一种基于卷积神经网络的海面目标显著性检测方法技术

本发明专利技术公开了一种基于卷积神经网络的海面目标显著性检测方法，该方法包含如下步骤：S1，将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图，并对多尺度特征图进行显著性计算得到对应的第一显著图；S2，同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像，对通道图像进行空间域的显著性计算得到对应的第二显著图；S3，对第一显著图和第二显著图进行融合得到最终显著图。本发明专利技术能够改善现有的显著性检测存在的特征提取不充分和鲁棒检测效果不好的问题，从而使显著性区域显著性提高，提高显著结果的精确度。

【技术实现步骤摘要】
一种基于卷积神经网络的海面目标显著性检测方法
本专利技术涉及目标检测方法，特别涉及一种基于卷积神经网络的海面目标显著性检测方法。
技术介绍
海面目标的检测与识别等问题在民用和军事领域上都具有重大意义。现如今，目前丰富的海面图像资源存在信息量过大、信息冗余的问题，如何从海量的图像中去除冗余并找到需要和感兴趣的信息，显著性检测作为解决这一问题的一个关键技术自然引起了广泛的关注,其核心就是提取图像中引起视觉注意的区域，能为海事监控、海难搜救、海事执法、船舶检测等提供机器辅助视觉并为提高后续图像处理以及决策的提供基础。受大气、光照、云雾和海岛等海面不确定条件的影响，传统的海面目标显著性检测方法存在检测效率低和可靠性差等问题。早期的基于Itti显著性模型，其核心是模拟生物视觉模拟生物视觉设计的滤波器结构，虽然算法特征图分辨率不高，但是为后续的算法模型基础。随后基于图论的GVBS显著性模型，模型相对简单，但是特征提取不充分，显著区域表达效果不好。目前显著性检测模型开始越来越偏向于机器学习领域，基于机器学习方法设计的显著性检测模型，能够将显著性区域检测出来，并取得了良好的效果。但是显著性检测结果还本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的海面目标显著性检测方法，其特征在于，该方法包含如下步骤：S1，将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图，并对所述的多尺度特征图进行显著性计算得到对应的第一显著图；S2，同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像，对所述的通道图像进行空间域的显著性计算得到对应的第二显著图；S3，对所述的第一显著图和第二显著图进行融合得到最终显著图。

【技术特征摘要】
1.一种基于卷积神经网络的海面目标显著性检测方法，其特征在于，该方法包含如下步骤：S1，将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图，并对所述的多尺度特征图进行显著性计算得到对应的第一显著图；S2，同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像，对所述的通道图像进行空间域的显著性计算得到对应的第二显著图；S3，对所述的第一显著图和第二显著图进行融合得到最终显著图。2.如权利要求1所述的基于卷积神经网络的海面目标显著性检测方法，其特征在于，所述的步骤S1中得出图像的多尺度特征图包含：将待进行显著性检测的图像I输入训练好的卷积神经网络结构，对输入图像进行卷积操作得到对应的卷积层；对得到的卷积层的特征图进行池化操作得到对应的池化层；对所述的池化层进行相应次数的卷积和池化操作，得到多尺度特征图。3.如权利要求2所述的基于卷积神经网络的海面目标显著性检测方法，其特征在于，所述的步骤S1中对所述的多尺度特征图进行显著性计算得到对应的第一显著图为：所述的多尺度特征图的图像集合为s＝{s1,s2,s3…sN}，其中N个特征图中对应位置像素点(x,y)表示为1×N的向量f(x,y)(n)，n＝{1,2,…N}，则其正态概率分布函数为：其中，Σ＝E[(f(x,y)(n)-μ)(f(x,y)(n)-u)Τ](2)u是包含N个特征图的平均值的平均矢量，Τ是转置操作，用Wk×k的2D高斯低通滤波器滤波卷积，获得频域部分的第一显著性图Sp：

【专利技术属性】
技术研发人员：刘坤，李亚茹，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31