[发明专利]一种结合旋转框和上下文信息的卫星图像舰船检测方法

说明书

本发明提供一种结合旋转框和上下文信息的卫星图像舰船检测方法，首先采用颜色变换、尺度变换和角度变换扩充训练数据集；接着利用密集连接卷积神经网络进行特征提取，得到既具有强语义信息又有精确位置信息的特征图；再利用旋转区域候选网络，在特征图上生成一系列多尺度、多纵横比、多角度的候选边界框；最后利用多区域全连接网络提取候选边界框上下文复合特征用于舰船检测。相较于以往的舰船检测方法，本发明从数据预处理、特征提取、候选边界框生成、检测器等多个角度出发，可以得到更高的检测精度。

技术领域

本发明属于卫星图像识别领域，更具体地涉及一种结合旋转框和上下文信息的卫星图像舰船检测方法。

背景技术

随着遥感技术的快速发展，当前的卫星传感器可以轻易地获取高分辨率图像。利用高分辨率卫星图像进行舰船检测是一个重要的研究方向，已经在渔业管理、船舶交通服务、海上作战等领域取得了广泛的应用。然而由于卫星图像舰船目标和自然图像中目标的一些显著差异，如：(1)卫星图像舰船目标的光照变化、尺度变化和纵横比变化更加强烈；(2)舰船目标会遭遇大量不同的复杂环境，例如近海岸环境、远海岸环境，以及海中油污、小岛这些和舰船相似目标的干扰；(3)卫星图像舰船目标通常呈现任意角度，而且经常密集地排列在海面上。如图1所示，这些显著差异给卫星图像舰船检测带来了巨大的挑战，经常导致大量虚警、漏警的出现。一些传统的方法首先利用纹理、形状和颜色等特征进行海陆分割，再利用手工设计的特征对分离出的海域进行舰船检测。这些传统方法在近海岸区域性能较差，且难以抑制虚警的出现。近年来，基于深度学习的目标检测方法在自然图像上取得了优越的性能。当前的基于深度学习的目标检测方法大致可以分为两类：单阶段方法和双阶段方法。单阶段方法主要有R-CNN，Fast R-CNN,Faster R-CNN以及R-FCN等。双阶段方法主要有YOLO和SSD等。单阶段方法首先在输入图像上生成高质量的候选边界框，然后对候选边界框进行分类和位置回归，得到最终的检测结果。双阶段的方法则通过回归的方式直接在输入图像上预测位置边界框和目标类别。然而，这些方法都是为自然图像目标检测而专门设计的，直接应用在卫星图像中往往难以取得理想的结果。

因此，本发明的目标是针对高分辨率卫星图像舰船检测，设计一个专用的网络结构，对于卫星图像舰船检测所呈现的多场景、多尺度、多纵横比，复杂背景，任意角度以及密集排列问题，可以得到高精度的检测结果。

发明内容

本发明的目的是针对高分辨率卫星图像舰船检测所遇到的一系列问题，提出一种端到端的基于深度学习的高精度舰船检测方法。

本发明采用的技术方案为：

一种结合旋转框和上下文信息的卫星图像舰船检测方法，包括以下步骤：

步骤1，搭建舰船检测网络模型，包括密集连接网络、候选边界框生成网络和多区域全连接网络；

步骤2，采用颜色变换、尺度变换和角度变换扩充训练数据集的样本图像数目，并对扩充后样本进行标注；

步骤3，利用密集连接网络对扩充后样本集的样本进行局部线性和非线性变换，包括卷积、池化、批归一化和修正线性单元激活函数运算，得到具有高语义信息的特征图；

步骤4，利用候选边界框生成网络在特征图的每个位置生成多个不同尺度、不同纵横比和不同角度的默认候选边界框，然后分别对默认候选边界框进行二分类、边框回归和位置调整，得到调整后的候选边界框；

步骤5，利用多区域全连接网络将每个调整后的候选边界框的外部特征、内部特征以及候选边界框自身特征进行级联，级联后进行分类和回归，得到训练样本的舰船检测结果；

步骤6，基于训练样本的舰船检测结果与训练样本真实值，计算损失函数，若损失函数收敛，则得到训练好的舰船检测网络模型，否则，返回步骤3，继续训练模型；

步骤7，将待检测图像输入训练好的舰船检测网络模型，得到舰船检测结果。