[发明专利]多特征区域的细粒度船舶图像目标识别方法

权利要求书

1.多特征区域的细粒度船舶图像目标识别方法，其特征在于，包含以下步骤：

S1、预处理船舶数据集；

S2、将预处理后的船舶图像输入到训练好的改进的RA-CNN网络；

S3、通过融合改进的RA-CNN网络的3个尺度层的结果标示出舶特征区域并在左上角显示其类别；

所述步骤S1包含以下步骤：

S1.1、将输入船舶图像统一转换成224×224分辨率的船舶图像；

S1.2、根据公式将图像的每个像素值从[0，255]归一映射到[-1,1]之间，计算公式如下：

其中，x_i,j和x'_i,j分别代表预处理前后的像素值，i∈[0,223]，j∈[2,223]；

所述步骤S2包含以下步骤：

S2.1、首先在第一尺度层，输入图像先经VGG-SDP网络v₁提取特征，第5个池化层的输出P₅将作为JCMR-APN网络的输入；

S2.2、JCMR-APN网络m₁将根据P₅生成的多个通道进行聚类并选择合适的部分生成多个独立特征区域；

S2.3、v₁网络选择多个特征区域中最小特征区域的像素个数N作为自适应池化准则的输入，挑选合适的池化层生成第一尺度的分类置信向量Y⁽¹⁾；

S2.4、评估多个特征区域之间的覆盖率，对区域进行调整；

S2.5、将调整好的特征区域截取并放大作为下一尺度层的输入；

S2.6、将S2.5的特征输入到第二尺度层的VGG-SDP网络v₂进行特征提取，重复S2.2、S2.3，生成第二尺度的分类置信向量Y⁽²⁾；与第一层不同的是，第二层的定位网络m₂采用与RA-CNN一致的APN网络，截取每个输入特征区域并放大，输入到第三尺度层；

S2.7、在第三尺度层中重复S2.6生成第三尺度层的分类置信向量Y⁽³⁾，本层中的APN网络m₃只生成对应的特征区域，不再进行截取，最终的定位将依据第一尺度层生成的各个特征区域决定；

步骤S2.1包含以下步骤：

S2.1-1、VGG-SDP输入图像I时，图像先经过5个卷积块进行特征提取并将第五个池化层P₅的输出送入JCMR-APN网络；

S2.1-2、JCMR-APN网络根据多个特征区域统计区域的大小N，VGG-SDP网络将根据N的大小在后三个池化层中选择合适的特征图输入到全连接层进行分类，自适应池化选择标准如下：

其中，P₃(I)和P₄(I)分别代表第三、第四池化层的输出，M(I)函数根据N的大小选择合适的池化层输出，当特征区域N过大时，网络会选择第五个池化层P₅来表示目标的特征；当N过小时，网络则会选择经历更少卷积池化的第三池化层P₃来描述特征，以保留更多的信息；

步骤S2.2包含以下步骤：

S2.2-1、设定特征图通道样本集S＝{s₁,s₂,…s_k}，由样本集S构造邻接矩阵W、度矩阵D；

S2.2-2、由W,D得拉普拉斯矩阵L＝D-W；

S2.2-3、对L进行标准化：

S2.2-4、将L_norm的特征值从大到小排列，取前K个特征值计算其特征向量；

S2.2-5、标准化每个特征向量并组成特征向量矩阵L_f；

S2.2-6、取L_f中每个行向量生成新的样本集S',对S'进行K-means聚类生成K个簇，对应K个船舶图像的特征区域；

步骤S2.4包含以下步骤：

S2.4-1、从坐标参数序列中计算每个特征区域像素值大小，并将最大特征区域的位置作为基准区域，将该区域计入固定区域序列；

S2.4-2、计算第二个特征区域与基准区域的重叠面积N_ol，计算公式如下：

N_ol＝max(t_x(br)-t_x(ul),0)×max(t_y(br)-t_y(ul),0) (2)

S2.4-3、当重叠面积与自身的比值大于一定阈值时，对特征区域进行调整，直到比值低于阈值；

S2.4-4、第二个特征区域调整后计入固定区域序列，后续特征区域将从固定区域序列中由大到小依次选取对比区域进行步骤S2.4-2、S2.4-3的操作。