[发明专利]一种面向密集排列舰船的检测方法及装置

说明书

本发明公开了一种面向密集排列舰船的检测方法及装置。所述方法包括：获取待检测遥感图像；将所述待检测遥感图像输入至特征提取骨干网络，以提取所述待检测遥感图像的多尺度特征，得到特征图；基于所述特征图对应的置信度图和偏移向量图，确定所述待检测遥感图像对应的预测点集合和向心偏移量集合；基于所述预测点集合和所述向心偏移量集合，确定所述待检测遥感图像中的候选检测框集合；根据所述候选检测框集合中每个候选检测框的四个顶点坐标，计算得到每个所述候选检测框对应的置信度分数；根据所述置信度分数，确定所述候选检测框集合中的目标检测框，以作为所述待检测遥感图像的舰船检测结果。本发明可以提高旋转框舰船检测的精度。

技术领域

本发明涉及图像处理技术领域，特别是一种面向密集排列舰船的检测方法及装置。

背景技术

舰船检测是遥感图像目标检测领域的一个重要研究方向，指的是对卫星获取的图像中的舰船目标进行分类和定位。随着深度学习和卷积神经网络的发展，舰船检测的性能获得了前所未有的进步。舰船检测在航道管控、灾害救援、国防军事和领海维权方面有着广泛的应用。

国内外提高遥感目标检测性能的方法主要分为以下几类：基于尺度特征的检测、结合注意力机制的检测、设计更好的角度回归策略等。然而，目前遥感图像舰船检测仍然极具挑战，由于舰船目标尺度差异大，船头朝向任意，港口排列密集，主流的目标检测算法在舰船检测任务上的性能依然低于预期水平。舰船检测算法的局限性主要集中在以下方面：(1)舰船检测中最常用的舰船表征方式是水平矩形框，不具有角度信息，对于大部分舰船目标矩形框内存在大量的背景，尤其是在检测并排甚至密集排列的具有倾斜角度的舰船目标时，正框很难做到区分每个舰船目标即不同舰船目标的正框会有大量的重复区域，给分类定位带来巨大干扰网络模型很难有效学习到舰船的特征并进行准确的实例类别区分，从而使得网络学习不充分，预测的结果具有较高的重复度，这会给非极大值抑制(NonMaximaSuppression，NMS)部分后处理带来较大的压力，导致检测结果部分高质量预测框被抑制掉；(2)对于基于锚框的旋转框舰船检测算法，其一般在水平的矩形框的表征方式上添加一个角度回归量来实现旋转矩形框的舰船检测，但是在训练过程中进行正负样本的分配时常常造成正样本锚框和负样本锚框分配不平衡的问题，同时需要根据舰船尺度设置额外的锚框超参数，增加模型复杂度。(3)基于关键点的舰船检测算法在归回舰船目标的中心点或者舰船目标的两个角点，但是在舰船密集排列时，这些关键点在匹配的过程中常常出现误匹配即相邻关键点匹配错误产生很多虚警。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种面向密集排列舰船的检测方法及装置。

本发明的技术解决方案是：

第一方面，本发明实施例提供了一种面向密集排列舰船的检测方法，包括：

获取待检测遥感图像；

将所述待检测遥感图像输入至特征提取骨干网络，以提取所述待检测遥感图像的多尺度特征，得到特征图；

基于所述特征图对应的置信度图和偏移向量图，确定所述待检测遥感图像对应的预测点集合和向心偏移量集合；

基于所述预测点集合和所述向心偏移量集合，确定所述待检测遥感图像中的候选检测框集合；

根据所述候选检测框集合中每个候选检测框的四个顶点坐标，计算得到每个所述候选检测框对应的置信度分数；

根据所述置信度分数，确定所述候选检测框集合中的目标检测框，以作为所述待检测遥感图像的舰船检测结果。

可选地，所述将所述待检测遥感图像输入至特征提取骨干网络，以提取所述待检测遥感图像的多尺度特征，得到特征图，包括：

对所述待检测遥感图像进行缩放处理，以得到缩放到设定尺寸的遥感图像；

将所述设定尺寸的遥感图像输入至所述特征提取骨干网络；