一种光学遥感影像港口舰船目标的识别方法技术

本发明专利技术提供一种光学遥感影像港口舰船目标的识别方法，提出了一种分级差异性训练策略，网络模型层级不同，正负样本的输入不同，并将前一级网络模型检测错误的虚警目标以负样本的形式输入后一级的网络模型中，解决了传统方法难以鉴别模糊目标、正负样本数量差异、深层次检测网络模型复杂以及时效性差的问题，大幅度提升了网络模型对舰船目标识别、定位以及检测的准确性；同时，本发明专利技术将级联的思想引入深度学习网络构建中，将较为复杂的网络拆分为多个级联的轻量型网络，提升了网络运行的效率。

A Method for Recognition of Port Ship Targets from Optical Remote Sensing Images

【技术实现步骤摘要】
一种光学遥感影像港口舰船目标的识别方法
本专利技术属于光学遥感目标检测
，尤其涉及一种光学遥感影像港口舰船目标的识别方法。
技术介绍
近年来，随着遥感观测技术的飞速发展和传感器成像技术的日益先进，遥感影像在分辨率、成像质量等诸多方面得到了极大提升，丰富的光学遥感图像数据资源推动着舰船目标检测和识别技术的进步。在监控港口海运交通，辅助遇难船只救援，配合监管打击非法捕鱼、非法倾倒油污、走私等违法行为，监视敌方港口部署和动态，获取海上作战情报等方面，准确快速的舰船检测技术发挥着巨大的作用。在复杂遥感大视场条件下，综合利用人工智能、模式识别等多种智能化处理手段实现舰船目标的快速、准确提取已成为遥感对地观测领域研究的重点难题。目前，基于光学遥感影像的港口舰船目标检测技术主要分为传统检测方法和深度学习检测方法。传统检测方法通过特征提取策略获得利于舰船目标检测的鉴别性特征，然后将提取的多维特征以向量形式输入构建的分类器，如支持向量机、强弱分类器等，从而拟合出具有鉴别能力的分类模型。该类方法特征提取策略的选取通常依赖于判图经验，且针对不同类型的目标表征能力有限，难以有效将舰船目标从多种类型的虚警中分离出来，检测率低、虚警率高。深度学习技术用于港口舰船检测需要在大幅宽图像中准确定位并确认目标属性。目前较为常用的深度学习检测网络可分为以fastRCNN为代表的两级网络和以YOLO为代表的端到端网络。这类深度学习网络可自动提取舰船目标的多层次特征，具有较好的检测效果，但其性能实现往往依赖于结构复杂的基网络，在时效性要求较高的检测任务中，难以发挥其应用优势。
技术实现思路
为解决上述问题，本专利技术提供一种光学遥感影像港口舰船目标的识别方法，能够大幅度提升网络模型对舰船目标识别、定位以及检测的准确性。一种光学遥感影像港口舰船目标的识别方法，采用级联网络模型对港口遥感图像中的舰船目标进行识别，其中，级联网络模型至少为三级，且第一级网络模型获取方法具体为：S1：框选出港口遥感图像中舰船目标；S2：将框选出的港口遥感图像中舰船目标作为正样本，港口遥感图像中除舰船目标以外的物体作为负样本，然后采用正样本和负样本进行神经网络训练，得到第一级网络模型；级联网络模型中第一级网络模型之后的各级网络模型获取方法具体为：S3：将前级网络模型在港口遥感图像中识别出来的舰船目标所在位置与步骤S1中已框选出的对应舰船目标所在位置作对比，得到前级网络模型识别结果中的虚警目标；S4：将前级网络模型识别结果中的虚警目标作为本级网络模型的负样本，步骤S1中已框选出的港口遥感图像中舰船目标作为本级网络模型的正样本，然后采用正样本和负样本进行神经网络训练，得到本级网络模型。进一步地，获取级联网络模型中最后一级网络模型后，还执行以下步骤：采用最后一级网络模型对港口遥感图像中的舰船目标进行识别，然后获取最后一级网络模型识别出来的舰船目标与步骤S1中已框选出的对应舰船目标的交并比；判断所述交并比是否大于预设阈值，若大于，则此时各级网络模型对应的级联网络模型为最终的级联网络模型；若不大于，则调节各级网络模型的层级结构，然后重复执行步骤S1～S4，直到所述交并比大于预设阈值，得到最终的级联网络模型。进一步地，在各级网络模型进行神经网络训练前，先对港口遥感图像进行降采，其中，越靠后的网络模型对应的降采倍率越低。有益效果：1、本专利技术提供一种光学遥感影像港口舰船目标的识别方法，提出了一种分级差异性训练策略，网络模型层级不同，正负样本的输入不同，并将前一级网络模型检测错误的虚警目标以负样本的形式输入后一级的网络模型中，解决了传统方法难以鉴别模糊目标、正负样本数量差异、深层次检测网络模型复杂以及时效性差的问题，大幅度提升了网络模型对舰船目标识别、定位以及检测的准确性；同时，本专利技术将级联的思想引入深度学习网络构建中，将较为复杂的网络拆分为多个级联的轻量型网络，提升了网络运行的效率。2、本专利技术提供一种光学遥感影像港口舰船目标的识别方法，在各级网络模型进行神经网络训练前，先对港口遥感图像进行降采，其中，越靠后的网络模型对应的降采倍率越低，既能够精确识别出舰船目标，同时又兼顾计算效率。附图说明图1为本专利技术提供的一种光学遥感影像港口舰船目标的识别方法的流程图；图2为本专利技术提供的甲港口遥感图像示意图；图3为本专利技术提供的乙港口遥感图像示意图；图4为本专利技术提供的级联网络模型对甲港口遥感图像中舰船目标的检测结果示意图；图5为本专利技术提供的级联网络模型对乙港口遥感图像中舰船目标的检测结果示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。下面以级联网络模型为三级为例，对本实施例提供的一种光学遥感影像港口舰船目标的识别方法进行详细说明。参见图1，该图为本实施提供的一种光学遥感影像港口舰船目标的识别方法的流程图。一种光学遥感影像港口舰船目标的识别方法，采用级联网络模型对港口遥感图像中的舰船目标进行识别，其中，级联网络模型的获取方法具体包括以下步骤：S1：框选出港口遥感图像中舰船目标。参见图2和图3，分别为本实施例提供的甲港口遥感图像示意图和乙港口遥感图像示意图。需要说明的是，港口遥感图像可以从GooleEarth数据库中下载，其中，下载的数据为google18级产品，对应空间分辨率为1.04m，然后将数据处理为4096×4096大小的港口遥感图像；此外，可以通过LabelMe软件的矩形工具对数据进行标记，框选出港口遥感图像中舰船目标，并将舰船目标的位置信息存储为xml格式，xml文件中存储的目标信息有：舰船目标类型标号、舰船目标左上点以及右下点的位置坐标信息。S2：将大小为4096×4096的港口遥感图像采用隔点采样的方式降采为512×512大小的港口遥感图像，然后将大小为512×512的港口遥感图像按设定比例划分为训练样本和测试样本，其中，训练样本中的正样本为框选出的港口遥感图像中舰船目标，负样本为港口遥感图像中除舰船目标以外的物体，然后采用正样本和负样本进行神经网络训练，得到第一级网络模型。需要说明的是，第一级网络模型采用5层卷积层、3层池化层作为特征提取共享网络，之后通过RPN网络生成预置检测框，以卷积层和softmax层的作为网络输出，共享卷积层均采用尺寸为3×3的卷积核，各层卷积核数量分别为16、32、64、128、256，池化层采用最大值池化，输出卷积层尺寸为3×3，维度为21(1类舰船、3类虚警、4×4坐标回归)，下面简单介绍各层特点：卷积层与激活层的形式如下公式所示：其中，x表示卷积层中一个神经元，l代表层数，w为卷积核，Mj表示选择的输入特征图的集合，每个输出特征图会给一个额外的偏置b，f为激活函数；池化层操作：池化层每个输出特征图的大小都按照输入特征图大小比例缩小，公式如下：其中down(·)为下采样函数，采样窗口大小为m×m，使输出特征图缩小m倍，这样可以通过降低分辨率得到尺度不变性。每个输出特征图都对应自己的乘性偏执系数α和加性偏执系数β。有些网络也可在池化层后接激活层；全连接层操作：全连接层可以看做一个简单的BP(BackPropagation)网络，其输出的每一个神经元都与上一层所本文档来自技高网...

【技术保护点】
1.一种光学遥感影像港口舰船目标的识别方法，其特征在于，采用级联网络模型对港口遥感图像中的舰船目标进行识别，其中，级联网络模型至少为三级，且第一级网络模型获取方法具体为：S1：框选出港口遥感图像中舰船目标；S2：将框选出的港口遥感图像中舰船目标作为正样本，港口遥感图像中除舰船目标以外的物体作为负样本，然后采用正样本和负样本进行神经网络训练，得到第一级网络模型；级联网络模型中第一级网络模型之后的各级网络模型获取方法具体为：S3：将前级网络模型在港口遥感图像中识别出来的舰船目标所在位置与步骤S1中已框选出的对应舰船目标所在位置作对比，得到前级网络模型识别结果中的虚警目标；S4：将前级网络模型识别结果中的虚警目标作为本级网络模型的负样本，步骤S1中已框选出的港口遥感图像中舰船目标作为本级网络模型的正样本，然后采用正样本和负样本进行神经网络训练，得到本级网络模型。

【技术特征摘要】
1.一种光学遥感影像港口舰船目标的识别方法，其特征在于，采用级联网络模型对港口遥感图像中的舰船目标进行识别，其中，级联网络模型至少为三级，且第一级网络模型获取方法具体为：S1：框选出港口遥感图像中舰船目标；S2：将框选出的港口遥感图像中舰船目标作为正样本，港口遥感图像中除舰船目标以外的物体作为负样本，然后采用正样本和负样本进行神经网络训练，得到第一级网络模型；级联网络模型中第一级网络模型之后的各级网络模型获取方法具体为：S3：将前级网络模型在港口遥感图像中识别出来的舰船目标所在位置与步骤S1中已框选出的对应舰船目标所在位置作对比，得到前级网络模型识别结果中的虚警目标；S4：将前级网络模型识别结果中的虚警目标作为本级网络模型的负样本，步骤S1中已框选出的港口遥感图像中舰船目标作为本级网络模型的正样本，然后采...

【专利技术属性】
技术研发人员：陈天明，刘英杰，常佳佳，丁萌，
申请(专利权)人：北京理工雷科电子信息技术有限公司，
类型：发明
国别省市：北京,11