[发明专利]一种基于深度卷积网络的可见光舰船虚警剔除方法

说明书

本发明公开了一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法具体为：首先，结合传统特征提取技术与K‑means聚类技术将样本进行分类；其次，以ImageNet大数据集上训练过的VGG19网络作为基网络对样本进行迁移学习训练；然后，选择合适网络参数构成识别网络对所有样本进行类型判定，得到判定概率，以“0.85以上”、“0.75～0.85”和“0.75以下”三个概率区间将每类样本细分成3小类，并将判定错误的切片加入到“0.75以下”小类；对每小类样本进行数据增广；最后，冻结VGG19网络卷积层，对细分样本进行微调训练，选择最佳网络参数得到最终识别网络。本发明提供的一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法能有效解决舰船检测中虚警率特别高的问题。

技术领域

本发明属于图像处理与立体视觉技术领域，具体涉及一种基于深度卷积网络的可见光舰船虚警剔除方法。

背景技术

利用遥感图像对广域海洋内的舰船进行检测，在民用领域内，可为海洋渔业管理提供及时的数据支撑；在军用领域内，可以快速的掌握争端海域内舰船的态势，为军事决策提供高时效的信息。

传统的舰船识别方法主要为基于底层特征结合传统机器学习分类器的方法。该方法一般需要人为构造有效的底层特征，如颜色特征：颜色直方图、颜色矩、颜色相关图等，形状特征：HOG、SIFT、BOVW等，纹理特征：LBP、灰度共生矩阵等，然后将提取得到的特征送入分类器(如贝叶斯分类器、支持向量机等)进行分类识别。此类技术需要开发人员具备深入的领域知识，并在此基础上针对性地开发适用于任务的特定描述特征，其开发难度大，收效不甚理想。考虑到对于舰船检测虚警剔除领域内的特殊工程问题，目标特性易受到运动尾迹与侧迹的影响，在目标的技术条件下，未能够彻底的去除目标运动产生尾迹侧迹对目标特性的干扰，其鉴别能力弱，虚警多。

发明内容

为了解决上述技术问题，本发明提出一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法能够更准确地区分图像中的舰船和虚警，从而解决舰船检测中虚警率特别高的问题。

实施本发明的技术方案如下：

一种基于深度卷积网络的可见光舰船虚警剔除方法，具体步骤为：

步骤1、选取光学遥感图像中的舰船切片和虚警切片，作为初始的舰船样本和虚警样本；对两类样本中的切片进行舰船、虚警类型标记；

步骤2、分别对初始的舰船样本和虚警样本进行数据增广；

步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取，生成舰船样本集特征库与虚警样本集特征库，使用K-means算法结合样本集特征库将增广后的舰船样本细分为M个子类、将增广后的虚警样本分为N个子类，共得到(M+N)个子类样本，对(M+N)个子类样本中的切片进行类型标记；

步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络，并在此基础上进行优化，得到优化后的CNN卷积神经网络；

步骤5、初始化优化后的CNN中的待训练参数，并设置网络超参数，得到训练网络；

步骤6、将步骤3得到的(M+N)个子类样本打乱，并使用训练网络对其进行迁移学习训练，共训练t₁代，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；

步骤7、根据步骤6中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成判定网络，对打乱后的(M+N)个子类样本进行类型判定，记录样本中每个切片的判定概率；

步骤8、将打乱后的(M+N)个子类样本进行重新归类，然后根据判定概率将(M+N)个子类样本中的切片各自细分成k小类，最终得到k×(M+N)个小类，分类后对切片进行类型标记；