基于旋转目标检测模型的遥感图像船舶检测方法和系统技术方案

本发明专利技术提供了一种基于旋转目标检测模型的遥感图像船舶检测方法和系统，涉及遥感图像检测技术领域。检测方法包括：采集遥感图像并进行预处理得到数据集；将数据集按照比例划分为训练集和测试集；对训练集进行数据增强；通过分类置信度对训练集进行难例挖掘；对干扰样本训练集进行训练得到检测模型；对检测模型进行测试。检测系统包括：预处理模块、数据增强模块、难例挖掘模块、训练模块和测试模块。本发明专利技术利用旋转目标检测模型来检测船舶，有利于检测过程中的计算和检测框的筛选；通过数据增强技术，解决了宽幅复杂背脊遥感图像船舶检测中样本不足，虚警率高的问题；使用基于分类置信度进行难例挖掘的方法，有效减少模型的误检测，提高准确率。提高准确率。提高准确率。

【技术实现步骤摘要】
基于旋转目标检测模型的遥感图像船舶检测方法和系统


[0001]本专利技术涉及遥感图像检测
，更具体地，涉及一种基于旋转目标检测模型的遥感图像船舶检测方法和系统。

技术介绍

[0002]相关技术中，船舶检测主要依赖于目标检测技术。目标检测任务在于从图像中找出感兴趣的目标，并确定目标的位置和类别。传统的目标检测方法依赖于人工设计特征，这种方法对于目标的多样性问题和复杂背景没有很好的鲁棒性，而船舶的种类繁多且样式复杂，这种方法并不合适。近年来，随着深度学习技术的快速发展，其应用到的领域也越来越广泛。尤其是在目标检测方面，涌现出了许多优秀的目标检测算法，在检测准确度和速度上都逐渐取得新的突破。因此，将深度学习的方法应用到遥感图像的船舶检测上具有很强的可行性。
[0003]遥感图像具有鸟瞰、幅宽较大、背景复杂的特点。由于鸟瞰，船舶目标具有任意朝向，对于目标密集的场景例如码头，若采用水平检测框，则相邻目标会有很大的重叠，且会包含更多的背景信息，不利于检测过程中的计算和检测框筛选过程。由于其幅宽较大，船舶样本分布稀疏，可供训练样本量较少。由于背景复杂，包含大量干扰样本如海浪、礁石、碎云等，这些目标具有和船舶相似的形状纹理，容易产生误检，使虚警率变高。而宽幅图像需要切割为图块再进行检测，训练过程中没有目标的图块不会参与训练，测试过程中会参与测试，而这些图块中包含大量干扰，因此容易产生误检。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于旋转目标检测模型的遥感图像船舶检测方法和系统，用以改善上述问题。
[0005]第一方面，本申请提供一种基于旋转目标检测模型的遥感图像船舶检测方法，包括：
[0006]预处理模块采集遥感图像并进行预处理得到数据集；
[0007]预处理模块将所述数据集按照比例划分为训练集和测试集；
[0008]数据增强模块对所述训练集进行数据增强；
[0009]难例挖掘模块通过分类置信度对所述训练集进行难例挖掘；
[0010]训练模块对干扰样本训练集进行训练得到检测模型；
[0011]测试模块对所述检测模型进行测试；
[0012]其中，预处理模块采集遥感图像并进行预处理得到数据集，具体为：所述预处理模块从公开数据源下载遥感图像；所述预处理模块将所述遥感图像转化为可见光图像；所述预处理模块将所述可见光图像进行标注和剪裁；
[0013]数据增强模块对所述训练集进行数据增强，具体为：
[0014]数据增强模块通过几何变化、改变亮度和图像混合的方式对所述训练集进行数据
增强，形成第一扩增训练集和原始训练集；其中，所述第一扩增训练集为仅包含扩增图像的训练集，所述原始训练集为仅包含原始图像的训练集。
[0015]可选地，其中：
[0016]难例挖掘模块通过分类置信度对所述训练集进行难例挖掘，具体为：
[0017]所述难例挖掘模块使用所述第一扩增训练集对旋转目标检测模型进行训练，得到训练模型，使用所述训练模型对所述原始训练集进行检测；
[0018]所述难例挖掘模块计算检测目标和标注目标的交并比，通过交并比确定干扰样本；
[0019]所述难例挖掘模块通过所述干扰样本的分类置信度筛选出难例目标，将难例目标加入到所述原始训练集的标注信息中，得到干扰样本训练集；
[0020]其中，所述训练模型为用于难例挖掘的模型。
[0021]可选地，其中：
[0022]所述难例挖掘模块通过所述干扰样本的分类置信度筛选出难例目标，将难例目标加入到所述原始训练集的标注信息中，得到干扰样本训练集，具体为：
[0023]所述难例挖掘模块通过设定不同的分类置信度筛选阈值，筛选出不同数量的干扰样本；
[0024]所述难例挖掘模块将干扰样本加入所述原始训练集的标注信息中，得到多组不同的干扰样本训练集。
[0025]可选地，其中：
[0026]测试模块对所述检测模型进行测试，具体为：
[0027]所述测试模块使用所述检测模型对所述测试集进行检测；
[0028]所述测试模块对每组所述干扰样本训练集所训练出来的模型进行效果对比，确定分类置信度筛选阈值和干扰样本添加数量。
[0029]可选地，其中：
[0030]训练模块对干扰样本训练集进行训练得到检测模型，具体为：
[0031]所述训练模块对所述干扰样本训练集进行数据增强，得到第二扩增训练集；
[0032]所述训练模块使用所述第二扩增训练集对旋转目标检测模型进行训练，得到所述检测模型；
[0033]其中，所述第二扩增训练集为用于最终训练的训练集。
[0034]第二方面，本申请提供一种基于旋转目标模型的遥感图像船舶检测系统，包括：预处理模块、数据增强模块、难例挖掘模块、训练模块和测试模块；
[0035]所述预处理模块，用于采集遥感图像并进行预处理得到数据集，还用于将所述数据集按照比例划分为训练集和测试集；
[0036]所述数据增强模块，用于对所述训练集进行数据增强；
[0037]所述难例挖掘模块，用于通过分类置信度对所述训练集进行难例挖掘；
[0038]其中，预处理模块采集遥感图像并进行预处理得到数据集，具体为：所述预处理模块从公开数据源下载遥感图像；所述预处理模块将所述遥感图像转化为可见光图像；所述预处理模块将所述可见光图像进行标注和剪裁；
[0039]数据增强模块对所述训练集进行数据增强，具体为：
[0040]数据增强模块通过几何变化、改变亮度和图像混合的方式对所述训练集进行数据增强，形成第一扩增训练集和原始训练集。
[0041]与现有技术相比，本专利技术提供的一种基于旋转目标检测模型的遥感图像船舶检测方法和系统，至少实现了如下的有益效果：
[0042]本申请提供了一种基于旋转目标检测模型的遥感图像船舶检测方法和系统，检测方法包括：预处理模块采集遥感图像并进行预处理得到数据集；预处理模块将数据集按照比例划分为训练集和测试集；数据增强模块对训练集进行数据增强；难例挖掘模块通过分类置信度对训练集进行难例挖掘；训练模块对干扰样本训练集进行训练得到检测模型；测试模块对检测模型进行测试；其中，预处理模块采集遥感图像并进行预处理得到数据集，具体为：预处理模块从公开数据源下载遥感图像；预处理模块将遥感图像转化为可见光图像；预处理模块将可见光图像进行标注和剪裁。检测系统，包括：预处理模块、数据增强模块、难例挖掘模块、训练模块和测试模块。本申请提供的基于旋转目标检测模型的遥感图像船舶检测方法和系统，利用旋转目标检测模型来检测船舶，有利于检测过程中的计算和检测框的筛选；通过数据增强技术，解决了宽幅复杂背脊遥感图像船舶检测中样本不足，虚警率高的问题；使用基于分类置信度进行难例挖掘的方法，通过对比标注信息和设定分类置信度阈值来挑选出那些难以训练的干扰样本，将其作为新的类别写入标注信息参与训练，能有效减少模型的误检测，提高准确率。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于旋转目标检测模型的遥感图像船舶检测方法，其特征在于，包括：预处理模块采集遥感图像并进行预处理得到数据集；预处理模块将所述数据集按照比例划分为训练集和测试集；数据增强模块对所述训练集进行数据增强；难例挖掘模块通过分类置信度对所述训练集进行难例挖掘；训练模块对干扰样本训练集进行训练得到检测模型；测试模块对所述检测模型进行测试；其中，预处理模块采集遥感图像并进行预处理得到数据集，具体为：所述预处理模块从公开数据源下载遥感图像；所述预处理模块将所述遥感图像转化为可见光图像；所述预处理模块将所述可见光图像进行标注和剪裁；数据增强模块对所述训练集进行数据增强，具体为：数据增强模块通过几何变化、改变亮度和图像混合的方式对所述训练集进行数据增强，形成第一扩增训练集和原始训练集；其中，所述第一扩增训练集为仅包含扩增图像的训练集，所述原始训练集为仅包含原始图像的训练集。2.根据权利要求1所述的基于旋转目标检测模型的遥感图像船舶检测方法，其特征在于，难例挖掘模块通过分类置信度对所述训练集进行难例挖掘，具体为：所述难例挖掘模块使用所述第一扩增训练集对旋转目标检测模型进行训练，得到训练模型，使用所述训练模型对所述原始训练集进行检测；所述难例挖掘模块计算检测目标和标注目标的交并比，通过交并比确定干扰样本；所述难例挖掘模块通过所述干扰样本的分类置信度筛选出难例目标，将难例目标加入到所述原始训练集的标注信息中，得到干扰样本训练集；其中，所述训练模型为用于难例挖掘的模型。3.根据权利要求2所述的基于旋转目标检测模型的遥感图像船舶检测方法，其特征在于，所述难例挖掘模块通过所述干扰样本的分类置信度筛选出难例目标，将难例目标加入到所述原始训练集的标注信息中，得到干扰样本训练集，具体为：所...

【专利技术属性】
技术研发人员：高昆，李晨芮，胡梓博，张适萌，张晓典，顾宪松，王鹏宇，杨至甲，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：