[發(fā)明專利]基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法

有效

• 申請?zhí)枺?/td>: 202010020783.5
• 申請日: 2020-01-09
• 公開（公告）號: CN111259740B
• 公開（公告）日: 2022-08-30
• 發(fā)明（設計）人: 王楠;李波;王越;韋星星;王永華
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/25;G06V10/774;G06V10/80
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 曹鵬飛

1.一種基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法，其特征在于，首先利用多元高斯分布來提取目標候選區(qū)；然后將預處理的全色圖像輔助數(shù)據(jù)量有限的紅外樣本進行訓練；最后將基于傅里葉變換提取的全局特征與輕量級網(wǎng)絡提取的局部特征相結合，并級聯(lián)決策以逐步排除虛警，從而確認艦船目標；

包括如下步驟：

(1)對輸入的原始遙感圖像M×M分成N×N大小的圖像塊，可分成(M×M)/(N×N)＝L塊；對分塊后的N×N圖像塊根據(jù)步長S為1，滑動窗口大小為K×K進行像素重排列；則N×N大小的圖像塊最終形成大小為((N-K)/S+1)×((N-K)/S+1)的圖像塊I_i(i＝1,2,3,...,L)，該圖像塊中的每個像素被K×K×1向量代替；

(2)將步驟(1)中得到的像素重排的圖像塊I_i進行基于多元高斯分布策略提取圖像中的異常點；假設圖像塊I_i中的每一行作為一個樣本x_i，每個樣本x_i服從高斯分布，并使用它們來估計整體樣本塊參數(shù)平均值μ和方差Σ的值；多元高斯中的異常值M(x)＝(x-u)^T∑^-1(x-u)，其中M(x)作為異常判斷的條件閾值，x代表像素重新排列之后的樣本，T代表矩陣的轉置；

(3)根據(jù)步驟(2)中得到的異常點形成的連通區(qū)域進行8連通，得到每個連通域面積的最大外接矩形的位置，在原圖中找到這些目標候選區(qū)的位置，初步得到目標候選區(qū)集合S1；

(4)根據(jù)連通域面積大小，長寬約束，對步驟(3)得到的目標候選區(qū)集合S1初步排除虛警；進一步縮小目標搜索區(qū)域，得到艦船目標候選區(qū)集合S2；

(5)由于全色分辨率較高，而紅外分辨率較低，所以對全色艦船正樣本進行預處理；進行退化操作，使全色樣本圖像中目標樣本紋理不清晰；

(6)將步驟(5)中得到的退化后的圖像進行灰度級調整；

(7)將步驟(6)處理得到的可見光全色遙感圖像中的艦船來輔助數(shù)據(jù)量有限的紅外艦船樣本集，并進行多種策略的數(shù)據(jù)增強，得到來源于不同數(shù)據(jù)源的融合數(shù)據(jù)集，以便更好的學習艦船特征；

(8)將基于傅里葉變換的全局頻譜特征對步驟(7)得到的融合數(shù)據(jù)集進行訓練，得到模型M1，并對S2進行模型驗證，得到目標候選切片集合S3；

(9)設計輕量級卷積神經(jīng)網(wǎng)絡結構，在保證分類精度的同時，對卷積核大小和網(wǎng)絡層數(shù)進行簡化設計；

(10)將基于輕量級卷積神經(jīng)網(wǎng)絡提取的局部特征對步驟(7)得到的MDS進行訓練，得到模型M2，并對S3進行模型驗證，以逐步排除虛警，得到最終的目標確認切片集合S4；其中，S1S2S3S4。

2.根據(jù)權利要求1所述的一種基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法，其特征在于，步驟(2)中，利用公式(2)、(3)和(4)對分塊后的圖像進行多元高斯分布策略來提取目標候選區(qū)：

其中，x代表像素重新排列之后的樣本，m是樣本數(shù)量；u是樣本特征平均值，Σ是所有樣本減去平均值u，然后將其平方并相加得到的方差。

3.根據(jù)權利要求1所述的一種基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法，其特征在于，步驟(6)中，通過公式(6)實現(xiàn)全色圖像樣本數(shù)據(jù)的退化處理：

g(u,v)＝H[f(u,v)]+n(u,v) (6)

其中，(u,v)代表原始二維圖像中的像素坐標位置，f(u,v)代表原始圖像，H是對原始圖像進行的退化操作，n(u,v)代表對原始圖像施加的退化噪聲。