[發明專利]一種遙感圖像中船只目標的檢測方法

有效

• 申請號: 201911314414.0
• 申請日: 2019-12-19
• 公開（公告）號: CN111091095B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 陳忠;暨凱祥;楊健;臧文乾
• 申請（專利權）人: 華中科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種遙感圖像中船只目標的檢測方法，將待檢測遙感圖像輸入到預訓練好的主干網絡中，得到遙感圖像的特征圖，通過由多層卷積層和池化層堆積形成的主干網絡提取遙感圖像中的具有高級語義特征的特征圖，卷積網絡具有平移、縮放不變性，能夠提取較好的特征，一定程度上保證了特征的魯棒性，另外，在主干網絡的訓練過程中，本發明采用交并比作為約束條件，同時針對具有相同交并比，但是相對位置不同的情況，提出了歸一化交并比，更好地表達了預測框和目標之間的關系，此損失函數具有尺度變化不變性，同時滿足非負性，使得檢測框更貼合目標，同時降低大目標的影響，提高尺寸較小的目標的檢出率，準確率較高。

技術領域

本發明屬于計算機智能圖像處理技術領域，更具體地，涉及一種遙感圖像中船只目標的檢測方法。

背景技術

遙感衛星圖像的船只目標檢測識別廣泛應用于水上交通安全監管、海洋漁業管理以及軍事偵察等方面，是遙感衛星圖像應用的研究熱點之一。在民用船只上，由于現代海洋運輸業的發展，運行在海面的船舶數量和體積都成指數級增長，如何有效的對這些船舶的航行軌道進行規劃及調度事關整個運輸的安全，對船舶的目標檢測及跟蹤是整個海洋運輸系統重要組成部分之一。在軍事船只上，具有戰略偵察和海洋監測等重要意義。現階段很多船舶檢測相關的研究，在海況較好的海面，船只檢測效果較好，但是在復雜背景下尤其是近岸的船只檢測則面臨著性能瓶頸。很多已有的研究主要基于手工設計的多步驟檢測方法，但是采用這些方法從復雜背景中提取出船只目標通常很不魯棒。

近年來，隨著深度學習技術的飛速發展，目標檢測方法也從基于手工特征的傳統算法轉向了基于深度神經網絡的檢測技術。從最初2013年提出的OverFeat、R-CNN，到后來的Fast R-CNN、Faster R-CNN、SSD、YOLO系列。短短幾年時間，基于深度學習的目標檢測技術發展迅猛。深度學習的目標檢測方法主要分為兩個流派：一個是基于候選區域regionproposal的，也稱為two-stage，如R-CNN，SPP-net，Fast R-CNN，Faster R-CNN，R-FCN等；另外一個是端到端的，也稱為one-stage，如YOLO，SSD等。基于regionproposal的方法在檢測的精度上占有優勢，缺點是速度慢。端到端的方法在速度和精度上做了一個權衡，在實際應用中受到很多人喜愛。但是現有的這些目標檢測方法主要針對自然場景下的目標進行檢測，而遙感圖像的船只目標檢測具有背景復雜、目標占圖像比例小的特點，現有的目標檢測方法并未考慮該因素，故采用現有的目標檢測方法檢測遙感圖像中的船只目標會造成較小船只的漏檢率較高等問題，檢測精確度較低。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種遙感圖像中船只目標的檢測方法，其目的解決現有技術由于未考慮到遙感圖像中船只目標較小且背景復雜的情況而導致的檢測精確度較低的問題。

為實現上述目的，第一方面，本發明提出了一種遙感圖像中船只目標的檢測方法，包括以下步驟：

S1、將待檢測遙感圖像輸入到預訓練好的主干網絡中，得到遙感圖像的特征圖；

S2、在特征圖上的各像素點位置處設置多個先驗框，并得到特征圖中每個先驗框相對于待檢測遙感圖像的位置偏移量、寬高縮放比例以及各先驗框的置信度；

S3、基于所得各先驗框相對于遙感圖像的位置偏移量、寬高縮放比以及各先驗框的置信度，進行非極大值抑制后，得到遙感圖像中各船只目標的預測框及其預測類別；

其中，主干網絡由卷積層和池化層堆積形成，并且主干網絡的訓練過程中，基于歸一化的交并比計算位置坐標誤差，對預測框的位置進行了相應的約束，以提高小目標的檢出率。

進一步優選地，主干網絡由12個卷積層和4個池化層組成，其中，每個卷積層的卷積核大小都是3x3，卷積的步長為1，每三個卷積層構成一組，每組卷積后面連接著一個池化層，每個池化層的過濾器大小為2x2，步長為2。

進一步優選地，訓練主干網絡的方法，包括以下步驟：