[发明专利]基于特征金字塔和距离约束FCN的遥感船舶检测方法

说明书

本发明提出一种基于特征金字塔结构全卷积神经网络的遥感船舶检测方法，主要解决现有技术存在水平轮廓包围框互相重叠、覆盖及检出率低的问题。其实现方案为：1.在现有遥感数据集中选取样本图片并裁剪，划分为训练样本和测试样本；2.使用由带像素距离边框最小值约束的类别损失函数和形状损失函数构成的整体损失函数，训练全卷积神经网络；3.将测试样本输入训练好的全卷积网络，输出为各像素点的特征矩阵，并进行坐标变换获得轮廓包围框的坐标；4.对各像素轮廓包围框进行筛选、合并，得到检测结果图及坐标文件。本发明能对遥感船舶图像生成带有角度的轮廓边界框，检出率高，边界准确，可用于从光学传感器拍摄的遥感图像中提取船舶目标。

技术领域

本发明属于图像处理技术领域，涉及一种遥感船舶检测方法，可用于从光学传感器拍摄的遥感图像中提取船舶目标。

背景技术

遥感图像中的船舶检测，旨在取代繁琐的人工作业，利用深度学习方法，得到相较于传统平行轮廓包围框更为精确的船舶检测结果图。目前的船舶提取方法大致可以分为三类。第一类是基于知识的船舶提取方法，例如：阈值法、模版匹配法；第二类是基于传统机器学习的方法，例如：聚类、支撑矢量机、贝叶斯分类等；这两大类方法船舶提取效果不够理想，总体精度较低。目前更多研究人员致力于基于深度学习学习的船舶检测方法，例如：Faster R-CNN、YOLO等，这些方法利用一些有标记的训练样本，能够在平行轮廓包围框上取得很好的结果，但是对于密集场景，如对船舶的遥感图像来说，平行轮廓包围框的提取会造成较多区域覆盖、重叠，需要更精确的轮廓包围框进行遥感图像中的船舶目标。

特征金字塔结构，是利用卷积神经网络各卷积层特征信息的结构，因其包含有自上而下阶段和自下而上阶段两个部分，相较于一般卷积神经网络只对同一个尺寸的图片进行训练，特征金字塔结构对卷积神经网络各层级获得的特征图进行连接，在基本不增加原有模型计算量情况下，提升了小型目标的检测性能。

FCN(Fully Convolutional Networks)即全卷积神经网络，是一种用于语义分割的深度神经网络，相较于一般的卷积神经网络网络，全卷积神经网络用卷积层取代了全连接层，用特征金字塔结构，使得特征图恢复原始输入图片的分辨率大小，来满足逐像素标注的需求。这种网络的优势在于，输入图像经过一个训练好的全卷积神经网络，可以获取一个端对端的语义分割结果，且分割结果具有很高的准确率。

全卷积神经网络用于遥感图像的船舶目标提取，是一种基于深度学习的目标检测方法，相较于其他深度学习的目标检测方法，全卷积神经网络有其特有的良好特性。全卷积神经网络能够提取遥感图像中具有判别性的特征，并利用这些特征得到准确的目标检测结果。目前，已有学者将全卷积神经网络模型以及其针对损失函数的改进模型，用于遥感目标检测。

例如，Zikun Liu等人在其发表的论文“A High Resolution Optical SatelliteImage Dataset for Ship Recognition and Some New Baselines”(PatternRecognition Application and Methods，2017年)中提出了一种基于卷积神经网络的目标检测方法。该方法的步骤是：首先，建立一个用于目标提取的卷积神经网络；其次，对该网络设置损失函数；最后，将遥感图像划分为训练集和测试集，用训练集来训练卷积神经网络，并将训练好的网络，用于船舶检测。虽然这个方法利用了卷积神经网络的优良特性，能够提取判别性特征，并将这些特征船舶提取结果，但是，在用该模型进行船舶提取的时候，存在一定的不足之处：首先，该方法用于船舶提取时，没有考虑到遥感图像中船舶尺度的不平衡分布；其次，利用该卷积神经网络进行船舶提取的时候，不能考虑到密集场景下平行轮廓框的互相覆盖、重叠；以上两点在很大程度上影响了船舶检测的效果，船舶轮廓包围框提取效果差，船舶提取结果查全率低。