[发明专利]一种基于深度神经网络的船舰目标实时检测方法

权利要求书

1.一种基于深度神经网络的船舰目标实时检测方法，其特征在于，包括：

步骤S1：建立针对小目标检测的实时深度神经网络模型；

步骤S2：根据预设初始训练样本集构建小目标训练样本集，并进行目标最优尺寸范围测定，获得OSIT范围；

步骤S3：基于测定的OSIT范围，利用小目标训练样本集对S1中针对小目标检测的实时深度神经网络模型进行训练，获得初始深度神经网络模型；

步骤S4：利用S3训练得到的初始深度神经网络模型对预设初始训练样本集进行舰船目标检测，得到检测结果，然后将检测中出现的困难负样本加入到困难负样本集，然后利用困难负样本集中的样本对S3训练得到的初始深度神经网络模型进行训练，得到优化后的深度神经网络模型，其中，检测结果为检测到的舰船目标框中置信度大于置信度阈值C_T的输出结果中的元素，困难负样本为与当前图像中所有真实目标框的IOU小于IOU阈值I_T对应的元素；

步骤S5：建立遥感影像金字塔模型，并利用S4中获得的优化后的深度神经网络从金字塔底层开始，逐层进行舰船目标检测；

其中，步骤S2中进行目标最优尺寸范围测定，得到OSIT范围，具体包括：

步骤S2.1：设置目标尺寸范围集合为R，其中，R的范围总和包含当前数据集中所有真实目标框的尺寸；

步骤S2.2：设置真实目标框集合为G，对真实目标框进行R尺寸划分，划分后的每个子集为G_j，其中，0≤j＜n_g，n_g表示子集数量，对应的尺度范围为R_j，进行R尺寸划分后，每个真实目标框属于且仅属于R的一个子集R_j，0≤j＜n_g；

步骤S2.3：设置置信度阈值C_T，采用针对小目标检测的实时深度神经网络模型对测试集进行舰船目标检测，得到预测框集合P；

步骤S2.4：设置IOU阈值I_T，遍历集合P，如果存在p_i与G_j的IOU大于I_T，则将p_i加入到子集P_j中，并将p_i标记为已划分，p_i∈P，0≤j＜n_g；

步骤S2.5：对集合P中的剩余未划分元素p′_i，p′_i∈P，p′_i基于像素的长宽分别为w′_i、h′_i，根据预设OSIT方法计算p′_i所属的划分R_j，将p′_i加入到子集P_j中，并将p′_i标记为已划分；

步骤S2.6：将G_j作为真实目标框集合的子集，P_j作为预测框集合的子集，计算划分子集P_j的平均精度AP_j，

步骤S2.7：设置AP阈值AP_T，如果AP_j≥AP_T，则将该划分对应的尺度R_j加入OSIT范围中；

当前深度神经网络的OSIT范围为(C_min，C_max]，步骤S3具体包括：

步骤S3.1：从训练集中读取所有的真实目标框，所有的真实目标框构成集合

步骤S3.2：获取目标图像大小S²，S²用以表示及其周围一定区域剪切并缩放后输出图像的大小，其中，表示当前真实目标框，在网络进行训练时，输入图像的大小即S²，并且S＞C_max，输出的目标图像为T_l；

步骤S3.3：计算目标尺寸C，目标尺寸用以指定剪裁并缩放后，目标在T_l中的长边的长度，目标尺寸C的计算公式如下：

C＝random(C_min，C_max) (1)

步骤S3.4：计算偏移量E_x和E_y，偏移量E_x和E_y用以指定剪裁并缩放后，目标在T_l中相对于图像中心的x方向和y方向上的偏移量，计算方式如下：

步骤S3.5：计算第一剪裁框在原图中的四个坐标：

其中，的四个坐标值为是的中心点坐标，是的长和宽，的坐标其中，是第一剪裁框的中心点坐标，是第一剪裁框的长宽；

步骤S3.6：根据第一剪裁框进行剪裁，并缩放至S²大小，得到输出图像T_l，加入小目标训练样本集；

步骤S3.7：计算真实目标在T_l中的坐标位置，将得到的坐标位置作为真实目标框，加入到小目标训练样本集的标签文件中，坐标位置的计算公式为：

其中，T_l中的坐标位置为x_l，y_l，w_l，h_l，x_l，y_l是中心点坐标；

步骤S3.8：遍历当前图像中其余的真实目标框，如果目标框被包含在剪裁框内，则计算目标框在T_l 中的坐标位置，如果w_J∈(C_min，C_max]且h_J∈(C_min，C_max]，则将该坐标位置作为真实目标框，加入到小目标训练样本集的标签文件中，目标框在T_l 中的坐标位置计算公式为：

其中，T_l 中的坐标位置为x_J，y_J，w_J，h_J；

步骤S3.9：利用标记好的小目标训练样本集对深度神经网络模型进行训练，得到初始深度神经网络模型。