[发明专利]一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法

说明书

本发明提出一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法，通过模块化的方式构建HADCNN模型，来模拟人类视觉由整体到局部的过程，同时实现分层关注；通过方位历程图混合灰度预处理的方法，实现了噪声干扰滤除和航迹增强。HADCNN模型中，航迹区域检测模块负责检测与提取整张方位历程图中航迹区域，区域中航迹位置检测与提取模块负责检测与提取包含航迹区域的局部图像中的航迹。方位历程图中航迹检测与提取方法采用预处理的方法增强航迹、抑制噪声，实现类间特征差别的增加，并减少后续网络的运算成本，提高了检测与提取效率。

技术领域

本发明涉及一种方位历程图中航迹检测与提取方法，特别是涉及一种基于分层关注深度卷积神经网络方位历程图中航迹检测与提取方法。

背景技术

利用被动声呐方位历程图进行航迹检测与提取是判断舰船航迹的重要手段。通过方位历程图的预处理和航迹的检测与提取，判断复杂方位历程图中的舰船航迹，其中常用的抑制背景噪声干扰的预处理方法会导致部分航迹信息会随着噪声干扰的抑制而被破坏，出现断裂、不连续的情况。增强航迹线特征的预处理方法虽然对弱航迹增强有一定作用，同时也增强了噪声干扰，导致了一些图像出现过度增强等退化现象。这些预处理方法能改善方位历程图显示，但需要人工设置参数，一旦参数设置不合适，将会影响算法处理效果，增大了算法在实际应用中的难度。

传统的航迹检测与提取方法多采用阈值法和概率跟踪法。其中阈值法在工程上很简单，但是在背景噪声干扰较大的情形下这种方法无法有效的进行航迹检测与提取。当两条航迹距离过近或者交叉时可能会出现航迹检测失误的情形。概率跟踪法将单帧图像数据作为输入，判别区域中航迹位置，然后根据航迹不会突然弯折、航迹处像素值变化缓慢的特点，搜寻固定范围内的航迹点，连接航迹点实现航迹的检测与提取。概率跟踪法对类似于航迹的噪声干扰等会出现误判。单帧图像数据往往存在多个干扰值点，在没有人为判断的条件下，根据检测点进行跟踪容易导致目标虚报。即使在断裂航迹关联修正时检测目标域内多帧数据，图像中仍然存在着部分虚假航迹，影响检测结果。同时，传统的航迹检测与提取需要人工设定参数，泛化性弱。

目前深度卷积神经网络在进行目标检测与提取方面有巨大优势，其主要应用于人脸识别、道路场景中物体识别与提取等方面。在这些应用场景中，目标物体占比较高且轮廓清晰，所以深度卷积神经网络能提取到较好的结果。但方位历程图中航迹占比极低、航迹不具备明显的轮廓，同时方位历程图中航迹信噪比低、各种噪声干扰特性不同、航迹交叉或混叠，导致已有的网络直接应用于方位历程图航迹检测与提取中无法取得理想的效果。因此需要针对方位历程图中航迹的特点，合理地设计深度卷积神经网络，达到实现航迹检测与提取的目的。

发明内容

本发明针对被动声呐方位历程图中航迹检测与提取的问题，提出了一种分层关注深度卷积神经网络(Hierarchical Attention Deep convolutional neural network,HADCNN)。该网络通过任务模块化设计模拟生物视觉神经识别物体由整体概况到局部细节的识别机制，构建了航迹区域检测模块和区域中航迹位置检测与提取模块，实现了图像区域的分层关注，解决了方位历程图弱正样本的问题；每个模块利用深度卷积神经网络(Deepconvolutional neural network,DCNN)递进地完成了舰船航迹区域检测与提取、区域中航迹位置检测与提取的任务；每个模块内通过浅层卷积层与深层卷积层特征图交融训练的方法，实现特征的分层关注，增加检测与提取精度。分层关注深度卷积神经网络为方位历程图中航迹检测与提取提供了一种新的途径和方法。

本发明的技术方案为：

所述一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法，包括以下步骤：

步骤1：获取彩色方位历程图N张，其中每张方位历程图长为H，高为L，色彩深度为E；将每张H×L的方位历程图C按颜色通道分解R、G、B，并转换为灰度图I；且将彩色方位历程图C通过直方图均衡化算法得到彩色直方图均衡化结果图H_colour；