[发明专利]一种舰船目标检测方法及系统

说明书

本发明涉及一种舰船目标检测方法及系统，该方法包括：构建目标检测模型的网络结构：循环特征金字塔网络的输入为ResNet网络中各残差单元的最后一层特征图，输出各残差单元的融合特征图；各残差单元的融合特征图输入旋转区域建议网络，输出与旋转锚框对应的融合特征图，旋转锚框对应的融合特征图输入到多比例可旋转RoI池化层，输出连接全连接层；多比例可旋转RoI池化层用于生成固定长度的向量；训练目标检测模型；将待检测合成孔径雷达图像输入训练好的目标检测模型，获得目标检测结果；目标检测结果包括目标的角度、类别和位置。本发明实现不同尺度和不同角度的船舰目标检测，提高了检测准确度。

技术领域

本发明涉及目标检测技术领域，特别是涉及一种舰船目标检测方法及系统。

背景技术

合成孔径雷达(SyntheticAperture Radar，SAR)是一种高分辨率的传感器，能够全天时、全天候的工作。利用SAR图像对海面舰船目标检测是军事和民用领域非常重要的一项关键技术。传统方法大多采用恒虚警率(Constant False-Alarm Rate，CFAR)为主的检测方法。该类算法根据目标和背景像素存在散射亮度差这一事实，利用给定的虚警率，根据杂波的局部统计特性来自适应的确定判决门限，实现目标的检测。但是当SAR图像背景比较复杂时，检测算法会存在大量虚警或者漏警的情况。随着基于深度学习的目标检测技术的出现，国内外大量的研究人员将此类算法用于SAR图像舰船目标检测，取得了非常好的效果。但是基于深度学习的目标检测算法针对的是自然场景的目标(例如人、车、动物等)，此类目标基本上是与地面垂直的，因此采用的目标边框也是垂直的。而SAR图像中的舰船目标由于是俯视图，会存在多种旋转角度，此时仍用垂直边框会存在边框不够紧致，影响分类和定位精度的问题。

发明内容

本发明的目的是提供一种舰船目标检测方法及系统，以提高目标检测的准确性。

为实现上述目的，本发明提供了如下方案：

一种舰船目标检测方法，包括：

构建目标检测模型的网络结构：所述网络结构包括ResNet网络、循环特征金字塔网络、旋转区域建议网络、多比例可旋转RoI池化层和全连接层；所述循环特征金字塔网络的输入为ResNet网络中各残差单元的最后一层特征图，将ResNet网络中各残差单元的最后一层特征图与相邻残差单元的最后一层特征图进行融合，输出各残差单元的融合特征图；各残差单元的融合特征图输入所述旋转区域建议网络，所述旋转区域建议网络输出与旋转锚框对应的融合特征图，旋转锚框对应的融合特征图输入到所述多比例可旋转RoI池化层，所述多比例可旋转RoI池化层的输出连接全连接层；所述多比例可旋转RoI池化层用于生成固定长度的向量；

训练所述目标检测模型；

将待检测合成孔径雷达图像输入训练好的所述目标检测模型，获得目标检测结果；所述目标检测结果包括目标的角度、类别和位置。

可选地，所述旋转锚框的长宽比包括1:1、1:3、3:1、1:5、5:1、1:7、7:1、1:9和9:1，所述旋转锚框的角度包括

可选地，所述训练所述目标检测模型，具体包括：

从ImageNet数据库中提取图像，获得分类数据集；

利用所述分类数据集训练所述目标检测模型中所述ResNet网络，获得加载所述ResNet网络模型参数的所述目标检测模型；

采用Xavier函数对加载所述ResNet网络模型参数的所述目标检测模型中所述循环特征金字塔网络进行初始化，获得更新后的所述目标检测模型；

采用SSDD+数据集对更新后的所述目标检测模型进行训练，获得训练好的所述目标检测模型。

可选地，所述采用SSDD+数据集对更新后的所述目标检测模型进行训练，获得训练好的所述目标检测模型，具体包括：