[发明专利]一种基于集成学习的海上目标检测方法

说明书

一种基于集成学习的海上目标检测方法，包含以下步骤：(1)读入不同数据集来源的多光谱数据；(2)对图像进行尺寸裁剪、数据预处理，进行样本的制作，并确定训练样本和测试样本；(3)基于十字绣单元在步骤(2)得到的样本数据集的基础上设计基于深度学习网络的多任务学习框架；(4)针对海上目标特征设计基于单发多框卷积神经网络和基于多尺度特征残差网络框架的两种基检测器网络结构实现不同尺度目标的检测；(5)引入K均值聚类思想优化模型预测框的生成并使用自门控非单调函数作为激活函数；(6)基于提升法和加权投票法集成两种基检测器的检测结果，完成基于集成学习的海上目标检测。

技术领域

本发明涉及一种基于集成学习的海上目标检测方法，属于多光谱数据处理方法与应用技术领域，适用于多光谱数据目标检测方法和应用技术研究。

背景技术

作为模式识别和图像处理领域的研究热点，海上目标检测问题一直备受关注。运用遥感图像的海上船只检测在商业民用甚至军事备战中都有着十分广阔的运用前景。海上目标检测制约因素较多，具有很大的挑战性。按照检测数据类型进行划分可分为真彩色遥感图像、多/高光谱遥感图像以及合成孔径雷达图像。真彩色遥感图像获取途径众多，数据获取较容易，具有数据量小、易于处理的优点；但缺点是图像成像受环境影响很大，目标与背景不易区分，易受干扰影响。而传统的合成孔径雷达图像海上目标检测算法不但需要在检测前对图片进行复杂的预处理，而且最终结果泛化性差，效率较低。高光谱遥感图像数据量很大，极易出现维数灾难(休斯现象)、同物异谱和异物同谱问题。与真彩色图像相比，多光谱遥感图像虽然图像分辨率与细节信息有限，但受环境影响较小，光谱信息可以弥补空间信息的不足。相比于合成孔径雷达图像，多光谱遥感图像具有更为直观的图像可读性。对比于现有的高光谱图像，虽然多光谱图像同样可能出现休斯现象、同物异谱和异物同谱问题，但是多光谱图像分辨率更高，数据量更小，易于处理。因此，基于数据特点，多光谱遥感图像海上目标检测逐渐成为遥感图像处理领域中的研究热点。

海上目标检测按照检测位置的不同又可分为海域海上目标检测和近岸海上目标检测。其中，海域海上目标面临的难题主要是云雾的存在。由于多光谱遥感图像是利用卫星拍摄得到的星载数据，云层位于海面上空，辽阔的海域极有可能会存在不同厚度的云雾。因此，会对海上目标造成遮挡，甚至会形成阴影，对海上目标的识别造成干扰。另一方面，近岸存在海上目标排列紧密的现象。海上目标密集的停靠在一起，空间特征信息与海岸相似度大，导致海上目标与背景特征不易区分成为检测海上目标的难点问题。

虽然当前目标检测技术发展迅速，随着机器学习方法的不断升级，研究目标检测的方法也越来越多，但是采用深度学习的框架逐渐成型，难以达成技术突破。大家对目标检测均使用单一的检测器，纷纷重视模型的优化以提高检测准确率。面对不同图像，同一检测器效率不一，使用集成学习方法可以大大增强模型的泛化能力。

发明内容

本发明的目的在于针对多光谱遥感图像受海面上空的云雾干扰目标检测以及近岸存在海上目标排列紧密难以检测的问题，提供一种基于集成学习的海上目标检测方法。

本发明的技术解决方案为：采用多任务学习的策略，完成对样本特征提取削弱恶劣环境条件对目标检测的干扰，利用深度神经网络模型作为基检测器的框架实现对海上目标的快速检测和小目标检测的能力，设计基于集成学习海上目标检测方法提高检测准确率。

本发明是一种基于集成学习的海上目标检测方法，其步骤如下：

(1)读入不同数据集来源的多光谱数据；

(2)对图像进行尺寸裁剪、数据预处理，进行样本的制作，并确定训练样本和测试样本；

(3)基于十字绣单元在步骤(2)得到的样本数据集的基础上设计基于深度学习网络的多任务学习框架；

(4)针对海上目标特征设计基于单发多框卷积神经网络和基于多尺度特征残差网络框架的两种基检测器网络结构实现不同尺度目标的检测；