[发明专利]基于深度学习FCN网络的遥感舰船目标轮廓分割与检测方法

说明书

本发明公开了一种基于深度学习FCN全卷积网络的遥感舰船轮廓分割与检测方法，首先构建遥感舰船目标数据库，对其中遥感舰船目标进行逐像素标注，随后本发明设计一种更深的6层全卷积网络6‑FCN结构通过卷积与反卷积进行参数训练，最终对宽幅遥感检测图像进行重叠切分，检测后合并得到最终遥感影像舰船检测结果。可以在高效迅速地实现遥感舰船目标检测的同时实完成舰船轮廓的精准分割，精简了传统的检测复杂流程，并且实现很好的分割与检测效果提升。

技术领域

本发明属于遥感图像智能识别技术领域，更为具体地讲，涉及在监控场景下一种基于全卷积神经网络的遥感舰船目标检测方法。

背景技术

卫星海洋监视具有成像带幅宽、数据量大的特点，军事活动关注的重点是对海上运动目标实施侦察、跟踪监视其状态，积累和掌握有关国家、地区海上军事力量的部署与目标动向。快速、准确检测并提取目标图像非常必要，利用计算机技术实现遥感图像遥感舰船目标检测成为国内外研究重点。

目前已有的舰船检测方法，

(1)大部分是主要有双参数CFAR方法、基于K分布的CFAR方法等。这类方法检测准确率较低，并且虚警率过高。其检测率稳定在85％左右，虚警率根据参数选择在5％-10％。本发明提出的方法其检测率可以达到98％，虚警率低于5％。

(2)可见光图像遥感舰船目标检测算法还包括尾迹检测算法，基于舰船本身各类浅层特征(Hough直线、形态、灰度、边缘、SIFT等)的检测算法。而遥感影像随着载荷不同，其成像特点各异，上述方法需要人为规定检测特征，对不同图像检测效果差异较大，鲁棒性较差，而本发明提出的方法提取遥感舰船目标的深度特征，无需人为规定特征，具有很好的普适性。

(3)本发明提出方法除了实现传统方法的目标检测还可以实现逐像素的类别检测，可以有效检测出目标轮廓，可以为后续识别提供帮助。

发明内容

本发明的目的在于克服现有技术的不足，提出基于全卷积网络的遥感舰船目标检测方法，来进一步提高检测准确度和召回率，减少虚警和漏检。

本发明的目的是这样实现的：

基于深度学习FCN网络的遥感舰船目标轮廓分割与检测方法，包括以下步骤：

(1)采集不同型号(高分-1号、高分-2号等)、不同分辨率(1m、2.5m等)可见光的遥感舰船目标遥感图像，然后对每一张目标图像进行逐像素标注，标注后的数据组成一幅二值图像，其中0灰度表示背景像素，1灰度表示舰船像素，把遥感图像和对应标注图像打包构成训练样本；

(2)设计6层深度学习FCN网络；

(3)初始设定步骤(2)的深度学习FCN网络中的节点参数，对训练样本中的遥感舰船目标图像，根据步骤(2)的网络结构模型，得到遥感舰船目标图像的检测结果，根据检测结果和对应标注的遥感舰船目标图像逐个像素计算多分类回归模型softmax分类的损失，得到每一个遥感舰船目标图像的损失值；

(4)将所有遥感舰船目标图像的损失值进行排序，选择损失值最大的设定个数遥感舰船目标图像作为难例样本，并将这些难例样本的损失值反馈到深度学习FCN网络模型中，使用随机梯度下降法更新深度学习FCN网络模型的节点参数，从而得到检测目标的神经网络模型，用于监控场景下采集的遥感舰船目标图像的检测；其中，设定个数的数值根据经验值决定；

(5)将待检测图像采用重叠切分方法进行切分，将切分后的所有分块分别送入深度学习FCN网络中，得到每个分块的初始检测结果，并消除每个分块的细小的像素级误检测，将消除像素级误检测后的所有分块的检测结果汇总到原图中，得到最终检测与分割的合并结果。

其中，步骤(5)具体包括以下步骤：

(501)计算分块的像素数S：