遥感图像道路目标检测方法及装置、介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种遥感图像道路目标检测方法及装置、介质。

背景技术

随着社会经济的快速发展，以及交通基础设施建设的加速，城市道路网变得愈发复杂。在城市交通中，车辆混杂、交通拥挤堵塞等原因容易导致交通事故的发生。在交叉路口、岔道和人行横道上，交通组成、交通特征非常复杂，车辆与过街的行人之间、车辆与车辆之间存在着冲突与干扰，因此常成为交通事故的多发点。

在遥感图像中，交叉路口和人行横道通常归属于小目标。小目标的可视化信息较少，难以提取到具有鉴别力的特征，并且容易受到外界环境因素的干扰，导致检测模型难以精准定位和检测小目标。

发明内容

本发明解决的是无法精准定位和检测小目标对象的技术问题。

为解决上述技术问题，本发明提供一种遥感图像道路目标检测方法，包括：获取待检测的目标遥感图像；采用YOLOv5模型对所述目标遥感图像进行检测，确定所述目标遥感图像中的目标对象，包括：获取目标尺度路径特征，所述目标尺度路径特征表征微小路径特征以及小路径特征；将所述目标路径输入至所述YOLOv5模型的头部网络，确定所述目标遥感图像中的目标对象。

可选的，所述获取目标尺度路径特征，包括：获取微小路径特征f

可选的，所述YOLOv5模型的损失函数为：L＝αL

本发明还提供了一种遥感图像道路目标检测装置，包括：获取单元，用于获取待检测的目标遥感图像；确定单元，用于采用YOLOv5模型对所述目标遥感图像进行检测，确定所述目标遥感图像中的目标对象，包括：获取目标尺度路径特征，所述目标尺度路径特征表征微小路径特征以及小路径特征；将所述目标路径输入至所述YOLOv5模型的头部网络，确定所述目标遥感图像中的目标对象。

可选的，所述确定单元，用于采用如下步骤获取所述目标尺度路径特征：获取微小路径特征f

可选的，所述YOLOv5模型的损失函数为：L＝αL

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一种所述的遥感图像道路目标检测方法的步骤。

本发明还提供了另一种遥感图像道路目标检测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述任一种所述的遥感图像道路目标检测方法的步骤。

与现有技术相比，本发明的技术方案具有以下有益效果：

采用YOLOv5模型对所述目标遥感图像进行检测，确定目标遥感图像中的目标对象。具体地，输入至YOLOv5模型的目标尺度路径特征，表征微小路径特征以及小路径特征，由此，能够提高YOLOv5模型对小路径特征以及微小路径特征的检测精度。

附图说明

图1是本发明实施例中的一种遥感图像道路目标检测方法的流程图；

图2是本发明实施例中的一种遥感图像道路目标检测装置的结构示意图。

具体实施方式

如背景技术中所述，在遥感图像中，交叉路口和人行横道通常归属于小目标。小目标的可视化信息较少，难以提取到具有鉴别力的特征，并且容易受到外界环境因素的干扰，导致检测模型难以精准定位和检测小目标。

在本发明实施例中，采用YOLOv5模型对所述目标遥感图像进行检测，确定目标遥感图像中的目标对象。具体地，输入至YOLOv5模型的目标尺度路径特征，表征微小路径特征以及小路径特征，由此，能够提高YOLOv5模型对小路径特征以及微小路径特征的检测精度。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

本发明实施例提供了一种遥感图像道路目标检测方法，参照图1，以下通过具体步骤进行详细说明。

步骤101，获取待检测的目标遥感图像。

步骤102，采用YOLOv5模型对目标遥感图像进行检测，确定目标遥感图像中的目标对象。

在本发明实施例中，目标对象可以包括交叉路口、人行横道等尺度较小的对象。

在具体实施中，在获取到目标遥感图像之后，可以将目标遥感图像输入至YOLOv5模型。

在具体应用中，YOLOv5模型主要包括主干(Backbone)网路、颈部(Neck)网络以及头部(Head)网络。将图像输入至YOLOv5模型中，主干网络被设计为提取输入图像的低级纹理特征以及高级语义特征，之后将低级纹理特征以及高级语义特征传递到头部网络，构建增强的特征金字塔网络，从上到下传递鲁棒语义特征，从下到上传递局部纹理和图案特征的强响应。

YOLOv5模型使用CSPnet作为主干网络提取特征信息，CSPnet包括CBS模块以及CSP模块，CBS模块由卷积、批归一化和激活函数SiLu等操作组成。CSP模块将前一层的特征映射复制为两个分支，然后通过1×1卷积将通道数减半，从而减少计算量。通过层叠CSP模块、CBS模块和SPP结构提取底层纹理特征以及高层语义特征。

在具体应用中可知，在现有的YOLOv5模型中，通过CBS模块以及C3模块的堆叠，可以提取出5组不同尺度的特征图，依次为特征图P1、特征图P2、特征图P3、特征图P4以及特征图P5。其中，Pi表征分辨率为目标遥感图像的1/2

具体地，P1表征分辨率为目标遥感图像的1/2，相应地，P5表征分辨率为目标遥感图像的1/32。

在一些实施例中，特征图P5的特征图尺度为20×20，特征图P4的特征图尺度为40×40，特征图P3的特征图尺度为80×80，特征图P2的特征图尺度为160×160。

特征图Pi中，i的取值越小，意味着进行的下采样的次数越少，故其中所包含的底层特征信息越多。

在目标遥感图像中，交叉路口、人行横道等属于小目标对象。

在本发明实施例中，可以先获取特征图P1对应的微小路径特征f

具体地，F

在具体实施中，注意力机制(Channel Attention，CA)为深度学习中的一种注意力机制，用于增强模型对不同通道之间的特征关联性。

之后，对第一通道域内部信息F

由此，得到的目标尺度路径特征融合了微小路径的特征信息以及小路径的特征信息。将得到的目标尺度路径特征输入至Head网络。

在具体实施中，YOLOv5模型中，Head网络包括3个不同的输出层，用于分别检测大尺度的目标对象、中尺度的目标对象以及小尺度的目标对象。其中，用于检测小尺度的目标对象的输出层为第一输出层(YH1)，用于检测中尺度的目标对象的输出层为第二输出层(YH2)，用于检测大尺度的目标对象的输出层为第三输出层(YH3)。

具体地，在将目标尺度路径信息输入至第一输出层(YH1)，获取第一输出层输出的检测结果，检测结果中即包含有目标对象，目标对象包括小路径对象以及微小路径对象。

在具体实施中，YOLOv5模型中，损失函数包括目标框损失、分类损失和置信度损失三部分。分类损失和置信度损失采用二值交叉熵损失，回归框损失采用的是IoU损失。

在具体实施中，IoU表示预测框与真实框之间的交并比，也即：预测框与真实框之间的交集，除以预测框与真实框之间的并集。若预测框与真实框之间完全重叠，则IoU的值为1。

现有技术中，IoU损失存在如下问题：当真实框与预测框完全不重叠时，IoU无法反映真实框与预测框之间的距离，且此时IoU损失为0，将会影响梯度回传，进而导致模型无法训练；当真实框包含预测框，且真实框与预测框的大小固定时，IoU为预测框与真实框面积的比值，且无论预测框在真实框中的哪个位置，IoU均不会发生变化。

基于上述问题，本发明实施例中，对YOLOv5模型的损失函数进行更新，提出了一种新的损失函数，已解决上述已有损失函数中存在的IoU的问题。

在本发明实施例中，可以采用瓦瑟斯坦距离的度量方法来反映真实框G(cx

在具体实施中，可以采用下式来计算得到真实框与预测框之间的瓦瑟斯坦距离：

之后，采用指数非线性变换函数，将计算得到的瓦瑟斯坦距离进行映射，以对瓦瑟斯坦距离进行归一化运算。

具体地，可以采用下式对瓦瑟斯坦距离进行归一化运算：

其中，C为目标遥感图像中各对象的平均绝对大小，N

经过归一化运算的瓦瑟斯坦距离的取值范围为(0,1]。

在具体实施中，采用归一化的瓦瑟斯坦距离来衡量真实框与预测框之间的位置关系，可以一致性地反映真实框与预测框之间的距离，即使真实框与预测框之间没有重叠。

在本发明实施例中，YOLOv5模型的损失函数最终表示为：

L＝αL

其中，α为第一权重系数，β为第二权重系数；L

由此可见，本发明实施例中提供的YOLOv5模型的损失函数，关联于IoU损失以及瓦瑟斯坦距离损失，解决了仅适用IoU损失所存在的问题。也就是说，YOLOv5模型的损失函数由IoU损失以及瓦瑟斯坦距离损失结合得到。

综上可见，在本发明实施例中，输入至YOLOv5模型的目标尺度路径特征，表征微小路径特征以及小路径特征，由此，能够提高YOLOv5模型对小路径特征以及微小路径特征的检测精度

本发明还提供了一种遥感图像道路目标检测装置20，包括：获取单元201以及确定单元202，其中：

获取单元201，用于获取待检测的目标遥感图像；

确定单元202，用于采用YOLOv5模型对所述目标遥感图像进行检测，确定所述目标遥感图像中的目标对象，包括：获取目标尺度路径特征，所述目标尺度路径特征表征微小路径特征以及小路径特征；将所述目标路径输入至所述YOLOv5模型的头部网络，确定所述目标遥感图像中的目标对象。

在具体实施中，所述确定单元201，可以用于采用如下步骤获取所述目标尺度路径特征：获取微小路径特征f

在具体实施中，所述YOLOv5模型的损失函数为：L＝αL

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一实施例所述的遥感图像道路目标检测方法的步骤。

本发明实施例还提供了另一种遥感图像道路目标检测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述任一实施例所述的遥感图像道路目标检测方法的步骤。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。