基于轮廓建模的光学遥感图像任意方向船只目标检测方法技术

本发明专利技术公开了一种基于轮廓建模的光学遥感图像任意方向船只目标检测方法。本发明专利技术利用新提出的傅里叶轮廓建模策略，通过回归傅里叶轮廓描述系数，避免了从旋转检测框中解耦几个独立的特征参数进行特征回归，从而有效解决了角度周期性以及长短边交换造成回归负优化问题；对比已有技术，本发明专利技术能够很好地对高分辨率光学遥感图像中的任意方向船只目标进行检测，在面对旋转船只目标方向任意、尺度变化、密集分布等复杂条件时也取得了良好效果，解决了角度周期性以及长短边交换造成的回归问题，并且可以降低角度回归不准确造成的虚警率。且可以降低角度回归不准确造成的虚警率。且可以降低角度回归不准确造成的虚警率。

【技术实现步骤摘要】
基于轮廓建模的光学遥感图像任意方向船只目标检测方法


[0001]本专利技术涉及光学遥感图像处理和目标检测
，具体涉及一种基于轮廓建模的光学遥感图像任意方向船只目标检测方法。

技术介绍

[0002]近年来，随着遥感技术的迅猛发展，多种卫星传感器的对地观测技术不断完善，遥感数据具备了高效率、多尺度、大容量以及细节丰富等特征，光学遥感图像目标检测成为了研究热点。早期的目标检测以传统图像处理方法为基础，通过手工设计的特征对目标进行描述，如：Haar
‑
like，LBP和SIFT。由于卷积神经网络具有较强的自动特征提取能力以及表征能力，因此，在目标检测任务中得到了广泛应用，显著提升了目标检测能力和稳定性。
[0003]在任意方向的船只目标检测领域，基于卷积神经网络的旋转目标检测方法可以分为三类：基于角度、基于顶点坐标以及基于向量描述的方法。其中，基于角度的任意方向目标描述方式采用中心点坐标、长宽以及旋转角度五个独立参数来进行旋转目标的描述；基于顶点坐标的任意方向目标描述方式通常采用四个顶点坐标，即八参数法来完成目标的描述；基于向量的任意方向目标描述方式采用在笛卡尔坐标系下相互垂直的向量进行旋转目标描述。然而，由于角度固有的周期性以及长短边交换等因素，会带来直接回归角度困难的问题。而基于顶点坐标和向量的描述方式需要回归的独立参数过多，收敛速度慢，检测率低。综上，现有的任意方向目标描述方法仍存在角度信息回归表征不准确的问题，从而影响光学遥感任意方向船只目标检测性能，因此，亟需开展高精度任意方向目标表征方法研究。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于轮廓建模的高分辨光学遥感图像任意方向船只目标检测方法，设计了一种等角度采样的傅里叶轮廓建模方法，以用于无锚框的任意方向船只目标检测。该方法首先利用轮廓固有的角度周期在极坐标系中建立统一描述方法，并完成基于轮廓的等角度间隔采样，随后对采样点二维周期性分布函数进行傅里叶变换，完成任意方向船只目标轮廓描述并用于模型参数回归。此外，通过建立几何损失函数促进模型的训练，使模型有效的捕获船只目标方向信息。本专利技术可以实现高效、高精度的高分辨率光学遥感图像任意方向船只目标检测，并可以在低资源条件的约束下提升船只目标检测的平均精确度。
[0005]本专利技术的基于轮廓建模的光学遥感图像任意方向船只目标检测方法，包括：
[0006]步骤一，对光学遥感图像进行多尺度特征提取，得到多尺度特征图；
[0007]步骤二，对多尺度特征图进行分类和回归分析；其中，所述回归分析是通过预测傅里叶轮廓信息参数完成回归分析，所述傅里叶轮廓信息参数包括目标中心点位置信息、尺度因子和形状因子；其中，尺度因子为：以目标中心位置为极点进行等角度采样，采样点为等角度间隔的射线与船只轮廓交点，采样点与极点的距离的最大值即为尺度因子；形状因子为：利用所述尺度因子，对采样点与极点之间的距离进行归一化，得到归一化后的采样
点，建立归一化后采样点的分布函数，对所述分布函数做傅里叶变换，得到的高频特征、低频特征以及零频特征即为形状因子；
[0008]步骤三，对步骤二预测的傅里叶轮廓信息参数进行解码，得到船只目标检测结果。
[0009]较优的，所述步骤一还包括：对多尺度特征图进行特征融合，得到融合后的多尺度特征图；采用融合后的多尺度特征图执行后续步骤。
[0010]较优的，特征融合采用FPN、PANet、NAS
‑
FPN或CFPN方法。
[0011]较优的，通过对各尺度特征图C3～C
n
进行1
×
1的卷积和跳接部分，产生对应的特征金字塔P3～P
n
，对P
n
进行步进为2的卷积操作得到P
n+1
；P3～P
n+1
为融合后的多尺度特征图。
[0012]较优的，所述步骤一中，采用ResNet
‑
18骨干网络进行多尺度特征提取。
[0013]较优的，所述步骤二回归分析时，利用内在几何信息损失函数进行监督学习；所述内在几何信息损失函数为分类损失函数、定位损失函数以及轮廓损失函数的加权和。
[0014]较优的，所述内在几何信息损失函数L为：
[0015][0016]其中，N
pos
、N
neg
分别为预测为正的轮廓点数与预测为负的轮廓点数；为分类损失函数，分别为预测为在船只目标区域内的概率以及其标注真值；为定位损失函数，分别为预测的第i个位置因子以及其标注真值；L
cont
(r(θ
i
)，r
*
(θ
i
))为轮廓损失函数，r(θ
i
)，r
*
(θ
i
)分别为第i个形状因子和尺度因子的连接值以及其标注真值。
[0017]较优的，所述步骤三具体为：
[0018]S1，将步骤二预测的形状因子进行傅里叶逆变换，得到预测的船只目标的归一化一维距离分布；
[0019]S2，基于尺度因子，对S1距离分布进行去归一化；
[0020]S3，将去归一化的距离分布转换到笛卡尔坐标系下，获得船只目标的坐标点。
[0021]有益效果：
[0022](1)本专利技术利用新提出的傅里叶轮廓建模策略，通过回归傅里叶轮廓描述系数，避免了从旋转检测框中解耦几个独立的特征参数进行特征回归，从而有效解决了角度周期性以及长短边交换造成回归负优化问题；对比已有技术，本专利技术能够很好地对高分辨率光学遥感图像中的任意方向船只目标进行检测，在面对旋转船只目标方向任意、尺度变化、密集分布等复杂条件时也取得了良好效果，解决了角度周期性以及长短边交换造成的回归问题，并且可以降低角度回归不准确造成的虚警率。
[0023](2)本专利技术使用较为轻量化的骨干网络，实现了速度与精度权衡的旋转船只目标高性能检测，并在不同IoU，如0.5IoU、0.7IoU以及0.9IoU下均能取得具有竞争力的检测结果，具有较好的实际应用价值。
[0024](3)本专利技术采用自上而下的特征融合策略，对多尺度特征图进行浅层特征和深层特征的融合，使得网络学习到旋转船只目标的有效多尺度信息，消除船只目标尺度跨度大的影响，进一步提高检测效率。
[0025](4)本专利技术能够显著提高光学遥感图像任意方向的船只目标的检测效果。特别是针对方向多样性且长宽比巨大的船只目标，且在环境较为复杂，船只目标密集分布等复杂条件时也能取到良好的检测效果，在提高检测率的基础上，提升了船只描述的精确程度。
附图说明
[0026]图1为本专利技术的傅里叶轮廓信息参数示意。
[0027]图2为本专利技术检测方法流程图。
[0028]图3为解码示意。
[0029]图4为逆傅里叶变换归一化损失函数计算示意图。
具体实施方式
[0030]下面结合附图并举实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轮廓建模的光学遥感图像任意方向船只目标检测方法，其特征在于，包括：步骤一，对光学遥感图像进行多尺度特征提取，得到多尺度特征图；步骤二，对多尺度特征图进行分类和回归分析；其中，所述回归分析是通过预测傅里叶轮廓信息参数完成回归分析，所述傅里叶轮廓信息参数包括目标中心点位置信息、尺度因子和形状因子；其中，尺度因子为：以目标中心位置为极点进行等角度采样，采样点为等角度间隔的射线与船只轮廓交点，采样点与极点的距离的最大值即为尺度因子；形状因子为：利用所述尺度因子，对采样点与极点之间的距离进行归一化，得到归一化后的采样点，建立归一化后采样点的分布函数，对所述分布函数做傅里叶变换，得到的高频特征、低频特征以及零频特征即为形状因子；步骤三，对步骤二预测的傅里叶轮廓信息参数进行解码，得到船只目标检测结果。2.如权利要求1所述的方法，其特征在于，所述步骤一还包括：对多尺度特征图进行特征融合，得到融合后的多尺度特征图；采用融合后的多尺度特征图执行后续步骤。3.如权利要求2所述的方法，其特征在于，特征融合采用FPN、PANet、NAS
‑
FPN或CFPN方法。4.如权利要求3所述的方法，其特征在于，特征融合具体为：通过对各尺度特征图C3～C
n
进行1
×
1的卷积和跳接部分，产生对应的特征金字塔P3～P
n
，对P
n
进行步进为2的卷积操作得到P
n+1
；P3～P
n+1
...

【专利技术属性】
技术研发人员：庄胤，刘钰群，张桐，陈禾，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：