[發明專利]基于改進錨點框生成模型的船舶多目標檢測方法

在審

• 申請號: 202010163534.1
• 申請日: 2020-03-10
• 公開（公告）號: CN111368769A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 周慧;嚴鳳龍;王萬里
• 申請（專利權）人: 大連東軟信息學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 大連至誠專利代理事務所(特殊普通合伙) 21242
• 代理人: 張海燕;楊威

本發明提供一種基于改進錨點框生成模型的船舶多目標檢測方法，包括：獲取SAR船舶圖像；構建低復雜度網絡架構，并將圖像放入低復雜度網絡中，生成特征映射空間；采用基于形狀相似度的聚類方法生成初始錨點框；以生成的初始錨點框為基礎，采用滑窗機制在低復雜度特征空間中生成新的候選框，對候選框進行回歸訓練，用于船舶多目標檢測。本發明解決了因網絡復雜、候選框質量差造成的算法效率和檢測質量低的問題，具有較好的準確性。由于采用低復雜度網絡架構進行檢測，因此從統計分析角度而言，數據采集量越大，也即檢測次數越多，檢測的效果越好。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于改進錨點框生成模型的船舶多目標檢測方法。

背景技術

SAR圖像中多為多目標多尺度船舶，準確檢測不同尺度的目標也是計算機視覺中的基本挑戰。目前，許多目標檢測模型依賴于主干卷積神經網絡，在圖像分類任務上預先訓練，以便提取輸入圖像的特征圖，利用最后一層特征向量進行目標定位和分類。但最后一層卷積層不足以處理規模多樣的邊界框，同時通常還會丟失底層的定位信息。同時，SAR圖像中船舶目標檢測還關注近海港口、島嶼等復雜場景下提高多目標船舶檢測的準確率，因此主要采用準確率更高的目標檢測模型。Two-stage方法通過圖像的分類損失和邊界框的回歸損失構建多任務損失函數實現目標檢測。在訓練網絡時主要訓練兩個部分，第一步是訓練RPN網絡，通過卷積神經網絡對圖片進行特征提取，映射出特征圖(feature map)，此卷積神經網絡稱為主干網絡，典型的主干網絡包括VGGNet、ResNet等；再通過RPN網絡產生候選區域，同時也會完成圖片背景和目標這兩種類型的分類。第二步是訓練目標區域檢測的網絡，即對候選區域的位置進行定位和修正，獲取選中候選區域中的目標在特征圖(featuremap)上映射的區域，經過全連接層，得到對應的特征向量，并通過分類和回歸兩個分支分別實現對目標的定位和類別判定?；诤蜻x框的目標檢測模型都是只采用頂層特征做預測，如SPP net，Fast RCNN，Faster RCNN等?；诰矸e神經網絡提取的特征圖，低層的特征語義信息比較少，但是定位信息較多，目標位置準確，更有利于檢測小物體；高層的特征語義信息比較豐富，但是目標位置比較粗略。將語義信息充分的高層特征映射到分辨率較大、細節信息充分的底層特征，并將各層特征融合用于提升小目標的檢測效果。目前的檢測模型主干網絡多數是VGG、ResNet等結構較為復雜，參數量大，影響算法效率，同時容易產生過擬合問題。無論是哪種Two-stage類的檢測網絡上，檢測出不同尺寸的船舶目標與基于Anchorboxes產生的候選框質量有直接關系。因此優化錨點框生成機制有利于提升SAR圖像中多目標船舶檢測的準確率。

發明內容

本發明提供一種基于改進錨點框生成模型的船舶多目標檢測方法，其特征在于，包括：

獲取SAR船舶圖像；

構建低復雜度網絡架構，并將圖像放入低復雜度網絡中，生成特征映射空間；

采用基于形狀相似度的聚類方法生成初始錨點框；

以生成的初始錨點框為基礎，采用滑窗機制在低復雜度特征空間中生成新的候選框，對候選框進行回歸訓練，用于船舶多目標檢測。

進一步地，所述構建低復雜度網絡架構，包括：

構建由五層卷積層和五層池化層構成的低復雜度的主干網絡架構；

利用卷積和下采樣將SAR船舶圖像映射到低復雜度特征空間，得到特征映射圖；

進一步地，所述采用基于形狀相似度的聚類方法生成初始錨點框，包括：

獲取船舶目標真實邊框的形狀；

計算不同的真實邊框之間的形狀距離；

利用kmeans算法根據真實邊框以及不同的真實邊框的形狀距離生成初始錨點框；