[发明专利]一种基于深度学习的鲁棒性舰船目标检测方法

权利要求书

1.一种基于深度学习的鲁棒性舰船目标检测方法，其特征在于，所述方法包括以下步骤：

步骤1：对训练样本进行处理并训练，得到训练分类器；

步骤2、获得需处理的遥感图像，并对其进行预处理；

步骤3、对预处理后的遥感图像进行海陆分割，得到海陆分割区域，并对不存在舰船的岸上区域进行遮挡；

步骤4、获得特征提取网络，并利用其提取步骤3得到的海陆分割区域的旋转不变深度特征，即得到特征图；

步骤5、利用分类激活特征图的方法得到舰船这一类别的响应图；

步骤6、对步骤5得到的响应图求连通域，得到初步检测框；

步骤7、对舰船的参数进行估计，得到带有检测框的结果图；

步骤1包括以下子步骤：

步骤1.1、获得训练样本，并对其进行处理，得到样本切片；

步骤1.2、训练检测网络，包括以下子步骤：

步骤1.2.1、构建多层卷积的深层残差网络，即深度卷积网络；

步骤1.2.2、在卷积层后加入全局最大池化层以及全连接分类层；

步骤1.2.3、将样本切片送入已在CIFAR数据集上预训练好的深层残差网络中，并利用图像类别标号训练网络，更新网络参数，其中，所述参数包括权重；

步骤1.3、获得舰船参数估计网络模块；

步骤1.4、获得海陆分割模块中随机森林分类器。

2.根据权利要求1所述的方法，其特征在于，

在步骤1.1中，所述样本切片包括正例样本切片和反例样本切片，截取舰首切片作为正例样本切片，在背景中随机选取切片作为反例样本切片。

3.根据权利要求1所述的方法，其特征在于，

在步骤1.2.1中，在构建深层残差网络时，采用主动旋转的卷积滤波器，获得旋转不变性特性，采用坐标旋转和方向旋转进行卷积滤波器的旋转。

4.根据权利要求1所述的方法，其特征在于，

步骤1.3包括以下子步骤：

步骤1.3.1、将步骤1.2中检测网络的全连接分类层改为4个输出结点，分别为sinθ、cosθ、长和宽四个参数；

步骤1.3.2、利用步骤1.1中样本切片的角度θ以及舰船的长、宽进行网络训练，并对全连接分类层参数进行调整，得到舰船参数估计网络模块；

和/或

步骤1.4包括以下子步骤：

步骤1.4.1、利用图割算法将遥感图像划分为小区域；

步骤1.4.2、对步骤1.4.1得到的每个小区域进行特征提取；

步骤1.4.3、对步骤1.4.1划分的每个小区域是否为水域进行类别标记，并利用步骤1.4.2提取的特征和类别标记进行海陆分割模块中随机森林分类器的训练，得到随机森林分类器。

5.根据权利要求1所述的方法，其特征在于，在步骤2中，所述预处理为图像去噪和/或云雾消除。

6.根据权利要求5所述的方法，其特征在于，在步骤2中，所述预处理为图像去噪，采用高斯滤波和中值滤波去除图像中的斑点噪声和椒盐噪声。

7.根据权利要求6所述的方法，其特征在于，利用中值滤波去除图像中的椒盐和斑点噪声，再通过高斯滤波滤除整个画面中服从正态分布的噪声，降低图像锐度。

8.根据权利要求1所述的方法，其特征在于，步骤3包括以下子步骤：

步骤3.1、区域分割：利用图割算法在特征空间对图像中像素点进行聚类，通过迭代将符合设定标准的区域逐步合并，最终将图像分割成几个小区域；

步骤3.2、特征提取：对步骤3.1分割的每个区域进行特征提取，得到区域特征；

步骤3.3、区域判别：对步骤3.2提取的区域特征进行分类，进行水域非水域的判别；

步骤3.4、水域扩展与岸上区域遮挡：对步骤3.3得到的区域判别结果进行形态学处理，扩展海洋区域并消除孔洞，并对岸上区域进行遮挡。