The invention discloses a visible-light ship false alarm rejection method based on deep convolution network. The method is as follows: firstly, the samples are classified by combining traditional feature extraction technology and K_means clustering technology; secondly, the VGG19 network trained on the large data set of ImageNet is used as the base network to migrate and train the samples. Then, select the appropriate network parameters to form a recognition network to determine the type of all samples, and get the decision probability, with \0.85 above\, \0.75 to 0.85\ and \0.75 below\ three probability intervals will be divided into three categories of each sample, and the wrong slices into \0.75 below\ sub-category; for each sub-category; Finally, the VGG19 network convolution layer is frozen and the subdivision samples are trained to select the best network parameters to get the final identification network. The invention provides a visible light ship false alarm rejection method based on depth convolution network, which can effectively solve the problem of high false alarm rate in ship detection.
【技术实现步骤摘要】
一种基于深度卷积网络的可见光舰船虚警剔除方法
本专利技术属于图像处理与立体视觉
,具体涉及一种基于深度卷积网络的可见光舰船虚警剔除方法。
技术介绍
利用遥感图像对广域海洋内的舰船进行检测,在民用领域内,可为海洋渔业管理提供及时的数据支撑;在军用领域内,可以快速的掌握争端海域内舰船的态势,为军事决策提供高时效的信息。传统的舰船识别方法主要为基于底层特征结合传统机器学习分类器的方法。该方法一般需要人为构造有效的底层特征,如颜色特征:颜色直方图、颜色矩、颜色相关图等,形状特征:HOG、SIFT、BOVW等,纹理特征:LBP、灰度共生矩阵等,然后将提取得到的特征送入分类器(如贝叶斯分类器、支持向量机等)进行分类识别。此类技术需要开发人员具备深入的领域知识,并在此基础上针对性地开发适用于任务的特定描述特征,其开发难度大,收效不甚理想。考虑到对于舰船检测虚警剔除领域内的特殊工程问题,目标特性易受到运动尾迹与侧迹的影响,在目标的技术条件下,未能够彻底的去除目标运动产生尾迹侧迹对目标特性的干扰,其鉴别能力弱,虚警多。
技术实现思路
为了解决上述技术问题,本专利技术提出一种基于深度卷积网络的可见光舰船虚警剔除方法,该方法能够更准确地区分图像中的舰船和虚警,从而解决舰船检测中虚警率特别高的问题。实施本专利技术的技术方案如下:一种基于深度卷积网络的可见光舰船虚警剔除方法,具体步骤为:步骤1、选取光学遥感图像中的舰船切片和虚警切片,作为初始的舰船样本和虚警样本;对两类样本中的切片进行舰船、虚警类型标记;步骤2、分别对初始的舰船样本和虚警样本进行数据增广;步骤3、分别对增广后的舰 ...
【技术保护点】
1.一种基于深度卷积网络的可见光舰船虚警剔除方法,其特征在于,具体过程为:步骤1、选取光学遥感图像中的舰船切片和虚警切片,作为初始的舰船样本和虚警样本;对两类样本中的切片进行舰船、虚警类型标记;步骤2、分别对初始的舰船样本和虚警样本进行数据增广;步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取,生成舰船样本集特征库与虚警样本集特征库,使用K‑means算法结合样本集特征库将增广后的舰船样本细分为M个子类、将增广后的虚警样本分为N个子类,共得到(M+N)个子类样本,对(M+N)个子类样本中的切片进行类型标记;步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络,并在此基础上进行优化,得到优化后的CNN卷积神经网络;步骤5、初始化优化后的CNN中的待训练参数,并设置网络超参数,得到训练网络;步骤6、将步骤3得到的(M+N)个子类样本打乱,并使用训练网络对其进行迁移学习训练,共训练t1代,训练过程中每一代都会自动更新待训练参数,并获得对应的训练精度和损失曲线;步骤7、根据步骤6中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数,加载到步骤4中 ...
【技术特征摘要】
1.一种基于深度卷积网络的可见光舰船虚警剔除方法,其特征在于,具体过程为:步骤1、选取光学遥感图像中的舰船切片和虚警切片,作为初始的舰船样本和虚警样本;对两类样本中的切片进行舰船、虚警类型标记;步骤2、分别对初始的舰船样本和虚警样本进行数据增广;步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取,生成舰船样本集特征库与虚警样本集特征库,使用K-means算法结合样本集特征库将增广后的舰船样本细分为M个子类、将增广后的虚警样本分为N个子类,共得到(M+N)个子类样本,对(M+N)个子类样本中的切片进行类型标记;步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络,并在此基础上进行优化,得到优化后的CNN卷积神经网络;步骤5、初始化优化后的CNN中的待训练参数,并设置网络超参数,得到训练网络;步骤6、将步骤3得到的(M+N)个子类样本打乱,并使用训练网络对其进行迁移学习训练,共训练t1代,训练过程中每一代都会自动更新待训练参数,并获得对应的训练精度和损失曲线;步骤7、根据步骤6中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数,加载到步骤4中得到的CNN构成判定网络,对打乱后的(M+N)个子类样本进行类型判定,记录样本中每个切片的判定概率;步骤8、将打乱后的(M+N)个子类样本进行重新归类,然后根据判定概率将(M+N)个子类样本中的切片各自细分成k小类,最终得到k×(M+N)个小类,分类后对切片进行类型标记;步骤9、根据k×(M+N)个小类中每小类的数据量对k×(M+N)个小类分别进行数据增广,得到k×(M+N)个训练样本集;步骤10、将在步骤9中得到的k×(M+N)个训练样本集打乱,“冻结”步骤5中得到的训练网络的卷积层,然后对打乱后的训练样本集进行微调训练,即只调节全连接层的待训练参数,不调节卷积层的待训练参数;训练t2代后结束,训练过程中每一代都会自动更新待训练参数,并获得对应的训练精度和损失曲线;步骤11、根据步骤10中获得的训练精度和损失...
【专利技术属性】
技术研发人员:曾大治,梁小伟,常佳佳,董安冉,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。