[發明專利]一種基于卷積神經網絡的海面目標顯著性檢測方法

在審

• 申請號: 201711194989.4
• 申請日: 2017-11-24
• 公開（公告）號: CN107967474A
• 公開（公告）日: 2018-04-27
• 發明（設計）人: 劉坤;李亞茹
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06N3/04
• 代理公司: 上海信好專利代理事務所(普通合伙)31249
• 代理人: 朱成之,周乃鑫

技術領域

本發明涉及目標檢測方法，特別涉及一種基于卷積神經網絡的海面目標顯著性檢測方法。

背景技術

海面目標的檢測與識別等問題在民用和軍事領域上都具有重大意義。現如今，目前豐富的海面圖像資源存在信息量過大、信息冗余的問題，如何從海量的圖像中去除冗余并找到需要和感興趣的信息，顯著性檢測作為解決這一問題的一個關鍵技術自然引起了廣泛的關注,其核心就是提取圖像中引起視覺注意的區域，能為海事監控、海難搜救、海事執法、船舶檢測等提供機器輔助視覺并為提高后續圖像處理以及決策的提供基礎。

受大氣、光照、云霧和海島等海面不確定條件的影響，傳統的海面目標顯著性檢測方法存在檢測效率低和可靠性差等問題。早期的基于Itti顯著性模型，其核心是模擬生物視覺模擬生物視覺設計的濾波器結構，雖然算法特征圖分辨率不高，但是為后續的算法模型基礎。隨后基于圖論的GVBS顯著性模型，模型相對簡單，但是特征提取不充分，顯著區域表達效果不好。目前顯著性檢測模型開始越來越偏向于機器學習領域，基于機器學習方法設計的顯著性檢測模型，能夠將顯著性區域檢測出來，并取得了良好的效果。但是顯著性檢測結果還是存在一些問題，如特征提取不足、顯著區域表達不好、魯棒性差和算法效率不高等問題。因此，需要對顯著性檢測的算法進行進一步的改進，便于后續的圖像處理。

發明內容

本發明的目的是提供一種基于卷積神經網絡的海面目標顯著性檢測方法，將卷積神經網絡引入海面目標顯著性檢測過程中，通過先驗的訓練來模擬人類視覺系統對周圍事物的積累，進而模擬人眼視覺系統對圖像中感興趣區域的判斷，自動的學習合適的特征進行顯著性的檢測，改善現有的顯著性檢測存在的特征提取不充分和魯棒檢測效果不好的問題，從而使顯著性區域顯著性提高，提高顯著結果的精確度。

為了實現以上目的，本發明是通過以下技術方案實現的：

一種基于卷積神經網絡的海面目標顯著性檢測方法，其特征在于，該方法包含如下步驟：

S1，將待進行顯著性檢測的圖像I輸入訓練好的卷積神經網絡結構中得出圖像的多尺度特征圖，并對所述的多尺度特征圖進行顯著性計算得到對應的第一顯著圖；

S2，同時將待進行顯著性檢測的圖像I進行顏色空間轉換得到通道圖像，對所述的通道圖像進行空間域的顯著性計算得到對應的第二顯著圖；

S3，對所述的第一顯著圖和第二顯著圖進行融合得到最終顯著圖。

所述的步驟S1中得出圖像的多尺度特征圖包含：

將待進行顯著性檢測的圖像I輸入訓練好的卷積神經網絡結構，對輸入圖像進行卷積操作得到對應的卷積層；

對得到的卷積層的特征圖進行池化操作得到對應的池化層；

對所述的池化層進行相應次數的卷積和池化操作，得到多尺度特征圖。

所述的步驟S1中對所述的多尺度特征圖進行顯著性計算得到對應的第一顯著圖為：

所述的多尺度特征圖的圖像集合為s＝{s₁,s₂,s₃…s_N}，其中N個特征圖中對應位置像素點(x,y)表示為1×N的向量f_(x,y)(n)，n＝{1,2,…N}，則其正態概率分布函數為：

其中，

Σ＝E[(f_(x,y)(n)-μ)(f_(x,y)(n)-u)^Τ](2)

u是包含N個特征圖的平均值的平均矢量，Τ是轉置操作，用W_k×k的2D高斯低通濾波器濾波卷積，獲得頻域部分的第一顯著性圖S_p：

所述的步驟S2具體包含：

S2.1，待進行顯著性檢測的圖像I由RGB顏色空間轉換至CIELab顏色空間，并提取亮度和兩個顏色通道作為基本特征的通道圖像L、通道圖像a和通道圖像b；

S2.2，分別對所述的通道圖像L、通道圖像a和通道圖像b進行空間域的顯著性計算得到對應空間局部顯著圖和

S2.3，計算第二顯著性圖S_T：

所述的步驟S3具體為：

引入平均梯度作為自適應量值調整融合顯著圖的權重系數，平均梯度公式為：