[发明专利]基于海陆分割和特征金字塔网络的港口停靠舰船检测方法

说明书

本发明提供一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法。利用已知海洋和陆地样本切片数据构建海陆二分类模型，得到待处理遥感影像中若干个海洋区域的初始点并进行生长，完成海陆分割；沿着海岸线对待处理遥感影像进行无重叠切分，生成一系列初始候选框切片。利用基于区域候选网络的目标检测框架和特征金字塔网络，构建舰船检测网络模型，并利用训练好的舰船检测网络模型对生成的初始候选框切片数据进行检测，依据每个切片舰船检测结果得到待处理遥感影像的舰船检测结果。本发明利用海陆分割和深度学习技术，大大提高了对大幅遥感影像舰船检测速度，降低了舰船检测的虚警率，同时，能够应对多种尺度的舰船目标检测问题。

技术领域

本发明属于遥感图像智能处理技术领域，更为具体地讲，涉及基于海陆分割和特征金字塔网络的港口停靠舰船检测方法。

背景技术

近年来，随着光学遥感成像技术的发展，光学遥感图像在空间分辨率、光谱分辨率、时间分辨率等方面取得了巨大进步，对地观测能力得到很大提升，使得军事侦察情报的可侦察内容更加丰富，目标细节辨识能力大幅提高。舰船作为海上运输载体和重要军事目标，其自动检测与识别在民用、军事领域有着广阔的应用前景。其中，港口停靠舰船检测是监视特定港口海运交通、获取舰船部署与动态的主要手段，具有重要的研究价值。

不同于海上舰船，港口停靠舰船所处环境位于海陆交界处，背景较为复杂，各种类型舰船较为集中且尺度大小不一，同时陆地干扰信息较多，为舰船检测带来极大的困难。

目前，针对遥感影像中港口停靠舰船的检测，一般首先对影像进行海陆分割，再利用舰船检测算法对港口停靠舰船进行检测。在海陆分割阶段，所用的方法包括基于先验地理信息的海陆分割、基于纹理、颜色、形状等特征的海陆分割、基于阈值分割的海陆分割和基于简单统计模型的海陆分割。这些方法均能在较小范围内对海洋和陆地进行准确分割，但无法满足大幅遥感影像中的海陆分割，具有一定的局限性。在舰船检测阶段，传统的检测方法包括基于SIFT等特征的舰船检测、基于形状的舰船检测、基于轮廓的舰船检测。这些方法难以应对海陆分界处的复杂环境，容易出现较多的虚警和漏警。随着人工智能技术的不断发展，基于深度学习的目标检测在人脸、车辆等自然图像中显示出优越的性能，但并没有在光学遥感影像中普遍应用。

因此，本发明为了解决上述现有技术的缺点，将深度学习应用于光学遥感影像处理领域，结合海陆分割技术，有效解决大幅遥感影像中港口停靠舰船检测中虚警率过高和由于舰船尺度大小不一带来的漏检问题，大大提升了舰船检测的速度，具有很好的应用价值。

发明内容

本发明利用深度学习，结合海陆分割技术，提出基于海陆分割和特征金字塔网络的港口停靠舰船检测方法，有效解决港口停靠舰船中不同尺度大小的检测问题，降低了检测的虚警率。

本发明提供的基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法包括以下步骤：

(1)利用已知的海洋和陆地样本切片数据，基于深度卷积神经网络构造海陆二分类模型；按照设定尺寸对待处理遥感影像进行切分，将待处理遥感影像切分成一系列设定尺寸的切片数据，利用海陆二分类模型对待处理遥感影像切片数据进行海陆二分类处理，得到若干海洋区域的切片，根据海洋区域切片找到待处理遥感影像中对应的若干个海洋区域的位置，基于该海洋区域位置采用区域多点生长的分割算法对待处理遥感影像中的海洋和陆地进行划分；

(2)根据舰船长度知识信息和遥感影像空间分辨率大小，确定初始候选框的尺寸，基于该尺寸沿着海岸线以设定重叠率对影像进行切分，生成一系列初始候选框切片；

(3)利用基于区域候选网络的目标检测框架和特征金字塔网络，构建舰船检测网络模型，并利用已知的舰船样本数据对舰船检测网络模型进行训练，利用训练好的舰船检测网络模型对所有的初始候选框切片进行舰船检测，依据每个切片舰船检测结果得到待处理遥感影像的舰船检测结果。

所述步骤(1)中，深度卷积神经网络包括ResNet-50网络和VGG-16网络。