[发明专利]基于旋转卷积神经网络的船舶检测方法

说明书

基于旋转卷积神经网络的船舶检测方法，本发明涉及船舶检测方法。本发明的目的是为了解决现有海面船舶特征信息受到干扰甚至被淹没的问题。过程为：一、根据输入图像生成卷积神经网络特征图；二、构建多尺度特征金字塔网络，对特征图进行特征提取，映射产生不同大小的anchor；三、分类筛选出候选框；四、用旋转椭圆边界框代替候选框，进行回归预测；五、计算RPN的损失函数；六、筛选输出RoI Align；七、RoI Align产生特征图，作为全连接的输入，利用Softmax Loss和L1 Loss完成分类和定位以及船头方向的回归；八、将待测舰船图片输入训练好的网络模型，得到分类结果。本发明用于船舶检测领域。

技术领域

本发明涉及船舶检测方法。

背景技术

我们国家拥有着1万8千公里海岸线和300万平方公里海洋国土，海洋大国的称号实至名归。但我国海域的特点也比较奇特：近海的海水比较浅，离海岸线60海里以内同时水深不足100米的海域占据了我国整体海域面积的98.5％。从资源利用的角度来说，随着陆地资源的逐渐开发，陆地资源日益消耗，对海洋开发和保护的重要性日益凸现；从另一个角度，由于海洋防卫在我国国防体系中也占有着极其重要的地位，所以在科技高速发展的今日，无论是在国防建设或者在国民经济，海洋的地位日益增强，而舰船作为人类海洋海洋活动的主要载体，对舰船的监测是维护我国海洋安全及开发战略的重要手段之一。舰船检测在军事、民用等领域都有着广阔的实际应用场景，是世界各个国家一项尤为重要的传统任务。在民用领域，可用来打击不法分子的走私等违法行为，也可用于辅助定位遇难船只为救援提供保障。在军事领域，可用于重点海域的实时监测，掌握敌舰的部署情况从而生成海上战斗情报并配合武器精确制导等。

近年来，深度学习在计算机视觉领域取得了巨大的成功。基于深度学习的目标检测方法受到了广泛的关注，并取得了很大的成果。卷积神经网络(RCNN)在目标检测中大放异彩。虽然RCNN在计算速度和存储空间上存在一些明显的缺陷，但其检测结果远优于传统的检测方法。Fast-RCNN通过共享计算，显著提高了检测效率，有效减少了存储空间。Faster-RCNN采用RPN(trainableregion proposal network,RPN)代替选择性搜索方法，在提高检测效率和准确率的同时实现端到端训练。它包括两个阶段：区域建议和区域分类。

上述方法称为水平区域检测，该方法适用于自然场景检测，不适用于卫星遥感船舶检测。在卫星遥感图像中，船舶纵横比大，在复杂的场景中往往排列密集。当船舶倾斜时，水平边界框的冗余区域和船舶之间的重叠区域会比较大。具体来说，复杂的场景中往往会包含很多噪声目标，这对舰船检测的性能有很大的影响。此外，大量的冗余区域会引入大量的噪声，使特征信息受到干扰甚至被淹没。

近年来，船舶检测已经被广泛的方法研究。在这一节中，我们简要回顾了现有的基于机器学习的船舶检测算法和基于深度学习的船舶检测算法。

在过去的几年里，一些基于机器学习的方法被提出用于船舶的检测。Yu,Y.D.等人和Zhu,C.等人提出了一种海陆空分割的纹理和形状特征，然后采用对比盒算法或半监督层次分类等算法得到候选目标区域。Bi F等人使用自下而上的视觉注意机制在整个检测场景中选择突出的候选区域。Yang等人提出了一种新的海面分析检测框架，解决了高分辨率光学卫星图像中各种海面的船舶自动检测任务。该方法首先利用两个新特征来分析海面是否均匀。然后，他们提出了一种结合像素和区域特征的线性函数来选择候选舰船。最后，采用紧致性和长宽比对虚警进行滤波。Shi等人提出了一种以“由粗到细”的方式检测船舶的方法。特别是采用异常检测器和局部形状特征将光学图像转化为高光谱形式，然后通过高光谱算法提取船舶。Corbane等人提出了一套完整的基于统计方法、数学形态学和小波分析、Radon变换等信号处理技术的船舶检测处理链。