[发明专利]基于特征金字塔结构的多角度遥感船舶图像目标检测方法

说明书

本发明公开了一种基于特征金字塔结构的多角度遥感船舶图像目标检测方法，包括以下步骤：S1，收集遥感卫星船舶图像数据集，并进行样本标注，得到标注目标；S2，对经过S1所提取的数据集中的样本进行数据预处理，形成完整的训练数据集；S3，用经过改进的特征金字塔网络对预处理后的样本进行特征提取，得到多层特征融合的特征金字塔；S4，经过RPN网络生成候选区域；S5，添加不同池化大小的ROI Pooling层；S6，搭建Fast R‑CNN网络；S7，对由S1采集到的测试数据进行训练阶段的步骤S2预处理操作；S8，将经过S7处理的样本送入S3、S4、S5和S6构建的模型中进行测试求得结果，即最后经过Fast R‑CNN输出分类与回归的结果。

技术领域

本发明涉及到遥感图片目标检测技术领域，具体来讲，涉及一种基于特征金字塔结构的多角度遥感船舶图像目标检测方法。

背景技术

近年来，随着世界经济贸易的全面发展，除陆运、空运等交通方式外，海洋、湖泊等水域交通也因其载货量大及成本低等独有的优势受到越来越多的重视和发展。除此之外，国家对海域的监管和对海洋权益的保护也愈加重视，因此，船舶监测的研究和发展，对军用、商用和民用领域以及国防建设、港口管理、货物运输和海上救援和打击违法船只方面都有着重要的意义。

现阶段，相关部门对海域船舶监测还集中在传统的近距离监测，现有的交通管理系统也存在一些无法避免的局限性，目前越来越多的学者开始运用新兴技术对船舶动态监测手段进行研究。随着科技的发展，全球发射卫星数量的增多，高分辨率遥感图像目标检测技术也作为船舶目标检测的新兴技术。船舶卫星图像覆盖水域面积大，时间范围广，并且图像的分辨率清晰度等有了大幅度的提高。

传统的遥感船舶目标检测很多集中在灰度统计、阈值分割和边缘检测等。但是这些方法都适只用于简单、平静的海面，应用场景很单一。现阶段的遥感图像船舶检测也有很多模型和算法。比如词袋模型、稀疏表示、特征提取等。但是这些方法的计算量很大，而且往往会错过一些小型船只，不能够充分提取高分辨率图像中的高层次语义特征。

目前，深度学习技术在目标检测方面取得了显著的成绩。通过深层神经网络提取更高语义的船舶特征，我们可以在遥感图像中获取更多有用的信息，船舶识别准确率也在逐步提升。但是由于遥感船舶目标存在以下几个特性：(1)尺度多样性，大型轮船与小型船只之间的长宽存在成倍的差异；(2)密集性，港口船只相互紧凑的停放；(3)检测区域的冗余性，传统的水平边界框对于长宽比大的船舶时，会带来很多实际上不属于该船舶目标的多余像素；(4)复杂的背景。使得遥感船舶目标检测的难度加大。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于多尺度深度神经结构的多角度遥感船舶图像目标检测框架，该方法首先对数据集进行预处理，提高了模型的泛化能力；再经过改进的特征金字塔网络提取进行特征提取，最大化网络所有层之间的信息流和并获取了最优的船舶特征；然后在Fast R-CNN网络中，将ROI Pooling层模块中添加两种池化大小的池化层，得到更准确包含遥感船舶的特征的特征图，最后对候选区域中目标的类别进行分类和对目标的坐标进行回归。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于特征金字塔结构的多角度遥感船舶图像目标检测方法，包括以下步骤：

S1，收集遥感卫星船舶图像数据集，并进行样本标注，得到标注目标；

S2，对经过S1所提取的数据集中的样本进行数据预处理，形成完整的训练数据集；

S3，用经过改进的特征金字塔网络对预处理后的样本进行特征提取，得到多层特征融合的特征金字塔；

S4，经过RPN网络生成候选区域；

S5，添加不同池化大小的ROI Pooling层；

S6，搭建Fast R-CNN网络；