存储格式包括tiff或jpg。

优选的是，所述模型更新包括步骤：

将预处理后存储的所述遥感影像输入Faster-RCNN算法训练后输出的机场跑道模型中，进行基于遥感影像的机场跑道的初级检测，输出初级机场跑道影像；

将所述初级机场跑道影像输入所述样本集以更新所述样本集；

采用Faster-RCNN算法中的模型对更新的样本集进行迭代训练，输出更新后的机场跑道模型。

优选的是，采用Faster-RCNN算法中的模型对所述样本集进行训练，包括以下步骤：

在所述样本集上预训练模型的初始化参数，微调RPN网络；

采用微调后的RPN网络提取区域建议框，训练Fast-RCNN网络；

采用所述Fast-RCNN网络对微调的所述RPN网络进行初始化，对所述Fast-RCNN网络的固定卷积层进行微调；

固定所述Fast-RCNN网络微调后的固定卷积层，使用初始化后的所述RPN网络提取区域建议框，微调所述Fast-RCNN网络。

本发明至少包括以下有益效果：

1)本发明采用Faster-RCNN算法的模型对批量获取的样本图片制成的样本集进行训练，输出更新的机场跑道模型供待检测遥感影像的检测识别，基于Faster-RCNN算法的深度学习训练出的模型，对遥感影像中机场跑道的检测识别具有较高的精确性；采用滑动窗口对待检测遥感影像进行分块检测，可以提高模型检测识别的效率；

2)机场跑道模型的迭代训练与更新，是为了解决Google earth采集的图像与高分一号或高分二号采集的遥感影像存在的差异而导致模型的检测精度不高的技术问题；同时，对Google earth采集的图像进行真彩色波段组合方式，则对于存在真彩色波段信息的高分辨率的遥感影像，均可直接应用本模型进行检测与识别，提高机场跑道模型的通用性。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明所述的基于高分一号遥感影像的机场跑道检测方法的流程示例图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。

本发明提供一种基于深度学习的遥感影像中机场跑道的检测方法，其包括以下步骤：

S10，批量获取包含完整机场的样本图片，制作样本集；

S20，采用Faster-RCNN算法中的模型对样本集进行预训练，输出机场跑道模型并更新；

S30，将待检测遥感影像输入更新的机场跑道模型进行检测，输出检测识别后的机场跑道影像并保存；

上述实施方式中，为提升检测效率，考虑到待检测的遥感影像尺寸大小不一，步骤S30中更新后的机场跑道模型进行检测，还包括根据待检测遥感影像的影像大小确定滑动窗口和滑动步长、根据更新的机场跑道模型确定检测阈值。具体地，样本图片的大小由用户自行设定，滑动窗口的尺寸与样本图片的尺寸近似；阈值为模型训练时样本验证精度，阈值过低时，可能会出现错检，阈值过高时，可能会出现漏检，因此，可根据待检测遥感影像尺寸大小以及检测效果自行调节阈值大小。采用滑动窗口对待检测遥感影像进行分块检测，可以提高模型检测识别的效率。为了保证检测的精确度，滑动窗口以及滑动步长的检测方式，要求样本图片的获取需要确保含有机场整体特征以及局部细节特征，即包含完整机场的特征，还需确保存在一定的背景信息，则滑动步长的尺寸设置为小于滑动窗口的尺寸，以保证滑动窗口以滑动步长为单位的滑动过程中，相邻的两个滑动窗口的重叠部分能尽量包含完整机场的影像，从而保证检测的精确度。

上述实施方式中，步骤S10中样本图片的批量获取，包括步骤：

S11，对Google earth批量采集的图像分别进行截取，批量获取包含完整机场的样本图片；或，

S12，获取高分一号或高分二号批量采集的遥感影像。

该实施方式中，样本图片的批量获取，既可以通过高分一号或高分二号批量采集的遥感影像来获取，具有较高的分辨力；也可以通过对Google earth批量采集的图像分别进行截取来获取，提高后续模型训练的准确度。

采用对Google earth批量采集的图像分别进行截取来批量获取样本图片的同时，作为优选，还包括遥感影像预处理步骤：

S13，将高分一号或高分二号批量采集的遥感影像按真彩色波段组合方式显示并保存。

该实施方式中，将高分一号或高分二号批量采集的遥感影像按真彩色波段组合方式显示，则对于存在真彩色波段信息的高分辨率的遥感影像，均可直接应用通过Googleearth采集的图像制作的样本集以及深度学习训练出来的机场跑到模型进行检测与识别，消除Google earth批量采集的图像与高分一号或高分二号采集的遥感影像存在的差异，提高机场跑道模型的通用性。遥感影像的预处理过程中，为保存遥感影像的经纬度信息，遥感影像的存储格式可以是多种格式，例如tiff、jpg、jpeg等等，即将高分一号或高分二号采集的遥感影像批量转换成tiff或jpg等格式后保存；作为最佳优选，遥感影像的存储格式为tiff，tiff格式的遥感影像清晰度最佳，利于提高模型检测识别的准确性。

为了进一步消除Google earth批量采集的图像与高分一号或高分二号采集的遥感影像存在的差异而导致模型的检测精度不高的技术问题，作为优选，机场跑道模型的更新包括步骤：

S21，将预处理后存储的遥感影像输入Faster-RCNN算法训练后输出的机场跑道模型中，进行基于遥感影像的机场跑道的初级检测，输出初级机场跑道影像；

S22，将初级机场跑道影像输入样本集以更新样本集；

S23，采用Faster-RCNN算法中的模型对更新的样本集进行迭代训练，输出更新后的机场跑道模型。

上述实施方式中，将预处理后存储的遥感影像输入Faster-RCNN算法训练后输出的机场跑道模型，进行初级检测；并在输出初级机场跑道影像的基础上，筛选出初级机场跑道影像返回样本集，再次迭代训练样本集，来提高模型对遥感影像机场跑道的识别精度，将最终训练得到的适用于机场跑道检测与识别的模型应用于遥感影像的检测，可高效地检测并提取遥感影像中的机场跑道信息。

上述实施方式中，采用Faster-RCNN算法中的模型对样本集进行预训练，包括以下步骤：

S13，在样本集上预训练模型的初始化参数，微调RPN网络；

S14，采用微调后的RPN网络提取区域建议框，训练Fast-RCNN网络；

S15，采用Fast-RCNN网络对微调的RPN网络进行初始化，对Fast-RCNN网络的固定卷积层进行微调；

S16，固定Fast-RCNN网络微调后的固定卷积层，使用初始化后的RPN网络提取区域建议框，微调Fast-RCNN网络。

该实施方式中，采用Faster-RCNN算法中的模型对样本集进行预训练时选用ZF网络(Zeiler&Fergus Net)，以得到适用于Google earth影像的机场跑道模型。Faster-RCNN算法将预训练的上述步骤统一到一个深度网络框架之内，所有计算没有重复，完全在GPU(Graphics Processing Unit，图形处理器)中完成，大大提高了运行速度。

本发明提供一种基于深度学习的遥感影像中机场跑道的检测方法，以高分一号遥感影像的机场跑道检测为例，如图1所示，在现有技术中机场影像信息过少、没有足够多的样本影像的前提下，采用Google earth影像批量制作样本集、将Faster-RCNN算法中的模型对样本集进行预训练以及迭代训练更新，以获得高精度的模型，并将获得的高精度的模型应用于高分一号采集的遥感影像的检测识别，检测识别的过程中，采用滑动窗口对待检测遥感影像进行分块检测，即可高效、精确地检测并提取遥感影像机场跑道信息。

实施例1

根据本发明提供的基于深度学习的遥感影像中机场跑道的检测方法中迭代训练出的机场跑道模型，进行高分一号采集的遥感影像提取工作，统计江苏省机场个数。输入预处理完成后的高分一号2米分辨率镶嵌影像(188景)，将滑动窗口大小调整为700像素*700像素，步长为600像素，设置阈值为0.97，待程序运行输出。检测出江苏省共11个机场且标明具体方位，经考证民用机场7个，军用机场2两个，废弃机场1个以及规划中的在建机场1个，漏检0个。整个机场跑道的检测过程，速度快、准确性高。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (1)

1.一种基于深度学习的遥感影像中机场跑道的检测方法，其特征在于，包括以下步骤：

批量获取包含完整机场的样本图片，制作样本集；

采用Faster-RCNN算法中的模型对所述样本集进行训练，输出机场跑道模型并更新；

将待检测遥感影像输入所述更新的机场跑道模型进行检测，输出检测识别后的机场跑道影像并保存；

其中，所述检测还包括根据待检测遥感影像的影像大小确定滑动窗口和滑动步长、根据所述更新的机场跑道模型确定检测阈值，并采用所述滑动窗口对待检测遥感影像进行分块检测，所述滑动步长的尺寸设置为小于所述滑动窗口的尺寸；

所述样本图片的批量获取，包括步骤：

对Google earth批量采集的图像分别进行截取，批量获取包含完整机场的样本图片；或，

获取高分一号或高分二号批量采集的遥感影像；

对Google earth采集的机场图片进行截取以获取所述样本图片的同时，还包括遥感影像预处理步骤：

将高分一号或高分二号批量采集的所述遥感影像按真彩色波段组合方式显示并保存；

高分一号或高分二号批量采集的所述遥感影像的存储格式包括tiff或jpg；

所述模型更新包括步骤：

将预处理后存储的所述遥感影像输入Faster-RCNN算法训练后输出的机场跑道模型中，进行基于遥感影像的机场跑道的初级检测，输出初级机场跑道影像；

将所述初级机场跑道影像输入所述样本集以更新所述样本集；

采用Faster-RCNN算法中的模型对更新的样本集进行迭代训练，输出更新后的机场跑道模型；

采用Faster-RCNN算法中的模型对所述样本集进行训练，包括以下步骤：

在所述样本集上预训练模型的初始化参数，微调RPN网络；

采用微调后的RPN网络提取区域建议框，训练Fast-RCNN网络；

采用所述Fast-RCNN网络对微调的所述RPN网络进行初始化，对所述Fast-RCNN网络的固定卷积层进行微调；

固定所述Fast-RCNN网络微调后的固定卷积层，使用初始化后的所述RPN网络提取区域建议框，微调所述Fast-RCNN网络。

Images