[发明专利]一种基于边缘候选区域提取的深度学习舰船目标检测方法

说明书

本发明提供了一种基于边缘候选区域提取的深度学习舰船目标检测方法，利用基于结构化随机森林模型对不同条件下的遥感图像进行边缘检测，得到有目的性的边缘检测结果，抑制海况和光照等情况对边缘结果的影响；利用基于边缘检测结果的候选区域提取算法，在大幅宽的遥感图像中提取可能存在目标的候选区域，将挑选结果作为深度学习网络的输入，从而提升网络处理的效率，加快检测速度。

技术领域

本发明涉及数字图像处理技术领域，更具体的说是涉及一种基于边缘候选区域提取的深度学习舰船目标检测方法。

背景技术

目标检测技术是计算机视觉领域的核心问题之一。我国领海范围广阔、海岸线绵长、海洋资源丰富，为有效管理我国海洋资源、保障海洋权益、维护领海安全，对海面船只的管理和监控意义重大，即遥感图像中的舰船目标检测研究具有重要的应用价值。近年来，随着图形处理器(GPU)等硬件的快速发展，计算机的计算性能大幅提升，为大规模深度学习模型的训练提供了重要基础。遥感图像与通用图像在训练数据、图像尺度、信息密集性、目标尺度、与目标形态等方面存在较大差异，目前还没有一个完备的基于遥感图像目标检测的深度学习框架。将作为先进的研究方法和研究工具应用于国防和民用的实际问题中，可推动促进我国在该领域的技术水平发展，意义重大。

但是，在不同季节、不同拍摄时间、不同天气情况影响下，遥感图像中海况、云况、光照等存在较大差异，并对目标检测的准确性造成很大影响。同时，随着遥感图像分辨率增加，数据量增大，给数据处理带来困难，部分算法以增加计算的复杂度为代价实现好的检测效果。

目前现有的遥感图像舰船目标检测方法大多分为两个主要步骤：1)首先对原始遥感图像进行候选区域提取操作，常用方法有滑窗法、显著性法、阈值分割等；2)再利用特征或分类器对提取到的候选区域进行分类识别，得到最终的检测结果。

目前，影响可见光遥感图像舰船目标检测的主要因素及本发明中对应技术手段为：

(1)在不同季节、不同拍摄时间、不同天气情况影响下，造成海况、云况、光照等存在较大差异，并对目标造成很大影响；

(2)随着遥感图像分辨率增加，数据量增大，给数据处理带来困难，算法难以实现快速检测，部分算法以增加计算的复杂度为代价实现好的检测效果。

因此，如何提供一种检测速度快，且适用于不同条件下遥感图像边缘候选区域提取的深度学习舰船目标检测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于边缘候选区域提取的深度学习舰船目标检测方法，本发明利用基于结构化随机森林模型对不同条件下的遥感图像进行边缘检测，得到有目的性的边缘检测结果，抑制海况和光照等情况对边缘结果的影响；利用基于边缘检测结果的候选区域提取算法，在大幅宽的遥感图像中提取可能存在目标的候选区域，将挑选结果作为深度学习网络的输入，从而提升网络处理的效率，加快检测速度。

为了达到上述目的，本发明采用如下技术方案：

一种基于边缘候选区域提取的深度学习舰船目标检测方法，所述方法包括以下步骤：

步骤一，利用光学遥感图像生成对应的边缘真值、目标真值；

步骤二，利用所述光学遥感图像和对应的边缘真值，训练得到结构化随机森林边缘检测模型，并使用所述结构化随机森林边缘检测模型对所述训练数据集图像进行边缘提取，获得边缘检测结果图像；

步骤三，根据所述光学遥感图像和边缘检测结果图像生成灰度边缘融合图，利用所述灰度边缘融合图训练得到深度卷积神经网络模型；

步骤四，基于所述深度卷积神经网络模型对光学遥感测试图像进行舰船目标检测。

优选的，在上述一种基于边缘候选区域提取的深度学习舰船目标检测方法中，所述步骤一具体包括：