一种基于细粒度特征的光学遥感舰船型号识别众包系统技术方案

本发明专利技术涉及一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；步骤S2、通过多级质量控制得到舰船的标准标注与置信度；步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。其优点表现在：通过众包分解任务、协作处理，结合了人工研判与计算机识别的差异优势，实现了可靠高效的舰船型号自动识别。

【技术实现步骤摘要】
一种基于细粒度特征的光学遥感舰船型号识别众包系统
本专利技术涉及图像的特征设计、舰船识别、机器学习和图像标注众包等
，具体地说，是为光学遥感影像中的舰船目标设计细粒度特征并通过众包系统对影像中的舰船进行标注和识别的方法。
技术介绍
舰船目标识别是计算机视觉和模式识别关注的重要问题，其在精确制导、海上交通管理、反恐、搜救等军事和民用领域具有十分重要的意义。现有技术中关于舰船目标识别主要有：遥感技术、光学遥感舰船识别技术、众包系统等，其具体内容如下：一、遥感技术遥感技术是20世纪70年代出现的一种空间观测技术。大范围、长时序、高时效的遥感观测方式为海上目标探测与识别提供了不可替代的数据基础。目前，遥感成像的时空分辨率正在接近甚至达到现场观测数据的精度，极大地促进了海上动态目标识别研究的发展，尤其是在军事方面的研究和应用。遥感技术按成像原理的不同可分为两种：SAR和光学遥感。SAR(SyntheticApertureRadar，合成孔径雷达)影像采用主动雷达成像方式，因此不受光照、云层等天气条件的限制，实现了对海洋的全天时、全天候观测，在海上目标探测与识别中最早得到应用。但由于其成像原理的限制，其蕴含的信息量非常有限，并且容易受到噪声干扰，例如，SAR影像存在严重的斑点噪声。与SAR影像相比，光学遥感为海上目标识别提供了更加丰富的信息。并且，随着传感器技术发展，光学遥感的成像分辨率可达分米级。如，美国的Onyx卫星空间分辨率达0.3米，QuickBird为0.61米。高光谱、高时空分辨率的遥感观测技术势必在未来的信息化战争中发挥关键作用。二、光学遥感舰船识别技术遥感影像识别是图像识别领域的重中之重。舰船作为海洋战场的主战兵器，其型号识别技术在工业界和学术界均引起巨大关注。现阶段，由于缺乏成熟可靠的舰船型号自动识别技术与系统，目前世界上舰船型号识别业务的主流工作模式仍是以专家研判为主导，大部分工作量基本依靠人工完成。如，由科员、专家等多个级别人才组成的梯队完成对光学遥感影像中舰船目标从粗到细的筛选和研判：科员负责从影像中筛选出军舰或其他高敏感舰船，专家则从中详细判别舰船型号。尽管相比仍不成熟的自动识别技术，人工模式可靠性更高，但随着遥感影像数据量、更新周期与覆盖范围不断提高，这种传统的工作模式将越来越难以在维持可靠性的同时消化剧增的工作量。在这一业务流程中，专家作为资质最高而编制最少的人员承担了型号识别中最困难的工作环节与较大的工作量，其对工作效率的瓶颈作用已有所显现。目前基于遥感影像的舰船目标识别技术已有一定的研究成果，主要可分为以下两大类。(1)基于特征提取的舰船识别图像识别一般包括预处理、特征选择与提取和分类方法三个步骤。此类识别方法即通过人工选择特征，利用统计分析、机器学习模型等分类方法，依靠有监督或无监督理论解决舰船目标检测识别问题。其中，特征提取与选择即从原始特征集中选取最有效的特征。舰船原始特征受数据源、光照、成像技术等多种因素影响很大，因而如何通过特征选择和提取获取舰船关键而稳定的特征是研究舰船识别的关键步骤。一般常用全局几何特征、局部结构显著性、灰度统计特征、边缘信息等可以较好描述舰船目标结构、尺度、灰度、几何、纹理等信息的特征。较为常用的特征选择与提取方法包括：Hu不变矩特征提取，通过构造7个对变化不敏感的不变矩使得特征具有旋转、平移和尺度不变性；主成分分析法，通过线性变换的思想，将原特征投影到新的特征坐标系中，从而把有价值信息集中于新建立的少数互不相关的特征中，从而实现特征降维；基于Fisher的特征提取，通过线性投影将原特征投影在最可分的方向上，从而使投影获得的新特征在尽量保留原特征内容的基础上拥有更强的可分性等方法。构建分类器则常用动态贝叶斯网络、神经网络、支持向量机、K最近邻等方法实现舰船识别。例如以面积比编码为核心特征，通过粗糙集理论自动选择最有效的特征组合并以分层判别回归构建分类器；基于改进型SIM模型提取视觉显著性特征，对原始影像进行通道分离并利用负值扩展对比敏感度函数对权重和系数等参数进行调制等方法。上述方法在基于遥感影像的舰船识别中取得了一定的研究成果，但总结分析发现，上述方法主要是基于人工设计特征提取(颜色特征、纹理特征、空间特征及几何特征等特征)对舰船进行识别，高维度底层特征间存在显著非线性相关性，且对噪声与变换敏感，严重影响舰船识别精准度。人工选择特征存在主观性强、效率低、成本高等特点，加之海洋遥感影像的光谱低反差性和海洋要素表达不确定性，加剧了人工提取特征对舰船识别的不精确性。因此，如何获得舰船的关键而稳定的特征是提高识别精度的关键。(2)基于特征学习的舰船识别大量研究和实践经验表明，特征提取与选择是实现高效准确的舰船识别而言有着至关重要的意义。面对特征复杂的舰船目标或是急速增长的新型数据，传统的人工方式往往难以在短时间内选择提取出适合的特征，或是选择的特征难以很好地推广至多种类型目标。特征学习方法则将特征设计交由计算机通过学习数据自动完成，在一定程度上解决了这一困境。目前特征学习在舰船识别领域的研究主要集中于深度学习。深度学习方法通过模仿人脑推理机制，可对各类目标进行多级抽象获得高层特征，从而实现各类目标的特征自动学习、表达与目标分类。近些年随着深度学习技术的蓬勃发展和卷积神经网络在图像识别领域的优异表现，舰船识别技术也开始越来越多地引入卷积神经网络，目前的应用主要还处于舰船存在检测和舰船种类识别，舰船型号识别方面的成果较少。基于深度学习的多层网络模型实现了舰船关键特征的自动学习与表达，提高了舰船识别精度。但是，深度学习的多层网络模型需要大规模的数据集对其数以百万计的模型参数进行训练，训练集难以短时间内构建。而对于军舰来说，其数据集的构建对专业解译能力要求极高，并且数量非常有限，因此采用深度学习方法进行舰船型号识别非常受限。虽然目前基于光学遥感影像的舰船识别技术也取得了一定成果，但大多还处于理论、关键技术或原型系统研究阶段，距离真正意义上的业务运行还有一定差距。目前，舰船识别技术研究与业务实际间存在的问题主要有以下几个方面：(1)计算机自动识别方法与人工研判的局限性目前，该领域相关研究多聚焦于单纯依靠计算机实现舰船自动识别的算法与技术。经过多年的理论研究与技术积累，现有成果在有限定条件的情况下已能够达到90％以上的识别准确率。可靠性虽然不可谓低，但仍难以满足开放条件下的业务需求,尤其是复杂背景下的多种类舰船型号识别。相较于计算机，人在图像分类识别领域有着天然优势，专业图像研判人员在舰船识别上更为准确。然而，由于海洋面积广阔、舰船型号庞杂、专家编制有限、研判效率低等原因，传统的专家研判舰船型号的工作方式已经愈发难以应对更大的数据量、更快的更新周期与更广的覆盖范围带来的工作量。在现有技术水平下，最大化结合计算机与人的差异优势是大幅提高舰船型号识别技术应用效果的必由之路。(2)现有的人工选择提取底层特征缺乏可扩展性选择和提取具有显著识别效果的特征，是实现高效准确分类的首要条件。由于基于深度学习的舰船识别方法所需的海量样本集难以获得，目前主流方法仍是人工特征设计。现有的人工选择提取底层特征大多存在局限性和主观性，常用的特征如SIFT特征、灰度直方图、本文档来自技高网...

【技术保护点】
1.一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；步骤S2、通过多级质量控制得到舰船的标准标注与置信度；步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。

【技术特征摘要】
1.一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；步骤S2、通过多级质量控制得到舰船的标准标注与置信度；步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。2.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S1细粒度特征的设计选取了三类十种武器设施和上层建筑作为舰船细粒度特征，具体如下：武器类，对应的特征名称为：主炮、导弹发射架、垂直发射井；建筑类，对应的特征名称为：舰桥、烟囱、直升机库；甲板类，直升机甲板、直通甲板、斜角甲板、滑跃甲板。3.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S1细粒度特征的设计使用了特征矩阵对舰船细粒度特征进行表达，特征矩阵由10个特征向量组成，分别代表10个细粒度特征；每个特征向量拥有3个元素，分别代表各个特征在舰艏、舰舯、舰尾3个位置出现的数量。4.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S1中的细粒度特征的形式化表达具体包括以下步骤：步骤S11、定义舰船细粒度特征记为t，10种舰船细粒度特征组成的集合记为t＝{ti|i＝1，2，......10}，并将舰船细粒度特征与其军语名称的对应，其中，主炮对应i的取值为1，导弹发射架对应i的取值为2，垂直发射井对应i的取值为3，舰桥对应i的取值为4，烟囱架对应i的取值为5，直升机库对应i的取值为5，直升机甲板对应i的取值为6，直升机甲板对应i的取值为7，直通甲板对应i的取值为8，斜角甲板对应i的取值为9，滑跃甲板对应i的取值为10；步骤S12、定义舰船细粒度特征向量记为tl＝(t1i，t2i，t3i)；步骤S13、定义舰船细粒度特征矩阵记为该矩阵是3行10列矩阵，由10个3维舰船细粒度特征向量组成，该矩阵中元素的值名为特征值thi，表示该元素所在向量代表特征的位置和数量信息，其中h∈{1，2，3}代表舰船的三个区域，i∈{1，2，......10}代表10个细粒度特征。5.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S2中包括以下步骤：步骤S21、人员评级策略；步骤S22、相对位置匹配算法；步骤S23、基于业务评级加权的标准标注算法；步骤S24、置信度计算。6.根据权利要求5所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S21中具体包括以下步骤：步骤S211、定义职称记为Pn，定义资历记为Yn，其中n为任务参与者的编号；步骤S212、定义业务级别记为Ln，其中n为任务参与者的编号，业务级别共分4级：入职3年(含)以内的实习员为1级；入职3年以上的实习员为2级；助理员为3级；研究员为4级；1级至3级人员负责任务标注任务，4级人员负责审核任务；步骤S213、定义标注权重系数记为ωn，n为任务参与者的编号，1级至3级人员必须分配标注权重系数，4级人员因不参与标注任务，标注权重系数的计算公式如下：其中，n是任务参与者编号，N是参与此次标注任务的总人数。7.根据权利要求5所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S22中包括以下步骤：步骤S221、定义舰船标注项目记为Ij，其中，j是此次任务中的项目编号；步骤S222、定义相对位置阈值记为其中j1和j2分别为进行判断的两个项目的项目编号；步骤S223、对最初两个项目的相对位置匹配计算，具体如下：假设任务中项目Ij的范围四角坐标为(xj，yj)，(xj′，yj′)，(xj″，yj″)，(xj″′，yj″′)，该任务中共有J个项目，首先计算判断I1和I2的相对位置关系，相对位置关系由矩形中心点确定，矩形中心点的坐标计算公式为：算法从任务中最初的两个项目I1和I2开始，在得到O1和O2的坐标后，计算中心点之间直线距离：相对位置的阈值取两艘舰船中最小舰船宽度的一半，即从舰船几何中心点到舰船侧舷边缘的距离，I1和I2两个项目中最小外接矩形中最小宽度的求解方法为：I1和I2的相对位置阈值计算方法为：然后，判断I1和I2是否属于同一个标注集G1：步骤S224、接下来以I1为基准遍历剩余所有项目，确定属于G1的项目；本次遍历结束后，以I2为基准展开同样的遍历计算，确定属于G2的项目；此后依次判断Ij是否已有所属标注集，若有则判断下一个项目，若无则以Ij为基准进行相对位置匹配遍历，当循环计算全部完成时，即相对位置匹配算法已使此次任务包含的所有项目都关联于各自的标注集。8.根据权利要求5所述的基于细粒度特征的光学遥感舰船型号识别众包系统，...

【专利技术属性】
技术研发人员：唐非凡，杜艳玲，陈德利，李舰，宋洪波，汪卫，宋巍，
申请(专利权)人：上海海洋大学，中国人民解放军六一二九零部队，
类型：发明
国别省市：上海,31