[发明专利]基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法

权利要求书

1.基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法，其特征在于，包括以下步骤：

S1、数据预处理：将SAR影像数据进行数据标注与切分，将VOC2012图片数据集进行三通道灰度平衡处理；

S2、在步骤S1的基础上，进行yolov3模型预训练：将VOC2012图片数据集作为输入数据，投入通用yolov3模型中进行模型训练；

S3、在步骤S2的基础上，对训练后的yolov3模型进行迁移学习：将SAR影像数据投入预训练后的yolov3模型当中进行优化，获得目标yolov3检测模型；

S4、在步骤S3的基础上，对实时SAR影像数据进行滑动窗口策略处理，然后输入到所述目标yolov3检测模型中，从而获得检测结果，并对所述检测结果进行聚类算法去重；

步骤S1中，将SAR影像数据进行数据标注与切分包括：

对原始SAR影像数据图片做切分操作，将宽幅的影响图片切分为若干小份的图片，在此基础上对图片进行标注；

所述标注的具体过程指的是：先利用先验知识识别图片中的船只，再使用相关工具将图片中船只的具体位置和大小进行标注，即表示为一个一维数组，其中包含船只在图片中的横纵坐标值以及船只检测框的长宽值，将相关数据保存，作为训练数据；

步骤S1中，将VOC2012图片数据集进行三通道灰度平衡处理包括：

逐像素读入VOC2012图片中某像素的三通道值，将三通道值取平均再将这个均值依次赋值到该像素的三通道值中；

步骤S2中，所述训练的具体过程为：

输入的VOC2012图片首先经过Darknet网络的多层卷积操作进行特征提取，之后将初步经过特征提取所得到的特征图输入到类FPN结构化网络中，分别得到三个尺度的特征图，再将这三个特征图输入到逻辑回归判断层中得到判断结果，将这一判断结果与真实结果通过损失函数得到损失值，再通过反向传播算法将影响反馈回网络前端，网络根据反馈调整网络参数，达到训练的目的；

步骤S3具体为：

将预训练后的yolov3模型再次作为待训练模型，将SAR影像数据作为输入投入到所述待训练模型中进行训练，其过程与步骤S2中训练过程相同；其中，本过程还保证预训练后的yolov3模型中的部分网络参数不变，仅允许后续层级的参数可以在训练中被改变；

步骤S4中，所述滑动窗口策略包括：

通过自定义窗口大小和滑动步长，将SAR影像数据中图像分割成多幅待检测图像，并将其放入所述目标yolov3检测模型中，得到基于原始图像的检测结果。

2.根据权利要求1所述的基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法，其特征在于，步骤S4中，所述聚类算法去重包括：

多次重复检测原始图像中的某个目标，并对重复检测进行聚类，并将聚类结果作为最终检测结果，进而完成重复数据消除过程。

3.根据权利要求1-2任一项所述的基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法，其特征在于，所述VOC2012图片数据集是常规三通道彩色图片构成的数据集。

4.根据权利要求1-2任一项所述的基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法，其特征在于，在yolov3模型的特征提取网络之后接入了一个FPN结构的特征输出层，分为13X13，26X26，52X52大小的三个维度，其中，所述FPN具体为：同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果。