[发明专利]一种高分辨率遥感图像中多朝向舰船目标检测与识别方法

说明书

本发明提出了一种高分辨率遥感图像中多朝向舰船目标检测与识别方法，设计并实现复杂场景下、大尺度环境中多朝向舰船目标检测与识别网络结构，基于卷积神经网络自动的发掘舰船目标的浅层和深层等多维度特征，实现小样本环境下的高分辨率遥感图像中的多朝向、不同尺度和类型的舰船目标的快速精确检测识别。本发明相比传统的目标检测方法检测的速度更快，检测结果更为精确。

技术领域

本发明涉及对地观测技术领域，尤其涉及一种高分辨率遥感图像中多朝向舰船目标检测与识别方法。

背景技术

随着近些年对地观测技术的不断发展，高分辨率、高精度遥感图像的获取变得更加容易。高分辨率的遥感影像为更精确的目标检测和目标识别提供了良好的基础。舰船作为海上的重要目标，其检测和识别在民用和军用领域都具有重要的意义。民用方面，舰船的检测和识别可以对海上船的位置进行监控，方便海上搜救、走私船搜索以及海域监控等；军用方面，可以辅助观测敌情，对战场的形式进行分析等具有重要意义。

目前并没有完善的大规模舰船目标检测和识别数据集，无法直接利用现有的数据和数据处理方法对基于深度学习的多朝向舰船目标检测和识别模型进行训练。

现有的遥感图像目标检测、识别算法主要分为传统方法和基于深度学习的方法。

传统方法中舰船目标检测步骤如下：1)图像预处理 2)候选区域提取 3)虚警去除。传统方法中舰船目标识别步骤如下：1)图像预处理 2)舰船目标特征提取 3)目标类型判别。传统方法需要利用专家的先验知识来设计特征，并采用小规模的训练样本来训练机器学习分类器对区域进行判别得到最终的检测结果。另外传统方法中的检测和识别是两个独立的过程且无法同时进行，需要使用目标识别算法对目标检测的结果作进一步的判别才能得到最终的检测和识别结果。

目前采用的基于深度学习的目标检测识别方法主要采用检测和识别一体化模型如faster-rcnn，SSD(Single Shot Multibox Detector)，DRBox(Detector using RBox)。这些方法利用深度学习网络直接预测出输入图像中目标的位置和类别。检测和识别一体化方法的主要过程如下：1)深度学习网络输入图像大小是固定的，输入图像大小受到限制。1)使用唯一的特征图作为特征提取层，针对单一目标进行检测，采用的特征提取层较为单一。2)在卷积神经网络中设计多个特征提取层，并针对多个特征提取层设置不同大小的先验框来检测和识别先验框对应区域内目标的位置和目标类型。3)先验框为模型猜测的物体所在位置，采用水平的矩形框对目标进行匹配，先验框的长宽比和尺度的设置相对简单。4)对于每个输入图像进行前向传播和反向传导的过程优化网络，采用随机梯度下降、Relu、Dropout、BatchNorm等技术加速网络的训练过程和提高网络的鲁棒性。

对于高分遥感舰船目标的检测和识别来说，现有的图像样本生成、增广方法大多是基于小场景图像(分辨率在1920x1080以下)，尚无针对大场景图像的样本生成方法，无法满足大场景遥感图像中深度学习训练样本的生成和增广要求。

传统的目标检测和识别方法，采用专家特征需要根据专家的先验知识来描述和设计特征，主观性较强容易受到专家经验的影响。另外传统的机器学习分类模型不能充分利用大规模的数据信息，很难取得令人满意的分类效果，导致目标检测和目标识别的精度降低。