[发明专利]一种舰船目标有向检测模型的构建方法及应用

说明书

本发明公开了一种舰船目标有向检测模型的构建方法及应用，属于计算机视觉技术领域，包括：S1、构建舰船目标有向检测模型；S2、以最小化分类置信度预测值与真实值之间的差异以及最小化预测边界框感知与真实边界框感知之间的差异为目标，采用训练集训练舰船目标有向检测模型；本发明使用单阶段无锚框的检测网络，以特征融合图上各像素点所在的位置为原点建立直角坐标系，并将直角坐标系上原点到预测边界框各条边的垂足的相对位置坐标所组成的向量作为边界框感知向量，可以更好的表示不同方向、不同长宽比的舰船目标，提高了检测的精度；另外，边界框感知向量可以直接回归舰船目标的位置参数和类别，大大减少了计算量。

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及一种舰船目标有向检测模型的构建方法及应用。

背景技术

舰船是海洋上的主要的运输载体和军事目标，对舰船目标进行自动检测在民用和军用领域都有重要的意义。然而对舰船目标进行检测时，由于舰船目标的朝向是任意的，现有的采用水平包围框定位舰船的检测网络会包含过多背景信息，不利于特征提取和后续的分类定位；且当目标密集排列时，各水平框之间存在较高的重叠，进行非极大值抑制后容易出现漏检问题。故研究一种舰船目标有向检测方法存在重要意义。

现有的舰船目标有向检测方法常采用有向目标检测算法来检测舰船目标，即采用有向包围框来检测舰船目标，然而现有的有向包围框在网络训练时存在参数回归不一致和角度损失不连续等问题。另外，现有的有向检测算法主要来源于基于锚的两阶段网络，除了存在上述参数回归不一致和角度损失不连续的问题，由于在进行有向目标检测时，有方向的锚框需要在水平锚框的基础上增加角度信息，且每增设一个角度，就需要将所有的水平锚框旋转同样的角度，网络计算过程复杂，检测速度较慢，且基于锚框机制的舰船目标检测算法依赖于预设尺寸比例的良好设计，如果增加不同角度的锚框会使得锚框数量成倍增加，加大了运算成本；如：专利CN112069910公开了一种遥感图像多方向舰船目标检测方法，其采用了5参数回归法(x,y,w,h,θ)，这5个参数在回归时对交并比的影响不一致，增加了网络回归难度，运算成本较高；且角度周期性使其角度参数在临界状态跳变，导致角度损失不连续，难以应用于实时的舰船目标检测。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种舰船目标有向检测模型的构建方法及应用，用以解决现有技术由于基于锚框机制进行检测而导致的无法快速精确检测有向舰船目标的技术问题。

为了实现上述目的，第一方面，本发明提供了一种舰船目标有向检测模型的构建方法，包括：

S1、构建舰船目标有向检测模型；舰船目标有向检测模型包括：依次级联的多级卷积神经网络、多尺度特征金字塔、预测模块和非极大值抑制模块；多级卷积神经网络用于对输入图像进行不同深度的卷积运算得到多个不同尺度的特征图，并输出到多尺度特征金字塔中进行特征融合，得到多个不同尺度的特征融合图；预测模块包括多个并联的预测器，预测器的个数与特征融合图的个数相同，且一个特征融合图对应输入到一个预测器中；预测器用于分别计算特征融合图中各像素点的分类置信度预测值和边界框感知向量预测值，以对输入图像中舰船目标的位置进行预测，得到舰船目标的预测边界框；非极大值抑制模块用于对各预测器所得的预测边界框进行非极大值抑制，得到舰船目标；特征融合图上第i个像素点的边界框感知向量的预测值t_i^*＝(Δx_{i_1},Δy_{i_1},Δx_{i_2},Δy_{i_2},Δx_{i_3},Δy_{i_3},Δx_{i_4},Δy_{i_4})；以特征融合图上第i个像素点所在的位置为原点建立直角坐标系，Δx_{i_j}和Δy_{i_j}分别表示原点到预测边界框第j条边的垂足的相对位置坐标；j取值为1、2、3、4，分别对应第一象限、第二象限、第三象限和第四象限的垂足；