[发明专利]一种基于深度学习的电子海图和雷达图像的数据融合方法

说明书

本发明提供一种基于深度学习的电子海图和雷达图像的数据融合方法。本发明方法，包括如下步骤：利用深度学习目标检测模型对输入的雷达图像进行目标检测，识别出航海雷达探测到的特征物标；对雷达图像中特征区域进行预处理；向雷达图像中特征区域的几何中心发射射线，寻找配准参考点；采用基于特征的仿射变换，用电子海图对雷达图像进行配准，达到雷达图像和电子海图的数据融合。本发明有效地融合电子海图和雷达图像，从而帮助船舶驾驶员更好地理解航行环境，并提高驾驶自动化水平和导航安全性。

技术领域

本发明涉及船载导航仪器图像融合领域，尤其涉及一种基于深度学习的电子海图和雷达图像的数据融合方法。

背景技术

在应用层面，IEC 62388(IEC 62388,2013:62388)雷达性能及测试标注中，将能够在雷达图像上叠加电子海图的雷达称为海图雷达。其显示的海图信息从最简单的海岸线及航标显示到全面显示可由船舶驾驶员自行选择。但由于船位和艏向传感器信息存在一定的误差以及目标对电磁波的遮蔽效应、雷达目标方位和径向上的固有扩展因素的影响，会导致矢量海图与雷达目标匹配时出现局部不吻合的现象。仪器装船时若确认存在误差，可以进行手动补偿调节，通过调节传感器初始误差和多次缩放、旋转、平移电子海图对融合效果进行补偿。然而，人工补偿的过程繁琐且依赖于经验。且这种叠加性的融合层次较低，不具有鲁棒性。

Yang《Method of image overlay on radar and electronic chart》、Al–sharman《Precision landing using an adaptive fuzzy multi-sensor data fusionarchitecture.Appl.Soft Comput》等人在应用电子海图和雷达图像进行融合时，也表现出叠加性的融合层次较低。

发明内容

根据上述提出的技术问题，而提供一种基于深度学习的电子海图和雷达图像的数据融合方法。本发明采用的技术手段如下：

一种基于深度学习的电子海图和雷达图像的数据融合方法，包括如下步骤：

S1、利用深度学习目标检测模型对输入的雷达图像进行目标检测，识别出航海雷达探测到的特征物标；

S2、对雷达图像中特征区域进行预处理，所述特征区域为深度学习目标检测模型检测出来的包括所述特征物标的区域，其包括如下步骤：

S21、对雷达图像中特征区域进行滤波处理；

S22、对滤波后的雷达图像进行二值化处理，将灰度图像转换为二值图像；

S23、提取雷达图像中特征区域的雷达回波边界；

S3、向雷达图像中特征区域的几何中心发射射线，寻找配准参考点；

S4、采用基于特征的仿射变换，用电子海图对雷达图像进行配准，达到雷达图像和电子海图的数据融合。

进一步地，所述步骤S1之前还有如下步骤：

利用深度学习目标检测模型中的基于区域的全卷积网络模型结合迁移学习技术将待配准雷达数据集代入到已有目标检测模型中，对模型进行预处理。

进一步地，所述步骤S21中，采用自适应均值滤波算法对雷达图像中特征区域进行滤波处理，具体为：

K(x)＝c_kk(||x||²) (1)

其中，c_k为一个大于0的常数，满足∫k(x)dr＜0，K(x)为一个核函数，核密度估计值由下式给出：