[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(shè)計）人: 王楠;李波;王越;韋星星;王永華
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 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(dá)星云知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 曹鵬飛

本發(fā)明公開了一種基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法，首先利用多元高斯分布來提取目標(biāo)候選區(qū)；然后將預(yù)處理的全色圖像輔助數(shù)據(jù)量有限的紅外樣本進(jìn)行訓(xùn)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(luò)提取的局部特征相結(jié)合，并級聯(lián)決策以逐步排除虛警，從而確認(rèn)艦船目標(biāo)。本發(fā)明針對衛(wèi)星上有限資源條件和海況復(fù)雜場景多變的條件下，能夠快速進(jìn)行紅外遙感圖像艦船的檢測。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更具體的說是涉及一種基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法。

背景技術(shù)

隨著遙感航天技術(shù)的不斷增強(qiáng)，利用衛(wèi)星探測、識別和跟蹤目標(biāo)在軍事和民用方面得到了不斷的發(fā)展。衛(wèi)星使用紅外探測器可遠(yuǎn)距離、全天時工作，抗干擾能力強(qiáng)，被動偵測目標(biāo)隱蔽性，云霧穿透能力強(qiáng)等優(yōu)點，使得紅外遙感圖像的研究具有不可替代的理論價值。紅外圖像具有SAR圖像和可見光圖像不具有的特殊優(yōu)勢。由于大氣對紅外輻射傳輸?shù)乃p，衛(wèi)星所得到的大尺寸紅外圖像往往背景比較復(fù)雜而目標(biāo)強(qiáng)度較弱，使得如何從海量數(shù)據(jù)中減少搜索空間并快速、高效、準(zhǔn)確檢測到目標(biāo)成為一個亟待解決的難題。同時，也為遙感衛(wèi)星在應(yīng)用場景、算法設(shè)計、系統(tǒng)配置等方面帶來了創(chuàng)新突破的可能。紅外遙感成像易受太陽耀斑、云層變化及海洋波浪等天氣環(huán)境的的干擾，以及艦船目標(biāo)在不同季節(jié)、天時和季候條件下的紅外輻射不同，從而在成像上表現(xiàn)出灰度差異。此外，星上存儲空間資源有限，檢測算法要具備星載實時處理器要求的兼容性、可拓展性、實時性等多重特性也是一項對星上目標(biāo)檢測很大的挑戰(zhàn)。

一般地，在以往的研究中，艦船目標(biāo)檢測算法分為傳統(tǒng)的特征提取與深度學(xué)習(xí)的特征提取方法。(1)傳統(tǒng)的特征提取方法主要是基于灰度和紋理特征的思想。在海況背景相對平靜和簡單的情況下，這些方法在特定數(shù)據(jù)集下獲得了良好的檢測結(jié)果。但是由于這些傳統(tǒng)方法通常基于低級手工制作的特征，它們在復(fù)雜場景中(比如艦船目標(biāo)對比度低、云霧干擾等)想要取得很高的檢測精度會面臨很大的挑戰(zhàn)。(2)基于深度學(xué)習(xí)的特征提取在目標(biāo)檢測方面取得了較大的進(jìn)展。目前在自然圖像中，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)包括anchor-based和anchor-free兩大類。基于anchor-based的主要方法包括一階段的SSD，DSSD，RetinaNet，RefineDet，YOLOV3等，二階段技術(shù)包括Faster-RCNN，R-FCN，F(xiàn)PN，CascadeR-CNN，SNIP等。基于anchor-free的技術(shù)包括CornerNet，CenterNet，CornerNet-Lite，F(xiàn)SAF，F(xiàn)COS，F(xiàn)oveaBox等。這些深度學(xué)習(xí)的方法在自然圖像的目標(biāo)檢測中能達(dá)到較好的檢測精度，但是在遙感圖像資源有限的星載處理過程中，具有較多參數(shù)的模型仍會占用較大的存儲空間。另一方面，如果將自然圖像中的深度學(xué)習(xí)方法使用遷移學(xué)習(xí)技術(shù)應(yīng)用到遙感圖像中，當(dāng)加載預(yù)訓(xùn)練模型進(jìn)行微調(diào)時，還需要額外的調(diào)參技巧。此外，深度學(xué)習(xí)訓(xùn)練需要大量的標(biāo)記樣本，這對于樣本量有限的紅外遙感數(shù)據(jù)更具有挑戰(zhàn)性。

因此，如何提供一種基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種基于輕量級CNN與多源特征決策的紅外圖像艦船檢測方法，首先利用多元高斯分布來提取目標(biāo)候選區(qū)；然后將預(yù)處理的全色圖像輔助數(shù)據(jù)量有限的紅外樣本進(jìn)行訓(xùn)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(luò)提取的局部特征相結(jié)合，并級聯(lián)決策以逐步排除虛警，從而確認(rèn)艦船目標(biāo)。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

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，首先利用多元高斯分布來提取目標(biāo)候選區(qū)；然后將預(yù)處理的全色圖像輔助數(shù)據(jù)量有限的紅外樣本進(jìn)行訓(xùn)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(luò)提取的局部特征相結(jié)合，并級聯(lián)決策以逐步排除虛警，從而確認(rèn)艦船目標(biāo)。

優(yōu)選的，包括如下步驟：