【技术实现步骤摘要】
本专利技术涉及船只检测，尤其涉及一种结合ais信息和深度学习对船只的检测方法及系统。
技术介绍
1、海洋作为重要的开放国际通道，承载着相当的全球国际贸易，已经成为各个国家政治经济文化交流的纽带。船只是最主要的海上交通工作，在人类的海洋活动中发挥着不可替代的作用。船只识别技术尤其是船只位置的精确识别在海运交通监管、海防预警、海上搜救等方面能够发挥重要的作用。合成孔径雷达作为主动式遥感手段，具有全天时、全天候的工作特点，是基于遥感卫星的主要的对地观测数据源之一。
2、由于sar影像能够适应复杂的海况环境，图像中包含后向散射特性和航迹特征以及多普勒频移信息，因此，星载sar已成为海上船舶监测、定位和识别的最有效手段之一。相比于恒虚警率算法等传统方法，基于卷积神经网络的深度学习方法为船只检测的精度带来了前所未有的提升，但由于其密集且耗能的计算过程，很难部署在轻量级的计算设备上，这对其应用产生了很大的约束。
3、目前，各种类型的船只都要求装载船舶自动识别系统(ais系统)方可通航。ais系统通过vhf通信机、gps定位仪等传感器实现通信和定位。利用ais信息的辅助可以快速缩小船只检测的范围，节约搜索和计算的成本。
技术实现思路
1、针对上述存在的问题，本专利技术旨在提供一种结合ais信息和深度学习对船只的检测方法，利用ais信息的辅助船只检测，缩小了船只检测的范围，节约搜索和计算的成本；并通过深度学习，提高船只的检测精度。
2、为了实现上述目的，本专利技术
3、s1、将船只的ais位置信息与sar图像几何配准；
4、s2、更新船只位置，并与sar图像对应得出船只更新后的位置；
5、s3、对更新后的位置更正后，提取船只的粗略位置数据；
6、s4、对提取的粗略位置数据基于深度学习，优化得出船只的精确位置检测。
7、进一步的，步骤s1中，将船只的ais坐标系和sar图像坐标系通过几何配准而消除系统误差，后将监控范围内ais系统记录的所有船只坐标投影到sar图像中。
8、进一步的，步骤s2中，按照ais记录的船只航行的移动状态信息进行卡尔曼滤波，更新ais数据的船只位置；系统校正获取的ais记录的船只移动状态信息和sar图像拍摄的时间差别构成位置差异数据。
9、进一步的，步骤s2具体包括以下子步骤：
10、s21、基于ais的时间序列信息，定义船只状态方程和量测方程；
11、s22、综合当前时刻的船只经卡尔曼滤波估计状态与观测状态，通过校正状态方程和量测方程结合计算结果，估计出最优的状态；
12、s23、按照时间序列重复s21与s22步骤，进行预测、更新及迭代，求得待求时刻船只观测的最优状态，得到更新后的船只位置。
13、进一步的，步骤s3中，根据更新后ais数据的船只位置为中心，以一定的限差半径δl建立滑动窗口作为船只粗略的候选区域，进行粗略位置提取。
14、进一步的，步骤s4具体包括以下子步骤：
15、s41、对粗略位置候选区域的图像构建一个仅包含11个卷积层和6个池化层，以及1次上采样操作，最终得到26×26大小的特征图。即相当于把原输入图像划分为26×26的格网，基于格网实现船只的类别概率和位置的预测；
16、s42、扩充船只的边界框，得到新的边界框
17、s43、基于扩充的边界框对船只的实际位置和类别概率预测；
18、s44、格网对应网络输出的损失函数定义如下式所示：
19、
20、其中，其中意义为：如果在边界框内，则为1；
21、否则为0，其中ioui使用的是通用的unitbox的定义，由(l,r,t,b)和(l*,r*,t*,b*)计算得到；
22、s45、基于已有的sar船只数据样本库，对上述网络进行训练，利用训练完成的网络对待检测区域实现船只的精确检测，得到船只的精确位置和类别。
23、进一步的，在步骤s43中，类别概率由偏心参数(centerness*)计算得到，其计算方式为：
24、
25、其中，格网i中心坐标为(xi,yi)，边界框中心坐标为s表示特征图相对于原图片下采样的比例，λ为常量。
26、进一步的，如果格网中心落入船只的边界框内按偏心参数(centerness*)计算，否则偏心参数为0。
27、一种结合ais信息和深度学习的sar图像船只检测系统，其特征在于，包括以下模块：
28、几何配准模块，用以实现ais坐标系和sar图像坐标系的几何配准，通过参数变换实现ais坐标到sar图像的投影功能；
29、ais信息的卡尔曼滤波模块，用以系统矫正获取的ais系统记录的船只信息和sar图像拍摄的时间差别造成的位置差异，实现船只位置的更新功能；
30、船只粗略位置提取模块，用以根据更正后ais数据的船只位置为中心，实现提取船只粗略的候选区域的功能；
31、船只的精确检测模块，包括训练单元和预测单元，用以构建深度学习船只检测网络，实现船只的精确位置和类别的检测功能。
32、本专利技术的有益效果是：
33、(1)利用ais信息的辅助船只检测，缩小了船只检测的范围，节约搜索和计算的成本。
34、(2)深度学习网络仅仅包括仅包含11个卷积层和6个池化层，没有复杂的特征提取网络也能取得良好的效果。
35、(3)扩充边界框的思路提升了小尺寸船只的检测性能，提出的偏心参数计算策略是与尺度无关的，从而提高船只检测的精度。
本文档来自技高网...【技术保护点】
1.一种结合AIS信息和深度学习对船只的检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的检测方法，其特征在于：步骤S1中，将船只的AIS坐标系和SAR图像坐标系通过几何配准而消除系统误差，后将监控范围内AIS系统记录的所有船只坐标投影到SAR图像中。
3.根据权利要求1所述的检测方法，其特征在于：步骤S2中，按照AIS记录的船只航行的移动状态信息进行卡尔曼滤波，更新AIS数据的船只位置。
4.根据权利要求3所述的检测方法，其特征在于：步骤S2具体包括以下子步骤：
5.根据权利要求1所述的检测方法，其特征在于：步骤S3中，根据更新后AIS数据的船只位置为中心，以一定的限差半径ΔL建立滑动窗口作为船只粗略的候选区域，进行粗略位置提取。
6.根据权利要求1所述的检测方法，其特征在于：步骤S4具体包括以下子步骤：
7.根据权利要求6所述的检测方法，其特征在于：在步骤S43中，类别概率由偏心参数(centerness*)计算得到，其计算方式为：
8.根据权利要求7所述的检测方法，其特征在于：如
9.一种结合AIS信息和深度学习的SAR图像船只检测系统，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种结合ais信息和深度学习对船只的检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的检测方法，其特征在于：步骤s1中，将船只的ais坐标系和sar图像坐标系通过几何配准而消除系统误差，后将监控范围内ais系统记录的所有船只坐标投影到sar图像中。
3.根据权利要求1所述的检测方法，其特征在于：步骤s2中，按照ais记录的船只航行的移动状态信息进行卡尔曼滤波，更新ais数据的船只位置。
4.根据权利要求3所述的检测方法，其特征在于：步骤s2具体包括以下子步骤：
5.根据权利要求1所述的检测方法，其特征在于：步骤s3中，根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。