[发明专利]一种基于局部直线匹配的遥感图像旋转舰船目标检测方法

权利要求书

1.一种基于局部直线匹配的遥感图像旋转舰船目标检测方法，其特征在于：该方法具体包括以下步骤：

步骤(1)、训练集数据预处理

利用图像标注工具对训练集图像中待检测的目标进行标注；首先获取图像中目标的中心点坐标(x,y)、目标的宽度w、高度h以及目标的角度信息angle；然后根据设置的切割步长step和目标的高度h，确定目标切割的子目标个数n：

n＝h/step+1

计算子目标的长度h_vec和宽度w_vec：

h_vec＝[h*cos(angle)/2,h*sin(angle)/2]

w_vec＝[w/2cos(3π/2+angle),w/2sin(3π/2+angle)]

根据目标的中心点坐标(x,y)与目标宽度w、高度h计算出目标的左上、右上、右下和左下四个顶点的坐标(x₁,y₁)，(x₂,y₂)，(x₃,y₃)，(x₄,y₄)：

接着根据子目标的个数n得到相邻子目标的中心点的间隔(d_cx,d_cy)：

d_cx＝(x₃-x₁)/n

d_cy＝(y₃-y₁)/n

根据间隔大小和目标的顶点位置得到第i个子目标的中心点坐标(x_i,y_i)，其中0in：

x_i＝x₁+d_cx*(0.5+i)

y_i＝y₁+d_cy*(0.5+i)

最后根据子目标的中心点坐标和子目标的长度h_vec、宽度w_vec，将目标中间3/4长度的区域标注为body，另外1/4长度在目标前后区域进行均分，标注为headtail，使用子目标的位置信息分别对两个类别的目标进行切割，获取到headtail和body的密集子目标；

步骤(2)、训练YOLO V5网络

使用YOLO V5算法对预处理后的训练集进行训练；根据密集子目标的标注框的高度和宽度，利用K-近邻聚类方法对子目标的标注框进行聚类后分为9类，获取9类锚点框的大小，以此设置YOLO V5网络的锚点框参数；提取密集子目标的中心点信息、高度和宽度，输入YOLO V5网络中进行循环训练，直到损失函数不再降低，获取此时权重文件；

步骤(3)、测试集目标预测

利用步骤(2)训练得到的权重文件，设置YOLO V5网络对测试集图像进行测试，获取所有预测得到的headtail和body子目标的预测信息，包括中心点坐标(x_c^*,y_c^*)，长度h^*，宽度w^*，置信度conf和类别信息cls；

步骤(4)、过滤多余的检测信息

根据步骤(3)得到的子目标预测信息，使用非极大值抑制对围绕相同子目标的多个锚点框进行过滤，每个子目标仅保留置信度最高的检测信息；

步骤(5)、局部区域划分

使用层次凝聚聚类算法对步骤(4)过滤后的body子目标的中心点进行局部区域划分，去除干扰；

层次凝聚聚类算法主要将训练样本集中的每个数据点都当作一个聚类；然后计算每两个聚类之间的距离，对距离最近的或最相似的两个聚类进行合并；重复计算与合并，直到得到的当前聚类数为合并前聚类数的10％，完成局部区域划分；

步骤(6)、进行直线检测；

对步骤(5)划分后的各个局部区域分别进行霍夫变换，检测并拟合body子目标的候选线段；

步骤(7)、匹配body子目标候选线段和headtail子目标数据

根据所检测目标的大小设置合适的阈值，当body子目标候选线段所对应的headtail子目标总数小于阈值时，视其为虚警并剔除；当其大于阈值时，保留该数据；对保留下来的所有预测的子目标中心点进行多项式拟合，得到子目标中心点坐标的函数关系，由该函数获取到拟合直线的角度angle；取所有预测的子目标的中心点坐标的最大值(x_cmax^*,y_cmax^*)和最小值(x_cmin^*,y_cmin^*)和的平均值(x_c,y_c)，作为预测整体目标的中心点坐标：

x_c＝(x_cmax^*-x_cmin^*)/2

y_c＝(y_cmax^*-y_cmin^*)/2

再根据所有预测的子目标的中心点坐标的最大值(x_cmax^*,y_cmax^*)和最小值(x_cmin^*,y_cmin^*)，利用勾股定理计算出预测目标的高度h_c：

根据获取到的所有预测的子目标的宽度w^*的平均值w_mean^*，利用拟合直线的角度angle，根据三角函数求出目标宽度w_c：

w_c＝max(w_mean^*cos(angle)-w_mean^*sin(angle))

由此获得预测目标的中心点(x_c,y_c)，高度h_c，宽度w_c，角度angle信息，根据这些信息在预测图片中画出预测框即完成船舰的预测。