【技术实现步骤摘要】
一种遥感图像中船只目标的检测方法
本专利技术属于计算机智能图像处理
，更具体地，涉及一种遥感图像中船只目标的检测方法。
技术介绍
遥感卫星图像的船只目标检测识别广泛应用于水上交通安全监管、海洋渔业管理以及军事侦察等方面，是遥感卫星图像应用的研究热点之一。在民用船只上，由于现代海洋运输业的发展，运行在海面的船舶数量和体积都成指数级增长，如何有效的对这些船舶的航行轨道进行规划及调度事关整个运输的安全，对船舶的目标检测及跟踪是整个海洋运输系统重要组成部分之一。在军事船只上，具有战略侦察和海洋监测等重要意义。现阶段很多船舶检测相关的研究，在海况较好的海面，船只检测效果较好，但是在复杂背景下尤其是近岸的船只检测则面临着性能瓶颈。很多已有的研究主要基于手工设计的多步骤检测方法，但是采用这些方法从复杂背景中提取出船只目标通常很不鲁棒。近年来，随着深度学习技术的飞速发展，目标检测方法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的OverFeat、R-CNN，到后来的FastR-CNN、Fas...
【技术保护点】
1.一种遥感图像中船只目标的检测方法，其特征在于，包括以下步骤：/nS1、将待检测遥感图像输入到预训练好的主干网络中，得到遥感图像的特征图；/nS2、在特征图上的各像素点位置处设置多个先验框，并得到特征图中每个先验框相对于待检测遥感图像的位置偏移量、宽高缩放比例以及各先验框的置信度；/nS3、基于所得各先验框相对于遥感图像的位置偏移量、宽高缩放比以及各先验框的置信度，进行非极大值抑制后，得到遥感图像中各船只目标的预测框及其预测类别；/n其中，主干网络由卷积层和池化层堆积形成，并且主干网络的训练过程中，基于归一化的交并比计算位置坐标误差，对预测框的位置进行了相应的约束。/n
【技术特征摘要】
1.一种遥感图像中船只目标的检测方法，其特征在于，包括以下步骤：
S1、将待检测遥感图像输入到预训练好的主干网络中，得到遥感图像的特征图；
S2、在特征图上的各像素点位置处设置多个先验框，并得到特征图中每个先验框相对于待检测遥感图像的位置偏移量、宽高缩放比例以及各先验框的置信度；
S3、基于所得各先验框相对于遥感图像的位置偏移量、宽高缩放比以及各先验框的置信度，进行非极大值抑制后，得到遥感图像中各船只目标的预测框及其预测类别；
其中，主干网络由卷积层和池化层堆积形成，并且主干网络的训练过程中，基于归一化的交并比计算位置坐标误差，对预测框的位置进行了相应的约束。
2.根据权利要求1所述的遥感图像中船只目标的检测方法，其特征在于，所述主干网络由12个卷积层和4个池化层组成，其中，每个卷积层的卷积核大小都是3x3，卷积的步长为1，每三个卷积层构成一组，每组卷积后面连接着一个池化层，每个池化层的过滤器大小为2x2，步长为2。
3.根据权利要求1所述的遥感图像中船只目标的检测方法，其特征在于，训练所述主干网络的方法，包括以下步骤：
S01、将预收集好的训练集输入到主干网络中；其中，训练集包括携带船只目标的遥感图像、图像中各船只目标的真实边界框及其真实类别；
S02、对于训练集中的第一幅遥感图像，通过主干网络得到遥感图像的特征图；
S03、在特征图上的各像素点位置处设置多个先验框，并得到每个先验框相对于遥感图像的位置偏移量、宽高缩放比例以及各先验框的置信度；
S04、基于所得各先验框相对于遥感图像的位置偏移量、宽高缩放比以及各先验框的置信度，进行非极大值抑制后，得到遥感图像中各船只目标的预测框及其预测类别；
S05、根据所得遥感图像中各船只目标的预测框及其预测类别，结合图像中各船只目标的真实边界框和真实类别，计算遥感图像中各船只目标的位置和类别的损失值之和，累积所得各船只目标的损失值，并基于该损失值进行反向传播更新主干网络中的参数，完成了一次训练；
S06、对训练集中的每一幅遥感图像，按照步骤S02-S05所述的方法依此进行训练，得到预训练好的主干网络。
4.根据权利要求1或3所述的遥感图像中船只目标的检测方法，其特征在于，在特征图上的每个像素点位置处设置的先验框的个数均相同，各先验框具有不同尺寸。
5.根据权利要求1所述的遥感图像中船只目标的检测方法，其特征在于，步骤S3所述的方法，包括以下步骤：
S31、根据所得各先验框相对于遥感图像的位...
【专利技术属性】
技术研发人员：陈忠，暨凯祥，杨健，臧文乾，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42
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。