[發明專利]一種遙感圖像多方向艦船目標檢測方法

在審

• 申請號: 202010803460.3
• 申請日: 2020-08-11
• 公開（公告）號: CN112069910A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 丁瑩;徐志京
• 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
• 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

本發明提供了一種遙感圖像多方向艦船目標檢測方法。其中，該方法主要由五部分組成：特征提取、特征融合、自適應區域生成(ARPN)、旋轉感興趣區域對齊(Rotated RoI Align)、旋轉非最大值抑制(R?NMS)；自適應區域生成網絡分為位置預測、形狀預測以及特征自適應模塊，位置預測分支輸出艦船目標中心點預測值；形狀預測分支在位置預測信息的指導下，輸出目標形狀預測值，在兩個分支的輸出中，通過選擇最大可能位置和該位置最可能的形狀來生成一組錨框。與現有技術相比，該方法針對遙感圖像艦船形狀狹長、多方向分布、背景復雜的問題，自適應地在目標中心位置生成錨框，可以將90％的錨框集中在目標周圍，減少無效錨框生成，提高了檢測率。

技術領域

本發明涉及目標檢測領域，是一種遙感圖像多方向艦船目標檢測方法。系統涉及到 目標檢測、特征金字塔(FPN)、自適應區域生成網絡(ARPN)等關鍵技術。

背景技術

艦船檢測屬于目標檢測中的一部分，是遙感信息處理的一個熱點問題。隨著遙感技術 的發展，我們可以獲得高分辨率的遙感圖像，遙感圖像中的艦船檢測是一個重要問題， 具有廣泛的應用，如船舶管理，交通服務以及海防等，在推進國防建設，港口管理，貨物運輸和海上救援等方面發揮著重要作用。所以針對遙感圖像中的艦船檢測研究也一直在深入發展。

盡管許多深度學習的算法在自然場景中取得了成功，但由于遙感圖像的復雜性以及艦 船形狀狹長、多方向分布的特性，深度學習方法在遙感場景的應用受到了限制。主要原 因如下：

1.遙感圖像非常復雜，不僅圖像分辨率不同，由于拍攝距離等原因，艦船所占據的范圍很小，其特征信息經常被復雜的周圍場景所淹沒。

2.由于高空俯視拍攝，艦船以任意方向出現，且艦船的極端長寬比導致一般的目標 檢測方法很難達到良好的效果。

3.艦船本身的類內多樣性和與其他類之間的相似性導致傳統檢測方法的檢測率并不 高。

目前，光學遙感船艦檢測的研究雖然也有提出引入旋轉不變層，旋轉檢測框，上下文信息補充等方法應用在艦船檢測上，但仍然有很大的提升空間，如RR-CNN、ROITransform等方法均是基于旋轉區域的艦船檢測方法。RR-CNN將旋轉檢測框應用到艦船 檢測領域，ROI Transform提出RoI變換器來解決旋轉框增加計算復雜度的問題。此類方 法檢測率有所提升，但仍舊存在漏檢誤檢。尤其是RR-CNN將旋轉感興趣區域生成網絡 (RRPN)引入遙感艦船檢測領域，當艦船密集分布時，旋轉的錨框不僅增大了計算量而且 也降低了錨框與標注框的匹配準確度與速度，給多方向艦船檢測造成了困難。

發明內容

本發明的目的在于提供一種遙感圖像多方向艦船目標檢測方法，自適應區域生成網絡 ARPN在一定程度上能夠承接旋轉感興趣區域生成網絡RRPN的優點，以及在一定程度上 解決上述背景技術的缺點。

本發明提供如下技術方案：一種基于自適應區域生成網絡的遙感圖像多方向艦船目標 檢測方法，步驟包括：特征提取、特征融合、自適應區域生成、旋轉感興趣區域對齊、旋轉非最大值抑制。對每一步進行說明，如下：

S1、將圖片送入特征提取骨干網絡ResNet進行特征提取，輸出特征圖 {C1,C2,C3,C4,C5}，ResNet是目前目標檢測領域的主流特征提取網絡；

S2、特征圖送入特征金字塔網絡分別進行特征融合：ResNet網絡的5層輸出分別為{C1,C2,C3,C4,C5}，經過低層下采樣高層上采樣進行特征融合后FPN輸出為 {P2,P3,P4,P5}，特征金字塔網絡結構是融合多級信息的有效多尺度方法，由于艦船目標從 航母到小艇尺度差異巨大，融合底層細節信息和高層語義信息對于艦船檢測效果提升有非 常重要的作用；