一种基于深层卷积神经网络的高分辨率遥感船舶检测方法技术

本发明专利技术公开了一种基于深层卷积神经网络的高分辨率遥感图像船舶检测方法，包括：(1)构建船舶检测网络，该船舶检测网络包括交替连接的多个卷积层和最大池化层、三个连续的全连接层，利用训练样本训练该船舶检测网络，获得船舶检测模型；(2)对待检测的遥感图像依次进行中值滤波和拉普拉斯算子增强，获得预处理图像；(3)采用选择性搜索算法处理预处理图像，获得船舶候选区域；(4)采用训练好的SVM分类器对步骤(3)获得的船舶候选区域进行筛选，获得较准确的船舶候选区域；(5)将较准确的船舶候选区域输入至船舶检测模型中，经计算获得最终的船舶检测结果。该方法能够快速、准确地实现高分辨率遥感图像船舶目标的检测识别。

【技术实现步骤摘要】
一种基于深层卷积神经网络的高分辨率遥感船舶检测方法
本专利技术属于深度学习目标检测领域，具体涉及一种基于深层卷积神经网络的高分辨率遥感船舶检测方法。
技术介绍
近些年来，以卷积神经网络为代表的深度学习得到了极大的发展，吸引了越来越多的研究者，在人工智能的研究中占据了很重要的地位。而随着计算机图形处理器(GraphicsProcessingUnit,GPU)研发技术的提高，GPU拥有的核数越来越多，性能也得到了很大提升。得益于GPU庞大的计算能力，基于深度学习的方法在数据挖掘、计算机视觉、智能客服、无人驾驶、智慧医疗、智能家居等众多领域取得了令人瞩目的成绩，成为了当前学术界和工业界一个热门研究方向，吸引了越来越多的科研人员参与进来。在计算机视觉领域中，以卷积神经网络(ConvolutionalNeuralNetwork,CNN)为代表的深度学习方法在在图像分类、目标检测、图像分割和目标跟踪等任务中都取得了突破性的进展。与传统的机器学习方法相比较而言，卷积神经网络，尤其是深层卷积神经网络能通过使用大量的数据训练来学习到更加丰富的语义信息和高层次的图像特征表征，能更准确的描述不同目标之间的差异。而且卷积神经网络是一种典型的端到端的网络模型，只需要关注网络输入和输出，不需要感知中间层的结果，当大量的大小一致的训练图像输入网络，经过卷积层、池化层等中间层计算后便直接输出最后的结果，大大的减少了复杂的数据预处理、特征提取、特征表征等人工操作。现有的关于遥感图像船舶目标检测多数集中在灰度统计、阈值分割和边缘检测等。但是这些方法都适只用于简单、平静的海面，应用场景单一。如果海上场景或者天气很复杂(如光照强度不一致、有陆地、海面颜色不一致等)，很容易受到影响，此外这些方法不容易区分与船舶相似的物体。现阶段的遥感图像船舶检测也有一些基于模型的方法，这些方法可以通过使用一系列的局部结构有效地描述目标，但是这些方法的计算量很大，而且往往会错过一些小型船只。除了上面所提到的方法之外，还有很多方法主要关注于特征提取和有监督的分类。这些方法将船舶检测转化为船舶目标和非船舶目标的二分类问题。它们具有很强的抵抗海洋背景的干扰能力，但是其检测性能很依赖于特征的提取，而传统的特征提取方法往往不能够充分提取高分辨率图像中的高层次语义特征。目前，深度学习技术在目标检测方面取得了显著的成绩。但是现阶段所使用的网络模型的层数比较浅，不能充分提取船舶的特征，而且所使用的传统候选区域选择算法产生了大量的候选区域，使得船舶目标检测的速度和准确率都不高。而视觉显著性方法可以快速删掉海洋背景的冗余信息并且准确的定位到感兴趣的区域，因此许多研究试图模拟这种机制来检测海洋目标。视觉显著性模型可以被分为自上而下的模型和自下而上的模型。自上而下的模型与特定的目标和任务相关，这些目标和任务使用诸如先验知识和上下文信息来进行视觉搜索，但是这些模型通常很复杂，而且不具有普适性。因此，迫切地需要提供一种方法来提高高分辨率遥感图像船舶目标识别的准确性。
技术实现思路
鉴于上述，本专利技术提供了一种基于深层卷积神经网络的高分辨率遥感图像船舶检测方法，该方法能够快速、准确地实现高分辨率遥感图像船舶目标的检测识别。本专利技术的技术方案为：一种基于深层卷积神经网络的高分辨率遥感图像船舶检测方法，包括以下步骤：(1)构建船舶检测网络，该船舶检测网络包括交替连接的多个卷积层和最大池化层、三个连续的全连接层，利用训练样本训练该船舶检测网络，获得船舶检测模型；(2)对待检测的遥感图像依次进行中值滤波和拉普拉斯算子增强，获得预处理图像；(3)采用选择性搜索算法处理预处理图像，获得船舶候选区域；(4)采用训练好的SVM分类器对步骤(3)获得的船舶候选区域进行筛选，获得较准确的船舶候选区域；(5)将较准确的船舶候选区域输入至船舶检测模型中，经计算获得最终的船舶检测结果。本专利技术提供的高分辨率遥感图像船舶检测方法中，首先利用选择性搜索算法初步确定船舶候选区域，然后利用训练好的SVM分类器筛选掉船舶候选区域中包含船舶可能性更大的船舶候选区域，最后利用训练好的船舶检测模型精确地检测船舶，三级检测手段的依次叠加，显著地提高了从高分辨率遥感图像中识别船舶的准确性。优选地，所述船舶检测网络按照连接顺序依次包括：卷积层Conv1，由两个紧邻的卷积层构成，每个卷积层均使用64个尺寸为3*3的卷积核，以ReLU函数作为激活函数，卷积核滑动步长为1个像素；最大池化层Pooling1，采用2*2的池化核；卷积层Conv2，由两个紧邻的卷积层构成，每个卷积层均使用64个尺寸为3*3的卷积核，以ReLU函数作为激活函数，卷积核滑动步长为1个像素；最大池化层Pooling2，采用2*2的池化核；卷积层Conv3，由三个紧邻的卷积层构成，前两个卷积层使用256个尺寸为3*3的卷积核，后一个卷积层256个尺寸为1*1的卷积核；最大池化层Pooling3，采用2*2的池化核；卷积层Conv4，由三个紧邻的卷积层构成，前两个卷积层使用512个尺寸为3*3的卷积核，后一个卷积层512个尺寸为1*1的卷积核；最大池化层Pooling4，采用2*2的池化核；卷积层Conv5，由三个紧邻的卷积层构成，前两个卷积层使用512个尺寸为3*3的卷积核，后一个卷积层512个尺寸为1*1的卷积核；最大池化层Pooling5，采用2*2的池化核；全连接层F1，采用ReLU函数作为激活函数，使用4096个节点作为输出；全连接层F2，采用ReLU函数作为激活函数，使用4096个节点作为输出；全连接层F3，采用Sigmoid作为分类函数，使用1个节点作为输出。该船舶检测网络中，卷积层、最大池化层的特定设置，经实验验证，能够很精确地提取遥感图像中的船舶特征，三个全连接层的设置能够对船舶特征进行三次全连接计算，综合考虑了船舶特征获得较准确的识别预测概率。具体地，步骤(1)中，将数据集中的遥感图像依次进行中值滤波和拉普拉斯算子增强，获得预处理图像；并将预处理图像中的船舶区域标记为1，非船舶区域标记为0，构成训练样本。步骤(4)中，训练好的SVM分类器获取过程为：将数据集中的遥感图像依次进行中值滤波和拉普拉斯算子增强，获得预处理图像；设定HOG(HistogramofOrientedGradient，方向梯度直方图)特征获取参数，具体设定胞元和块尺寸为8*8，滑动窗口尺寸为32*32，滑动步长为8*8，梯度方向数为9，利用设定HOG特征获取参数提取预处理图像，获得HOG特征；利用HOG特征对SVM分类器进行训练，获得训练好的对SVM分类器。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征，即提取遥感图像中船舶的梯度方向直方图，利用船舶的梯度方向直方图直接训练SVM分类器，获得能够较准确预测船舶的SVM分类器。其中，所述进行中值滤波和拉普拉斯算子增强包括：采用尺寸为3*3的模版对遥感图像进行中值滤波；采用尺寸为3*3的拉普拉斯算子模板对中值滤波处理后的遥感图像进行拉普拉斯算子增强。采用中值滤波即使用3*3的模版所覆盖区域的所有像素的灰度值中值来取代图像模版中心的点，这样可以减少图像中的噪声，如长尾噪声等，提高分类的准确率。对中值滤波处理后的遥感图像进行拉普本文档来自技高网...

【技术保护点】
1.一种基于深层卷积神经网络的高分辨率遥感图像船舶检测方法，包括以下步骤：(1)构建船舶检测网络，该船舶检测网络包括交替连接的多个卷积层和最大池化层、三个连续的全连接层，利用训练样本训练该船舶检测网络，获得船舶检测模型；(2)对待检测的遥感图像依次进行中值滤波和拉普拉斯算子增强，获得预处理图像；(3)采用选择性搜索算法处理预处理图像，获得船舶候选区域；(4)采用训练好的SVM分类器对步骤(3)获得的船舶候选区域进行筛选，获得较准确的船舶候选区域；(5)将较准确的船舶候选区域输入至船舶检测模型中，经计算获得最终的船舶检测结果。

【技术特征摘要】
1.一种基于深层卷积神经网络的高分辨率遥感图像船舶检测方法，包括以下步骤：(1)构建船舶检测网络，该船舶检测网络包括交替连接的多个卷积层和最大池化层、三个连续的全连接层，利用训练样本训练该船舶检测网络，获得船舶检测模型；(2)对待检测的遥感图像依次进行中值滤波和拉普拉斯算子增强，获得预处理图像；(3)采用选择性搜索算法处理预处理图像，获得船舶候选区域；(4)采用训练好的SVM分类器对步骤(3)获得的船舶候选区域进行筛选，获得较准确的船舶候选区域；(5)将较准确的船舶候选区域输入至船舶检测模型中，经计算获得最终的船舶检测结果。2.如权利要求1所述的基于深层卷积神经网络的高分辨率遥感图像船舶检测方法，其特征在于，所述船舶检测网络按照连接顺序依次包括：卷积层Conv1，由两个紧邻的卷积层构成，每个卷积层均使用64个尺寸为3*3的卷积核，以ReLU函数作为激活函数，卷积核滑动步长为1个像素；最大池化层Pooling1，采用2*2的池化核；卷积层Conv2，由两个紧邻的卷积层构成，每个卷积层均使用64个尺寸为3*3的卷积核，以ReLU函数作为激活函数，卷积核滑动步长为1个像素；最大池化层Pooling2，采用2*2的池化核；卷积层Conv3，由三个紧邻的卷积层构成，前两个卷积层使用256个尺寸为3*3的卷积核，后一个卷积层256个尺寸为1*1的卷积核；最大池化层Pooling3，采用2*2的池化核；卷积层Conv4，由三个紧邻的卷积层构成，前两个卷积层使用512个尺寸为3*3的卷积核，后一个卷积层512个尺寸为1*1的卷积核；最大池化层Pooling4，采用2*2的池化核；卷积层Conv5，由三个紧邻的卷积层构成，前两个卷积层使用512个尺寸为3*3的卷积核，后一个卷...

【专利技术属性】
技术研发人员：罗智凌，廖翔勇，唐文博，尹建伟，赵文波，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33