[發明專利]一種艦船目標有向檢測模型的構建方法及應用

有效

• 申請號: 202110473630.0
• 申請日: 2021-04-29
• 公開（公告）號: CN113191372B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 顏露新;王廣雅;鐘勝;陳立群
• 申請（專利權）人: 華中科技大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/774;G06V10/80;G06K9/62;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 祝丹晴

本發明公開了一種艦船目標有向檢測模型的構建方法及應用，屬于計算機視覺技術領域，包括：S1、構建艦船目標有向檢測模型；S2、以最小化分類置信度預測值與真實值之間的差異以及最小化預測邊界框感知與真實邊界框感知之間的差異為目標，采用訓練集訓練艦船目標有向檢測模型；本發明使用單階段無錨框的檢測網絡，以特征融合圖上各像素點所在的位置為原點建立直角坐標系，并將直角坐標系上原點到預測邊界框各條邊的垂足的相對位置坐標所組成的向量作為邊界框感知向量，可以更好的表示不同方向、不同長寬比的艦船目標，提高了檢測的精度；另外，邊界框感知向量可以直接回歸艦船目標的位置參數和類別，大大減少了計算量。

技術領域

本發明屬于計算機視覺技術領域，更具體地，涉及一種艦船目標有向檢測模型的構建方法及應用。

背景技術

艦船是海洋上的主要的運輸載體和軍事目標，對艦船目標進行自動檢測在民用和軍用領域都有重要的意義。然而對艦船目標進行檢測時，由于艦船目標的朝向是任意的，現有的采用水平包圍框定位艦船的檢測網絡會包含過多背景信息，不利于特征提取和后續的分類定位；且當目標密集排列時，各水平框之間存在較高的重疊，進行非極大值抑制后容易出現漏檢問題。故研究一種艦船目標有向檢測方法存在重要意義。

現有的艦船目標有向檢測方法常采用有向目標檢測算法來檢測艦船目標，即采用有向包圍框來檢測艦船目標，然而現有的有向包圍框在網絡訓練時存在參數回歸不一致和角度損失不連續等問題。另外，現有的有向檢測算法主要來源于基于錨的兩階段網絡，除了存在上述參數回歸不一致和角度損失不連續的問題，由于在進行有向目標檢測時，有方向的錨框需要在水平錨框的基礎上增加角度信息，且每增設一個角度，就需要將所有的水平錨框旋轉同樣的角度，網絡計算過程復雜，檢測速度較慢，且基于錨框機制的艦船目標檢測算法依賴于預設尺寸比例的良好設計，如果增加不同角度的錨框會使得錨框數量成倍增加，加大了運算成本；如：專利CN112069910公開了一種遙感圖像多方向艦船目標檢測方法，其采用了5參數回歸法(x,y,w,h,θ)，這5個參數在回歸時對交并比的影響不一致，增加了網絡回歸難度，運算成本較高；且角度周期性使其角度參數在臨界狀態跳變，導致角度損失不連續，難以應用于實時的艦船目標檢測。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供一種艦船目標有向檢測模型的構建方法及應用，用以解決現有技術由于基于錨框機制進行檢測而導致的無法快速精確檢測有向艦船目標的技術問題。

為了實現上述目的，第一方面，本發明提供了一種艦船目標有向檢測模型的構建方法，包括：

S1、構建艦船目標有向檢測模型；艦船目標有向檢測模型包括：依次級聯的多級卷積神經網絡、多尺度特征金字塔、預測模塊和非極大值抑制模塊；多級卷積神經網絡用于對輸入圖像進行不同深度的卷積運算得到多個不同尺度的特征圖，并輸出到多尺度特征金字塔中進行特征融合，得到多個不同尺度的特征融合圖；預測模塊包括多個并聯的預測器，預測器的個數與特征融合圖的個數相同，且一個特征融合圖對應輸入到一個預測器中；預測器用于分別計算特征融合圖中各像素點的分類置信度預測值和邊界框感知向量預測值，以對輸入圖像中艦船目標的位置進行預測，得到艦船目標的預測邊界框；非極大值抑制模塊用于對各預測器所得的預測邊界框進行非極大值抑制，得到艦船目標；特征融合圖上第i個像素點的邊界框感知向量的預測值t_i^*＝(Δx_{i_1},Δy_{i_1},Δx_{i_2},Δy_{i_2},Δx_{i_3},Δy_{i_3},Δx_{i_4},Δy_{i_4})；以特征融合圖上第i個像素點所在的位置為原點建立直角坐標系，Δx_{i_j}和Δy_{i_j}分別表示原點到預測邊界框第j條邊的垂足的相對位置坐標；j取值為1、2、3、4，分別對應第一象限、第二象限、第三象限和第四象限的垂足；