[發明專利]基于深度學習FCN網絡的遙感艦船目標輪廓分割與檢測方法

在審

• 申請號: 201710675694.2
• 申請日: 2017-08-09
• 公開（公告）號: CN107527352A
• 公開（公告）日: 2017-12-29
• 發明（設計）人: 楚博策
• 申請（專利權）人: 中國電子科技集團公司第五十四研究所
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/13;G06N3/04
• 代理公司: 河北東尚律師事務所13124
• 代理人: 王文慶

本發明公開了一種基于深度學習FCN全卷積網絡的遙感艦船輪廓分割與檢測方法，首先構建遙感艦船目標數據庫，對其中遙感艦船目標進行逐像素標注，隨后本發明設計一種更深的6層全卷積網絡6?FCN結構通過卷積與反卷積進行參數訓練，最終對寬幅遙感檢測圖像進行重疊切分，檢測后合并得到最終遙感影像艦船檢測結果。可以在高效迅速地實現遙感艦船目標檢測的同時實完成艦船輪廓的精準分割，精簡了傳統的檢測復雜流程，并且實現很好的分割與檢測效果提升。

技術領域

本發明屬于遙感圖像智能識別技術領域，更為具體地講，涉及在監控場景下一種基于全卷積神經網絡的遙感艦船目標檢測方法。

背景技術

衛星海洋監視具有成像帶幅寬、數據量大的特點，軍事活動關注的重點是對海上運動目標實施偵察、跟蹤監視其狀態，積累和掌握有關國家、地區海上軍事力量的部署與目標動向。快速、準確檢測并提取目標圖像非常必要，利用計算機技術實現遙感圖像遙感艦船目標檢測成為國內外研究重點。

目前已有的艦船檢測方法，

(1)大部分是主要有雙參數CFAR方法、基于K分布的CFAR方法等。這類方法檢測準確率較低，并且虛警率過高。其檢測率穩定在85％左右，虛警率根據參數選擇在5％-10％。本發明提出的方法其檢測率可以達到98％，虛警率低于5％。

(2)可見光圖像遙感艦船目標檢測算法還包括尾跡檢測算法，基于艦船本身各類淺層特征(Hough直線、形態、灰度、邊緣、SIFT等)的檢測算法。而遙感影像隨著載荷不同，其成像特點各異，上述方法需要人為規定檢測特征，對不同圖像檢測效果差異較大，魯棒性較差，而本發明提出的方法提取遙感艦船目標的深度特征，無需人為規定特征，具有很好的普適性。

(3)本發明提出方法除了實現傳統方法的目標檢測還可以實現逐像素的類別檢測，可以有效檢測出目標輪廓，可以為后續識別提供幫助。

發明內容

本發明的目的在于克服現有技術的不足，提出基于全卷積網絡的遙感艦船目標檢測方法，來進一步提高檢測準確度和召回率，減少虛警和漏檢。

本發明的目的是這樣實現的：

基于深度學習FCN網絡的遙感艦船目標輪廓分割與檢測方法，包括以下步驟：

(1)采集不同型號(高分-1號、高分-2號等)、不同分辨率(1m、2.5m等)可見光的遙感艦船目標遙感圖像，然后對每一張目標圖像進行逐像素標注，標注后的數據組成一幅二值圖像，其中0灰度表示背景像素，1灰度表示艦船像素，把遙感圖像和對應標注圖像打包構成訓練樣本；

(2)設計6層深度學習FCN網絡；

(3)初始設定步驟(2)的深度學習FCN網絡中的節點參數，對訓練樣本中的遙感艦船目標圖像，根據步驟(2)的網絡結構模型，得到遙感艦船目標圖像的檢測結果，根據檢測結果和對應標注的遙感艦船目標圖像逐個像素計算多分類回歸模型softmax分類的損失，得到每一個遙感艦船目標圖像的損失值；

(4)將所有遙感艦船目標圖像的損失值進行排序，選擇損失值最大的設定個數遙感艦船目標圖像作為難例樣本，并將這些難例樣本的損失值反饋到深度學習FCN網絡模型中，使用隨機梯度下降法更新深度學習FCN網絡模型的節點參數，從而得到檢測目標的神經網絡模型，用于監控場景下采集的遙感艦船目標圖像的檢測；其中，設定個數的數值根據經驗值決定；

(5)將待檢測圖像采用重疊切分方法進行切分，將切分后的所有分塊分別送入深度學習FCN網絡中，得到每個分塊的初始檢測結果，并消除每個分塊的細小的像素級誤檢測，將消除像素級誤檢測后的所有分塊的檢測結果匯總到原圖中，得到最終檢測與分割的合并結果。

其中，步驟(5)具體包括以下步驟：

(501)計算分塊的像素數S：