[发明专利]基于多模型决策级融合的舰船与民船目标检测与分类方法

说明书

本发明提供了一种基于多模型决策级融合的舰船与民船目标检测与分类方法，在充分分析Faster‑RCNN和YOLOv3模型对不同场景中目标检测的差异性后，通过构造符合舰船识别具体适用场景的决策树，对各模型输出结果进行决策级融合，从而实现多模型对近景和遥感图像内目标检测与识别的优势互补，提高了舰船目标的定位及分类准确度。整个过程脱离人工干预，减少人力成本，使得针对舰船目标的实时检测与识别成为可能。

技术领域

本发明涉及人工智能领域，尤其是一种基于人工智能的图像处理方法。

背景技术

海上目标的检测与识别，对来往船只的安全行驶、及时避难至关重要。目前海面目标的获取主要通过常规技术手段，例如脉冲雷达、声纳等进行目标检测和识别，但这些非成像手段检测的结果一般只给出检测目标的距离、方位、类型(如水面、水下和空中)等，无法对目标的种类进行识别，而现有的基于图像域的舰船目标识别方法人工干预成分较多，成本较高，需要根据经选择所使用的特征、确定特征向量维数，难以形成从特征到类别的一套完整的体系。因此，本项目结合现有多种主流的人工智能方法和模型，采用多模型决策级融合的策略，以提高舰船目标的自动检测和识别的精度，从而达到降低人工参与力度及系统工程化应用的目的。

现有针对舰船目标识别的专利，多着眼于单一场景下(光学遥感或近景自然光场景)单一深度学习模型的提升研究，而本发明着眼于对应用场景及模型检测结果的分析提升，综合考虑了两大应用场景下，对军舰与民船两类目标进行精确的检测与识别。同时针对多模型检测结果，提出了一种基于多模型决策级融合的舰船目标检测与识别方法，充分利用Faster-RCNN的检测性能优势与YOLOv3的识别性能优势，经实验验证，准确度有很大提升。

发明内容

为了克服现有技术的不足，本发明提供一种基于多模型决策级融合的舰船与民船目标检测与分类方法。针对舰船目标的检测与识别，考虑在两大应用场景(近景自然光和光学遥感应用场景)下，对军舰与民船两类目标进行精确的检测与识别。考虑到场景的复杂性及模型的适应性问题，在充分分析Faster-RCNN和YOLOv3模型对不同场景中目标检测的差异性后，提出了一种基于多模型决策级融合的舰船目标检测与识别方法，通过构造符合舰船识别具体适用场景的决策树，对各模型输出结果进行决策级融合，从而实现多模型对近景和遥感图像内目标检测与识别的优势互补，提高了舰船目标的定位及分类准确度。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：样本数据采集及标注，构造神经网络的数据集，包括训练集和测试集；分为三步完成：

步骤1.1：搜集舰船数据集并进行目标标注，目标来源包括m类军舰及n类民船，涵盖实际应用中所有目标种类，后续通过模型的迁移学习，增加更多的舰船种类；提供一套目标自动标注工具，目标标注工具分为两步：

首先，在每种类别中随机挑选部分图片进行人工标注，包含目标的位置坐标和类别信息，训练神经网络初步模型；然后，利用神经网络初步模型对剩余图片进行自动标注；

其次，对模型标注后的图片通过人工参与的方式进行二次修正，包括目标位置的精修与舰船类别的确认；

最后，将二次修正后的图片再一次进行训练，如此反复，直到目标类别信息全部正确，位置坐标人眼可区分为止；

步骤1.2：从现有公开数据集中挑选出船只类别，按照预定的m类军舰及n类民船标签进行分类，增加数据集中不同背景目标的数目；

步骤1.3：使用所有遥感图片单独建立遥感数据集，使用YOLOv3神经网络预训练一个针对遥感数据集的神经网络模型，对于人眼无法辨认的目标类别，采用自动标注工具，经过多次训练，直至测试集检测与识别的AP值不再提升，进一步提升对遥感目标标注准确率；

步骤2：模型训练及参数调节；