[发明专利]基于特征金字塔和距离约束FCN的遥感船舶检测方法

摘要

本发明提出一种基于特征金字塔结构全卷积神经网络的遥感船舶检测方法，主要解决现有技术存在水平轮廓包围框互相重叠、覆盖及检出率低的问题。其实现方案为：1.在现有遥感数据集中选取样本图片并裁剪，划分为训练样本和测试样本；2.使用由带像素距离边框最小值约束的类别损失函数和形状损失函数构成的整体损失函数，训练全卷积神经网络；3.将测试样本输入训练好的全卷积网络，输出为各像素点的特征矩阵，并进行坐标变换获得轮廓包围框的坐标；4.对各像素轮廓包围框进行筛选、合并，得到检测结果图及坐标文件。本发明能对遥感船舶图像生成带有角度的轮廓边界框，检出率高，边界准确，可用于从光学传感器拍摄的遥感图像中提取船舶目标。

主权项

1.一种基于特征金字塔结构全卷积网络的遥感船舶检测方法，其特征在于，包括如下：(1)从现有遥感数据库中获取图像及类标文件，并对其进行划分构建训练样本集和测试样本集；(2)将用于特征提取的残差网络1至5级残差块的输出层，按照特征金字塔结构的连接方式，与包含有上采样层、特征拼接层、卷积层的四个全卷积模块分别连接，构成全卷积网络；(3)设定全卷积神经网络的损失函数L_loss：(3a)定义船舶类别判断损失函数L_s：其中，Y代表预测结果的集合，Y代表真实结果的集合，Y_m、Y_m代表集合中单个像素预测结果和其对应的真实结果，n代表Y中元素的个数，d_min为像素点距离上、下、左、右边框距离中的最小值，β为正负样本的平衡系数：(3b)定义几何形状损失函数L_g:其中，R＝(d₃+d₄)×(d₁+d₂)为预测面积，d₁、d₂、d₃、d₄分别为像素点距离上、下、左、右四边的预测距离；R＝(d₃+d₄)×(d₁+d₂)为真实面积，d₁、d₂、d₃、d₄为像素点距离上、下、左、右四边的真实距离；w＝min(d₃,d₃)+min(d₄,d₄)为R和R重叠部分的宽；h＝min(d₁,d₁)+min(d₂,d₂)为R和R重叠部分的高；|R∩R|＝w×h，|R∪R|＝R+R‑|R∩R|，λ_θ为实验选取的权重系数，θ为预测角度，θ为实际角度；(3c)根据(2a)和(2b)得到全卷积神经网络的整体损失函数L_loss：L_loss＝L_s+λ_gL_g其中，λ_g代表多次实验后测得的权重系数；(4)通过梯度下降法对损失函数L_loss进行优化，得到训练好的全卷积神经网络参数；(5)将测试样本集中的测试样本图片依次输入到训练好的全卷积神经网络中，得到对应的多通道特征矩阵：I_f＝[S,AABB,∠]，该特征矩阵分别包括单通道像素类别判断信息S，四通道像素距离边框四边的距离信息AABB以及单通道角度信息∠；(6)设置像素类别判断信息的过滤阈值，对特征矩阵进行挑选，当特征点像素类别判断信息超过该阈值时，保留该点的特征矩阵，该特征矩阵含有距离信息和角度信息；当像素类别判断信息低于该阈值时，则舍弃；(7)将通过(5)保留的像素类别判断信息S及每像素点的距离信息和角度信息，通过数值计算的方法，获得对应像素点的轮廓包围框，表示为：W＝[x₁,y₁,x₂,y₂,∠]其中x₁、y₁为轮廓包围框左上点坐标，x₂、y₂为轮廓包围框右下点坐标，∠为角度信息。(8)采用改进的添加合并权重的非极大值抑制方法，对(5)中保留的特征矩阵中像素获得的轮廓包围框进行两两合并，得到船舶检测目标。