[发明专利]一种光学遥感影像港口舰船目标的识别方法

说明书

本发明提供一种光学遥感影像港口舰船目标的识别方法，提出了一种分级差异性训练策略，网络模型层级不同，正负样本的输入不同，并将前一级网络模型检测错误的虚警目标以负样本的形式输入后一级的网络模型中，解决了传统方法难以鉴别模糊目标、正负样本数量差异、深层次检测网络模型复杂以及时效性差的问题，大幅度提升了网络模型对舰船目标识别、定位以及检测的准确性；同时，本发明将级联的思想引入深度学习网络构建中，将较为复杂的网络拆分为多个级联的轻量型网络，提升了网络运行的效率。

技术领域

本发明属于光学遥感目标检测技术领域，尤其涉及一种光学遥感影像港口舰船目标的识别方法。

背景技术

近年来，随着遥感观测技术的飞速发展和传感器成像技术的日益先进，遥感影像在分辨率、成像质量等诸多方面得到了极大提升，丰富的光学遥感图像数据资源推动着舰船目标检测和识别技术的进步。在监控港口海运交通，辅助遇难船只救援，配合监管打击非法捕鱼、非法倾倒油污、走私等违法行为，监视敌方港口部署和动态，获取海上作战情报等方面，准确快速的舰船检测技术发挥着巨大的作用。在复杂遥感大视场条件下，综合利用人工智能、模式识别等多种智能化处理手段实现舰船目标的快速、准确提取已成为遥感对地观测领域研究的重点难题。

目前，基于光学遥感影像的港口舰船目标检测技术主要分为传统检测方法和深度学习检测方法。传统检测方法通过特征提取策略获得利于舰船目标检测的鉴别性特征，然后将提取的多维特征以向量形式输入构建的分类器，如支持向量机、强弱分类器等，从而拟合出具有鉴别能力的分类模型。该类方法特征提取策略的选取通常依赖于判图经验，且针对不同类型的目标表征能力有限，难以有效将舰船目标从多种类型的虚警中分离出来，检测率低、虚警率高。深度学习技术用于港口舰船检测需要在大幅宽图像中准确定位并确认目标属性。目前较为常用的深度学习检测网络可分为以fast RCNN为代表的两级网络和以YOLO为代表的端到端网络。这类深度学习网络可自动提取舰船目标的多层次特征，具有较好的检测效果，但其性能实现往往依赖于结构复杂的基网络，在时效性要求较高的检测任务中，难以发挥其应用优势。

发明内容

为解决上述问题，本发明提供一种光学遥感影像港口舰船目标的识别方法，能够大幅度提升网络模型对舰船目标识别、定位以及检测的准确性。

一种光学遥感影像港口舰船目标的识别方法，采用级联网络模型对港口遥感图像中的舰船目标进行识别，其中，级联网络模型至少为三级，且第一级网络模型获取方法具体为：

S1：框选出港口遥感图像中舰船目标；

S2：将框选出的港口遥感图像中舰船目标作为正样本，港口遥感图像中除舰船目标以外的物体作为负样本，然后采用正样本和负样本进行神经网络训练，得到第一级网络模型；

级联网络模型中第一级网络模型之后的各级网络模型获取方法具体为：

S3：将前级网络模型在港口遥感图像中识别出来的舰船目标所在位置与步骤S1中已框选出的对应舰船目标所在位置作对比，得到前级网络模型识别结果中的虚警目标；

S4：将前级网络模型识别结果中的虚警目标作为本级网络模型的负样本，步骤S1中已框选出的港口遥感图像中舰船目标作为本级网络模型的正样本，然后采用正样本和负样本进行神经网络训练，得到本级网络模型。

进一步地，获取级联网络模型中最后一级网络模型后，还执行以下步骤：

采用最后一级网络模型对港口遥感图像中的舰船目标进行识别，然后获取最后一级网络模型识别出来的舰船目标与步骤S1中已框选出的对应舰船目标的交并比；

判断所述交并比是否大于预设阈值，若大于，则此时各级网络模型对应的级联网络模型为最终的级联网络模型；

若不大于，则调节各级网络模型的层级结构，然后重复执行步骤S1～S4，直到所述交并比大于预设阈值，得到最终的级联网络模型。