[发明专利]一种遥感图像多方向舰船目标检测方法

说明书

本发明提供了一种遥感图像多方向舰船目标检测方法。其中，该方法主要由五部分组成：特征提取、特征融合、自适应区域生成(ARPN)、旋转感兴趣区域对齐(Rotated RoI Align)、旋转非最大值抑制(R‑NMS)；自适应区域生成网络分为位置预测、形状预测以及特征自适应模块，位置预测分支输出舰船目标中心点预测值；形状预测分支在位置预测信息的指导下，输出目标形状预测值，在两个分支的输出中，通过选择最大可能位置和该位置最可能的形状来生成一组锚框。与现有技术相比，该方法针对遥感图像舰船形状狭长、多方向分布、背景复杂的问题，自适应地在目标中心位置生成锚框，可以将90％的锚框集中在目标周围，减少无效锚框生成，提高了检测率。

技术领域

本发明涉及目标检测领域，是一种遥感图像多方向舰船目标检测方法。系统涉及到 目标检测、特征金字塔(FPN)、自适应区域生成网络(ARPN)等关键技术。

背景技术

舰船检测属于目标检测中的一部分，是遥感信息处理的一个热点问题。随着遥感技术 的发展，我们可以获得高分辨率的遥感图像，遥感图像中的舰船检测是一个重要问题， 具有广泛的应用，如船舶管理，交通服务以及海防等，在推进国防建设，港口管理，货物运输和海上救援等方面发挥着重要作用。所以针对遥感图像中的舰船检测研究也一直在深入发展。

尽管许多深度学习的算法在自然场景中取得了成功，但由于遥感图像的复杂性以及舰 船形状狭长、多方向分布的特性，深度学习方法在遥感场景的应用受到了限制。主要原 因如下：

1.遥感图像非常复杂，不仅图像分辨率不同，由于拍摄距离等原因，舰船所占据的范围很小，其特征信息经常被复杂的周围场景所淹没。

2.由于高空俯视拍摄，舰船以任意方向出现，且舰船的极端长宽比导致一般的目标 检测方法很难达到良好的效果。

3.舰船本身的类内多样性和与其他类之间的相似性导致传统检测方法的检测率并不 高。

目前，光学遥感船舰检测的研究虽然也有提出引入旋转不变层，旋转检测框，上下文信息补充等方法应用在舰船检测上，但仍然有很大的提升空间，如RR-CNN、ROITransform等方法均是基于旋转区域的舰船检测方法。RR-CNN将旋转检测框应用到舰船 检测领域，ROI Transform提出RoI变换器来解决旋转框增加计算复杂度的问题。此类方 法检测率有所提升，但仍旧存在漏检误检。尤其是RR-CNN将旋转感兴趣区域生成网络 (RRPN)引入遥感舰船检测领域，当舰船密集分布时，旋转的锚框不仅增大了计算量而且 也降低了锚框与标注框的匹配准确度与速度，给多方向舰船检测造成了困难。

发明内容

本发明的目的在于提供一种遥感图像多方向舰船目标检测方法，自适应区域生成网络 ARPN在一定程度上能够承接旋转感兴趣区域生成网络RRPN的优点，以及在一定程度上 解决上述背景技术的缺点。

本发明提供如下技术方案：一种基于自适应区域生成网络的遥感图像多方向舰船目标 检测方法，步骤包括：特征提取、特征融合、自适应区域生成、旋转感兴趣区域对齐、旋转非最大值抑制。对每一步进行说明，如下：

S1、将图片送入特征提取骨干网络ResNet进行特征提取，输出特征图 {C1,C2,C3,C4,C5}，ResNet是目前目标检测领域的主流特征提取网络；

S2、特征图送入特征金字塔网络分别进行特征融合：ResNet网络的5层输出分别为{C1,C2,C3,C4,C5}，经过低层下采样高层上采样进行特征融合后FPN输出为 {P2,P3,P4,P5}，特征金字塔网络结构是融合多级信息的有效多尺度方法，由于舰船目标从 航母到小艇尺度差异巨大，融合底层细节信息和高层语义信息对于舰船检测效果提升有非 常重要的作用；