[發明專利]一種小樣本條件下的衛星影像艦船型號識別方法

有效

• 申請號: 202110031879.6
• 申請日: 2021-01-11
• 公開（公告）號: CN112712049B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 喻金桃;蔣麗婷;張志超;張可;劉忠麟;童宇翔
• 申請（專利權）人: 中國電子科技集團公司第十五研究所
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/44;G06V10/764;G06V10/82;G06N3/04;G06N3/08;G06N20/10
• 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: 符繼超

本發明公開了一種小樣本條件下的衛星影像艦船型號識別方法，包括：獲取目標區域待識別的艦船遙感圖像，并進行預處理；將經預處理后的艦船遙感圖像輸入訓練后的一個少樣本學習分類器和C個SVM分類器；通過集成策略，輸出多模型融合的所述艦船遙感圖像對應的艦船型號。其中，該一個少樣本學習分類器和C個SVM分類器，基于度量學習技術，使用度量學習來衡量待識別影像與小樣本支持集中不同類別目標間的距離信息，提升小樣本條件下數據特征的抽取和表達能力，提高小樣本條件下目標識別的精度。另一方面，采用集成學習方法，結合經典的機器學習技術，設計集成策略，實現小樣本條件下的艦船目標型號穩定識別，具備多種艦船目標型號識別能力。

技術領域

本發明屬于圖像處理技術領域，特別涉及一種小樣本條件下的衛星影像艦船型號識別方法。

背景技術

近年來，隨著航空航天技術的不斷發展，衛星影像獲取的手段日趨成熟，影像的分辨率，包括時間分辨率、空間分辨率、輻射分辨率和光譜分辨率正在不斷提高。目前，衛星影像已突破數據獲取的瓶頸，正在走向全面應用的新階段，為海洋目標的提取奠定了重要的數據基礎。海路運輸作為目前最重要的運輸方式之一，那么，對艦船目標和港口區域等海上目標的檢測和識別在軍用和民用方面都有著非常重要的作用。特別是在軍事領域，通過對重點港口和海域的艦船進行檢測、監視和識別，確定艦船的型號、種類、位置等重要信息，便于海戰場環境態勢的分析，從而掌握對方的海上作戰實力，評估戰時海上打擊效果，形成海上作戰情報等，為海戰場決策支持提供依據。在民用方面，對特定港口和區域進行監控，做到精確打擊各個海域存在的非法捕撈、走私和非法進入領海等海上管制問題，實時監控港口的艦船流動情況，更有效的實施海面救援。

目前，目標類型識別算法主要包括機器學習方法和基于神經網絡的深度學習方法。

(1)基于機器學習的方法，該類方法的基本思路是首先用特征提取算法提取特征，獲取特征向量，然后選擇分類器進行訓練，最后利用訓練好的分類器對目標進行分類。

(2)基于神經網絡的深度學習方法，該類方法將神經網絡應用于圖像分類識別中，給神經網絡提供可供訓練的目標圖像、對應標簽以及深度學習網絡模型參數，神經網絡模型可以自動完成特征提取、目標分類識別的功能。但是上述現有目標類型識別的不足主要包括：

(1)機器學習算法在目標類型較少，待識別的目標特征、結構簡單的情況下有較好的效果，然而對于類別數量較多或者特征、結構相對復雜多樣的目標，對分類器的訓練和構建要求較高，且已經訓練好的分類器分類效果也比較差。

(2)基于神經網絡的深度學習算法在有大量樣本數據條件下進行模型的訓練，樣本數據集中包含了豐富的光照、顏色、紋理、形狀等不同環境下的目標圖像，因此，在光照、顏色、紋理、形狀等方面具有較好的魯棒性。但是，這類方法對樣本數量的多少以及樣本類型的多樣性依賴程度很高。

(3)實際應用中，一般的遙感圖像檢測的目標很難構建擁有大量樣本的數據集，同時基于神經網絡的深度學習網絡框架構架比較復雜。另外，雖然深度學習在圖像識別領域取得了巨大成功，但深度學習模型訓練需要海量標記樣本，由于遙感影像數據樣本缺乏、數據標注成本較高，往往限制了新類型目標識別的可擴展性。

發明內容

本發明的主要目的在于提供一種至少部分解決上述技術問題的小樣本條件下的衛星影像艦船型號識別方法，可解決上述針對目前艦船目標型號識別存在的訓練樣本數據少、類型識別準確率不高等問題。

為實現上述目的，本發明采取的技術方案為：

本發明實施例提供一種小樣本條件下的衛星影像艦船型號識別方法，包括：

獲取目標區域待識別的艦船遙感圖像，并進行預處理；

將經預處理后的艦船遙感圖像輸入訓練后的一個少樣本學習分類器和C個SVM分類器；

通過集成策略，輸出多模型融合的所述艦船遙感圖像對應的艦船型號。