CN109977892A - 基于局部显著性特征和cnn-svm的舰船检测方法 - Google Patents
基于局部显著性特征和cnn-svm的舰船检测方法 Download PDFInfo
- Publication number
- CN109977892A CN109977892A CN201910254709.7A CN201910254709A CN109977892A CN 109977892 A CN109977892 A CN 109977892A CN 201910254709 A CN201910254709 A CN 201910254709A CN 109977892 A CN109977892 A CN 109977892A
- Authority
- CN
- China
- Prior art keywords
- ship
- naval vessel
- significant characteristics
- cnn
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 239000000284 extract Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 10
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 9
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 14
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于局部显著性特征和CNN‑SVM的舰船检测方法，用于解决现有技术中存在的复杂背景下舰船检测准确率较低的技术问题。实现步骤为：1.构建训练样本集；2.构建CNN‑SVM舰首点分类模型；3.构造显著性特征提取算子；4.对待检测舰船图像进行预处理；5.对待检测舰船图像的疑似舰船首部显著性特征点进行检测；6.提取待检测舰船图像的舰船首部显著性特征点；7.确认舰船方向；8.获取舰船检测结果。本发明设计构造显著性特征提取算子能够有效提高舰首点的召回率，同时利用CNN‑SVM舰首点分类模型提高舰首点分类准确率，从而提高复杂场景下的舰船检测准确率。
Description
技术领域
本发明属于图像识别技术领域，涉及一种光学图像舰船检测方法，具体涉及一种基于局部显著性特征和CNN-SVM的舰船检测方法，可用于复杂背景的光学遥感图像下对舰船目标进行识别和检测。
背景技术
在光学遥感图像中,目标检测是图像目标识别和图像理解方面研究的重点领域。通过检测和监视感兴趣的港口区域内舰船目标并估计出其位置、尺寸、类型等参数信息,在海上救援、港口交通管理、海域安全等方面具有广阔的应用前景十分广阔，由于遥感图像中的舰船本身尺度差异较大，且方向任意，在港口等区域又过于密集，使得舰船检测成为遥感图像目标检测中的难点。如何有效地对舰船目标进行检测，是一个重要的研究方向。
目前，常用的舰船检测方法可以分为以下几类：基于图像分割的舰船检检测、基于深度学习的舰船检测和基于特征提取的舰船检测。其中，基于图像分割的舰船检检测方法，国内外大量的研究工作是针对光学遥感图像海洋背景下的舰船目标进行检测，该方法大多采用自适应阈值图像分割或者纹理分割的方法就可粗略定位舰船目标，但在实际应用过程中对于大尺寸的遥感图像检测检测精度较低。基于深度学习的舰船检测方法在计算机视觉应用中已取得显著的进步。深度学习方法结合大规模数据集和高性能计算硬件GPU，在目标检测、目标分类、语义分割等领域得到了长足的发展。通过搜集制作大量图像数据，然后利用训练集和损失函数对基础的目标检测网络进行训练，得到可用于目标检测的网络模型。该方法虽然检测精度较高，但严重依赖计算机GPU性能和资源，同时该方法中针对特定目标检测任务的海量图像数据的搜集与制作过程工作量大，耗时长。
基于特征提取的舰船目标检测方法既能保证舰船的检测精度，同时又减少了计算机资源消耗和工作量。其主要依靠的是对图像中相关目标特征进行特征提取，并利用提取到的特征训练诸如SVM、Adaboost等分类器，进而实现对目标的检测识别。比较常用的特征提取方法有Haar-like特征，HOG特征、SIFT特征以及基于字典学习提取到的特征等。例如，2016年，Sun Li等人在其发表的论文“A Novel Inshore Ship Detection via Ship HeadClassification and Body Boundary Determination”(IEEE Geoscience&RemoteSensing Letters,2016，NO.12)中，公开了一种基于舰船首部特征提取的舰船检测方法，该方法使用harris角点检测算法检测角点，再利用角点使用极坐标变换域中新提取的舰船首部特征，送入支持向量机(SVM)分类器进行船首点分类，从而实现了有效的舰船目标检测。该方法的缺点是harris角点检测对于舰首点的召回率相对较低，且使用SVM分类准确度不高，从而影响了舰船检测的准确率。
发明内容
本发明的目的在于针对上述已有技术存在的不足，提供了一种基于局部显著性特征和CNN-SVM的舰船检测方法，用于解决现有技术中存在的复杂背景下舰船检测准确率较低的技术问题。
本发明的技术思路是：首先通过制作舰首数据集，构建CNN-SVM舰首点分类模型，输入待检测光学遥感图像，对图像进行预处理，然后通过构造显著性特征提取算子，提取疑似舰船首部显著性特征点，并利用CNN-SVM舰首点分类模型进行舰首分类，得到舰船首部显著性特征点，进而对舰船首部显著性特征点邻域图像进行Hough直线检测，得到舰船方向，最后以舰首为起点，沿舰船方向扫描，计算出舰船边界宽度与长度，从而实现整个舰船的目标检测过程，具体实现步骤为：
(1)构建训练样本集：
从数据库中选取M幅光学遥感舰船图像，并将从每幅图像中复制的以舰首为中心、大小为K×K的图像作为正样例图像，同时将从每幅图像中复制的与正样例图像大小相同不包含舰首的图像作为负样例图像，所有正样例图像和负样例图像组成训练样本集，其中M≥100，32≤K≤48；
(2)构建CNN-SVM舰首点分类模型：
(2a)构建包括六个卷积层、两个池化层和两个全连接层的卷积神经网络CNN，并将训练样本集作为CNN的输入，将交叉熵作为优化目标对CNN进行P轮迭代训练，得到CNN模型，其中3000≤P≤4000；
(2b)将CNN模型的最后一个全连接层的输出作为特征向量，对SVM分类器进行训练，得到CNN-SVM舰首点分类模型；
(3)构造局部显著性特征提取算子Q：
构造由行和列均为l的二维矩阵和N个通道组成的三维矩阵，并将该三维矩阵作为局部显著性特征提取算子Q，该Q第i行j列c通道位置的数值的计算公式为：
其中，k为i，j所属象限，33≤l≤43，8≤N≤16，0＜i≤l，0＜j≤l，0＜c≤N，0≤k≤3；
(4)对待检测舰船图像进行预处理：
对输入的大小为H×W的待检测舰船图像进行灰度化，并对灰度化后的待检测舰船图像进行二值分割，然后对二值分割后的图像进行闭运算，得到预处理后的待检测舰船图像I，其中768≤H≤1024，768≤W≤1024；
(5)对I的疑似舰船首部显著性特征点进行检测：
(5a)采用局部显著性特征提取算子Q中每个通道的二维矩阵，对预处理后的待检测舰船图像I进行逐像素卷积，得到N个大小为H×W的卷积结果图像，并将N个卷积结果图像相同位置像素点的数值组成的数组，作为舰船图像I对应的相同位置像素点的局部显著性特征向量；
(5b)按照从大到小的顺序对局部显著性特征向量中各像素点的数值进行排序，得到特征向量a，并通过a计算显著性特征因子S；
(5c)根据特征向量a和显著性特征因子S，判断I的疑似舰船首部显著性特征点；
(6)提取I的舰船首部显著性特征点：
以I的疑似舰船首部显著性特征点为中心，从预处理后的待检测舰船图像I中复制大小为R×R的切片图像，并将该切片图像作为CNN-SVM舰首点分类模型的输入，得到I的舰船首部显著性特征点，其中100≤R≤150；
(7)确认舰船方向：
采用直线检测算法，对I的舰船首部显著性特征点对应的切片图像进行检测，得到沿舰身或海岸方向的多个直线段及每个直线段方向，并将最长直线段的方向作为舰船方向；
(8)获取舰船检测结果：
以I的舰船首部显著性特征点为起点，根据舰船方向，分别计算舰船船身的长度与最大宽度，并通过船身的长度与最大宽度画出长度方向与舰船方向相同的倾斜矩形框，该倾斜矩形框中的物体即为舰船检测结果。
本发明与现有技术相比，具有以下优点：
第一，本发明通过CNN-SVM舰首点分类模型，提取待检测舰船图像I的舰船首部显著性特征点，CNN可提取丰富的特征信息，避免了现有技术中因使用SVM分类器导致存在的分类准确率较低的问题，与现有技术相比，有效地提高了舰船检测的准确率。
第二，本发明通过局部显著性特征提取算子，提取待检测舰船图像I的疑似舰船首部显著性特征点，局部显著性特征能准确反应舰首的形状特点，与现有技术相比舰船首部显著性特征点的召回率得到显著提高，进一步提高了舰船检测准确率。
附图说明
图1为本发明的实现流程图；
图2为本发明中CNN-SVM舰首点分类模型的结构示意图；
图3为本发明舰船长度与最大宽度计算示意图；
具体实施方式
下面将结合附图和具体实施例，对本发明进行详细说明：
参照图1，一种基于局部显著性特征和CNN-SVM的舰船检测方法，包括如下步骤：
步骤1)构建训练样本集：
从数据库中选取M幅光学遥感舰船图像，并将从每幅图像中复制的以舰首为中心、大小为K×K的图像作为正样例图像，同时将从每幅图像中复制的与正样例图像大小相同不包含舰首的图像作为负样例图像，所有正样例图像和负样例图像组成训练样本集，其中M≥100，32≤K≤48。
遥感图像的大小一般在100×100至2000×2000之间，因此大多数数据库中的遥感图像均满足上述需求。在本发明实施例中，选取300幅大小为768×768的光学遥感舰船图像，K取值为70。
步骤2)构建CNN-SVM舰首点分类模型：
步骤2a)构建包括六个卷积层、两个池化层和两个全连接层的卷积神经网络CNN，具体结构为：输入层→第一个卷积层→第二个卷积层→第一个池化层→第三个卷积层→第四个卷积层→第二个池化层→第五个卷积层→第六个卷积层→第一个全连接层→第二个全连接层。并将训练样本集作为CNN的输入，将交叉熵作为优化目标对CNN进行P轮迭代训练，得到CNN模型，其中3000≤P≤4000，本发明实施例中为P取3000。
步骤2b)将CNN模型的最后一个全连接层的输出作为特征向量，对SVM分类器进行训练，得到CNN-SVM舰首点分类模型，其结构如图2所示，输入待检测图像后CNN提取图像特征并将特征送入SVM分类器从而得到分类结果输出。
步骤3)构造局部显著性特征提取算子Q：
构造由行和列均为l的二维矩阵和N个通道组成的三维矩阵，并将该三维矩阵作为局部显著性特征提取算子Q，该Q第i行j列c通道位置的数值的计算公式为：
其中，k为i，j所属象限，33≤l≤43，8≤N≤16，0＜i≤l，0＜j≤l，0＜c≤N，0≤k≤3。
局部显著性特征提取算子用于提取舰船首部显著的‘V’字形状特征，针对不同舰首方向，使用N个通道与其对应，其中每个通道的二维矩阵中，在其特定检测方向区域内取值为1(255)，剩余区域取值为0，k的象限划分是以每个通道的二维矩阵中以中心点作为平面坐标系原点顺时针表示的，在本发明实施例中为N为16，l为33。
步骤4)对待检测舰船图像进行预处理：
对输入的大小为H×W的待检测舰船图像进行灰度化，并对灰度化后的待检测舰船图像进行二值分割，然后对二值分割后的图像进行闭运算，得到预处理后的待检测舰船图像I，其中768≤H≤1024，768≤W≤1024。
本发明实施例中使用otsu法进行二值分割效果最佳，对分割结果进行闭运算，以消除空洞,并消除面积小于一定阈值的区域，输入的大小为768×768。
步骤5)对I的疑似舰船首部显著性特征点进行检测：
步骤5a)采用局部显著性特征提取算子Q中每个通道的二维矩阵，对预处理后的待检测舰船图像I进行逐像素卷积，得到N个大小为H×W的卷积结果图像，并将N个卷积结果图像相同位置像素点的数值组成的数组，作为舰船图像I对应的相同位置像素点的局部显著性特征向量。
步骤5b)按照从大到小的顺序对局部显著性特征向量中各像素点的数值进行排序，得到特征向量a，并通过a计算显著性特征因子S，计算公式为：
其中，a为特征向量，N为特征向量a的大小，8≤N≤16，λ为缩放因子，0.5≤λ≤1.2。本发明实施例中λ值为0.8。
步骤5c)根据特征向量a和显著性特征因子S，判断I的疑似舰船首部显著性特征点，具体步骤如下：
(5c1)记I中第v个像素点特征向量a的前4个数值分别为M1,M2,M3,M4，其中，v的初始值为1，0＜v＜Z，Z为I中像素点的总数；
(5c2)判断M1+M2+M3-M4≥T1是否成立，若是，执行步骤(5c3)，否则，v＝v+1，执行步骤(5c1)，其中T1为特定阈值，2l2/N＜T1＜4l2/N，l为特征提取算子Q的行数；
(5c2)判断显著性特征因子S≥T2是否成立，若是，则第v个像素点为疑似舰船首部显著性特征点，否则，v＝v+1，执行步骤(5c1)，其中T2为特定阈值，0.75＜T2＜0.95。本发明实施例中T1＝3l2/N，T2＝0.85。
步骤6)提取I的舰船首部显著性特征点：
以I的疑似舰船首部显著性特征点为中心，从预处理后的待检测舰船图像I中复制大小为R×R的切片图像，并将该切片图像作为CNN-SVM舰首点分类模型的输入，得到I的舰船首部显著性特征点，其中100≤R≤150，本发明实施例中R＝100。
步骤7)确认舰船方向：
采用hough直线检测算法，对I的舰船首部显著性特征点对应的切片图像进行检测，得到沿舰身或海岸方向的多个直线段及每个直线段方向，并将最长直线段的方向作为舰船方向。
步骤8)获取舰船检测结果：
以I的舰船首部显著性特征点为起点，根据舰船方向，分别计算舰船船身的长度与最大宽度，并通过船身的长度与最大宽度画出长度方向与舰船方向相同的倾斜矩形框，该倾斜矩形框中的物体即为舰船检测结果，其中：
计算舰船船身的长度的实现步骤为：
(1)如图3(a)所示，定义包含区域a和区域b的矩形，使其从舰首点沿着舰船方向扫描舰船，图中白色区域表示图像二值化后的舰船及周围建筑，黑色区域表示图像二值化后的海域；
(2)计算两个区域内舰身上的点所占该区域面积的比例，当区域a所占比例小于阈值0.1，且区域b所占比例大于阈值0.9时，检测到舰船尾部；
(3)计算舰首点舰船尾部中点的长度得到舰船长度。
计算舰船船身最大宽度的实现步骤为：
(1)如图3(b)所示，图中白色区域表示图像二值化后的舰船及周围建筑，黑色区域表示图像二值化后的海域，设置舰船扫描步长，令其沿着舰船方向从舰首端O点向A点移动；
(2)随着扫描步长的增加,OA的长度也随之增加，在A点两侧首次检测到非港口边缘点B和C，它们与舰船方向OA垂直；
(3)当AB长度值小于或远大于舰船原始宽的一半时，加入新的宽度计算结果以对其进行更新，更新后的结果最大数值为max(2AB，2AC)；
(4)如果两次出现更新后的舰船宽度与初始宽度一致，则停止计算；否则，执行步骤(2)。
以下结合仿真实验，对本发明的技术效果进行说明：
1.仿真条件和内容：
仿真实验采用操作系统为WINDOWS 7，处理器为英特尔i7-2600，主频为3.4GHZ，内存为8GB，实验用软件处理平台为MATLAB2018a。
仿真实验：使用来源于Google Earth的遥感舰船图像共86张作为测试图像，利用本发明方法进行舰船检测，统计舰首点召回率和最终舰船检测准确率。
2.仿真结果分析：
在仿真结果中，现有技术和本发明的舰首点平均召回率和最终舰船检测平均准确率如下表所示，从表中可以看出本发明对舰首点的平均召回率达到98.4％，而现有技术仅为93.2％，最终舰船数据集中的平均检测准确率达到96.8％，而现有技术为94.3％，本发明和现有技术相比，在准确率上有了明显的提升。
| 现有技术 | 本发明 | |
| 舰首点平均召回率 | 93.2％ | 98.4％ |
| 最终舰船检测平均准确率 | 94.3％ | 96.8％ |
Claims (4)
1.一种基于局部显著性特征和CNN-SVM的舰船检测方法，其特征在于，包括以下步骤：
(1)构建训练样本集：
从数据库中选取M幅光学遥感舰船图像，并将从每幅图像中复制的以舰首为中心、大小为K×K的图像作为正样例图像，同时将从每幅图像中复制的与正样例图像大小相同不包含舰首的图像作为负样例图像，所有正样例图像和负样例图像组成训练样本集，其中M≥100，32≤K≤48；
(2)构建CNN-SVM舰首点分类模型：
(2a)构建包括六个卷积层、两个池化层和两个全连接层的卷积神经网络CNN，并将训练样本集作为CNN的输入，将交叉熵作为优化目标对CNN进行P轮迭代训练，得到CNN模型，其中3000≤P≤4000；
(2b)将CNN模型的最后一个全连接层的输出作为特征向量，对SVM分类器进行训练，得到CNN-SVM舰首点分类模型；
(3)构造局部显著性特征提取算子Q：
构造由行和列均为l的二维矩阵和N个通道组成的三维矩阵，并将该三维矩阵作为局部显著性特征提取算子Q，该Q第i行j列c通道位置的数值的计算公式为：
其中，k为i，j所属象限，33≤l≤43，8≤N≤16，0＜i≤l，0＜j≤l，0＜c≤N，0≤k≤3；
(4)对待检测舰船图像进行预处理：
对输入的大小为H×W的待检测舰船图像进行灰度化，并对灰度化后的待检测舰船图像进行二值分割，然后对二值分割后的图像进行闭运算，得到预处理后的待检测舰船图像I，其中768≤H≤1024，768≤W≤1024；
(5)对I的疑似舰船首部显著性特征点进行检测：
(5a)采用局部显著性特征提取算子Q中每个通道的二维矩阵，对预处理后的待检测舰船图像I进行逐像素卷积，得到N个大小为H×W的卷积结果图像，并将N个卷积结果图像相同位置像素点的数值组成的数组，作为舰船图像I对应的相同位置像素点的局部显著性特征向量；
(5b)按照从大到小的顺序对局部显著性特征向量中各像素点的数值进行排序，得到特征向量a，并通过a计算显著性特征因子S；
(5c)根据特征向量a和显著性特征因子S，判断I的疑似舰船首部显著性特征点；
(6)提取I的舰船首部显著性特征点：
以I的疑似舰船首部显著性特征点为中心，从预处理后的待检测舰船图像I中复制大小为R×R的切片图像，并将该切片图像作为CNN-SVM舰首点分类模型的输入，得到I的舰船首部显著性特征点，其中100≤R≤150；
(7)确认舰船方向：
采用直线检测算法，对I的舰船首部显著性特征点对应的切片图像进行检测，得到沿舰身或海岸方向的多个直线段及每个直线段方向，并将最长直线段的方向作为舰船方向；
(8)获取舰船检测结果：
以I的舰船首部显著性特征点为起点，根据舰船方向，分别计算舰船船身的长度与最大宽度，并通过船身的长度与最大宽度画出长度方向与舰船方向相同的倾斜矩形框，该倾斜矩形框中的物体即为舰船检测结果。
2.根据权利要求1所述的基于局部显著性特征和CNN-SVM的舰船检测方法，其特征在于，步骤(2a)中所述的卷积神经网络CNN，其结构为：输入层→第一个卷积层→第二个卷积层→第一个池化层→第三个卷积层→第四个卷积层→第二个池化层→第五个卷积层→第六个卷积层→第一个全连接层→第二个全连接层。
3.根据权利要求1所述的基于局部显著性特征和CNN-SVM的舰船检测方法，其特征在于，步骤(5b)中所述计算显著性特征因子S，计算公式为：
其中，a为特征向量，N为特征向量a的大小，8≤N≤16，λ为缩放因子，0.5≤λ≤1.2。
4.根据权利要求1所述的基于局部显著性特征和CNN-SVM的舰船检测方法，其特征在于，步骤(5c)中所述判断I的疑似舰船首部显著性特征点，具体步骤如下：
(5c1)记I中第v个像素点特征向量a的前4个数值分别为M1,M2,M3,M4，其中，v的初始值为1，0＜v＜Z，Z为I中像素点的总数；
(5c2)判断M1+M2+M3-M4≥T1是否成立，若是，执行步骤(5c3)，否则，v＝v+1，执行步骤(5c1)，其中T1为特定阈值，2l2/N＜T1＜4l2/N，l为特征提取算子Q的行数；
(5c2)判断显著性特征因子S≥T2是否成立，若是，则第v个像素点为疑似舰船首部显著性特征点，否则，v＝v+1，执行步骤(5c1)，其中T2为特定阈值，0.75＜T2＜0.95。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910254709.7A CN109977892B (zh) | 2019-03-31 | 2019-03-31 | 基于局部显著性特征和cnn-svm的舰船检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910254709.7A CN109977892B (zh) | 2019-03-31 | 2019-03-31 | 基于局部显著性特征和cnn-svm的舰船检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109977892A true CN109977892A (zh) | 2019-07-05 |
| CN109977892B CN109977892B (zh) | 2020-11-10 |
Family
ID=67081967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910254709.7A Active CN109977892B (zh) | 2019-03-31 | 2019-03-31 | 基于局部显著性特征和cnn-svm的舰船检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109977892B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390313A (zh) * | 2019-07-29 | 2019-10-29 | 哈尔滨工业大学 | 一种暴力动作检测方法及系统 |
| CN114067147A (zh) * | 2021-11-12 | 2022-02-18 | 北京航空航天大学 | 一种基于局部形状匹配的舰船目标确认方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102109597A (zh) * | 2009-12-29 | 2011-06-29 | 中国科学院对地观测与数字地球科学中心 | 根据船舶的高分辨率sar影像识别船舶类型的方法 |
| CN102945378A (zh) * | 2012-10-23 | 2013-02-27 | 西北工业大学 | 一种基于监督方法的遥感图像潜在目标区域检测方法 |
| CN105551029A (zh) * | 2015-12-09 | 2016-05-04 | 云南大学 | 一种多光谱遥感图像舰船检测方法 |
| CN107292875A (zh) * | 2017-06-29 | 2017-10-24 | 西安建筑科技大学 | 一种基于全局‑局部特征融合的显著性检测方法 |
| CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
| CN107862271A (zh) * | 2017-10-31 | 2018-03-30 | 西安电子科技大学 | 一种舰船目标的检测方法 |
| US10043104B2 (en) * | 2015-01-05 | 2018-08-07 | Avigilon Fortress Corporation | Automatic moving object verification |
| CN108717539A (zh) * | 2018-06-11 | 2018-10-30 | 北京航空航天大学 | 一种小尺寸舰船检测方法 |
| CN109035196A (zh) * | 2018-05-22 | 2018-12-18 | 安徽大学 | 基于显著性的图像局部模糊检测方法 |
-
2019
- 2019-03-31 CN CN201910254709.7A patent/CN109977892B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102109597A (zh) * | 2009-12-29 | 2011-06-29 | 中国科学院对地观测与数字地球科学中心 | 根据船舶的高分辨率sar影像识别船舶类型的方法 |
| CN102945378A (zh) * | 2012-10-23 | 2013-02-27 | 西北工业大学 | 一种基于监督方法的遥感图像潜在目标区域检测方法 |
| US10043104B2 (en) * | 2015-01-05 | 2018-08-07 | Avigilon Fortress Corporation | Automatic moving object verification |
| CN105551029A (zh) * | 2015-12-09 | 2016-05-04 | 云南大学 | 一种多光谱遥感图像舰船检测方法 |
| CN107292875A (zh) * | 2017-06-29 | 2017-10-24 | 西安建筑科技大学 | 一种基于全局‑局部特征融合的显著性检测方法 |
| CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
| CN107862271A (zh) * | 2017-10-31 | 2018-03-30 | 西安电子科技大学 | 一种舰船目标的检测方法 |
| CN109035196A (zh) * | 2018-05-22 | 2018-12-18 | 安徽大学 | 基于显著性的图像局部模糊检测方法 |
| CN108717539A (zh) * | 2018-06-11 | 2018-10-30 | 北京航空航天大学 | 一种小尺寸舰船检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曾操: "多通道地面动目标检测雷达稳健阵列处理方法研究", 《万方数据》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390313A (zh) * | 2019-07-29 | 2019-10-29 | 哈尔滨工业大学 | 一种暴力动作检测方法及系统 |
| CN110390313B (zh) * | 2019-07-29 | 2023-03-28 | 哈尔滨工业大学 | 一种暴力动作检测方法及系统 |
| CN114067147A (zh) * | 2021-11-12 | 2022-02-18 | 北京航空航天大学 | 一种基于局部形状匹配的舰船目标确认方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109977892B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700429B (zh) | 基于深度学习的机场道面地下结构病害自动检测方法 | |
| CN104573731B (zh) | 基于卷积神经网络的快速目标检测方法 | |
| CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
| CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
| CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
| CN110930387A (zh) | 基于深度可分离卷积神经网络的织物疵点检测方法 | |
| CN102914302B (zh) | 一种无人机着陆视觉导航合作目标鲁棒检测方法 | |
| CN108764310A (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
| CN112052772A (zh) | 一种人脸遮挡检测算法 | |
| CN110210418A (zh) | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 | |
| CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
| CN109344880A (zh) | 基于多特征和复合核的sar图像分类方法 | |
| CN111860587A (zh) | 一种用于图片小目标的检测方法 | |
| CN108230313A (zh) | 基于部件自适应选择与判别模型的sar图像目标检测方法 | |
| CN109389593A (zh) | 一种红外图像小目标的检测方法、装置、介质及设备 | |
| CN114821316A (zh) | 一种三维探地雷达裂缝病害识别方法及系统 | |
| CN109977892A (zh) | 基于局部显著性特征和cnn-svm的舰船检测方法 | |
| CN116543171A (zh) | 目标检测方法、装置和电子设备 | |
| CN117351371A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
| CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
| CN103455798B (zh) | 基于最大几何流向直方图的人体检测方法 | |
| US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
| CN111539966A (zh) | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 | |
| CN111160372A (zh) | 一种基于高速卷积神经网络的大目标识别方法 | |
| CN115909072A (zh) | 一种基于改进YOLOv4算法的弹着点水柱检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221230 Address after: Room 288, Building 2, East Ring Road, Yanqingyuan, Zhongguancun, Yanqing District, Beijing 102101 Patentee after: TOPOTEK (BEIJING) TECHNOLOGY CO.,LTD. Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |