[发明专利]基于Faster R-CNN的卫星图像海上舰船识别方法

说明书

本发明提供了一种基于Faster R‑CNN的卫星图像海上舰船识别方法，其特征在于：使用基于目标选择的卫星图像分割算法将原始卫星图像数据进行分割，基于生成对抗网络增加训练样本，根据Faster R‑CNN算法建立卫星图像海上舰船训练数据集，利用Faster R‑CNN算法和训练数据集生成卫星图像海上舰船识别模型，建立经纬度匹配模型，基于像素与经纬度映射关系，支持精准经纬度匹配，实现对卫星图像中海上舰船的识别。本发明基于卫星图像提出具有实用性的海上舰船识别技术方案，处理速度快，精度高，对不同类型的一个或多个舰船目标都可以进行有效地识别。

技术领域

本发明涉及到图像识别领域，具体涉及一种基于Faster R-CNN的卫星图像海上舰船识别方法。

背景技术

遥感图像中目标的识别一向是遥感领域的热门课题，舰船作为海上运输和作战的重要工具，更是遥感图像目标检测中不可忽视的一块。近十几年来受渔业活动监测需求的影响，许多国家开展了关于舰船遥感检测识别的研究，也有许多国家已经建立十分成熟的船舶遥感探测和监视系统。目前将卫星遥感图像运用于海上舰船识别的研究较少。海上舰船识别相比与舰船监测，需要更多细节信息以及更加强大的计算能力，在过去由于计算能力的有限，很难对舰船识别做出精准判断。舰船的分类识别可以帮助军方对监控海域舰船做出及时精确的决策。随着近几年遥感图像分辨率的提高，计算机计算能力的增强，以及日益发展的图像处理与人工智能技术，使得舰船的精准检测，识别，分类成为可能。

早期针对海上舰船识别这一课题，主要可以分为舰船检测与舰船分类两个模块。舰船检测可以分为海陆分离和目标候选区域提取两个部分。由于舰船在一张图中所占区域较小，而陆地区域大，且对象多而复杂，因此对图进行海陆分离，只对海面部分进行检测，可以大大提高舰船检测的准确度与效率，海陆分离主要有阈值分割法与区域生长法。阈值分割法利用海面及陆地的灰度纹理不同对图像中不同区域进行分割，区域生长法利用选取好的种子点进行区域生长从而分割图像中不同的区域。目标区域选取的目标是将疑似舰船的图像区域从遥感图像中分离。目标区域选取的主要方法有：基于阈值检测法，基于分形模型检测法，基于视觉显著检测法。基于阈值检测法主要是利用一个固定的阈值分割图像，这种方法运算速度快，计算复杂度低，但对于复杂度较高的图像，如有海浪影响的图片，效果并不理想，易产生虚警信息。基于分形模型检测法是根据与舰船等人造物体相比，海浪等自然物体有显著的分形特征，这一差别使区分舰船与其它背景成为可能。目前的研究成果有利用高阶分形维特征与缝隙特征对海面目标进行检测的方法，利用海面雷达反射信号的高阶分形特征检测海面目标等。基于视觉显著检测法是根据人类视觉系统在面对复杂场景时会选择性聚焦到自身感兴趣的部分这一特性提出的一类检测方法，这类检测方法在近些年较为热门，研究者提出很多可行方法，如利用视觉显著度模型，融合多种特征对目标进行检测选择等。

将舰船目标检测到并提取后可以通过船舰分类技术对舰船进行进一步的识别。舰船分类主要可以分为特征提取和分类两个部分。特征提取主要是从分离出的目标区域图像提取特征，常见的舰船特征有：灰度，纹理，形状等，除此之外，也有提取舰船的尾迹特征，小波特征等，以法国的IRD系统为例，它提取了灰度，对称性，周长，密实度，面积，偏度，标准方差等28特征，并利用遗传算法对特征进行选择。利用提取到的特征对舰船进行分类，科研人员尝试了不同的分类器，包括神经网络分类器，贝叶斯网络分类器等，如法国的IRD系统使用误差后向传递多层感知器神经网络作为分类器，并且在该神经网络中用遗传算法代替BP算法来选择最优权重。但以上这些分类器往往需要大量的训练数据以保证其准确性，因此也有研究者利用SVM对舰船进行分类，并使用150个样本对SVM进行训练与测试，得到了较好的结果。

在早期对于遥感图像海上舰船识别这一主题的研究较多的是将检测与识别分开。随着遥感图像分辨率的提高，图像处理与人工智能技术的发展，近几年目标检测算法得到了快速的发展，通过目标检测算法可以将舰船目标的定位与分类一同进行。

早期图像识别一直围绕对图像中目标物体分类展开，也有研究者希望将目标检测与深度学习结合，但一直没有取得较大成果。直到R-CNN算法的出现，较好的结合了目标检测与深度学习算法，打破了两者的界限。