基于雷达图像的船只识别模型的验证方法及装置制造方法及图纸

本发明专利技术涉及计算机视觉技术领域，具体涉及一种基于雷达图像的船只识别模型的验证方法及装置。其中，方法包括：获取带标注信息的雷达图像；其中，所述标注信息包括所述雷达图像中船只的类别和第一边界框；利用预先训练得到的船只识别模型提取所述雷达图像的多尺度特征图；利用所述船只识别模型分别对每个尺度特征图进行检测，以得到对应于每个尺度特征图的第二边界框；利用所述第一边界框，分别对每个所述第二边界框进行修正，得到在不同尺度下的修正量，通过所述修正量确定出所述船只识别模型的识别准确率，从而解决现有技术中的船只识别模型往往难以对不同尺度雷达图像的识别准确率进行验证，这导致船只识别模型的准确率比较低的问题。

【技术实现步骤摘要】
基于雷达图像的船只识别模型的验证方法及装置
本专利技术涉及计算机视觉
，具体涉及一种基于雷达图像的船只识别模型的验证方法及装置。
技术介绍
船只识别对于海上交通管理、溢油污染治理、海运安全管理、海洋权益维护等方面发挥着十分重要的作用。目前被用于海上船只识别的遥感影像包括光学遥感影像、反射红外遥感影像、高光谱遥感影像、热红外遥感影像和雷达图像，与前三者遥感影像不同的是，雷达图像是向目标物发射无线电波，接收散射回波所形成的图像，具有全天时、全天候的特点。其中，合成孔径雷达(SAR)是最适合船只探测的雷达。随着中国的高分三号，日本的ALOS-2，欧洲航天局的Sentinel-1成功发射，大量的雷达图像可以被用于船只识别。传统的基于雷达图像的船只识别方法主要是基于恒虚警率(CFAR)算法，该算法利用海杂波的统计分布和人工预设的特征进行船只识别。常用的恒虚警率算法包括基于高斯分布的双参数恒虚警率算法、基于韦布尔分布的恒虚警率算法等。该类算法的缺点是当船只停泊在靠岸的港口、船只行驶靠近岛屿等场景复杂的场景下，人工建筑有着和船只相似的后向散射机本文档来自技高网...

【技术保护点】
1.一种基于雷达图像的船只识别模型的验证方法，其特征在于，包括：/n获取带标注信息的雷达图像；其中，所述标注信息包括所述雷达图像中船只的类别和第一边界框；/n利用预先训练得到的船只识别模型提取所述雷达图像的多尺度特征图；/n利用所述船只识别模型分别对每个尺度特征图进行检测，以得到对应于每个尺度特征图的第二边界框；其中，所述第二边界框中包括船只图像；/n利用所述第一边界框，分别对每个所述第二边界框进行修正，得到在不同尺度下的修正量，通过所述修正量确定出所述船只识别模型的识别准确率。/n

【技术特征摘要】
1.一种基于雷达图像的船只识别模型的验证方法，其特征在于，包括：
获取带标注信息的雷达图像；其中，所述标注信息包括所述雷达图像中船只的类别和第一边界框；
利用预先训练得到的船只识别模型提取所述雷达图像的多尺度特征图；
利用所述船只识别模型分别对每个尺度特征图进行检测，以得到对应于每个尺度特征图的第二边界框；其中，所述第二边界框中包括船只图像；
利用所述第一边界框，分别对每个所述第二边界框进行修正，得到在不同尺度下的修正量，通过所述修正量确定出所述船只识别模型的识别准确率。


2.根据权利要求1所述的方法，其特征在于，所述通过所述修正量确定出所述船只识别模型的识别准确率，包括：
获取预先建立的修正量-识别准确率对照关系；
根据所述修正量，以及所述修正量-识别准确率对照关系，确定所述船只识别模型的识别准确率。


3.根据权利要求1所述的方法，其特征在于，还包括：
对所述多尺度特征图进行融合，得到融合特征图；
对所述融合特征图进行识别，得到所述雷达图像中船只的融合类别。


4.根据权利要求2或3所述的方法，其特征在于，还包括：
基于所有尺度下的预测类别与所述融合类别，确定所述雷达图像中船只的目标类别。


5.根据权利要求1所述的方法，其特征在于，所述利用所述第一边界框，分别对每个所述第二边界框进行修正，得到在不同尺度下的修正量，包括：
分别获取所述第二边界框在每个特征图中的预测位置坐标；
获取所述第一边界框在所述雷达图像中的位置坐标；
将所述位置坐标，按照所述尺度大小进行缩放处理，以得到不同尺度下所述第二边界框的理想位置坐标；
利用所述理想位置坐标与所述预测位置坐标的偏差，将不同尺度特征图对应的所述偏差作为所述修正量，分别对每个所述第二边界框进行修正。


...

【专利技术属性】
技术研发人员：邓练兵，李皓，高妍，
申请(专利权)人：珠海大横琴科技发展有限公司，
类型：发明
国别省市：广东;44