一种基于深度学习以及图像配准算法的飞机变化检测方法

1.一种基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，包括以下步骤：S1、获取同一区域、不同时刻的第一遥感图像和第二遥感图像；S2、对所述第一遥感图像和所述第二遥感图像进行机场检测，获取所述第一遥感图像中的第一机场区域的图像、所述第一机场区域在所述第一遥感图像中的第一偏移量、所述第二遥感图像中的第二机场区域的图像、所述第二机场区域在所述第二遥感图像中的第二偏移量；S3、将所述第一机场区域的图像和所述第二机场区域的图像根据surf图像配准算法进行图像配准得到配准图像；S4、对所述配准图像进行飞机检测，以获取第一飞机目标和第二飞机目标，所述第一飞机目标包括：所述第一机场区域的图像中的飞机类别和所述第一机场区域的图像中的飞机目标框的坐标；所述第二飞机目标包括：所述第二机场区域的图像中的飞机类别和所述第二机场区域的图像中的飞机目标框的坐标；S5、对所述第一飞机目标和所述第二飞机目标根据IOU进行变化检测以获取飞机目标的状态，所述飞机目标的状态包括：新增的飞机目标、不变的飞机目标和减小的飞机目标；S6、将所述第一机场区域的图像中的飞机目标框的坐标还原到所述第一遥感图像，将所述第二机场区域的图像中的飞机目标框的坐标还原到所述第二遥感图像中。 2.根据权利要求1所述的基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，步骤S2，包括：步骤S2.1、将所述第一遥感图像按照预设缩放比例缩放成第一缩放图；将所述第二遥感图像按照预设缩放比例缩放成第二缩放图；步骤S2.2、根据机场检测模型对所述第一缩放图和所述第二缩放图进行机场检测，以获取所述第一缩放图中的机场区域以及所述第二缩放图中的机场区域；步骤S2.3、将所述第一缩放图中的机场区域根据所述预设缩放比例映射回所述第一遥感图像，将映射后的所述第一遥感图像中的机场区域的图像裁剪出来以得到所述第一机场区域的图像，并且记录所述第一机场区域在所述第一遥感图像中的第一偏移量；步骤S2.4、将所述第二缩放图中的机场区域根据所述预设缩放比例映射回所述第二遥感图像，将映射后的所述第二遥感图像中的机场区域的图像裁剪出来以得到所述第二机场区域的图像，并且记录所述第二机场区域在所述第二遥感图像中的第二偏移量。 3.根据权利要求2所述的基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，在步骤S2之前，所述方法还包括：获取yolov5模型的第一训练样本作为机场数据集；使用yolov5s6.pt文件作为第一初始模型的初始化权重文件，新建airport.yaml文件，其中，所述airport.yaml文件对应的nc设置成1，names设置成airport,将路径参数设置成所述机场数据集对应位置；对所述第一初始模型进行训练以得到所述机场检测模型，其中，每个所述第一训练样本的大小为1280*1280，在训练时开启多尺度训练方式、开启Mosica数据增强、开启自适应锚框计算，迭代300个epoch。 4.根据权利要求1所述的基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，步骤S3，包括：步骤S3.1、将所述第一机场区域的图像按照预设缩放比例缩放成第一机场区域缩放图；将所述第二机场区域的图像按照所述预设缩放比例缩放成第二机场区域缩放图；步骤S3.2、提取所述第一机场区域缩放图的第一Surf特征，提取所述第二机场区域缩放图的第二Surf特征；步骤S3.3、对所述第一Surf特征和所述第二Surf特征进行匹配，以获取最匹配的特征点对；步骤S3.4、提取所述最匹配的特征点对的坐标；步骤S3.5、根据所述预设缩放比例将所述最匹配的特征点对的坐标还原为所述第一机场区域的图像以及所述第二机场区域的图像的原始坐标；步骤S3.6、根据所述原始坐标生成第一图像相对于所述第二图像的单应性矩阵；其中，所述第二图像为所述第一机场区域缩放图和所述第二机场区域缩放图中尺寸大的缩放图，所述第一图像为另一幅缩放图；步骤S3.7、对所述第一图像根据所述单应性矩阵进行透视变化，得到配准图像。 5.根据权利要求1所述的基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，步骤S4，包括：步骤S4.1、将所述配准图像裁切为预设大小的小图；步骤S4.2、使用飞机数据类继承torch的Dataset类处理所述小图；步骤S4.3、根据飞机检测模型对处理后的所述小图进行飞机检测。 6.根据权利要求5所述的基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，在步骤S4之前，所述方法还包括：获取yolov5模型的第二训练样本作为飞机数据集；使用yolov5s6.pt文件作为第二初始模型的初始化权重文件，新建airport.yaml文件，其中，所述airport.yaml文件对应的nc设置成10，names设置成预设数量的飞机类型,将路径参数设置成所述飞机数据集对应位置；对所述第二初始模型进行训练以得到所述飞机检测模型，其中，每个所述第二训练样本的大小为1024*1024，在训练时开启多尺度训练方式、开启Mosica数据增强、开启自适应锚框计算，迭代500个epoch。 7.根据权利要求1所述的基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，步骤S5，包括：若所述第一飞机目标和所述第二飞机目标的IOU大于等于第一预设值并且类别信息也一样，则判定为不变的目标；其中，所述第一飞机目标为前一时刻对应的飞机目标，所述第二飞机目标为后一时刻对应的飞机目标；若所述第二飞机目标与所述第一飞机目标的IOU小于所述第一预设值，则将所述第二飞机目标判定为新增目标，所述第一飞机目标判定为减少目标；所述后一时刻未被匹配上的飞机目标判定为新增目标，所述前一时刻未被匹配上的飞机目标判定为减少目标。 8.根据权利要求1所述的基于深度学习以及图像配准算法的飞机变化检测方法，其特征在于，步骤S6，包括：通过透视变换矩阵的逆变换将所述飞机变化检测目标框还原到所述第一遥感图像和所述第二遥感图像中，其中，所述透视变换矩阵为配准算法得到的单应性矩阵。