[发明专利]多特征区域的细粒度船舶图像目标识别方法

说明书

本发明提出了一种多特征区域的细粒度船舶图像目标识别方法，该方法具体包括对船舶图像数据进行预处理，以获得卷积神经网络要求的图像尺寸；处理后的图像输入到改进的RA‑CNN网络来检测识别，其中，图像送到第一尺度层的分类网络VGG‑SDP网络进行特征提取并分类，同时将VGG‑SDP的第五个池化层输入到定位网络JCMR‑APN，裁剪后送入到第二尺度层；裁剪后的四个特征区域图像再送入VGG‑SDP网络进行特征提取并分类，同时将VGG‑SDP的第五个池化层输入到定位网络APN，裁剪后送入到第三尺度层；尺寸更小四个特征区域图像送入到VGG‑SDP网络做特征提取和分类，APN网络输出特征区域；最后将三个尺度层的结果融合得到船舶的特征区域位置和类别。

技术领域

本发明涉及船舶目标的检测与识别，更具体地，具体涉及多特征区域的细粒度船舶图像目标识别方法。

背景技术

构建一套船舶目标识别系统成为一项重要的工作，加强海上船舶目标识别是一个具有军事价值和经济价值的研究方向。传统的雷达目标跟踪设备和船舶自动识别系统(Automatic Identification System，AIS)主要以定位为主，在船舶具体类型识别方面还存在很多缺陷。随着深度学习的发展，基于卷积神经网络(Convolutional NeuralNetwork，CNN)的船舶目标识别技术成为海航领域研究的重点，如VGG-16、VGG-19等网络模型在船舶目标识别被广泛应用；在基于建议区域的CNN框架方面，Faster-CNN在该领域具有较好的性能。 现阶段船舶种类繁多，同一船舶类别又派生出不同的型号，各种型号之间的差别微乎其微，使得船舶类型的识别在时间和准确率方面陷入困难，而上述提到的各种CNN网络通常只适用于船舶之间差异大的场景。针对这个问题，细粒度图像分类网络(Recurrent Attention CNN，RA-CNN)得到广泛的应用，但在船舶目标识别领域研究较少，目前尚处于初级阶段。2019年，霍煜豪等人基于RA-CNN网络提出了一种单特征区域的细粒度舰船识别方法，并在光电船舶数据集上得到验证。但是由于RA-CNN网络具有3个尺度层，基于网络本身的特点，随着尺度层的变深，单特征区域的效果在变差，具体变现为无法充分利用全局信息，从而导致鲁棒性在变差并且识别准确率也在降低。

发明内容

本发明的目的在于提供一种多特征区域的细粒度船舶图像目标识别方法，解决现有船舶相似度过高的实际问题。通过在VGG-19分类网络加入尺度依赖池化(SDP)提升识别性能，在注意建议网络(APN)加入联合聚类(joint clustering)算法生成多个特征区域，设计优化算法降低多个特征区域之间的重叠率，定义新的损失函数交叉训练VGG-19和APN，有效地提升了整个模型的准确率和鲁棒性。

本发明的优点如下：

1、通过在VGG-19网络中引入SDP算法，解决了小目标过度池化问题，提升了网络的分类性能；

2、多特征区域定位网络能够更好地利用全局信息，使目标识别更具鲁棒性；

3、特征区域优化算法降低了多个特征区域的重叠率，使得每个定位区域能够相互独立；

4、引入了信道损失函数对网络进行共同优化，可以提升图像对于噪声的鲁棒性，提升船舶目标识别率。

具体地，本发明通过以下方案实现上述目的：

结合多特征区域与细粒度图像的船舶目标识别方法，其特征在于更细致

地对目标进行识别，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个尺度层的结果框出船舶特征区域并在左上角显示其类别；

所述步骤S1进一步包含以下步骤：