[發明專利]面向云霧遮擋的海面目標顯著性檢測方法

在審

• 申請號: 202010319025.3
• 申請日: 2020-04-21
• 公開（公告）號: CN111539314A
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 賀鈺博;劉坤
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 成秋麗

本發明披露了一種面向海面云霧遮擋的顯著性目標檢測方法。本方法針對海面云霧遮擋的情況并且其數據量十分有限的情況下，提出了一種基于深度學習網絡模型的海面顯著性目標檢測方法。使用殘差網絡進行初步特征處理，并且通過空洞卷積進行進一步的特征提取。為了更好的聯系上下文信息和海面云霧非剛性影響，使用金字塔并行結構和全局注意力算法來有效的學習不規則目標的形變，最后使用導向濾波進行云霧特征約束，得到顯著性特征矩陣。該方法解決了海面顯著性檢測易受到云霧遮擋的影響，能夠把顯著性區域較為準確、完整的提取出來，作為海面圖像預處理的重要步驟，可以為接下來具體的圖像處理任務提供一定的效率提升。

技術領域

本發明涉及海面圖像處理方法，具體涉及一種面向云霧遮擋的海面顯著性目標檢測方法。

背景技術

我國海域十分遼闊，海事海洋的監控管理越來越為重要，海面顯著性檢測是海事海洋監管圖像處理中的重要的預處理步驟，能夠迅速提取到圖像中的重要關鍵信息，減少其計算量及處理時間，為后續的海面目標識別與跟蹤等提供有效支持。但海面環境復雜，如海面目標經常受到云霧環繞、遮蓋等情況，因此提取海面顯著目標時容易丟失特征、存在偽影甚至丟失顯著性區域。基于此，如何有效的提取海面目標顯著性區域一直是國內外相關研究者關注的熱點問題。

傳統方法提取被云霧的遮擋的艦船等海面目標時會造成圖像灰度差值減小，頻域權重混亂，并損失一定的低級語義特征，進而影響后續顯著性目標的邊界輪廓、顯著性范圍，甚至導致圖像無法提取顯著性目標。因此面向海面環境的顯著性提取時，傳統方法在顯著性提取時穩定性較差，顯著性區域凸顯不明顯，易受到噪聲干擾的影響。

深度學習方法加強低級、高級語義對顯著性的影響，并且融合不同層的內容信息，減輕網絡加深對圖像信息的分散性。但融合各層內容信息的同時，沒有整合好高級和低級語義信息，并且只對最顯著的目標進行融合對比，并未對云霧等噪聲信息進行區分，所以導致無法平滑、精確的恢復邊緣輪廓信息。

發明內容

為了有效抵抗云霧帶來噪聲影響，提高模型訓練的穩定性，將從受云霧遮擋圖像中提取、分析到的云霧特征在神經網絡顯著性特征中進行遮擋特征約束。因此就可以得到一個能夠較為有效抑制云霧的端對端網絡，無需前期手動預處理及后期手動優化圖像。包括以下步驟：

步驟一：在OUT-OMRON和SOC6K公開數據集中選取300張海面圖片由于云霧遮擋情況下的圖片較少，所以使用柏林噪聲進行人工遮擋。設置不同的柏林系數來獲取30、40、50、60、70五個不同遮擋程度的云霧遮擋圖片，而且將其數據集擴充至1800張，選取其1500張作為訓練集，300張作為測試集。雖然測試集規模小，但其中背景相對復雜，并均為多顯著性目標圖，因此具有很高的參考性和測試價值。

步驟二：使Pretrainning+Finetuning的方法進行網絡模型的訓練。它通過在其他大樣本訓練中進行預訓練并保存其學習的權重，在其基礎上進行自己模型的訓練，可以有效解決小樣本數據集的問題，獲得更加準確的模型，因此使MSRA10K大型公開顯著性目標數據集作為預訓練數據集，保存其網絡模型參數。

步驟三：普通的圖像進行神經網絡在特征提取時，都是在降低圖像尺寸的同時擴大感受野。但是顯著性目標檢測的輸出是像素級的輸出，要將池化后的較小圖像尺寸上采樣到原始的圖像尺寸進行預測，之前每次池化后的操作使得每個像素預測都能看到較大感受野信息。為了改善這一情況，Deeplabv3網絡使用了空洞卷積，類金字塔結構空洞空間金字塔池化，通過將經過不同空洞率卷積的特征矩陣進行并聯，并且使用一個1x1的卷積核進行降維。

步驟四：特征映射經過optimization層和初始顯著性映射時，使用注意力機制策略，該策略機制為：

S_h＝MAX(f_{min_max}(Conv_g(S_i,k)),S_i) (1)