[发明专利]基于特征融合卷积网络的光学遥感图像舰船检测方法

说明书

本发明公开了一种基于特征融合卷积网络的光学遥感图像舰船检测方法，主要解决现有技术中小尺寸舰船检测精度较低和检测速度较慢的问题。本发明的具体步骤如下：(1)构建特征融合卷积网络；(2)构造训练图像集和训练类标集；(3)对特征融合卷积网络进行训练；(4)对待测试的光学遥感图像进行海陆分离；(5)对待测试的光学遥感图像中的舰船进行检测。通过将不同分辨率的特征图进行融合，增加了小尺寸舰船的特征信息，并在多个不同分辨率的特征图上检测舰船，提高了小尺寸舰船的检测精度，同时结合光学遥感图像的灰度信息和梯度信息实现海陆分离，提高了舰船检测速度，本方法可应用于对光学遥感图像的舰船进行识别和检测。

技术领域

本发明属于图像处理技术领域，涉及一种光学遥感图像舰船检测方法，具体涉及一种基于特征融合卷积网络的光学遥感图像舰船检测方法，可应用于对光学遥感图像的舰船进行识别和检测。

背景技术

目标检测技术是计算机视觉领域的核心问题之一，光学遥感图像舰船检测是以遥感卫星收集到的光学遥感影像数据作为数据源，采用图像处理技术对影像中舰船进行定位。光学遥感图像舰船检测是遥感应用技术中重要的研究方向，在海上救援、港口交通管理、海域安全等方面都具有广阔的应用前景。

由于遥感图像中的舰船本身尺度差异较大，形态各异，分布区域很广泛，在海域过于分散，在港口等区域又过于密集，使得舰船检测成为了遥感图像目标检测中的难点。如何对遥感图像做出快速而准确的解译，有效地对舰船进行分类或检测，是一个重要的研究方向。

例如，申请公开号为CN107563303A，名称为“一种基于深度学习的鲁棒性舰船目标检测方法”的专利申请，公开了一种基于深度学习的遥感图像舰船目标检测方法，该方法首先对训练样本进行处理并训练，得到训练分类器。之后对待检测的遥感图像进行预处理并进行海陆分割，得到海陆分割区域，并对不存在舰船的岸上区域进行遮挡；然后训练特征提取网络，结合海陆分割区域的旋转不变深度特征，通过多层卷积得到特征图并用深层卷积预测目标。最后利用分类激活特征图的方法得到舰船这一类别的响应图，对得到的响应图求连通域，得到初步检测框，再对舰船的参数进行估计，得到带有检测框的结果图。该方法通过训练分类器进行海陆分离来辅助遥感图像的特征进行检测，可以区分水域，排除岸上虚警，提高多角度目标的检测精度，大量减少由并排摆放引发的舰船漏检。其存在的不足之处是，由于要使用深层卷积得到的分类激活特征图的方法得到舰船这一类别的响应图，并通过响应图求连通域，得到初步检测框，未考虑到小尺寸的舰船在深层卷积特征太少，导致对小尺寸舰船检测精度较低。同时该方法采用的海陆分离方法为先提取光学遥感图像的区域特征再采用随机森林分类器进行分类，实现水域非水域的判别，海陆分离方法需要对光学遥感图像中每个像素点位置进行标记，海陆分离算法过于复杂导致舰船检测速度较慢。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于特征融合卷积网络的光学遥感图像舰船检测方法，用于解决现有技术中存在的对小尺寸舰船检测精度和检测速度较低的技术问题。

为克服上述现有技术的不足，本发明采取的技术方案包括如下步骤：

(1)构建特征融合卷积网络：

(1a)将VGG-16网络中的全连接层和softmax分类层通过设置的m个卷积层替换，m≥1，并将替换后的VGG-16网络作为特征融合卷积网络的主干；

(1b)设定特征融合卷积网络主干的检测层为{D₁,D₂,…,D_i,…,D_n}，n≥2，i＝1,2,…,i,…,n；