[发明专利]基于自适应位置预测的任意旋转角度船舶检测方法及系统

权利要求书

1.一种任意旋转角度船舶检测方法，其特征是，包括：

提取卫星图像内的所有特征，并进行融合，获取第一特征；

将第一特征输入训练好的自适应定位网络，在不同的特征层自适应地产生带有候选框的候选船舶对象，并对候选框进行初步的粗分类和边界框回归；

在候选框所在的候选区域内对水平矩形框进行旋转并产生多个角度的旋转检测框，并使用掩膜过滤旋转检测框以外的特征，然后提取旋转检测框所在的候选区域内的特征，并固定为特定大小的特征向量；

使用两个全连接层对特定大小的特征向量进行类别判断和旋转检测框的回归，得到最终的分类结果和旋转检测框，包括：在计算回归损失时，对应的旋转检测框五个参数转换为如下：

其中，x是旋转检测框中的参数，同时也表示旋转检测框的中心点横坐标，x_a表示候选框参数，x′表示真实框中的参数，y表示旋转检测框的中心点纵坐标，w表示旋转检测框的检测框宽度、h表示旋转检测框的高度，θ表示旋转检测框的旋转角度；训练时，在RoI网络的分类部分的训练使用的是交叉熵损失函数，参数x，y，w，h使用的损失函数是smooth_L1损失函数，用来表示旋转检测框与真实框之间的差距，如下式：

2.根据权利要求1所述的任意旋转角度船舶检测方法，其特征是，所述提取卫星图像内的所有特征，并进行融合，获取第一特征，包括：将卫星图像传入ResNet101网络，从ResNet101网络的不同卷积层得到不同感受野大小的特征图；对每一层特征图进行如下操作：将本层以上的高层感受野特征上采样至与本层大小一致，并将对应元素进行组合，形成一个多维特征图，将不同层生成的特征图拼接，使用一个3×3大小的卷积核进行卷积，缩小特征图的维度为ResNet101网络原始输出特征图大小，这个融合过的特征即为第一特征。

3.根据权利要求1所述的任意旋转角度船舶检测方法，其特征是，所述自适应定位网络，包括RPN网络里的一个卷积层，这个卷积层的输出为候选框的概率，根据设定阈值进行判断，超过设定阈值则生成候选区域，反之则不生成。

4.根据权利要求1所述的任意旋转角度船舶检测方法，其特征是，所述自适应定位网络单独训练，并使用交叉熵损失函数计算损失值用于反向传播训练，交叉熵损失函数定义为：

其中，CrossEntropy表示交叉熵损失函数，p’_i表示真实图像中是否存在船舶，p’_i为1表示存在，p’_i为0表示不存在，p_i表示预测值是否包含船舶，p_i为1表示存在，p_i为0表示不存在，n表示的是样本数量。

5.根据权利要求1所述的任意旋转角度船舶检测方法，其特征是，使用经过修改的KL损失函数对旋转检测框中的旋转角元素进行损失计算，所述经过修改的KL损失函数如下：

其中，x_g表示真实框的旋转角度，x_e表示旋转检测框的旋转角度，σ表示真实框旋转角度与旋转检测框旋转角度之间的标准差。

6.一种任意旋转角度船舶检测系统，其特征是，包括：

第一模块，用于提取卫星图像内的所有特征，并进行融合，获取第一特征；

第二模块，用于将第一特征输入训练好的自适应定位网络，在不同的特征层自适应地产生带有候选框的候选船舶对象，并对候选框进行初步的粗分类和边界框回归；

第三模块，用于在候选框所在的候选区域内对水平矩形框进行旋转并产生多个角度的旋转检测框，并使用掩膜过滤旋转检测框以外的特征，然后提取候选框所在的候选区域内的特征，并固定为特定大小的特征向量；

第四模块，用于使用两个全连接层对特定大小的特征向量进行类别判断和旋转检测框的回归，得到最终的分类结果和旋转检测框，包括：在计算回归损失时，对应的旋转检测框五个参数转换为如下：

其中，x是旋转检测框中的参数，同时也表示旋转检测框的中心点横坐标，x_a表示候选框参数，x′表示真实框中的参数，y表示旋转检测框的中心点纵坐标，w表示旋转检测框的检测框宽度、h表示旋转检测框的高度，θ表示旋转检测框的旋转角度；训练时，在RoI网络的分类部分的训练使用的是交叉熵损失函数，参数x，y，w，h使用的损失函数是smooth_L1损失函数，用来表示旋转检测框与真实框之间的差距，如下式：