CN109871731A

CN109871731A - 船舶检测的方法、装置及计算机存储介质

Info

Publication number: CN109871731A
Application number: CN201711271251.3A
Authority: CN
Inventors: 屈崇; 贾书丽; 罗昊; 沈璐璐; 代建
Original assignee: Shanghai Shine Heavy Industry Co Ltd
Current assignee: Shanghai Shine Heavy Industry Co Ltd
Priority date: 2017-12-05
Filing date: 2017-12-05
Publication date: 2019-06-11

Abstract

本发明实施例提供了一种船舶检测的方法、装置及计算机存储介质，该船舶检测的方法包括：获取合成孔径雷达图像；对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的图像特征，所述图像特征至少包括以下五种：圆度特征、粗糙度特征、熵特征、对比度特征、方向梯度直方图特征；将所述图像特征输入预先训练好的极限学习机，得到输出结果；基于所述输出结果确定所述合成孔径雷达图像中船舶的数量和位置。由此可见，本发明实施例中利用极限学习机，通过合成孔径雷达图像进行船舶检测，检测的准确率高、速度快，能够应用于实时性要求高的场景。

Description

船舶检测的方法、装置及计算机存储介质

技术领域

本发明涉及一种船舶检测的方法、装置及计算机存储介质。

背景技术

船舶检测在水上交通、渔业管理、水上救援等诸多方面起到非常重要的作用。巡游船和飞机这些传统的船舶检测方法成本高，且受环境、覆盖面积和气象条件等因素的限制很大。合成孔径雷达通常安装在飞机或者卫星等移动平台上，一般来说，孔径越大，分辨率就越高，平台的运动可以获得较大的合成孔径，从而提供更好的空间分辨率。因此，合成孔径雷达可以产生高分辨率图像。合成孔径雷达图像可以在各种条件下获得，不受白天黑夜，以及雨雪天气的影响，尤其是当光学工具无法使用时，合成孔径雷达仍可以应用。

合成孔径雷达已被广泛应用于船舶检测，例如基于K平均(K-means，KM)的方法应用于合成孔径雷达图像进行船舶检测。应用基于机器学习方法在合成孔径雷达图像中进行船舶检测的方法也已经出现，例如基于神经网络(Neural Network，NN)的方法，基于支持向量机(Support Vector Machine，SVM)的方法，以及基于深度学习的方法。但是这些方法存在的主要缺陷是识别的准确率还不够高，识别的速度还不够快，无法应用于对实时性要求高的场合。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种船舶检测的方法、装置及计算机存储介质，在合成孔径雷达图像中进行船舶检测，提高检测的准确率和检测的速度。

第一方面，提供了一种船舶检测的方法，包括：

获取合成孔径雷达图像；

对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的图像特征，所述图像特征至少包括以下五种：圆度特征、粗糙度特征、熵特征、对比度特征、方向梯度直方图特征；

将所述图像特征输入预先训练好的极限学习机，得到输出结果；

基于所述输出结果确定所述合成孔径雷达图像中是否存在船舶。

示例性地，在所述获取合成孔径雷达图像之前，还包括：基于多个合成孔径雷达样本图像，通过训练得到所述极限学习机。

示例性地，所述对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的图像特征，包括：

对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的感兴趣区域；

对所述感兴趣区域进行特征提取，得到所述图像特征。

示例性地，所述对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的感兴趣区域，包括：对所述合成孔径雷达图像进行图像分割，得到所述合成孔径雷达图像的所述感兴趣区域。

第二方面，提供了一种船舶检测的装置，包括：

获取模块，用于获取合成孔径雷达图像；

图像处理模块，用于对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的图像特征，所述图像特征至少包括以下五种：圆度特征、粗糙度特征、熵特征、对比度特征、方向梯度直方图特征；

极限学习模块，用于将所述图像特征输入预先训练好的极限学习机，得到输出结果；

确定模块，用于基于所述输出结果确定所述合成孔径雷达图像中是否存在船舶。

示例性地，还包括训练模块，用于：基于多个合成孔径雷达样本图像，通过训练得到所述极限学习机。

示例性地，所述图像处理模块，包括：

处理子模块，用于对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的感兴趣区域；

特征提取子模块，用于对所述感兴趣区域进行特征提取，得到所述图像特征。

示例性地，所述处理子模块，具体用于：对所述合成孔径雷达图像进行图像分割，得到所述合成孔径雷达图像的所述感兴趣区域。

该船舶检测的装置能够用于实现前述第一方面或各个示例所示方法的步骤。

第三方面，提供了一种船舶检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面及各个示例所述方法的步骤。

第四方面，提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面及各个示例所述方法的步骤。

由此可见，本发明实施例中利用极限学习机，通过合成孔径雷达图像进行船舶检测，检测的准确率高、速度快，能够应用于实时性要求高的场景。

附图说明

以下将结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来对本发明实施例进行进一步的解释，该附图构成说明书的一部分，且与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的附图标记通常代表相同或相似的部件或步骤。

图1是本发明实施例的船舶检测的方法的一个示意性流程图；

图2(a)和(b)分别为合成孔径雷达图像的示意图；

图3是极限学习机与其他机器学习方法的准确度比较示意图；

图4是极限学习机与其他机器学习方法的ROC曲线比较示意图；

图5是本发明实施例的船舶检测的装置的一个示意性框图。

具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。

图1是本发明实施例的船舶检测的方法的一个示意性流程图。图1所示的方法包括：

S101，获取合成孔径雷达图像；

S102，对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的图像特征，所述图像特征至少包括以下五种：圆度特征、粗糙度特征、熵特征、对比度特征、方向梯度直方图特征；

S103，将所述图像特征输入预先训练好的极限学习机，得到输出结果；

S104，基于所述输出结果确定所述合成孔径雷达图像中船舶的数量和位置。

示例性地，在S101中，可以由合成孔径雷达通过拍摄来获取该合成孔径雷达图像。作为一例，图1所示的方法可以由装载有合成孔径雷达的飞机或卫星来实现，这样能够保证处理的实时性，防止由于传输时延等造成的影响。作为另一例，图1所示的方法可以由服务器执行，例如装载有合成孔径雷达的飞机或卫星将合成孔径雷达图像传送至服务器后再由服务器执行，这样能够充分利用服务器的处理性能，保证处理的效率。

合成孔径雷达(Synthetic Aperture Radar，SAR)是利用一个小天线沿着长线阵的轨迹等速移动并辐射相参信号，把在不同位置接收的回波进行相干处理,从而获得较高分辨率的成像雷达，可分为聚焦型和非聚焦型两类。合成孔径雷达是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成较大的等效天线孔径的雷达，也称综合孔径雷达。合成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。所得到的高方位分辨力相当于一个大孔径天线所能提供的方位分辨力。

示例性地，S102可以包括：对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的感兴趣区域；对所述感兴趣区域进行特征提取，得到所述图像特征。

作为一种实现方式，可以对所述合成孔径雷达图像进行图像分割，将所述合成孔径雷达图像的水面部分确定为所述感兴趣区域。

这种图像分割的方式也可以称为对合成孔径雷达图像的预处理过程，一般地，合成孔径雷达图像既包括陆地部分，也包括水面部分。那么，可以去除陆地部分和大部分水面部分，而仅将小部分水面部分确定为该感兴趣区域。具体地，该感兴趣区域可以是包括船舶或类似船舶物体的图像区域。示例性地，在该过程中，可以使用初步的图像识别的方法以得到该感兴趣区域的图像。

作为一种实现方式，可以针对该感兴趣区域进行特征提取，从而得到图像特征。示例性地，可以基于感兴趣区域中的像素点的数量、灰度值等来计算图像特征。其中，图像特征至少包括以下五种：圆度特征、粗糙度特征、熵特征、对比度特征、方向梯度直方图(Histogram of Gradient，HOG)特征。

圆度特征可以通过下式计算：粗糙度特征可以通过下式计算：熵特征可以通过下式计算：f_entropy＝Σp(i,j)×[-lnp(i,j)]；对比度特征可以通过下式计算：f_contrast＝(i-j)²×p(i,j)。而方向梯度直方图特征可以采用HOG检测算子实现，例如可以是OpenCV 3.1版本的HOG检测算子。其中，p为感兴趣区域边缘的周长，A为感兴趣区域面积；N_E是边缘点的数量，d(m)是第m个边缘点的标准化半径；p(i,j)是灰度共生矩阵中坐标为(i,j)处的像素灰度值。

本发明实施例中，图像特征包括圆度特征、粗糙度特征、熵特征、对比度特征和方向梯度直方图特征五个特征，既能够得到满足系统准确度要求的结果，并且处理的时间也能够满足实时性的要求。可理解，图像特征还可以另外包括其他的一个或更多个特征，从而应用于精确度更高且实时性较低的其他场景。

示例性地，在S103中，可以将S102所得到的感兴趣区域的图像特征输入至极限学习机，并得到输出结果。作为一例，该输出结果可以为该感兴趣区域是否存在船舶；作为另一例，该输出结果可以为该感兴趣区域中的船舶所在的节点。从而，在S104中可以基于该输出结果得到针对该合成孔径雷达图像的检测结果。

极限学习机(Extreme Learning Machine，ELM)是一种求解单隐层神经网络的算法，其最大的特点是对于传统的神经网络，尤其是对于单隐层前馈神经网络(Single-hidden Layer Feedforward Neural Network，SLFN)，ELM可以随机初始化输入权重和偏置并得到相应的输出权重，从而在保证学习精度的前提下比传统的学习算法速度更快。

极限学习机是典型的单隐层前馈神经网络，由输入层、隐含层和输出层组成，输入层与隐含层、隐含层与输出层的神经元间全连接。其中，输入层有n个神经元，对应n个输入变量；隐含层有l个神经元；输出层有m个神经元，对应m个输出变量。

设输入层与隐含层的连接权值W(也称为输入权重)为：

其中，ω_ji表示输入层第i个神经元与隐含层第j个神经元间的连接权值。

设隐含层与输出层的连接权值β(也称为输出权重)为：

其中，β_jk表示隐含层第j个神经元与输出层第k个神经元间的连接权值。

设隐含层神经元的阈值b(也称为偏置)为：

设具有Q个样本的训练集输入矩阵X和输出矩阵Y分别为：

则可以计算得到输出结果

Hβ＝T^T (4)

其中，T^T为矩阵T的转置；H称为神经网络的隐含层输出矩阵，具体形式为：

其中，W_i＝[ω_i1,ω_i2,…,ω_in]，X_i＝[x_1j,x_2j,…,x_nj]^T，为g(·)激活函数。当隐含层神经元个数小于训练集样本个数时，训练误差可逼近任意ε＞0。因此，当激活函数g(·)无限可微时，W_i和b_i在训练前可随机选择，并保持不变。而隐含层与输出层的连接权值β可通过以下方程组的最小二乘解获得

其解为

其中为隐含层输出矩阵H的Moore-Penrose广义逆。

在使用该极限学习机时，可以用Y来表示实际的输出向量，用X来表示输入向量，那么可以通过前述的式(4)获得输出向量：

Y＝Hβ (8)

其中

极限学习机方法的目标是最小化两个误差：训练误差||T-Hβ||²以及输出权重||β||，其中||·||表示范数。该问题可以转化为一个如下的优化问题来求解：

其中ξ是实际输出和期望输出的误差；C是正则化因子，用来提高训练的泛化性能，同时控制训练数据的接近程度与决策函数光滑性的折衷。上述优化问题可以利用拉格朗日乘子法求解，当矩阵非奇异时，解可由下式计算得出

否则，当矩阵非奇异时，解β可由下式计算得出：

其中I是一个单位阵。在实践中，当样本的训练特征数大于隐层神经元数量时，可以使用(11)获得输出权重，否则使用(12)获得输出权重。为了提高极限学习机在计算输出权重时的稳定性，一个有效的解决方案是在输入和隐藏层之间找到高质量的映射。径向基(Radial Basis Function，RBF)函数是最有效的映射函数之一，式(11)中的H^TH或式(12)中的HH^T被称为ELM核矩阵，h(x_i)·h(x_j)为极限学习机的核。本发明采用以下高斯函数作为核函数

示例性地，在图1所示的方法之前，可以通过训练得到该极限学习机。具体地，可以基于多个合成孔径雷达样本图像，通过训练得到所述极限学习机。

示例性地，针对每一样本图像，可以通过图像分割得到样本图像的感兴趣区域，通过特征提取得到感兴趣区域的图像特征。针对每一样本图像，可以标注出对应的感兴趣区域是否存在船舶(或船舶所在的节点位置)。这样，可以基于多个合成孔径雷达样本图像得到样本的训练集，利用该训练集对极限学习机进行训练，从而能够得到S103所使用的极限学习机。

在该训练的过程中，可以根据精度要求和处理时间要求，确定同时满足两者时，图像特征至少应包括前述的5个特征。具体地，若图像特征的数量更少或选取其他的特征，会导致无法达到精度要求，例如误判率过高；若图像特征的数量更多或选取其他的特征，会导致处理时间过长，无法保证实时性。

极限学习机是一种高速、具有简化优化参数和良好的泛化性能的机器学习算法，在图像处理和机器视觉等领域已经得到了广泛应用。与支持向量机方法相比，极限学习机实现较为简单，且需要优化工作很少；同时，极限学习机具有更好的泛化能力，速度快，学习性能好，而支持向量机方法仅能达到次优解且计算复杂。在本发明中，可以使用极限学习机方法在合成孔径雷达图像中进行船舶检测，提高检测的准确率和检测的速度。

为了说明本发明采用的极限学习机方法(ELM)的有益效果，以下呈现ELM与其他的机器学习方法进行的比较，其他的机器学习方法包括：K-means(KM)方法，神经网络(NN)方法、支持向量机(SVM)方法、支持Tucker机(Support Tucker Machine，STM)方法和卷积神经网络(Convolutional Neutral Network，CNN)方法。

首先假设所采用的合成孔径雷达图像的数据集来自Sentine1-1和RADARSAT卫星获得的图像，这些图像已经完成地理位置校准和标定工作，其中的两个样本图像可以如图2所示。感兴趣区域统一到64×128的大小。本发明中的极限学习机核心算法是采用C语言代码实现的，且假设HOG特征提取采用OpenCV 3.1版本的HOG检测算子实现，采用默认参数：窗口大小64×128，块大小16×16，块步长8×8。该测试在一台4G内存，i5 2.66GHz CPU的计算机上进行。

针对检测的准确性：假设将隐含层节点数设置为500。对不同样本数的分类性能进行了比较，训练的样本数是从200到500，增量为100，测试的样本数是300，和训练样本不重复。测试和训练样本都是在数据集中随机选择的，一半的样本是有船舶的感兴趣区域，另一半的样本则是没有船舶的感兴趣区域，每个固定样本数量的实验进行15次，不同方法的平均检测准确率和标准差见如下的表1，为了直观表示，同时将该实验结果在图3示出。从表1和图3中可以看出，本发明方法的检测准确率介于99％和100％之间，随着训练样本数的增加，检测准确率也逐渐提高，且当训练样本较少时它的检测准确率也优于其他方法。可见本发明方法具有优于其他已有的机器学习方法的准确性。

表1

针对检测的快速性：假设将隐含层节点数分别设置为300、400、500、600。测试中的训练样本数和测试样本数都为400，其中200个样本为有船舶的感兴趣区域，200个样本为无船舶的感兴趣区域。测试结果如下表2所示，可以看出，本发明的测试时间在20毫秒(ms)以内，完全可以满足实时性应用对于计算时间的要求，表明本发明具有良好的快速性特点。另外也说明本发明中隐层节点数对检测准确率影响不大，因此在实际应用中可以将隐层节点数设置为500。

表2

另外，受试者工作特征(Receiver Operating Characteristic，ROC)和线下面积(Area Under Curve，AUC)是衡量机器学习分类方法的重要指标。ROC曲线又称为感受性曲线(sensitivity curve)，ROC曲线的横坐标为假阳性概率(False Positive Rate，FPR)，纵坐标为真阳性概率(True Positive Rate，TPR)。AUC被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y＝x这条直线的上方，所以AUC的取值范围在0.5至1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。ROV和AUC用于比较分类性能，当一个分类器能够区分一个随机选择的正实例和一个随机选择的负实例时，分类性能越好，AUC值就越大，ROC也越大。不同方法的ROC曲线如图4所示，其中样本数为200，可以看出本发明方法具有最高的ROC数值。不同方法的AUC值如下表3所示，可见本发明方法获得了最大的AUC值。

表3

样本数量	KM	SVM	NN	STM	CNN	ELM
							200	0.923	0.968	0.919	0.953	0.975	0.983
240	0.938	0.976	0.917	0.964	0.979	0.986
							280	0.934	0.978	0.924	0.971	0.982	1.000
320	0.942	0.984	0.936	0.969	0.981	1.000

基于上述比较可以看出，ELM相较于其他的机器学习方法，具有更好的机器学习分类性能。

图5是本发明实施例的船舶检测的装置的一个示意性框图。图5所示的装置20可以包括获取模块210、图像处理模块220、极限学习模块230和确定模块240。

获取模块210，用于获取合成孔径雷达图像；

图像处理模块220，用于对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的图像特征，所述图像特征至少包括以下五种：圆度特征、粗糙度特征、熵特征、对比度特征、方向梯度直方图特征；

极限学习模块230，用于将所述图像特征输入预先训练好的极限学习机，得到输出结果；

确定模块240，用于基于所述输出结果确定所述合成孔径雷达图像中船舶的数量和位置。

示例性地，该装置20还可以包括训练模块，用于：基于多个合成孔径雷达样本图像，通过训练得到所述极限学习机。

具体地，可以基于多个合成孔径雷达样本图像形成训练集，并利用该训练集对极限学习机进行训练。

示例性地，图像处理模块220可以包括处理子模块和特征提取子模块。处理子模块，用于对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的感兴趣区域。特征提取子模块，用于对所述感兴趣区域进行特征提取，得到所述图像特征。

示例性地，处理子模块，具体用于：对所述合成孔径雷达图像进行图像分割，得到所述合成孔径雷达图像的所述感兴趣区域。

图5所示的装置20能够用于实现前述图1中所示的船舶检测的各个过程，为避免重复，这里不再赘述。

另外，本发明实施例还提供了另一种船舶检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，处理器执行所述程序时实现前述图1所示的方法的步骤。

另外，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序。当所述计算机程序由处理器执行时，可以实现前述图1所述的方法的步骤。例如，该计算机存储介质为计算机可读存储介质。

尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种船舶检测的方法，其特征在于，包括：

获取合成孔径雷达图像；

基于所述输出结果确定所述合成孔径雷达图像中船舶的数量和位置。

2.根据权利要求1所述的方法，其特征在于，在所述获取合成孔径雷达图像之前，还包括：

基于多个合成孔径雷达样本图像，通过训练得到所述极限学习机。

3.根据权利要求1所述的方法，其特征在于，所述对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的图像特征，包括：

对所述感兴趣区域进行特征提取，得到所述图像特征。

4.根据权利要求3所述的方法，其特征在于，所述对所述合成孔径雷达图像进行处理，得到所述合成孔径雷达图像的感兴趣区域，包括：

对所述合成孔径雷达图像进行图像分割，得到所述合成孔径雷达图像的所述感兴趣区域。

5.一种船舶检测的装置，其特征在于，包括：

获取模块，用于获取合成孔径雷达图像；

确定模块，用于基于所述输出结果确定所述合成孔径雷达图像中船舶的数量和位置。

6.根据权利要求5所述的装置，其特征在于，还包括训练模块，用于：

7.根据权利要求5所述的装置，其特征在于，所述图像处理模块，包括：

8.根据权利要求7所述的装置，其特征在于，所述处理子模块，具体用于：

9.一种船舶检测的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4中任一项所述方法的步骤。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。