一种基于遥感图像逐像素处理的舰船小目标检测方法技术

本发明专利技术涉及遥感图像目标检测技术领域，特别是一种基于遥感图像逐像素处理的舰船小目标检测方法；该方法首先进行图像超分辨率重建及数据标注等工作；利用RegNet得到多尺度特征图；通过特征金字塔将多尺度特征图进行特征融合，得到多尺度特征信息；在特征图上对每个像素点进行采样，对每个像素点进行中心度分支预测和回归分类；对预测结果进行非极大值抑制来消除重复框；通过损失函数计算预测误差，并使用反向传播算法更新模型参数，得到舰船目标检测模型；本发明专利技术基于遥感图像逐像素处理的舰船小目标检测方法在特征提取基础上增加了反卷积层，有效解决了目标特征信息不足的问题，提升了小目标检测精度，通过逐像素预测的方式解决了检测模型冗余问题。决了检测模型冗余问题。决了检测模型冗余问题。

【技术实现步骤摘要】
一种基于遥感图像逐像素处理的舰船小目标检测方法


[0001]本专利技术涉及遥感图像目标检测
，特别是一种基于遥感图像逐像素处理的舰船小目标检测方法。

技术介绍

[0002]随着自然图像目标检测算法的不断发展和遥感成像技术的迅速进步，利用遥感图像进行空对地自动化目标探测与分析已经在海面监控领域得到了广泛的应用。虽然许多遥感图像研究者将自然图像领域的技术引入到遥感图像目标检测中，但是由于遥感图像具有从高空成像和随机排布的特点，使得使用与自然图像相同的水平检测框无法精确定位目标，因此近年来遥感图像目标检测开始采用旋转检测框。此外，基于遥感图像的舰船检测技术也已经成为海面管理的重要手段。
[0003]光学遥感图像中的舰船目标由于具有任意方向和多尺度的特点，采用旋转框检测方法可以更好地贴合目标并避免背景干扰。基于遥感图像逐像素处理的舰船检测网络利用全卷积网络和特定的锚框来直接预测旋转框的位置、长宽和角度信息，能够在不同的尺度下进行目标检测，同时处理不同尺度的物体；但在处理小目标上的表现不是很好，光学遥感图像包含信息极多，且背景复杂，常有目标尺寸小于输入图像5％的舰船小目标出现，这种目标尺寸占比过小的情况会导致图像特征信息不足、小目标被归类为背景等检测问题。传统的基于锚框的方法是网络中预定义的一些固定大小、长宽比的矩形框，生成的候选框数量较多，训练和推理时计算量大，需要消耗更多的内存和计算资源，使得模型庞大，增加了模型训练和部署难度，也增加了检测时需要的计算资源，造成检测模型冗余，不利于算法迁移和移动式平台嵌入。<br/>[0004]综上所述，如何在遥感图像目标检测中准确检测小目标，以及如何解决检测模型冗余、实现网络轻量化，仍是当前遥感图像目标检测领域中有待解决的问题。

技术实现思路

[0005]因此，本专利技术的目的是提供一种基于遥感图像逐像素处理的舰船小目标检测方法，解决小目标检测困难和检测模型冗余问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于遥感图像逐像素处理的舰船小目标检测方法，包含如下步骤：
[0008]步骤a、使用基于生成对抗网络的图像切片增强算法，对获取的图像进行超分辨率重建处理；
[0009]步骤b、调整网络初始宽度和宽度乘数系数，让RegNet网络提取输入图像特征，得到不同层次的特征，加入反卷积操作，使模型检测小目标更准确；
[0010]步骤c、对所述不同层次特征，通过双向特征金字塔模块，使用自顶向下和自底向上路径进行特征融合，使用上下文细化模块的注意力机制，增强模型对区域内目标的关注程度；
[0011]步骤d、在特征图上对每个像素点进行采样预测，通过中心度分支由候选框内关键点坐标，判断该物体边界框位置信息，使用回归分支估计目标框的尺寸和位置，生成有关物体的边界框，通过一个多元分类器得到该区域内不同目标类别概率得分，设置阈值，得分低于阈值的目标类别视为背景，得分高于阈值的目标类别保留为预测结果；
[0012]步骤e、对边界框使用边界框偏移和缩放比例进行校正，之后使用非极大值抑制进行边界框去重，对边界框按照置信度从高到低进行排序，逐个选择置信度最高的边界框，将置信度最高的边界框与剩余所有的边界框进行交并比计算，得到精确的物体边界框；
[0013]步骤f、通过损失函数计算误差，并使用反向传播算法更新模型参数，得到任意方向舰船小目标检测模型；
[0014]步骤g、使用所述任意方向舰船小目标检测模型，对输入遥感图像进行检测。
[0015]上述的一种基于遥感图像逐像素处理的舰船小目标检测方法，为处理含舰船目标的低分辨率遥感图像，所述步骤a包括使用基于生成对抗网络的图像切片增强算法，对输入图像中的模糊目标进行单帧、多帧图像高清重建，恢复图像中目标纹理细节。
[0016]上述的一种基于遥感图像逐像素处理的舰船小目标检测方法，为了准确检测小目标，所述步骤b包括：
[0017]通过RegNet模型使用NRB结构，在每个块中利用多尺度的信息进行特征提取；
[0018]在特征提取网络基础上增加了反卷积层，通过反卷积操作将低分辨率的特征图上采样到高分辨率。
[0019]上述的一种基于遥感图像逐像素处理的舰船小目标检测方法，为了减少信息的丢失和模糊性，在双向特征金字塔特征融合过程，每个级别的金字塔中，正向路径将上一级别的特征图通过卷积和池化操作缩小，并与下一级别的特征图进行特征融合；反向路径则将下一级别的特征图通过上采样和卷积操作放大，并与上一级别的特征图进行特征融合。
[0020]上述的一种基于遥感图像逐像素处理的舰船小目标检测方法，所述步骤d包括：
[0021]将特征图中的每一个点重新映射回原始图片，若映射回原始图片中的点位于边界框范围内且分类类别符合预期，则将该点赋为正向权值，否则视为负；
[0022]对每个像素点上的预测，由三个分支共同完成，对于每个像素点，在特征图上以其为中心生成一个正方形感受野区域，每个区域具有固定的尺度大小和对应的权值；
[0023]分类分支会输出该像素点属于哪个类别的概率；中心点分支会预测该像素点是否为物体的中心点；最后，边界框回归分支会预测该像素点对应物体的边界框；这三个分支共同处理每个level中的每个像素点，最终可以得到所有可能的物体框。
[0024]通过网络预测的边界框偏移量和缩放比例对原始边界框进行校正，得到更加精确的物体边界框后，利用非极大值抑制的方法去除重复的检测框。
[0025]上述的一种基于遥感图像逐像素处理的舰船小目标检测方法，为了防止模型过拟合，综合了分类损失、回归损失和中心损失，整个网络的损失函数是使用带有L2正则化的交叉熵损失函数计算误差，并使用反向传播算法更新模型参数，得到任意方向舰船小目标检测模型，带有L2正则化的交叉熵损失函数表示为：
[0026][0027]其中，L2表示正则化的交叉熵损失函数，y
i
表示第i个样本的真实标签，真为0，假为
1，γ
i
表示相应的预测概率值，N表示样本数量，//w//2表示权重向量的平方和，λ表示正则化系数，log为自然对数。
[0028]有益效果：
[0029]第一、本专利技术在检测模型的特征提取网络加入了反卷积模块，反卷积模块通过对特征图进行上采样操作，增加特征图分辨率，同时为后续卷积操作提供更丰富特征信息，然后进行卷积操作，生成与原始特征图相同尺寸的输出，使得模型可以更容易地捕捉到小目标的细节信息，从而提高模型对小目标检测精度；并在数据处理部分使用基于生成对抗网络的图像切片增强算法有效解决了目标特征信息不足的问题，实现了对低分辨率遥感图像的舰船目标检测和对小目标的检测。
[0030]第二、本专利技术使用逐像素预测的方法，无预定义锚框，减少了计算复杂度，能够在不同的尺度下进行目标检测，同时处理不同尺度的物体，大大减少了网络模型参数，实现了网络模型轻量化，解决了检测模型冗余的问题，可以在保证高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感图像逐像素处理的舰船小目标检测方法，其特征在于，包含如下步骤：步骤a、使用基于生成对抗网络的图像切片增强算法，对获取的图像进行超分辨率重建处理；步骤b、调整网络初始宽度和宽度乘数系数，让RegNet网络提取输入图像特征，得到不同层次的特征，加入反卷积操作，使模型检测小目标更准确；步骤c、对所述不同层次特征，通过双向特征金字塔模块，使用自顶向下和自底向上路径进行特征融合，使用上下文细化模块的注意力机制，增强模型对区域内目标的关注程度；步骤d、在特征图上对每个像素点进行采样预测，通过中心度分支由候选框内关键点坐标，判断该物体边界框位置信息，使用回归分支估计目标框的尺寸和位置，生成有关物体的边界框，通过一个多元分类器得到该区域内不同目标类别概率得分，设置阈值，得分低于阈值的目标类别视为背景，得分高于阈值的目标类别保留为预测结果；步骤e、对边界框使用边界框偏移和缩放比例进行校正，之后使用非极大值抑制进行边界框去重，对边界框按照置信度从高到低进行排序，逐个选择置信度最高的边界框，将置信度最高的边界框与剩余所有的边界框进行交并比计算，得到精确的物体边界框；步骤f、通过损失函数计算误差，并使用反向传播算法更新模型参数，得到任意方向舰船小目标检测模型；步骤g、使用所述任意方向舰船小目标检测模型，对输入遥感图像进行检测。2.根据权利要求1所述的一种基于遥感图像逐像素处理的舰船小目标检测方法，其特征在于，为处理含舰船目标的低分辨率遥感图像，所述步骤a包括使用基于生成对抗网络的图像切片增强算法，对输入图像中的模糊目标进行单帧、多帧图像高清重建，恢复图像中目标纹理细节。3.根据权利要求1所述的一种基于遥感图像逐像素处理的舰船小目标检测方法，其特征在于，为了准确检测小目标，所述步骤b包括：通过RegNet模型使用NRB结构，在每个块中利用多尺度的信息进行特征提取；在特征提取网络基础上增加了反卷积层，通过反卷积操作将低分辨率的特征图上采样到高分辨率。4.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：林海军，常健宁，张旭辉，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：