[发明专利]基于深度学习的遥感影像舰船目标检测方法

说明书

本发明公开了基于深度学习的遥感影像舰船目标检测方法，包括：获取遥感影像数据集；采用残差网络对所述遥感影像数据集中的影像进行特征提取，生成特征映射图；采用区域生成网络在所述特征映射图上生成预测标定框，判断该预测标定框是否为目标标定框并进行回归分析，生成精确标定框；将所述精确标定框与所述特征映射图融合，生成固定的特征映射图，进行目标定位；判断每个所述固定的特征映射图的类别，实现目标检测。本发明可实现对遥感影像中的舰船目标进行了端到端的检测识别，具有较好的检测准确性与对复杂场景的鲁棒性，并且在检测速度上可达到每秒5帧，可实现对遥感目标的实时检测。

技术领域

本发明涉及图像识别技术领域。更具体地说，本发明涉及一种基于深度学习的遥感影像舰船目标检测方法。

背景技术

高分辨率遥感影像舰船目标检测是遥感影像处理领域中的研究热点，在军事侦查和民用监测等领域应用广泛。高分辨率卫星遥感作为主要的对地观测手段，其精度可以达到亚米级，从遥感影像中，可以人工解译出舰船、港口等目标。但是人工目视解译需要花费大量的时间，工作效率较低。对此研究者们提出了大量的遥感影像检测与识别算法。传统遥感目标检测算法主要对图像的纹理、梯度、灰度等特征进行提取制作特征描述符(FeatureDescriptor)，然后以特征描述符训练分类器完成对目标的检测分类。学者Zhu等通过使用图像的形状与纹理特征分割海陆，然后提取局部多值模式(Local Multiple Patterns，LMP)特征并训练支持向量机(Support Vector Machine，SVM)分类器对该特征分类实现对舰船目标的检测与识别。学者王慧利等根据舰船目标的固有特性对方向梯度直方图特征进行改进，提出了边缘-方向梯度直方图特征对舰船目标进行描述，然后通过构建训练库训练AdaBoost分类器完成对目标的最终检测。德国的Definiens Imaging公司研发的eCognition软件通过利用模糊分类的算法将影像的光谱信息、几何形状、纹理等特征综合判断，然后利用决策系统实现对遥感目标的检测与分类。传统方法中人工设计特征需要具备丰富的先验知识，且在训练分类器中需手工调整参数，过程复杂繁琐。基于深度神经网络的方法可以通过深层网络自动学习得到遥感影像的高级抽象特征，具有较高的识别精度和工作效率。随着计算机性能的提升，以及GPU在深度学习中加速计算能力的提高。基于深度神经网络的检测识别方法在检测精度与速度上都远远超过了传统检测算法。在2012年，Krizhevsky提出了基于深度卷积神经网(Deep Convolutional Neural Network，DCNN)的图像分类算法，提升了目标检测准确率和图像分类的准确率。Erhan使用DCNN对目标进行回归预测，并给出有关对象和无关对象的置信度。Sermanet对输入图像使用滑动窗口，并使用网络模型检测窗口类别，然后对窗口类别预测目标边界框，最后根据分类分数对候选边界框进行合并，得到最终的检测结果。Girshick在2014年提出了目标检测网络模型R-CNN，该网络模型采用选择性搜索策略来提高检测效率。Girshick等通过采用空间金字塔池化(Spatial Pyramid Pooling，SPP)思想对R-CNN进行改进提出了Fast R-CNN网络模型，该网络结构大幅提高了模型的运算速度，其检测速度是R-CNN的100倍左右。然而Fast R-CNN算法在速度上仍然存在瓶颈。

发明内容

本发明的一个目的是提供一种基于深度学习的遥感影像舰船目标检测方法，该方法可实现对遥感影像中的舰船目标进行了端到端的检测识别，具有较好的检测准确性与对复杂场景的鲁棒性，并且在检测速度上可达到每秒5帧，可实现对遥感目标的实时检测。

为了实现根据本发明的目的和其它优点，提供了一种基于深度学习的遥感影像舰船目标检测方法，包括：获取遥感影像数据集；采用残差网络对所述遥感影像数据集中的影像进行特征提取，生成特征映射图；采用区域生成网络在所述特征映射图上生成预测标定框，判断该预测标定框是否为目标标定框并进行回归分析，生成精确标定框；将所述精确标定框与所述特征映射图融合，生成固定的特征映射图，进行目标定位；判断每个所述固定的特征映射图的类别，实现目标检测。