一种基于深度学习的高分辨率遥感影像舰船目标检测方法技术

一种基于深度学习的高分辨率遥感影像舰船目标检测方法，包括采集包含舰船目标的高分辨率遥感影像，使用能包围舰船目标的最小四边形对影像中的舰船进行人工标注；设置深度学习网络模型的结构，对具有不同语义性和分辨率的特征映射图进行连接，然后对特征映射图上的每个位置设置多个参考四边形，使用全连接层对参考四边形分类；训练网络模型，将待检测的高分辨率遥感影像输入到训练好的网络模型中，检测影像中的舰船区域，并构建包围舰船目标的最小四边形，从而指示舰船目标的精确位置。本发明专利技术相比传统舰船目标检测方法，能更有效地抵抗环境因素的干扰，更稳定、更精确地对高分辨率遥感影像中处于不同场景、具有不同尺寸和姿态的舰船进行检测。

【技术实现步骤摘要】
一种基于深度学习的高分辨率遥感影像舰船目标检测方法
本专利技术属于高分辨率遥感影像舰船目标检测领域，具体涉及一种基于深度学习的高分辨率遥感影像舰船目标检测方法，能有效抵抗环境因素的干扰，稳定、精确地对高分辨率遥感影像中处于不同场景、具有不同尺寸和姿态的舰船进行检测。
技术介绍
舰船目标检测技术主要指从影像中，利用合适的目标提取和识别方法，自动检测舰船目标的过程。高效、高精度地对舰船进行检测，在航线规划、军事目标侦察以及海洋环境监测等方面都具有重要意义，因此，舰船目标检测具有重要的研究价值。随着众多高分辨率卫星的发射和遥感影像质量的提高，越来越多的国家和地区开始关注针对高分辨率遥感影像的舰船目标检测方法。基于高分辨率遥感影像的舰船目标检测技术主要利用卫星搭载的各类传感器，获取高分辨率遥感影像，然后对影像进行分析和特征提取，构建决策模型，进而检测影像中的舰船区域，并指示舰船在影像中的具体位置。高分辨率遥感影像舰船目标检测方法主要分为以下两种：基于舰船固有特征的方法；基于通用特征描述算子的方法。基于舰船固有特征的方法主要根据舰船的固有特性，以舰船的轮廓、形态、灰度、纹理等属性作为描述舰船目标的特征，然后基于这些特征对影像中的舰船进行检测；基于通用特征描述子的方法主要使用图像处理领域的通用特征描述算子(SIFT、SURF、HOG、小波变换等)对舰船进行特征提取，然后基于提取的特征检测影像中的舰船目标。无论是舰船固有特征还是基于通用特征描述算子提取的特征，这些特征都依赖于人工设计，是局部、低层的特征，其语义性弱、鲁棒性差，难以抵抗不同光照、天气、云层、海浪等环境因素给舰船目标检测任务带来的干扰，容易产生错检、漏检等现象。此外，现有的舰船目标检测算法通常只能对特定尺度范围内的舰船目标进行检测，而遥感影像中的舰船包含民用的游艇、货船和军用的军舰等，不同种类的舰船尺寸差异巨大，现有方法无法灵活地适应影像中舰船尺寸的变化。此外，现有的舰船检测算法通过构建水平的矩形包围盒来指示舰船目标的位置，而在实际场景中，舰船姿态多变，且在外形上呈现狭长的几何特性，水平的矩形包围盒无法精确指示舰船目标的实际位置。
技术实现思路
为了克服以上技术问题，本专利技术提出了一种基于深度学习的高分辨率遥感影像舰船目标检测方法。本专利技术使用深度学习方法，利用卷积神经网络提取影像的全局、高层特征，对具有不同语义性和分辨率的特征映射图进行连接，最终构建能精确指示舰船位置的四边形。本专利技术能有效抵抗环境因素的干扰，稳定、精确地对高分辨率遥感影像中处于不同场景、具有不同尺寸和姿态的舰船进行检测。本专利技术提供了一种基于深度学习的高分辨率遥感影像舰船目标检测方法，包括以下步骤：步骤1，采集包含舰船目标的高分辨率遥感影像，使用能包围舰船目标的最小四边形对影像中的舰船进行预先标注，将遥感影像和对应的标注信息打包作为舰船数据集；步骤2，设置深度学习网络模型的结构，包括使用级联的卷积层和池化层提取输入影像的全局和高层特征，并对具有不同语义性和分辨率的特征映射图进行连接，对连接得到的特征映射图上的每个位置设置多个参考四边形，使用全连接层对参考四边形分类，保留被判定为舰船区域的参考四边形，然后使用另一个全连接层回归得到被保留的参考四边形与包围舰船目标的最小四边形之间的映射函数；步骤3，基于训练样本集，对网络模型进行训练，包括使用交叉熵定义分类的损失函数，使用平滑的L1范数定义回归的损失函数，以分类损失函数与回归损失函数之和作为整体的损失函数，基于随机梯度下降算法迭代求解能最小化损失函数的网络参数，从而得到训练好的网络模型；步骤4，将待检测的高分辨率遥感影像输入步骤3训练好的网络模型中，得到被分类为舰船区域的参考四边形及其对应的映射函数，根据参考四边形与映射函数，构建包围舰船目标的最小四边形。而且，步骤1中，标注信息提取方式为，对于影像中的每个舰船，找到包围此舰船的最小四边形Gi，用Gi的中心点坐标以及左上角点、右上角点、左下角点、右下角点关于中心点的相对坐标表示该四边形。而且，步骤2中，对连接得到的特征映射图上的每个位置设置9个参考四边形，包括对于每个位置i，设置以i为中心9个参考四边形，长宽比和倾斜角度为2、1、0.5三种长宽比和-45°、0°、45°三种角度的组合。本专利技术与现有技术相比，具有以下三个优点：(1)鲁棒性强，能有效抵抗环境因素的干扰；本专利技术使用深度学习方法，利用卷积神经网络对高分辨率遥感影像中的舰船目标进行特征抽取，基于全局、高层特征对影像中的舰船目标进行检测，鲁棒性强，能有效抵抗环境因素给舰船目标检测任务带来的干扰。(2)对舰船目标尺寸差异的适应性好；本专利技术在设计网络模型的结构时，对不同层次的特征映射图进行了连接，融合了语义性强的高层特征和分辨率高的低层特征，加强了网络模型对舰船尺寸差异的适应性，能灵活有效地检测具有不同尺寸的舰船目标。(3)检测结果的定位精确度高；本专利技术构建了包围舰船目标的最小四边形，相较于现有方法所构建的水平矩形包围盒，本专利技术的检测结果能更精确地指示舰船目标的位置。附图说明图1为本专利技术实施例基于深度学习的高分辨率遥感影像舰船目标检测流程图。图2为本专利技术实施例训练样本集的影像和标注信息示例图。图3为本专利技术实施例四边形中心点以及各个角点关于中心点的相对坐标示意图。图4为本专利技术实施例的网络模型结构图。图5为本专利技术实施例的参考区域示意图，图5(a)为长宽比为2的参考四边形示意图，图5(b)为长宽比为1的参考四边形示意图，图5(c)为长宽比为0.5的参考四边形示意图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。本专利技术实施例提供了一种如图1所示的基于深度学习的高分辨率遥感影像舰船目标检测方法，包括以下步骤：步骤1，采集包含舰船目标的高分辨率遥感影像，使用能包围舰船目标的最小四边形对影像中的舰船进行预先标注。将遥感影像和对应的标注信息打包作为舰船数据集。训练样本集可以在需要检测之前预先构建。实施例以如图2所示的方法构建训练样本集，包括以下子步骤：步骤1.1，以谷歌地球影像为数据源，从港口、码头等地点采集包含舰船目标的高分辨率遥感影像。步骤1.2，对于影像中的每个舰船，找到包围此舰船的最小四边形Gi，用Gi的中心点坐标以及左上角点、右上角点、左下角点、右下角点关于中心点的相对坐标表示该四边形Gi。其示意如图3所示。步骤1.3，将采集的遥感影像和对应的标注信息打包，构建舰船目标检测训练样本集。例如，得到影像中的4个舰船的最小四边形，分别提取左上角点、右上角点、左下角点、右下角点关于中心点的相对坐标，获得标注信息：3121383637038284331152546148567152558201537197376398396333414338395404137332163337152393126389步骤2，设置深度学习网络模型的结构，包括使用级联的卷积层和池化层提取输入影像的全局、高层特征，并对具有不同语义性和分辨率的特征映射图进行连接，对连接得到的特征映射图上的每个位置设置9个参考四边形，使用全连接层对参考四边形分类，保留本文档来自技高网...

【技术保护点】
1.一种基于深度学习的高分辨率遥感影像舰船目标检测方法，其特征在于，包括以下步骤：步骤1，采集包含舰船目标的高分辨率遥感影像，使用能包围舰船目标的最小四边形对影像中的舰船进行预先标注，将遥感影像和对应的标注信息打包作为舰船数据集；步骤2，设置深度学习网络模型的结构，包括使用级联的卷积层和池化层提取输入影像的全局和高层特征，并对具有不同语义性和分辨率的特征映射图进行连接，对连接得到的特征映射图上的每个位置设置多个参考四边形，使用全连接层对参考四边形分类，保留被判定为舰船区域的参考四边形，然后使用另一个全连接层回归得到被保留的参考四边形与包围舰船目标的最小四边形之间的映射函数；步骤3，基于训练样本集，对网络模型进行训练，包括使用交叉熵定义分类的损失函数，使用平滑的L1范数定义回归的损失函数，以分类损失函数与回归损失函数之和作为整体的损失函数，基于随机梯度下降算法迭代求解能最小化损失函数的网络参数，从而得到训练好的网络模型；步骤4，将待检测的高分辨率遥感影像输入步骤3训练好的网络模型中，得到被分类为舰船区域的参考四边形及其对应的映射函数，根据参考四边形与映射函数，构建包围舰船目标的最小四边形。...

【技术特征摘要】
1.一种基于深度学习的高分辨率遥感影像舰船目标检测方法，其特征在于，包括以下步骤：步骤1，采集包含舰船目标的高分辨率遥感影像，使用能包围舰船目标的最小四边形对影像中的舰船进行预先标注，将遥感影像和对应的标注信息打包作为舰船数据集；步骤2，设置深度学习网络模型的结构，包括使用级联的卷积层和池化层提取输入影像的全局和高层特征，并对具有不同语义性和分辨率的特征映射图进行连接，对连接得到的特征映射图上的每个位置设置多个参考四边形，使用全连接层对参考四边形分类，保留被判定为舰船区域的参考四边形，然后使用另一个全连接层回归得到被保留的参考四边形与包围舰船目标的最小四边形之间的映射函数；步骤3，基于训练样本集，对网络模型进行训练，包括使用交叉熵定义分类的损失函数，使用平滑的L1范数定义回归的损失函数，以分类损失函数与回归损失函数之和作为整体的损失函数，基于随机梯度下降算法迭代...

【专利技术属性】
技术研发人员：姚剑，韩婧，李昊昂，涂静敏，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42