[发明专利]基于深度神经网络的SAR船舶检测系统及方法

说明书

本发明属于船舶信息检测技术领域，公开了一种基于深度神经网络的SAR船舶检测系统及方法，融合特征提取模块用于从SAR图像中提取特征，通过自底向上和自顶向下的过程充分融合特征；区域提案模块用于将FEEN提供的融合特征作为输入，进行SAR图像船舶与背景的分类，以及生成包含船舶目标位置的粗候选窗口；细检测模块用于以FEEN提供的特征和RPN提供的粗锚框作为输入，细化粗锚框，进行更细的船舶检测，得到最终检测结果。本发明提供的检测方法在SAR复杂背景下(远海岸和近海岸)的多尺度船舶、小目标船舶检测中具有良好的性能，并取得了较高的船舶检测精度。

技术领域

本发明属于船舶信息检测技术领域，尤其涉及一种基于深度神经网络的 SAR船舶检测系统及方法。

背景技术

目前，业内常用的现有技术是这样的：

合成孔径雷达(SAR,Synthetic Aperture Radar)是一种全天时全天候的传感器，如GF-3、Sentinel-1、TerraSAR-X等，可以产生高分辨率SAR图像，SAR图像具有穿透性强和宽覆盖面积等优点,是当前对地观测中不可或缺的数字资源，被广泛应用于船舶交通监测、军事和民用领域。SAR图像中的船舶作为重要的军事和民用目标，是需要重点关注的对象，目前，针对SAR图像船舶目标检测已有大量的研究。传统的SAR图像船舶目标检测方法包括四个阶段:海陆分割、预处理、预筛和识别。海陆分割的目的是消除土地带来的不利影响，预处理旨在提高后续阶段的船舶检测精度，预筛试图寻找候选区域作为船舶建议框，恒虚警率(CFAR)是最广泛的预筛方法，识别旨在消除虚假警报，获得真实目标区域。传统的方法依赖手工提取的特征，在复杂背景条件下识别能力和适应性有限。

深度神经网络方法能够对数据进行表征学习，所提取的特征比手工提取的特征具有更好的表达性能，已经被广泛应用于SAR船舶目标检测。其中基于区域提案的faster-rcnn检测算法是最有代表性的。faster-rcnn主要由共享卷积层、区域提案网络和检测网络组成，共享卷积层主要用于提取特征，区域提案网络用于产生候选区域(候选窗口)，它采用锚框机制，通过直接在最顶层的特征图上产生候选窗口，大大减小了计算量，区域提案网络产生的候选框经过RoI池化层(RoI池化层用于不同尺寸的特征图变成固定长度的向量)输入到检测网络。检测网络用于对候选框的分类和定位。但是由于SAR图像中船舶目标尺寸普遍偏小，faster-rcnn算法很难检测到小尺寸船舶目标。

鉴于此现有技术1采用深度为5层的CNN作为卷积层，并通过迁移学习和负样本均衡等策略来改进faster-rcnn算法，以更好地适应SAR小尺寸船舶目标检测，在公共的SSDD船舶数据集(该数据集包括大片海域和近海岸下的不同尺寸的船舶目标)上进行了对比实验。实验结果表明，他们提出的方法平均精度为 78.8％，比faster-rcnn算法的平均精度70.1％高出了8.7％。虽然该方法使船舶检测精度得到了一定的提高，但检测准确度还并不是很高。这个工作只用5层CNN，层数较低、而SAR图像背景复杂和船舶尺寸差别大，可能是导致其准确度有限的原因。

虽然卷积神经网络能够提取特征，但卷积神经网络在特征语义信息和空间分辨率之间存在联系，不同层的特征图代表的特征语义信息和空间分辨率是不相同的。具体来说，浅层特征图对应的是SAR图像中的一些亮度、边缘、位置和纹理信息，分辨率较为高，中层特征图是一些长和宽等形状信息，分辨率适中，高层特征图是一些能够区分目标类别的高级抽象语义信息。因此，浅层特征图适合小目标检测，高层特征图适合大目标检测。同时，SAR图像的背景复杂(远海岸和近海岸)和船舶的尺寸差别大，一直是SAR图像船舶检测的一个难点问题。