[发明专利]一种基于深度学习的海上舰船目标识别方法

说明书

本发明提供一种基于深度学习的海上舰船目标识别方法，该方法构建了适用于遥感图像的深度学习卷积网络，通过对非极大值抑制的优化，提升了密集小目标的检测效果，避免了港口不同类型船只的混淆；进而通过双线性插值的兴趣区优选策略，进一步提高了检测精度，提升了算法的收敛速度。本发明可有效适用于卫星遥感图像的各类海上船只的目标检测和识别，为海事监测、海洋作业、海域安全等相关应用提供可靠技术支撑。

技术领域

本发明属于目标识别、人工智能领域，具体涉及一种基于深度学习的海上舰船目标识别方法。

背景技术

海上舰船是海洋的重要交通运输工具，是支撑海洋经济发展、科技进步、环境保护和海洋安全维护的重要载体。海上舰船的有效管控是实现海洋安全和和谐发展的主要途径，为此有必要实现海上舰船的精准检测和监管。

现阶段大多数海上目标检测方法主要依赖于光学和雷达图像，其检测精度、效率和覆盖率都非常有限，这是由于现阶段的海上舰船目标主要基于局部观测技术；同时，传统的图像处理方法在提取海上舰船特征方面具有局限性，不能覆盖不同大小和种类的舰船，特别对于在洋区的一些密集目标和小目标，容易受海面杂波和海浪背景的影响，导致检测和识别精度下降。

发明内容

本发明提供一种基于深度学习的海上舰船目标识别方法，该方法构建了适用于遥感图像的深度学习卷积网络，通过对非极大值抑制的优化，提升了密集小目标的检测效果，避免了港口不同类型船只的混淆；进而通过双线性插值的兴趣区优选策略，进一步提高了检测精度，提升了算法的收敛速度。本发明可有效适用于卫星遥感图像的各类海上船只的目标检测和识别，为海事监测、海洋作业、海域安全等相关应用提供可靠技术支撑。

本发明将深度学习应用于海上舰船目标的识别，可有效弥补传统卷积图像识别方法在海上小目标、密集目标和复杂海况下识别精度差、影像匹配难等瓶颈缺陷，通过构建大量多类型海上舰船样本数据集，获得丰富的海上舰船特征，以实现高精度快速海上舰船目标识别和态势判断，为海上舰船的监测和有效管控提供新思路和新方法。

本发明的技术方案如下：一种基于深度学习的海上舰船目标识别方法，包括以下步骤：

步骤A、利用已知的海上舰船的卫星遥感图像数据集构建训练集，对图像中的舰船目标进行标定，使其目标框达到像素级精度，同时对输入图像进行尺度变换，使得图像其尺寸在相同范围内，便于提取特征；

步骤B、 构建深度学习的图像目标识别框架，采用卷积神经网络作为基本计算单元，在此基础上确定特征提取器，对步骤A所构建的训练数据集进行特征提取；

步骤C、将步骤B所获得的特征进行目标分类、位置回归和掩模预测；

步骤D、在步骤C的基础上生成候选框，并结合训练集的真实目标标记对候选框进行筛选，计算候选框损失，使其达到预期要求；

步骤E、当步骤D中候选框损失达到预期要求时，可以生成训练模型参数；

步骤F、对待测试遥感图像数据集进行尺度变换处理，以方便进行特征提取；

步骤G、将步骤F处理后的待测试数据集输入步骤B构建的图像目标识别框架，进行特征提取；

步骤H、将步骤G中提取的特征进行兴趣区处理，处理后的结果输入步骤E中训练生成的模型，进一步做卷积运算和展平全连接；

步骤I、对步骤H的结果，分别进行掩模预测、类别预测和边界框预测，计算预测损失；

步骤J、对步骤I的结果进行非极大值抑制，并做进一步筛选；

步骤K、对步骤J的结果进行统一尺度变换，并作为最终结果输出。

进一步地，所述步骤A和步骤F中，数据集采用高精度掩模标定，数据集采用卫星遥感图像，所涉及到的船只包含小型船如小型游艇、渔船、帆船，中型船如货船、大型邮轮、军舰，以及大型船如航母。