基于深度学习的遥感影像舰船目标检测方法技术

本发明专利技术公开了基于深度学习的遥感影像舰船目标检测方法，包括：获取遥感影像数据集；采用残差网络对所述遥感影像数据集中的影像进行特征提取，生成特征映射图；采用区域生成网络在所述特征映射图上生成预测标定框，判断该预测标定框是否为目标标定框并进行回归分析，生成精确标定框；将所述精确标定框与所述特征映射图融合，生成固定的特征映射图，进行目标定位；判断每个所述固定的特征映射图的类别，实现目标检测。本发明专利技术可实现对遥感影像中的舰船目标进行了端到端的检测识别，具有较好的检测准确性与对复杂场景的鲁棒性，并且在检测速度上可达到每秒5帧，可实现对遥感目标的实时检测。

Ship target detection method based on deep learning in remote sensing image

【技术实现步骤摘要】
基于深度学习的遥感影像舰船目标检测方法
本专利技术涉及图像识别
更具体地说，本专利技术涉及一种基于深度学习的遥感影像舰船目标检测方法。
技术介绍
高分辨率遥感影像舰船目标检测是遥感影像处理领域中的研究热点，在军事侦查和民用监测等领域应用广泛。高分辨率卫星遥感作为主要的对地观测手段，其精度可以达到亚米级，从遥感影像中，可以人工解译出舰船、港口等目标。但是人工目视解译需要花费大量的时间，工作效率较低。对此研究者们提出了大量的遥感影像检测与识别算法。传统遥感目标检测算法主要对图像的纹理、梯度、灰度等特征进行提取制作特征描述符(FeatureDescriptor)，然后以特征描述符训练分类器完成对目标的检测分类。学者Zhu等通过使用图像的形状与纹理特征分割海陆，然后提取局部多值模式(LocalMultiplePatterns，LMP)特征并训练支持向量机(SupportVectorMachine，SVM)分类器对该特征分类实现对舰船目标的检测与识别。学者王慧利等根据舰船目标的固有特性对方向梯度直方图特征进行改进，提出了边缘-方向梯度直方图特征对舰船目标进行描述，然后通过构建训练库训练AdaBoost分类器完成对目标的最终检测。德国的DefiniensImaging公司研发的eCognition软件通过利用模糊分类的算法将影像的光谱信息、几何形状、纹理等特征综合判断，然后利用决策系统实现对遥感目标的检测与分类。传统方法中人工设计特征需要具备丰富的先验知识，且在训练分类器中需手工调整参数，过程复杂繁琐。基于深度神经网络的方法可以通过深层网络自动学习得到遥感影像的高级抽象特征，具有较高的识别精度和工作效率。随着计算机性能的提升，以及GPU在深度学习中加速计算能力的提高。基于深度神经网络的检测识别方法在检测精度与速度上都远远超过了传统检测算法。在2012年，Krizhevsky提出了基于深度卷积神经网(DeepConvolutionalNeuralNetwork，DCNN)的图像分类算法，提升了目标检测准确率和图像分类的准确率。Erhan使用DCNN对目标进行回归预测，并给出有关对象和无关对象的置信度。Sermanet对输入图像使用滑动窗口，并使用网络模型检测窗口类别，然后对窗口类别预测目标边界框，最后根据分类分数对候选边界框进行合并，得到最终的检测结果。Girshick在2014年提出了目标检测网络模型R-CNN，该网络模型采用选择性搜索策略来提高检测效率。Girshick等通过采用空间金字塔池化(SpatialPyramidPooling，SPP)思想对R-CNN进行改进提出了FastR-CNN网络模型，该网络结构大幅提高了模型的运算速度，其检测速度是R-CNN的100倍左右。然而FastR-CNN算法在速度上仍然存在瓶颈。
技术实现思路
本专利技术的一个目的是提供一种基于深度学习的遥感影像舰船目标检测方法，该方法可实现对遥感影像中的舰船目标进行了端到端的检测识别，具有较好的检测准确性与对复杂场景的鲁棒性，并且在检测速度上可达到每秒5帧，可实现对遥感目标的实时检测。为了实现根据本专利技术的目的和其它优点，提供了一种基于深度学习的遥感影像舰船目标检测方法，包括：获取遥感影像数据集；采用残差网络对所述遥感影像数据集中的影像进行特征提取，生成特征映射图；采用区域生成网络在所述特征映射图上生成预测标定框，判断该预测标定框是否为目标标定框并进行回归分析，生成精确标定框；将所述精确标定框与所述特征映射图融合，生成固定的特征映射图，进行目标定位；判断每个所述固定的特征映射图的类别，实现目标检测。优选的是，所述的基于深度学习的遥感影像舰船目标检测方法，还包括，在采用残差网络对所述遥感影像数据集中的影像进行特征提取前，采用Imagenet数据集对基础残差网络进行预训练，将预训练好的基础残差网络中的全连接层及其以上的所有网络层迁移到所述残差网络中，并冻结基础残差网络中全连接层及其以上的所有网络层的节点参数，然后在迁移后的所述残差网络中依次添加两层卷积层和一层全连接层，再使用包含于所述遥感影像数据集的训练数据集对所述残差网络进行训练。优选的是，所述的基于深度学习的遥感影像舰船目标检测方法，还包括，在采用残差网络对所述遥感影像数据集中的影像进行特征提取前，对所述影像依次进行裁剪和扩展。优选的是，所述的基于深度学习的遥感影像舰船目标检测方法，所述扩展为将所述影像随机旋转90°或180°，以实现图像数量增倍。优选的是，所述的基于深度学习的遥感影像舰船目标检测方法，所述预测标定框的长宽比为(1∶1，1∶2，3∶1)。优选的是，所述的基于深度学习的遥感影像舰船目标检测方法，所述判断该预测标定框是否为目标标定框，包括，将所述预测标定框与人手工标注框的交并比与预设阈值进行比较，若交并比大于预设阈值，则判定所述预测标定框为目标标定框。本专利技术的有益效果是：本专利技术对FasterR-CNN检测算法进行了改进并应用在舰船遥感影像的检测中，通过数据增强技术对数据集进行扩充，然后使用深度残差网络ResNet替代传统平网络VGG-16对数据集进行特征提取，在区域生成网络(RegionProposalNetwork，RPN)中针对舰船目标长宽比较高的特点修改了标定框的长宽比，并且对ResNet网络模型进行了迁移学习，取得更好的训练效果，能够对遥感影像中的舰船目标进行快速的精确检测，准确率可达92.3％，检测速度达到每秒5帧，即使在面对遥感影像背景复杂、目标局部遮挡问题时也能准确识别。和传统的ENVI与eCognition分类手段相比，本专利技术的方法提升了目标检测效果和识别效率，和FasterR-CNN检测算法相比该方法提升了检测精度。本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。附图说明图1是根据本专利技术一个实施例的流程示意图；图2是根据本专利技术上述实施例的残差网络与传统平网络的比较示意图；图3是根据本专利技术上述实施例的网络模型训练过程中的训练误差图；图4是根据本专利技术上述实施例的残差提取网络与传统平网络训练对比图；图5是根据本专利技术上述实施例的目标检测结果；图6是传统检测方法检测结果。具体实施方式下面结合实施例和附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。应当理解，本专利技术所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。如图1所示，本专利技术提供一种基于深度学习的遥感影像舰船目标检测方法，包括：S1、获取遥感影像数据集。S2、采用残差网络对所述遥感影像数据集中的影像进行特征提取，生成特征映射图。这里，使用残差网络ResNet替换原FasterR-CNN中使用的VGG-16等传统平层网络，在增加深度神经网络层数的同时，减少了网络训练的复杂度，防止出现梯度消失问题。残差网络的核心本文档来自技高网...

【技术保护点】
1.基于深度学习的遥感影像舰船目标检测方法，其特征在于，包括：/n获取遥感影像数据集；/n采用残差网络对所述遥感影像数据集中的影像进行特征提取，生成特征映射图；/n采用区域生成网络在所述特征映射图上生成预测标定框，判断该预测标定框是否为目标标定框并进行回归分析，生成精确标定框；/n将所述精确标定框与所述特征映射图融合，生成固定的特征映射图，进行目标定位；/n判断每个所述固定的特征映射图的类别，实现目标检测。/n

【技术特征摘要】
1.基于深度学习的遥感影像舰船目标检测方法，其特征在于，包括：
获取遥感影像数据集；
采用残差网络对所述遥感影像数据集中的影像进行特征提取，生成特征映射图；
采用区域生成网络在所述特征映射图上生成预测标定框，判断该预测标定框是否为目标标定框并进行回归分析，生成精确标定框；
将所述精确标定框与所述特征映射图融合，生成固定的特征映射图，进行目标定位；
判断每个所述固定的特征映射图的类别，实现目标检测。


2.如权利要求1所述的基于深度学习的遥感影像舰船目标检测方法，其特征在于，还包括，在采用残差网络对所述遥感影像数据集中的影像进行特征提取前，采用Imagenet数据集对基础残差网络进行预训练，将预训练好的基础残差网络中的全连接层及其以上的所有网络层迁移到所述残差网络中，并冻结基础残差网络中全连接层及其以上的所有网络层的节点参数，然后在迁移后的所述残差网络中依次添加两层卷积层和一层全...

【专利技术属性】
技术研发人员：赵江洪，张晓光，杨璐，孙铭悦，董岩，陈朝阳，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京;11