[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

说明书

本发明公开了计算机视觉技术领域的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，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；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。提高了位置预测的计算效率，提高了船舶目标的包裹性能。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种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。

背景技术

船舶检测方向的研究具有极大的挑战性，因为目标很容易受到码头和海水波纹的影响，很难确定船舶的位置。包围框需要正确地包裹船只，并且不能包含太多的冗余或忽略目标的部分。这样得到的网络输出才可以在后续使用。因此，消除其他特征图信息的干扰，提高边界框的质量至关重要。目前的船舶检测框架存在如下几个问题：1)船舶周围相似物体的干扰没有得到有效滤除，导致这些干扰因素对边界框回归影响。2)锚框定位大都采用固定方案，效率不高且召回率也相对较低。3)缺少有效的模型来计算边界框参数的损失。导致边界框过度倾斜，失去目标的一部分。

发明内容

为解决现有技术中的不足，本发明提供一种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，能够提高网络测试时位置预测的计算效率，从而提高整体效率，并且提高了旋转矩形框对船舶目标的包裹性能。

为达到上述目的，本发明所采用的技术方案是：一种任意旋转角度船舶检测方法，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；在RoI网络中，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，所述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：