[發明專利]一種基于深度學習的遙感圖像水面潛艇識別方法

有效

• 申請號: 201911114616.0
• 申請日: 2019-11-14
• 公開（公告）號: CN111027399B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 程家明;孔繁東;廖劍蘭
• 申請（專利權）人: 武漢興圖新科電子股份有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/80;G06V20/70
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 易濱

本發明提供一種基于深度學習的遙感圖像水面潛艇識別方法，首先建立潛艇遙感圖像樣本庫；對所述圖像樣本庫中的各潛艇遙感圖像分別進行圖像增強，得到增強后的圖像樣本庫；其次，對所述增強后的圖像樣本庫中的各潛艇遙感圖像中的潛艇分別進行矩形框標注，得到標注數據集；利用yolov3目標檢測網絡，融合語義分割與目標檢測所得到的特征，得到分割預測融合特征；根據所述標注數據集和所述分割預測融合特征，得到潛艇檢測識別模型；利用所述潛艇識別模型進行潛艇識別，并輸出潛艇位置信息和置信度。本發明的有益效果：解決背景與目標顏色相近的潛艇水面遙感圖像的識別，提升了潛艇目標檢測定位和識別的精度。

技術領域

本發明涉及圖像處理領域，特別涉及一種基于深度學習的遙感圖像水面潛艇識別方法。

背景技術

深度學習在圖像識別領域得到廣泛應用，使得識別精度得到了較大提升。以深度學習為基礎，將深度學習目標識別算法應用到對遙感圖像水面潛艇識別。

近年，對軍事目標檢測算法的研究，取得許多成果。專利文獻1(CN?107844750A)，提出了一種水面全景圖像目標檢測識別方法，該方法首先利用目標檢測識別神經網絡獲取目標類別和目標位置，然后對局部區域中目標進行精細分割定位，從而在全景圖像中將目標位置準確識別出來。專利文獻2(CN?108596030?A)，提出了基于Faster?R-CNN的聲納目標檢測方法，該方法首先采用深度學習技術對不同復雜水下環境中的目標進行特征提取，然后創建基于區域加速卷積神經網絡(Fast-RCNN)聲納識別網絡對聲納數據進行目標檢測。專利文獻3(CN?108319949A)，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，該方法首先對艦船目標標注多角度矩形框，以及對數據增廣處理，然后利用深度學習網絡模型訓練出艦船目標檢測和識別模型，實現小樣本環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。

但是，專利文獻1中公開的水面全景圖像目標檢測識別方法尚未涉及背景較為復雜的衛星圖像的識別；專利文獻2中公開的基于Faster?R-CNN的聲納目標檢測方法也僅僅是利用聲納數據訓練深度學習識別模型；專利3中公開的方法能對遙感圖像中多朝向艦船目標進行檢測與識別，但未涉及背景與目標顏色相近的潛艇水面遙感圖像的識別。

發明內容

為了解決上述問題，本發明提供了一種基于深度學習的遙感圖像水面潛艇識別方法。通過語義分割網絡，與yolov3的特征提取網絡同步融合從而快速準確提取潛艇特征，通過深度學習網絡訓練改進yolov3目標檢測算法模型訓練檢測識別模型實現對潛艇準確檢測與識別，減少漏檢和誤檢。種基于深度學習的遙感圖像水面潛艇識別方法，具體步驟如下：

S101：建立潛艇遙感圖像樣本庫；

S102：對所述圖像樣本庫中的各潛艇遙感圖像分別進行圖像增強，得到增強后的圖像樣本庫；

S103：對所述增強后的圖像樣本庫中的各潛艇遙感圖像中的潛艇分別進行矩形框標注，進而得到所述增強后的樣本圖像庫中所有的潛艇遙感圖像所對應的標注數據集；

S104：利用yolov3目標檢測網絡，融合語義分割與目標檢測所得到的特征，得到分割預測融合特征；

S105：根據所述標注數據集和所述分割預測融合特征，得到潛艇檢測識別模型；

S106：采集潛艇實時圖像，并進行圖像增強，進而將增強后的潛艇實時圖像輸入所述潛艇檢測識別模型進行潛艇識別；

S107：設置特征閾值α，并判斷圖像特征值是否超過特征閾值α？若是，則輸出潛艇識別預測結果，程序結束；否則，返回至步驟S106。

進一步地，在步驟S101中，建立潛艇遙感圖像樣本為預先采集的多張多方向和多尺度的潛艇圖像集合；所述多方向潛艇圖像，具體為水平方向不同角度拍攝、垂直方向不同角度拍攝的潛艇圖像；所述多尺度潛艇圖像，具體為被拍攝的潛艇，實際尺寸大小不同。