CN109726660A

CN109726660A - 一种遥感图像船舶识别方法

Info

Publication number: CN109726660A
Application number: CN201811575353.9A
Authority: CN
Inventors: 张建伟
Original assignee: Zhejiang Ocean University ZJOU
Current assignee: Zhejiang Ocean University ZJOU
Priority date: 2018-12-22
Filing date: 2018-12-22
Publication date: 2019-05-07

Abstract

本发明公开了一种遥感图像船舶识别方法，步骤为：1、先从数据库中提取样本图像，并对样本图像进行特征提取；2、对提取后的特征进行训练，得到支持向量机；3、对样本图像进行处理；4、将处理后的图像加入深度卷积网络进行训练，得到深度学习分类器；5、输入图像，用训练后的支持向量机对图像进行检测分类；6、支持向量机将检测分类后的结果作为船舶的候选目标；7、将船舶候选目标放入深度学习分类器中进行进一步分类识别；8、得出分类结果。本发明由粗到细的方式，显著提高了遥感图像中船舶识别的速度和准确率。

Description

一种遥感图像船舶识别方法

技术领域

本发明属于海洋船舶技术领域，特别涉及一种遥感图像船舶识别方法。

背景技术

目标识别是计算机视觉领域的核心问题之一。船舶作为一种重要的军事目标和交通工具，对遥感图像中的船舶目标进行检测与识别是近年来国内外研究的热点之一，传统的船舶目标识别算法一般是先通过目标分割，然后提取不变特征进行训练来进行识别，然而由于背景，光照，噪声等实际因素的影响，至今没有一种比较通用的船舶分割方法；现有的一些船舶识别算法按识别特征主要通过多特征结合来进行识别，如不变矩(Hu矩、zernike矩、颜色矩等)、边缘特征、角点特征、小波特征等，其中，Hu矩和zernike矩对二值图像中的具有一定形状的目标有较好的识别能力，如果是灰度图像效果不是很好；角点特征对图像中目标的清晰度有一定要求；小波特征具有很强的图像重建能力，但是数据量相当大，特征的选取十分困难；按识别原理主要分为神经网络、模板匹配、支持向量机等，其中，模板匹配识别精度高但是运算量巨大；神经网络算法识别精度取决于样本图像数量，当目标旋转、缩放时，误时率较高，且训练时间长，节点参数很难确定。并且很多算法具有一定的针对性，遥感图像中的船舶不是完美的俯视图，会有一定的角度以及阴影的产生，对于有些特征的提取会造成影响，所以很难准确的对不同背景中的船舶目标进行检测识别。因此，迫切需要设计出一种能够克服复杂背景、光照、噪声的影响，通用性好，准确率高的船舶识别算法。

传统船舶识别方法在某些情况下，无法有效的进行船舶分割，特别是在海洋上，许多与海洋颜色解决的船只会导致有些船舶无法识别，以及现有部分的船舶识别算法针对性较强，抗干扰能力不足，特别是一些多特征结合的方法，虽然能够克服单特征描述信息能力不强的特点，但是抗噪性能较差，一旦图像分辨率变低或者干扰较大时，都会影响到每个特征提取的结果，通用性不高，

发明内容

发明目的：针对现有技术中存在的问题，提供一种能够克服背景，光照，噪声对于船舶识别的影响，很好的将船舶检测出来，并通过深度学习来降低误识率，提高识别准确率，用于解决传统的船舶识别通用性不好，准确率不高甚至在某些情况下无法识别的技术问题的遥感图像船舶识别方法。

技术方案：为解决上述技术问题，本发明提供一种遥感图像船舶识别方法，包括如下步骤：

(1)先从数据库中提取样本图像，并对样本图像进行特征提取；

(2)对提取后的特征进行训练，得到支持向量机；

(3)对样本图像进行处理；

(4)将处理后的图像加入深度卷积网络进行训练，得到深度学习分类器；

(5)输入图像，用步骤(2)中训练后的支持向量机对图像进行检测分类；

(6)支持向量机将检测分类后的结果作为船舶的候选目标；

(7)将步骤(6)中的船舶候选目标放入步骤(4)中得到的深度学习分类器中进行进一步分类识别；

(8)得出分类结果。

进一步的，所述步骤(1)中提取特征包括色彩和伽马归一化和直方图两种方法。

进一步的，所述步骤(1)中采用色彩和伽马归一化方法对HOG特征进行提取的具体步骤如下：对图像的RGB色彩空间进行归一化处理，RGB代表原图像某点的像素值，rgb表示归一化之后的值，则r＝R/(R+G+B)；g＝G/(R+G+B)； b＝B/(R+G+B)。

进一步的，所述步骤(4)中得到深度学习分类器的具体步骤如下：首先对所有样本进行一层一层的卷积层、池化层操作，将原始数据映射到隐层特征空间，然后通过全连接层将学到的分布式特征表示映射到样本标记空间，最后通过 softmax函数对样本实现分类。

进一步的，所述步骤(5)中对训练后的支持向量机对图像进行检测分类前，需要先对整幅图像中每16×16个像素的Cell求出特征，再将每2×2个Cell中的特征串联起来组成一个Block的特征并归一化，然后将每7×7个Block中的特征串联组成最终的3528维的特征。

与现有技术相比，本发明的优点在于：

本发明提供的遥感图像船舶识别方法，能够解决传统船舶目标识别在背景环境变化，光照阴影，噪声等引起的无法分割，识别率低下甚至在某些情况下无法识别的问题。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。

如图1所示，本发明具体包括如下步骤：

1)对训练样本库中的船舶和背景(非船舶)提取特征，放入线性SVM进行二分类训练，得到支持向量机，然后改变样本图像大小(224*224)，放入深度卷积网络VGG进行训练，得到深度学习分类器。

2)通过支持向量机对图像中的船舶进行检测，进行第一次分类(粗分类)，然后将第一次分类的结果作为船舶的候选目标放入深度学习分类器进行第二次识别分类，最终得到的就是船舶的识别结果。

理论基础：HOG特征提取、SVM、深度学习。图像识别第一步是提取有效的图像特征，在这里，我们通过提取样本图像的HOG特征，然后通过支持向量机获得支持向量机；之后，利用该分类器对图像中船舶进行检测。最后，利用深度学习训练好的网络对检测出的船舶候选目标进一步识别，减少误识率。

1基于HOG特征和SVM的船舶分类训练

(1)算法概述

HOG方法是基于对稠密网格中归一化的局部方向梯度直方图的计算。此方法的基本观点是：局部目标的外表和形状可以被局部梯度或边缘方向的分布很好的描述，即使我们不知道对应的梯度和边缘的位置。在实际操作中，将图像分为小的元胞(Cells)，在每个元胞内累加计算出一维的梯度方向(或边缘方向)直方图。为了对光照和阴影有更好的不变性，需要对直方图进行对比度归一化，这可以通过将元胞组成更大的块(blocks)并归一化块内的所有元胞来实现。归一化的块描述符就叫作HOG描述子。将检测窗口中的所有块的HOG描述子组合起来就形成了最终的特征向量，放到线性SVM中进行目标/非目标的二分类。

(2)标准化gamma空间和颜色空间

为了减少光照因素的影响，首先需要将整个图像进行规范化(归一化)。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。gamma<1在高灰度值区域内，动态范围变小，图像对比度降低，图像整体灰度值变大，显得亮一些；gamma>1在低灰度值区域内，动态范围变小，图像对比度降低，图像整体灰度值变小，变得暗淡。

(5)归一化描述子块

由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩，使特征向量空间对光照，阴影和边缘变化具有鲁棒性。具体的做法是：把各个细胞单元组合成大的、空间上连通的区域(Blocks)。这样，一个 Block内所有Cell的特征向量串联起来便得到该Block的HOG特征。这些区间是互有重叠的，这就意味着：每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。归一化之后的块描述符(向量)就称之为HOG描述符。

一般一个块(Block)都由若干单元(Cell)组成，一个单元都有若干个像素点组成。船舶检测的参数设置是：2×2Cell/block、8×8像素/Cell、18个直方图通道(18bins)，一个块的特征向量长度为：2×2×18。

(3)分类训练

计算一个样本的HOG特征维度，例如：检测窗口：64×64；8×8pixels/cell； bin＝18；2×2cells/block；块移动步长＝1cell；块的数量：7×7＝49；HOG特征向量长度：2×2×18×7×7＝3528；最后就是把这么一个3528维的特征向量输入给SVM 做分类训练。

2基于深度卷积网络VGG的船舶分类训练

卷积网络(ConvNets)在大规模图像和视频识别方面取得了巨大的成功，由于大型的公共图像库，高性能计算系统，例如GPU或者大规模的分布式集群。特别的，ImageNet大规模视觉识别挑战(ILSVRC)在深度视觉识别架构中发挥了重要的作用，它已经作为几代大型图像分类系统的实验台了，从高维的浅特征编码到深的ConvNets。

2.1ConvNet架构

在训练期间，ConvNet的输入是固定大小的224*224的RGB图像。预处理是从每个像素值上减去在训练集上计算的平均RGB值。图像通过一堆卷积层 (conv.)，其中使用具有非常小的接收野的滤波器：3*3(这是捕获左/右，上/ 下，中心概念的最小尺寸)。在其中一个配置中，还使用了1*1的卷积过滤器，这可以看作是输入通道的线性变换(之后接一个非线性变换)。卷积步长固定为 1个像素；卷积层的输入的空间填充是使得在卷积之后保留空间分辨率，如，对于一个3*3的卷积层来说填充是1个像素。空间池化是由5个最大池化层执行的，基在一些卷积层后面(不是所有的卷积层之后都跟着最大池化层)。最大池化是在2*2的像素窗口上执行的，步长为2。

一堆卷积层(在不同的架构中具有不同的深度)之后是三个全连接层(FC)：前两个每一个都有4096个通道，第三个执行2类的船舶分类，因此包含2个通道(每个类一个通道)。最后一层是soft-max层。全连接层的配置在所有网络中都是相同的。所有的隐藏层都配有修正的非线性单元(ReLU)。

2.2分类训练

网络配置好后，通过对样本图像(大小为224*224的RGB图像)进行训练得到最终的深度学习分类器，截取的部分样本图像。

3船舶识别

对样本图像训练好后就可以对船舶进行识别了，待识别的遥感船舶图像，船舶识别的具体流程如图1。在对一幅完整图像(图像中包含若干船舶)中的船舶进行检测时，可以通过大小为64×64的检测窗口对图像所有位置和尺度进行扫描，但是本发明中，为了提高检测速度，对于每一个尺度的图像，先对整幅图像中每16×16个像素的Cell求出HOG特征，再将每2×2个Cell中的特征串联起来组成一个Block的特征并归一化，然后将每7×7个Block中的特征串联组成最终的3528维的特征放入训练好的支持向量机进行分类。这样做的好处是：对于一个尺度中的船舶进行检测时，只需要对整幅图像求一次HOG特征，而不需要在检测窗口滑动时对每个窗口都计算HOG特征，大大加快了检测速度。

然后再使用深度学习分类器对检测出的船舶候选目标进一步识别，得到每个尺度下的识别框，最终每个船舶都有若干个重叠的识别框，对于多个尺度下识别出的船舶框，一般按框的大小取中间的框，基本可以将一个完整的船舶框出，这种先通过HOG特征+SVM对图片中的船舶进行粗识别，再通过深度学习进一步排除误识别目标的方法，由粗到细，能够准确的将遥感船舶图像中的船舶识别出来。

Claims

1.一种遥感图像船舶识别方法，其特征在于，包括如下步骤：

（1）先从数据库中提取样本图像，并对样本图像进行特征提取；

（2）对提取后的特征进行训练，得到支持向量机；

（3）对样本图像进行处理；

（4）将处理后的图像加入深度卷积网络进行训练，得到深度学习分类器；

（5）输入图像，用步骤（2）中训练后的支持向量机对图像进行检测分类；

（6）支持向量机将检测分类后的结果作为船舶的候选目标；

（7）将步骤（6）中的船舶候选目标放入步骤（4）中得到的深度学习分类器中进行进一步分类识别；

（8）得出分类结果。

2.根据权利要求1所述的一种遥感图像船舶识别方法，其特征在于，所述步骤（1）中提取特征包括色彩和伽马归一化和直方图两种方法。

3.根据权利要求2所述的一种遥感图像船舶识别方法，其特征在于，所述步骤（1）中采用色彩和伽马归一化方法对HOG特征进行提取的具体步骤如下：对图像的RGB色彩空间进行归一化处理，RGB代表原图像某点的像素值，rgb表示归一化之后的值，则r = R / (R+G+B)；g = G / (R+G+B)；b = B / (R+G+B)。

4.根据权利要求1所述的一种遥感图像船舶识别方法，其特征在于，所述步骤（4）中得到深度学习分类器的具体步骤如下：首先对所有样本进行一层一层的卷积层、池化层操作，将原始数据映射到隐层特征空间，然后通过全连接层将学到的分布式特征表示映射到样本标记空间，最后通过softmax函数对样本实现分类。

5.根据权利要求1所述的一种遥感图像船舶识别方法，其特征在于，所述步骤（5）中对训练后的支持向量机对图像进行检测分类前，需要先对整幅图像中每16×16个像素的Cell求出特征，再将每2×2个Cell中的特征串联起来组成一个Block的特征并归一化，然后将每7×7个Block中的特征串联组成最终的3528维的特征。