[發明專利]一種船目標精確檢測與分割方法

在審

• 申請號: 201910094015.1
• 申請日: 2019-01-31
• 公開（公告）號: CN109800735A
• 公開（公告）日: 2019-05-24
• 發明（設計）人: 張焱;張宇;石志廣;楊衛平;胡謀法;張路平;張景華;劉甲磊
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 文雄志

1.一種船目標精確檢測與分割方法，其特征在于包括以下步驟：

(S1)訓練深度卷積神經網絡模型，具體為，

(S11)采集包含船目標的樣本圖像組成樣本圖像集，并對樣本圖像集進行預處理；

(S12)人工標注樣本圖像中的船目標；

(S13)將樣本圖像輸入深度卷積神經網絡進行特征提取，輸出特征圖；所述特征圖為深度卷積神經網絡最后一層的輸出結果；

(S14)預先設置多個旋轉框，在特征圖的每個像素點上滑動預設的旋轉框，提取每個旋轉框中的像素點，通過旋轉金字塔池化方法輸出相同維度的特征向量；將每個特征向量輸入全連接層,并輸出每個旋轉框內含有目標的概率值，選取概率值超過閾值的旋轉框作為感興趣區域；

(S15)依據人工標注情況，選取感興趣區域與目標匹配度大于α的旋轉框為正樣本，目標匹配度小于β的為旋轉框為負樣本，β、α均為常數且0<β<α<1；用選取的正樣本和負樣本對深度卷積神經網絡模型進行訓練；

(S16)將特征向量分別輸入深度卷積神經網絡的三個全連接層，計算置信度損失值、位置損失值和分割掩碼損失值，并將三個損失值相加得到總損失值，

若總損失值達到設定的數值范圍，則結束模型訓練，轉入步驟(S2)；否則，擴增樣本圖像，返回步驟(S11)繼續執行模型訓練；

(S2)獲取待檢測與分割圖像，輸入步驟(S1)中的深度卷積神經網絡模型，輸出船目標結果。

2.如權利要求1所述的一種船目標精確檢測與分割方法，其特征在于，所述步驟(S11)中的對樣本圖像集進行預處理具體為：

(S111)計算每張樣本圖像中船目標的密集程度值，所述密集程度值為目標與最近鄰目標之間像素點的最近距離；

(S112)搜索樣本圖像集中所有樣本圖像的密集程度值小于其旋轉包圍框的短邊長度的船目標對；

(S113)步驟(S112)中得到的船目標對做切片處理，并進行隨機縮放，隨機剪裁，水平翻轉，灰度變換、飽和度變化處理之后，更新到樣本圖像集中。

3.如權利要求1所述的一種船目標精確檢測與分割方法，其特征在于，所述步驟(S12)中人工標注樣本圖像中的船目標具體過程為：對樣本圖像中的船目標進行像素級的人工標注，若單幅樣本圖像中存在多個船目標，則進行多個標注，根據每個船目標的標注掩膜生成最小外接矩。

4.如權利要求1所述的一種船目標精確檢測與分割方法，其特征在于所述步驟(S14)中預先設置多個旋轉框具體過程為：預先設置的旋轉框總個數為12個，分成4個形狀相同、朝向不同的組合結構，每個組合結構由3個尺度不同的矩形框組成，所述3個尺度不同的矩形框的長邊相互平行、中心重合；所述4個組合結構的中心重合。

5.如權利要求1所述的一種船目標精確檢測與分割方法，其特征在于所述步驟(S14)中通過旋轉金字塔池化方法輸出相同維度的特征向量具體過程為：

(S141)分別將每個旋轉框劃分為若干個面積相同的柵格；

(S142)將每個柵格分為面積相同的2×2的四個小方格，找出每個小方格的中心點及其距離最近的四個像素點的值，利用雙線性插值法得到該中心點的像素值；

(S143)分別求取每個柵格中四個小方格中心點像素值的最大值，作為該柵格的池化值；將所有柵格的池化值拼接得到特征向量；

經過步驟(S141)-(S143)的處理，每個旋轉框對應得到一個特征向量。

6.如權利要求1所述的一種船目標精確檢測與分割方法，其特征在于所述步驟(S15)中感興趣區域與目標匹配度IoU的計算公式為：

s_i代表感興趣區域的像素點，代表人工標注船目標的像素點。