(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210997858.4 (22)申请日 2022.08.19 (71)申请人 中国电子科技 集团公司第二十八研 究所 地址 210046 江苏省南京市栖霞区灵山 南 路1号 (72)发明人 罗子娟　赵锴　宋连宁　李雪松　 丁帅　李友江　陈杰　 (74)专利代理 机构 江苏圣典律师事务所 32 237 专利代理师 胡建华 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于全局和局部特征相结合的机场目 标检测方法 (57)摘要 本发明公开了一种基于全局和局部特征相 结合的机场目标检测方法， 包括采集数据； 对采 集的数据进行数据标注； 数据增强形成机场遥感 影像数据集； 构建局部特征提取网络， 包括跑道、 停机坪和指挥塔三类目标的检测模型； 对跑道、 停机坪和指挥塔三类目标的检测模 型进行训练； 构建全局特征判定模型， 所述全局特征判定模型 用于根据所有跑道、 停机坪和指挥塔目标判定是 否为机场； 对全局特征判定网络进行训练； 利用 训练好的局部特征提取模型和全局特征判定模 型对图像进行机场目标检测。 该方法先构建局部 特征提取网络， 提取出机场的重要组成部分， 然 后构建全局特征判定网络， 将不同的组成部分之 间的特征进行整体的判别， 提升机场目标检测的 准确率。 权利要求书2页 说明书6页 附图2页 CN 115457399 A 2022.12.09 CN 115457399 A 1.一种基于全局 和局部特征相结合的机场目标检测方法， 其特 征在于， 包括如下步骤： 步骤1： 采集数据， 采集 不同地理位置、 不同类型、 不同历史时期的机场卫星遥感影 像； 步骤2： 对 采集的数据进行 数据标注； 步骤3： 数据增强， 对标注过的遥感影 像进行数据增强操作， 形成机场遥感影 像数据集； 步骤4： 构建局部特征提取模型， 所述局部特征提取模型用于检测出所有跑道、 停机坪 和指挥塔目标， 包括跑道、 停机坪和指挥塔三类目标的检测模型； 步骤5， 训练局部特征提取模型， 利用机场遥感影像数据集， 对跑道、 停机坪和指挥塔三 类目标的检测模型进行训练； 步骤6， 构建全局特征判定模型， 所述全局特征判定模型用于根据所有跑道、 停机坪和 指挥塔目标判定是否为机场； 步骤7： 对 全局特征判定网络进行训练； 步骤8： 模型测试， 利用训练好的局部特征提取模型和全局特征判定模型对图像进行机 场目标检测。 2.根据权利要求1所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤2中所述数据标注采用四点倾斜长方形框标注， 标注的类别包括机场跑道、 机 场停机坪、 机场指挥塔三种类型的数据。 3.根据权利要求2所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤3包括以下步骤： 步骤3‑1： 对所述标注过的遥感影像进行旋转， 分别旋转15度、 30度、 45度、 60度、 75度、 90度， 影像旋转的同时将对应标注文件中的坐标也进行坐标计算， 生成旋转后影像对应的 标注文件， 并对标注进行调整， 使其贴合目标， 其中90度的无需微调； 步骤3‑2： 对步骤2标注过的遥感影像和步骤3 ‑1旋转生成的遥感影像进行随机缩放操 作， 缩放比例的范围为70％ ‑130％， 每次缩放的同时对相应标注文件的坐标同步计算， 生 成 对应的标注文件， 缩放操作后经坐标计算 生成的标注文件无需微调； 步骤3‑3： 对步骤2标注过的遥感影像、 步骤3 ‑1旋转生成的遥感影像和步骤3 ‑2缩放生 成的遥感影像进行随机亮度调整， 生成不同亮度和对比的影像， 同时生成对应的标注文件， 在生成新的标注文件时目标的坐标 无需重新计算和调整。 4.根据权利要求3所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤4中跑道、 停机坪和指挥塔三类目标的检测 模型采用Oriented ‑RCNN倾斜框检 测模型搭建， 三个 检测模型的构建步骤如下： 步骤4‑1： 利用Oriented ‑RCNN模型构建跑道检测模型， 候选框的初始长宽比为1:5、 5: 1、 1:7和7:1， 共计4种， 候选 框的初始 尺寸为1000*200、 3000*600和2000*500三种； 步骤4‑2： 利用Oriented ‑RCNN模型构建停机坪检测模型， 候选框的初始长宽比为1:2、 1:1和2:1， 共计3种， 候选 框的初始 尺寸为64*64、 128*128、 25 6*256和512*512共四种； 步骤4‑3： 利用Oriented ‑RCNN模型构建指挥塔检测模型， 候选框的初始长宽比为1:2、 1:1和2:1， 共计3种， 候选 框的初始 尺寸为64*64、 128*128和25 6*256共三种。 5.根据权利要求4所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤5中， 对跑道、 停机坪和指挥塔三类目标的检测模型进行训练时， 训练的Epoch ＝30， Batch＝1， 学习率 为0.0001～0.001， 损失函数采用交叉熵函数。权　利　要　求　书 1/2 页 2 CN 115457399 A 26.根据权利要求5所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤6中所述全局特征判定模型依次包括特征提取网络、 特征融合网络和分类网 络。 7.根据权利要求6所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤6中所述特征提取网络采用EfficientNet网络， 针对 经过局部特征提取模 型检 测获得的跑道、 停机坪和指挥塔三类目标， 均采用EfficientNet网络进行特征提取， 最后一 层卷积层输出展平生成特 征向量； 所述特征融合网络用于将同类目标的特征值相加并进行平均， 形成该类目标的类别特 征； 将每个类别的类别特 征进行拼接， 形成目标的整体特 征； 所述分类 网络采用ResNet152网络进行分类判定， 将目标的整体特征输入ResNet152网 络， 再经过全连接层进行 是否为机场的预测， 损失函数采用交叉熵函数。 8.根据权利要求7所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤7中对全局特征判定网络进行训练， EfficientNet网络的训练Epoch＝60， Batch＝10,学习率为0.005～0.01， 损失函数采用交叉熵函数； ResNet152网络 的Epoch＝ 60， Batch＝1,学习率 为0.0001～0.005， 损失函数采用交叉熵函数。 9.根据权利要求8所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤8包括以下步骤： 步骤8‑1： 将待检测图像利用跑道检测模型进行检测， 输出 所有跑道目标； 步骤8‑2： 将待检测图像利用停机坪检测模型进行检测， 输出 所有停机坪目标； 步骤8‑3： 将待检测图像利用指挥塔 检测模型进行检测， 输出 所有指挥塔目标； 步骤8‑4， 将所有的跑道目标、 停机坪目标和指挥塔目标通过全局特征判定网络进行分 类判定是否为机场目标。 10.根据权利要求9所述的一种基于全局和局部特征相结合的机场目标检测方法， 其特 征在于， 步骤1中采集数据包括通过在Google  earth上输入机场经纬度的方式查找并截取 机场的遥感影像， 包含不同地理位置、 不同类型的机场， 对同一机场获取不同的时间段截取 不同时期的影像， 覆盖不同时期不同季节的场景； 所述不同类型的机场包括军用、 民用以及 军民两用机场。权　利　要　求　书 2/2 页 3 CN 115457399 A 3