[發(fā)明專利]一種高分辨率遙感圖像中多朝向艦船目標檢測與識別方法

在審

• 申請?zhí)枺?/td>: 201810075285.3
• 申請日: 2018-01-26
• 公開（公告）號: CN108319949A
• 公開（公告）日: 2018-07-24
• 發(fā)明（設計）人: 張志超;張可;董文莉;王翰晨;喻金桃;馬強;劉忠麟
• 申請（專利權(quán)）人: 中國電子科技集團公司第十五研究所
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06N3/04
• 代理公司: 工業(yè)和信息化部電子專利中心 11010
• 代理人: 李勤媛

本發(fā)明提出了一種高分辨率遙感圖像中多朝向艦船目標檢測與識別方法，設計并實現(xiàn)復雜場景下、大尺度環(huán)境中多朝向艦船目標檢測與識別網(wǎng)絡結(jié)構(gòu)，基于卷積神經(jīng)網(wǎng)絡自動的發(fā)掘艦船目標的淺層和深層等多維度特征，實現(xiàn)小樣本環(huán)境下的高分辨率遙感圖像中的多朝向、不同尺度和類型的艦船目標的快速精確檢測識別。本發(fā)明相比傳統(tǒng)的目標檢測方法檢測的速度更快，檢測結(jié)果更為精確。

技術(shù)領域

本發(fā)明涉及對地觀測技術(shù)領域，尤其涉及一種高分辨率遙感圖像中多朝向艦船目標檢測與識別方法。

背景技術(shù)

隨著近些年對地觀測技術(shù)的不斷發(fā)展，高分辨率、高精度遙感圖像的獲取變得更加容易。高分辨率的遙感影像為更精確的目標檢測和目標識別提供了良好的基礎。艦船作為海上的重要目標，其檢測和識別在民用和軍用領域都具有重要的意義。民用方面，艦船的檢測和識別可以對海上船的位置進行監(jiān)控，方便海上搜救、走私船搜索以及海域監(jiān)控等；軍用方面，可以輔助觀測敵情，對戰(zhàn)場的形式進行分析等具有重要意義。

目前并沒有完善的大規(guī)模艦船目標檢測和識別數(shù)據(jù)集，無法直接利用現(xiàn)有的數(shù)據(jù)和數(shù)據(jù)處理方法對基于深度學習的多朝向艦船目標檢測和識別模型進行訓練。

現(xiàn)有的遙感圖像目標檢測、識別算法主要分為傳統(tǒng)方法和基于深度學習的方法。

傳統(tǒng)方法中艦船目標檢測步驟如下：1)圖像預處理 2)候選區(qū)域提取 3)虛警去除。傳統(tǒng)方法中艦船目標識別步驟如下：1)圖像預處理 2)艦船目標特征提取 3)目標類型判別。傳統(tǒng)方法需要利用專家的先驗知識來設計特征，并采用小規(guī)模的訓練樣本來訓練機器學習分類器對區(qū)域進行判別得到最終的檢測結(jié)果。另外傳統(tǒng)方法中的檢測和識別是兩個獨立的過程且無法同時進行，需要使用目標識別算法對目標檢測的結(jié)果作進一步的判別才能得到最終的檢測和識別結(jié)果。

目前采用的基于深度學習的目標檢測識別方法主要采用檢測和識別一體化模型如faster-rcnn，SSD(Single Shot Multibox Detector)，DRBox(Detector using RBox)。這些方法利用深度學習網(wǎng)絡直接預測出輸入圖像中目標的位置和類別。檢測和識別一體化方法的主要過程如下：1)深度學習網(wǎng)絡輸入圖像大小是固定的，輸入圖像大小受到限制。1)使用唯一的特征圖作為特征提取層，針對單一目標進行檢測，采用的特征提取層較為單一。2)在卷積神經(jīng)網(wǎng)絡中設計多個特征提取層，并針對多個特征提取層設置不同大小的先驗框來檢測和識別先驗框?qū)獏^(qū)域內(nèi)目標的位置和目標類型。3)先驗框為模型猜測的物體所在位置，采用水平的矩形框?qū)δ繕诉M行匹配，先驗框的長寬比和尺度的設置相對簡單。4)對于每個輸入圖像進行前向傳播和反向傳導的過程優(yōu)化網(wǎng)絡，采用隨機梯度下降、Relu、Dropout、BatchNorm等技術(shù)加速網(wǎng)絡的訓練過程和提高網(wǎng)絡的魯棒性。

對于高分遙感艦船目標的檢測和識別來說，現(xiàn)有的圖像樣本生成、增廣方法大多是基于小場景圖像(分辨率在1920x1080以下)，尚無針對大場景圖像的樣本生成方法，無法滿足大場景遙感圖像中深度學習訓練樣本的生成和增廣要求。

傳統(tǒng)的目標檢測和識別方法，采用專家特征需要根據(jù)專家的先驗知識來描述和設計特征，主觀性較強容易受到專家經(jīng)驗的影響。另外傳統(tǒng)的機器學習分類模型不能充分利用大規(guī)模的數(shù)據(jù)信息，很難取得令人滿意的分類效果，導致目標檢測和目標識別的精度降低。