[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

说明书

本发明公开了一种基于深度神经网络的船舰目标实时检测方法。首先，建立针对小目标检测的实时深度神经网络模型；然后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；接着进行ROO训练，获得初始深度神经网络模型；再进行OHEM训练：利用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，并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；最后，建立遥感影像金字塔模型，并利用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。本发明的方法可以大大提高检测的速度和精度。

技术领域

本发明涉及遥感图像目标检测领域，具体涉及一种基于深度神经网络的船舰目标实时检测方法。

背景技术

舰船是海上的重要监测目标，遥感图像处理是获取舰船目标信息最丰富，使用最广泛的舰船监测技术。在民用领域，舰船检测的结果信息可以用作其他系统的输入，帮助其实现和优化程序及功能。通过把检测到的舰船进行船只分类和匹配、地理坐标映射和定位，就可以得到目标船只位置信息，实现海面搜救；通过把检测到的舰船进行功能和大小归类、统计密集度信息和生成地理分布图，可以实现渔情检测；通过对船只进行搜索匹配、实时定位和导航，并根据船只密集度进行拥塞控制和路径规划，可以实现对航运系统的优化配置；通过获取船只的分布信息，并对海面使用、鱼类捕捞和船只排污倾倒情况进行分析，可以实现海面自然资源的管理和把控。在国防上，舰船检测的结果信息可以用来进行态势分析，为国防军事决策服务。所以利用遥感图像对舰船进行实时目标检测具有很重要的现实意义。

现有技术中，传统的遥感图像舰船检测方法通过从遥感图像中提取人工设计的特征，并用机器学习方法训练的舰船检测模型进行舰船检测。传统遥感图像舰船检测方法还通过海陆分割、场景分类、近岸目标提取和离岸目标提取等手段剔除掉陆地背景的干扰，获取图像的位置、天气和海面状态，简化后续的海面目标识别，提高舰船检测模型的精度和适用范围。

基于深度学习的舰船检测方法采用深度学习方法从大量的遥感图像中自动学习舰船目标特征提取和检测的深度神经网络模型。基于深度学习的舰船检测方法可以利用传统的图像增强方法来去除背景噪声的干扰，通过融合多层特征来检测不同尺寸的舰船目标，利用网络压缩方法来减少参数、裁剪通道数和层数来优化检测速度，或者通过替换主干网络来增加舰船检测精度等。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

传统遥感图像舰船检测方法由于参数量少、特征单一、对环境变化很敏感，导致传统方法难以适应目标的多样性，难以处理复杂环境和各种干扰。此外，目标特征提取时所需的滑窗操作，导致舰船检测的时间复杂度很高，存在冗余计算，从而导致传统遥感图像舰船检测方法的检测效果难以和基于深度学习的舰船检测方法相比。基于深度学习的舰船检测方法也存在精度和速度的问题。精度方面，基于one stage方法的深度神经网络，对于小目标的检测效果不好；同时对于多尺度的目标的适应性不强；通过回归得到的目标框位置精度不高。速度方面，基于深度学习的舰船检测方法是一种耗时的计算方式，但随着近年来卷积神经网络和相关硬件设备的不断发展，速度已经有了很大的提升。最高处理速度可以达到50fps，甚至100fps以上，但这需要计算能力较强的工作站和专业级显卡的硬件支撑，并且只能处理尺寸较小的遥感图像。在嵌入式设备上，难以达到同样的处理速度，并且遥感图像的原始分辨率往往可以达到20kx20k以上，想要在原始遥感图像上实现这样的处理速度较为困难。

由此可知，现有技术中的方法存在方法模型复杂、检测速度较慢的的技术问题。

发明内容

有鉴于此，本发明提供了一种基于深度神经网络的船舰目标实时检测方法，用以解决或者至少部分解决现有技术中的方法存在的方法模型复杂、检测速度较慢的的技术问题。

为了解决上述技术问题，本发明提供了一种基于深度神经网络的船舰目标实时检测方法，包括：