[发明专利]基于特征融合卷积网络的光学遥感图像舰船检测方法

摘要

本发明公开了一种基于特征融合卷积网络的光学遥感图像舰船检测方法，主要解决现有技术中小尺寸舰船检测精度较低和检测速度较慢的问题。本发明的具体步骤如下：(1)构建特征融合卷积网络；(2)构造训练图像集和训练类标集；(3)对特征融合卷积网络进行训练；(4)对待测试的光学遥感图像进行海陆分离；(5)对待测试的光学遥感图像中的舰船进行检测。通过将不同分辨率的特征图进行融合，增加了小尺寸舰船的特征信息，并在多个不同分辨率的特征图上检测舰船，提高了小尺寸舰船的检测精度，同时结合光学遥感图像的灰度信息和梯度信息实现海陆分离，提高了舰船检测速度，本方法可应用于对光学遥感图像的舰船进行识别和检测。

主权项

1.一种基于特征融合卷积网络的光学遥感图像舰船检测方法，其特征在于，包括以下步骤：(1)构建特征融合卷积网络：(1a)将VGG‑16网络中的全连接层和softmax分类层通过设置的m个卷积层替换，m≥1，并将替换后的VGG‑16网络作为特征融合卷积网络的主干；(1b)设定特征融合卷积网络主干的检测层为{D1,D2,…,Di,…,Dn}，n≥2，i＝1,2,…,i,…,n；(1c)按卷积层由浅到深的顺序，从特征融合卷积网络的主干中选择n个卷积层{C1,C2,…,Ci,…,Cn}对应的特征图{T1,T2,…,Ti,…Tn}，并将分辨率最小的特征图Tn作为特征融合卷积网络检测层Dn的输入；(1d)对特征图Tn‑1进行卷积运算，得到特征图T′n‑1，同时对Dn的输入进行上采样，得到与T′n‑1分辨率相等的特征图An；(1e)对T′n‑1与An进行元素加运算，并对元素加运算得到的特征图进行卷积，将卷积结果作为检测层Dn‑1的输入；(1f)按照计算检测层Dn‑1的输入的方式，依次计算Dn‑2,Dn‑3，…，Di+1,Di,…,D1的输入；(1g)将Di中分类子网络的输出和边框回归子网络的输出作为Di的输出；(2)构造训练图像集和训练类标集：(2a)从光学遥感影像数据集中选取p幅包含舰船的光学遥感图像，p≥1，并对每幅图像中舰船的位置边框进行标记；(2b)计算每个舰船位置边框中心位置(x1,y1)的切割基准点的位置坐标(x,y)：x＝x1‑Δx1y＝y1‑Δy1其中，Δx1,Δy1为x1,y1产生的坐标偏移量；(2c)以左上角位置坐标为(x,y)，右下角位置坐标为(x+w,y+h)的矩形框对每幅光学遥感图像进行切割，得到多个大小为w×h的光学遥感图像构成的训练图像集，其中，w,h为特征融合卷积网络输入的长和宽；(2d)记录训练图像集中每幅训练图像里所有舰船的中心点坐标和舰船的长与宽，并将记录的内容保存为与训练图像集对应的训练类标集；(3)对特征融合卷积网络进行训练：将训练图像集和训练类标集输入到特征融合卷积网络中，得到Di上分类子网络的分类损失值和边框回归子网络的边框回归损失值，并采用反向传播算法，对特征融合卷积网络中所有卷积层的权重进行更新，得到训练好的特征融合卷积网络；(4)对待测试的光学遥感图像进行海陆分离：将从光学遥感影像数据集中选取的包含舰船的光学遥感图像作为待测试的光学遥感图像，并对测试的光学遥感图像进行海陆分离，得到海陆分离结果图R；(5)对待测试的光学遥感图像中的舰船进行检测：(5a)将待测试的光学遥感图像等分为图像块其中，I_i表示第i个图像块，其大小为w×h，表示图像块的总数，W和H分别表示待测试的光学遥感图像的长和宽；(5b)计算Ii在海陆分离结果图R中对应区域内像素的均值vi，并将vi与设定的阈值σ进行比较，若vi＞σ，则Ii包含的是陆地，若vi≤σ，则Ii包含的是水域，并将Ii输入特征融合卷积网络，得到Ii包含舰船的置信度和位置坐标的检测结果；(5c)对Ii检测结果中舰船的位置坐标进行非极大值抑制，得到光学遥感图像中舰船的置信度和位置坐标。