一种遥感影像舰船检测识别方法技术

本发明专利技术涉及一种遥感影像舰船检测识别方法，属于舰船检测识别技术领域，首先获取训练图像的多尺度图像特征图；利用R

【技术实现步骤摘要】
一种遥感影像舰船检测识别方法


[0001]本专利技术涉及舰船检测识别
，特别是涉及一种遥感影像舰船检测识别方法及系统。

技术介绍

[0002]遥感图像的海面目标识别对我国国防建设具有重要作用，海面监控和海面战场侦察图像具有数据量大、背景凌乱、高效性要求高、干扰大等特点，所以图像必须经过一定的系统进行处理，才能从已经获取的图像中进一步获得对人有用的信息。
[0003]现有的方法大都尝试将针对自然图像目标检测的算法直接迁移到光学遥感图像，然而，针对光学遥感图像中舰船目标排列密集，且舰船方向不固定的问题，现有的针对自然图像目标检测的算法进行舰船检测具有较高的误检率。

技术实现思路

[0004]本专利技术的目的是提供一种遥感影像舰船检测识别方法，有效解决了舰船方向不固定以及排列密集的问题，降低了舰船检测的误检率。
[0005]为实现上述目的，本专利技术提供了如下方案：一种舰船检测模型的训练方法，所述方法包括：利用多尺度图像特征提取网络获取训练图像的多尺度图像特征图；利用R
‑
RPN网络生成包围所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种舰船检测模型的训练方法，其特征在于，所述方法包括：利用多尺度图像特征提取网络获取训练图像的多尺度图像特征图；利用R
‑
RPN网络生成包围所述多尺度图像特征图中目标位置的包围锚框；所述包围锚框的参数包括：长边参数、短边参数、中心点位置参数以及旋转角度参数；获取包围锚框标签；计算所述包围锚框和所述包围锚框标签之间的损失函数，得到第一损失函数；利用二次调优网络将所述包围锚框进行缩放、旋转和平移操作，得到若干个候选检测框；计算每个所述候选检测框与所述包围锚框标签的交并比；将交并比最大的候选检测框作为检测框；计算所述检测框与所述包围锚框标签之间的损失函数，得到第二损失函数；利用梯度下降法根据所述第一损失函数和所述第二损失函数更新舰船检测网络的网络参数，得到舰船检测模型；所述舰船检测网络包括：多尺度图像特征提取网络、R
‑
RPN网络和二次调优网络。2.根据权利要求1所述的舰船检测模型的训练方法，其特征在于，在所述获取包围锚框标签之后，还包括：计算所述包围锚框和所述包围锚框标签的交并比；将所述交并比小于0.5的包围锚框删除。3.根据权利要求1所述的舰船检测模型的训练方法，其特征在于，所述计算所述包围锚框和所述包围锚框标签之间的损失函数，得到第一损失函数，具体包括：计算所述包围锚框和所述包围锚框标签之间的宽度损失和方向向量损失；根据所述宽度损失和方向向量损失得到第一损失函数。4.根据权利要求3所述的舰船检测模型的训练方法，其特征在于，所述宽度损失的计算公式为：；其中，Lw为宽度损失；Wgt表示包围锚框标签的宽度，Wp表示包围锚框的宽度；所述方向向量损失的计算公式为：；其中，Lv为方向向量损失；表示包围锚框标签的向量，表示包围锚框的向量。5.根据权利要求1所述的舰船检测模型的训练方法，其特征在于，所述利用多尺度图像特征提取网络获取训练图像的多尺度图像特征图，具体包括：利用CNN网络获取训练图像的多尺度卷积特征，得到多尺度图像特征图。6.根据权利要求1所述的舰船检测模型的训练方法，其特征在于，在所述利用多尺度图像特征提取网络获取训练图像的多尺度图像特征图之后，还包括：利用上采样和卷积操作统一所述多尺度图像特征图的分辨率和特征维度。7.一种舰船检测模型的训练系统，其特征在于，所述系统包括：特征获取模块，用于利用多尺度图像特征提取网络获取训练图像的多尺度图像特征
图；包围锚框生成模块，用于利用R
‑

【专利技术属性】
技术研发人员：田鹏义，郑晓霞，林琪，肖龙龙，陈洁，宋泽考，王潇敏，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学士官学校，
类型：发明
国别省市：