[发明专利]一种船目标精确检测与分割方法

说明书

本发明属于机器视觉和图像处理领域，涉及一种船目标精确检测与分割方法。该方法包括以下步骤：(S1)训练深度卷积神经网络模型；(S2)获取待检测与分割图像，输入步骤(S1)中的深度卷积神经网络模型，输出船目标结果。本发明能够有效实现对于船目标的精确检测与分割，对密集目标、并排目标和临岸目标均有较高的检测准确度。本发明采用了旋转框预测方法，使得候选区域与真值框有较高的交并比，通过设置三个独立的损失层并行输出目标的置信度、位置和分割掩码，通过针对性的训练数据扩增来进行网络训练，提高模型的鲁棒性。

技术领域

本发明属于机器视觉和图像处理领域，涉及深度学习模型的设计与训练，实现了一种复杂背景下的船目标精确检测与分割方法。

背景技术

船目标作为水上运输载体和重要军事目标，其精确检测和分割的现实意义十分重大。比如船只搜索救援、出入境船舶监控、船只非法倾倒污染物管制、海运交通管理，都对船目标的精确检测有着极高的要求随着卷积神经网络和深度学习技术不断完善，尤其是在复杂背景下目标检测和识别领域，积累了大量文献和技术经验。得益于其强大的特征提取和学习能力，深度卷积神经网络能够对复杂的图像进行特征抽取和对目标进行层次化的特征表示，基于目标的结构不变性，能够对形变目标、遮挡目标、模糊目标、多尺度目标以及复杂背景下的目标有着良好的检测能力。

对于应用于战场侦察与监视的俯视角图像中的船目标检测，尤其是复杂地面背景干扰下的船目标检测问题上，仍然有很多问题亟待解决：

(1)栈桥、码头、装卸平台、靠船墩、集装箱、工作棚等地面目标在俯视角图像上呈现的姿态与船目标十分相似，极易产生误检，对检测结果产生干扰。

(2)对于一些密集目标：比如多艘船舶并排或者首尾相连的情况，在高分辨率的图像中容易被错误地检测为同一个目标。

如何有效排除陆上与沿岸干扰目标的影响，以及提高并排和密集目标的检测和分割结果是实现船目标精确检测与分割的关键。

发明内容

为解决上述技术问题，本发明通过训练得到一个基于深度卷积神经网络的目标检测与分割模型，实现多目标的置信度、检测框和图像掩膜的并行输出。具体技术方案如下：

一种船目标精确检测与分割方法，包括以下步骤：

(S1)训练深度卷积神经网络模型，具体为，

(S11)采集包含船目标的样本图像组成样本图像集，并对样本图像集进行预处理；

(S12)人工标注样本图像中的船目标；

(S13)将样本图像输入深度卷积神经网络进行特征提取，输出特征图；所述特征图为深度卷积神经网络最后一层的输出结果；

(S14)预先设置多个旋转框，在特征图的每个像素点上滑动预设的旋转框，提取每个旋转框中的像素点，通过旋转金字塔池化方法输出相同维度的特征向量；将每个特征向量输入全连接层，并输出每个旋转框内含有目标的概率值，选取概率值超过阈值的旋转框作为感兴趣区域；

(S15)依据人工标注情况，选取感兴趣区域与目标匹配度大于α的旋转框为正样本，目标匹配度小于β的为旋转框为负样本，β、α均为常数且0＜β＜α＜1；用选取的正样本和负样本对深度卷积神经网络模型进行训练；

(S16)将特征向量分别输入深度卷积神经网络的三个全连接层，计算置信度损失值、位置损失值和分割掩码损失值，并将三个损失值相加得到总损失值，

若总损失值达到设定的数值范围，则结束模型训练，转入步骤(S2)；否则，扩增样本图像，返回步骤(S11)继续执行模型训练。

(S2)获取待检测与分割图像，输入步骤(S1)中的深度卷积神经网络模型，输出船目标结果。