[发明专利]基于级联神经网络的任意方向舰船目标检测方法

说明书

本发明公开了一种基于级联神经网络的任意方向舰船目标检测方法，包括：将卫星影像输入到第一区域筛选网络，得到舰船目标候选区域图像；将舰船目标候选区域图像输入到预先训练好的级联神经网络舰船检测模型中进行目标检测，得到初步目标检测结果；利用NMS方法对初步目标检测结果进行去重，得到目标检测结果；其中，级联神经网络舰船检测模型包括依次级联的第二区域筛选网络、网络连接层和目标检测网络。本发明提供的基于级联神经网络的任意方向舰船目标检测方法，能够有效提高舰船目标检测准确性。

技术领域

本发明涉及图像处理技术领域，更具体的说是涉及一种基于级联神经网 络的任意方向舰船目标检测方法。

背景技术

近年来，随着航空航天技术的进步，遥感影像获取的手段日益成熟，影 像的分辨率，包括时间分辨率、空间分辨率、辐射分辨率和光谱分辨率正在 不断提高。目前，遥感已突破数据获取的瓶颈，正在走向全面应用的新阶段， 为海洋近岸目标的提取奠定了数据基础。舰船作为重要的海洋目标，是海上 监测和战时打击的重点目标，实时有效的获取舰船的基本信息，在民用和军 事领域都有着巨大的意义。在民用领域，辅助遇难船只救援，打击走私、非 法倾倒油污、非法捕鱼和海盗等违法行为，监控特定港口或海域的海运交通 等都需要获取舰船信息；在军事领域，通过对重点港口和海域的舰船进行检 测、监视和识别，确定舰船的型号、种类、位置等重要信息，便于海战场环 境态势的分析，从而掌握对方的海上作战实力，评估战时海上打击效果，形 成海上作战情报等，为海战场决策支持提供依据。

早期的舰船检测主要是使用SAR图像，且已比较成熟，可见光遥感图 像的舰船目标研究较晚，相关资料也较少。而在光学图像中，海洋背景下的 舰船检测也已有广泛研究，靠岸舰船检测相对海上舰船检测起步较晚。

目前，舰船检测的方法主要分为两大类：传统方法和基于深度学习的方 法。传统的卫星影像目标检测方法主要采用从粗到细的多步骤策略，一般包 括影像预处理、海陆分割、区域特征提取、目标判别等步骤，传统方法需要 人工设计特征提取方法，适应性较差，导致检测结果不准确。

深度学习技术由于其强大的特征表示和端到端的训练学习能力使得其在 目标检测与识别领域应用广泛，并极大地提升了检测性能。基于深度学习的 目标检测方法首先也是从图像中提取候选区域，然后采用卷积神经网络(Convolution Neural Network,CNN)等深度神经网络对候选区域进行鉴别和边 界框回归，实现目标检测与识别。

现有舰船检测方法的不足主要包括：CNN的计算瓶颈主要在于高维全连 接层，其不仅参数多，计算复杂度高，容易导致过拟合，而且需要同样大小 的图像输入，且常用目标检测算法采用通用卷积核，大长宽比目标检测效果 较差，导致检测结果准确性较差。

因此，如何提供一种舰船目标检测结果准确性高的方法是本领域技术人 员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于级联神经网络的任意方向舰船目标检 测方法，能够有效提高舰船目标检测准确性。

为了实现上述目的，本发明采用如下技术方案：

一种基于级联神经网络的任意方向舰船目标检测方法，包括：

将卫星影像输入到第一区域筛选网络，得到舰船目标候选区域图像；

将舰船目标候选区域图像输入到预先训练好的级联神经网络舰船检测模 型中进行目标检测，得到初步目标检测结果；

利用NMS方法对初步目标检测结果进行去重，得到目标检测结果；

其中，级联神经网络舰船检测模型包括依次级联的第二区域筛选网络、 网络连接层和目标检测网络。