CN112836571A - 遥感sar图像中的舰船目标检测识别方法、系统及终端 - Google Patents
遥感sar图像中的舰船目标检测识别方法、系统及终端 Download PDFInfo
- Publication number
- CN112836571A CN112836571A CN202011509457.7A CN202011509457A CN112836571A CN 112836571 A CN112836571 A CN 112836571A CN 202011509457 A CN202011509457 A CN 202011509457A CN 112836571 A CN112836571 A CN 112836571A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- network
- sar
- target
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 15
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013526 transfer learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于SAR舰船目标检测识别技术领域，公开了一种遥感SAR图像中的舰船目标检测识别方法、系统及终端，数据预处理：对拍摄的SAR图像进行三倍均值拉伸处理；滑窗裁取测试图像：将预处理后的SAR图像通过滑窗方式划分为预设大小的图像块；使用检测网络预测目标位置和尺寸：采用预先训练好的检测网络对每一个小图像块进行二分目标检测；使用识别网络进行虚警滤除：采用预先训练好的识别网络对每一个检测结果进行识别，滤除检测到的虚警；将识别出的类型和位置作为最终结果。本发明采用基于参数正则化的小样本迁移学习方法，对每一类训练样本的数量要求低，符合SAR领域的实际应用条件，具有实际应用价值。
Description
技术领域
本发明属于SAR舰船目标检测识别技术领域，尤其涉及一种遥感SAR图像 中的舰船目标检测识别方法、系统及终端。
背景技术
目前，由于可穿透云、雾、雨、烟等，可全天候全天时工作，SAR作为一 种有效的遥感侦察和监视手段，已被装备在不同类型、多种层次的平台上，是 在役在研各型军事装备十分重要的成像感知部件，可用于军事目标侦察、武器 精确制导和战场态势感知，提供目标属性和类别等判别信息，具有独特性和不 可替代性。因此，随着战场研判系统和军事装备对环境感知的需求越来越强烈， 基于高分辨率SAR遥感图像的目标检测和识别成为研究和应用热点，是遥感军 事应用的关键技术。
由于SAR图像为电磁成像，其成像机理独特，目标的散射特性隐藏在SAR 图像中，与光学遥感图像相比，其可视性差，给目视解译带来了困难，人工检 测和识别目标远远不能满足不了现代战争的需求。另一方面，由于国际形势风 云变幻，充分利用SAR的成像特点对军事热点区域进行全天候全天时的实时动 态监视和侦察，对维护我国陆地边界和海上权益起着十分关键的作用。各型在 役在研装备的升级换代等一系列军事能力的发展，快速和大范围覆盖的SAR成 像侦察平台可实时获取海量的高分辨率SAR图像，从中不仅可监视敌方机场飞 机动向、导弹发射车的机动，还可监控跟踪敌方舰船和装甲车辆的活动，为实现此类任务的准实时性，准确可靠的自动检测和识别目标是必然的需求。
尽管国内针对SAR遥感图像的自动目标检测和识别有大量的研究，取得了 一定的进展，但自动化和智能化程度还不能与我军的目标探测能力相匹配，发 展自动目标检测和识别时提升我军战场侦察和态势感知等战斗力的迫切问题。 由于深度学习理论和技术的兴起，基于大样本的机器学习方法在抽取目标内隐 知识和特征方面展现了优越的性能，推动了智能化目标检测和识别技术的进步， 特别在自然图像目标检测、识别等方面将错误率降低到了5％左右。发挥深度学 习的优势，开展基于深度学习的SAR遥感图像目标检测和识别将有助于极大提 升我军智能化战场感知能力。但是目前针对SAR遥感图像舰船目标的检测识别 算法的研究较少，缺少完备的检测识别系统。同时，普通的检测识别一体化网 络会带来大量的虚警，难以满足实际场景的应用需求，也缺少足够的SAR数据 库来支持深度网络的训练。
通过上述分析，现有技术存在的问题及缺陷为：
(1)与光学遥感图像相比，SAR图像训练数据难以大量获取及标注，难以 满足深度网络的训练要求。
(2)目前针对遥感SAR图像舰船目标检测的算法虚警率较高，难以满足 实际应用需求。
(3)现有针对遥感SAR图像的自动化和智能化程度还不能与现有的目标 探测能力相匹配，发展自动目标检测和识别时提升战场侦察和态势感知等战斗 力的迫切问题。
解决以上问题及缺陷的难点为：
(1)现有的基于深度网络的目标检测识别框架由于其复杂的结构会需要大 量的训练样本，需要研究使用少量训练数据就能成功训练深度网络的模型结构 及训练方法。
(2)遥感SAR图像背景信息复杂，存在诸多与目标相似的背景信息，导 致目前的普通检测识别算法结果存在大量虚警。
(3)由于针对遥感SAR图像目标的检测识别算法研究较少，可借鉴参考 的资料少，提升了算法的开发难度。
解决以上问题及缺陷的意义为：
(1)提供一种通用基于小样本来训练深度网络的方法及策略，在学术创新 方面有较大意义。
(2)较高的虚警会导致算法在实际使用时的可信度降低，所以降低算法的 虚警率对提高算法实际应用价值有重大意义。
(3)提出一个针对遥感SAR图像目标的检测识别的算法，为以后此问题 的研究打下坚实的基础，对推动此问题的解决有重大意义。
发明内容
针对现有技术存在的问题，本发明提供了一种遥感SAR图像中的舰船目标 检测识别方法、系统及终端。尤其涉及一种基于参数正则化小样本迁移学习的 遥感SAR图像中的舰船目标检测识别方法及系统。
本发明是这样实现的，一种遥感SAR图像中的舰船目标检测识别方法，包 括以下步骤：
步骤一，数据预处理：对雷达所拍摄SAR图像进行三倍均值拉伸处理；
步骤二，滑窗裁取测试图像：将经过步骤一预处理后的SAR图像通过滑窗 的方式划分为预设大小的图像块；
步骤三，使用检测网络预测目标位置和尺寸：采用预先训练好的检测网络 对每一个小图像块进行二分目标检测；
步骤四，使用识别网络进行虚警滤除：采用预先训练好的识别网络对每一 个检测结果进行识别，滤除检测到的虚警；
步骤五，将识别出的类型和位置作为最终结果。
进一步，步骤二中，所述滑窗裁取测试图像，还包括：
通过滑窗的方式进行裁剪，对每个小图像块进行目标检测识别并反算到图 像位置。
进一步，步骤三中，所述使用检测网络预测目标位置和尺寸，包括：
使用训练好的模型提取各图像块的深度特征，进行目标位置和尺寸的检测。
进一步，所述模型训练时采用交叉熵损失函数，以Adam算法进行优化， 初始学习率为0.01，其余参数为Adam算法默认值，训练数据采集自TerraSAR-X。
进一步，步骤三中，所述检测网络包括一个由ResNet101构成的骨干网络； 以及由全连接层构成的头网络，全连接层中输入节点数为深度特征维度，输出 神经元节点数为2，所述网络包含回归损失和分类损失两部分，使用Adam优化 算法进行有监督训练，置信度阈值为0.5。
进一步，所述模型训练时采用基于贝叶斯卷积神经网络的正则化迁移的训 练方式。以Adam算法进行优化，初始学习率为0.01，其余参数为Adam算法默 认值。识别网络训练数据来自检测网络在训练集上的正确检测结果和虚警。
进一步，步骤四中，使用基于贝叶斯ResNet18轻量级网络对每一个二元检 测结果进行识别，使用贝叶斯反向传播算法进行训练，置信度阈值为0.8。
本发明的另一目的在于提供一种应用所述的遥感SAR图像中的舰船目标检 测识别方法的SAR遥感SAR图像中的舰船目标检测识别系统，所述遥感SAR 图像中的舰船目标检测识别系统包括：
数据预处理模块，用于对雷达所拍摄SAR图像进行三倍均值拉伸处理；
测试图像裁取模块，用于通过滑窗的方式将经过预处理的SAR图像划分为 预设大小的图像块；
目标位置和尺寸预测模块，用于通过预先训练好的检测网络对每一个小图 像块进行二分目标检测；
虚警滤除模块，用于通过预先训练好的识别网络对每一个检测结果进行识 别，滤除检测到的虚警，并将识别出的类型和位置作为最终结果。
本发明的另一目的在于提供一种一种信息数据处理终端，所述信息数据处 理终端用于实现所述的任意一项所述的遥感SAR图像中的舰船目标检测识别方 法全景图片生成方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所 述指令在计算机上运行时，使得计算机执行所述的遥感SAR图像中的舰船目标 检测识别方法及识别系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提 供的遥感SAR图像中的舰船目标检测识别方法，针对SAR遥感图像目标样本数 量少，虚警高的问题，利用与可见光的大量标记样本的数据与知识，研究基于 迁移学习的网络训练方法，并使用二阶段检测识别方法来减少虚警；采用基于 贝叶斯卷积神经网络的正则化迁移学习方法，充分利用大量的相关目标数据作 为辅助数据来帮助小样本待检测目标训练数据进行训练生成可靠的网络，提高 目标的检测识别性能。
同时，本发明方法采用二步检测法将检测识别任务分开，通过针对性的识 别网络来解决SAR图像舰船目标检测识别虚警率高的问题；采用级联网络的思 想，由此提升检测网络的检测率。本发明方法采用了基于参数正则化的小样本 迁移学习方法，对每一类训练样本的数量要求低，符合SAR领域的实际应用条 件，具有实际应用价值。
对比的技术效果或者实验效果。包括：
由于针对SAR图像舰船目标的检测识别算法较少，我们通过与当前一步检 测识别算法中性能较好的ROI_transform算法进行对比来证明我们方法的优越性。
下表为基于ROI_transform算法的检测识别结果：
| 目标类型 | 目标数(个) | 检测率(％) | 识别率(％) | 虚警率(％) |
| 舰船 | 322 | 85.2％ | 85.2％ | 23.1 |
下表为我们算法的检测识别结果：
| 目标类型 | 目标数(个) | 检测率(％) | 识别率(％) | 虚警率(％) |
| 舰船 | 322 | 95.5 | 89.7 | 8.3 |
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所 需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下 还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的遥感SAR图像中的舰船目标检测识别方法流程 图。
图2是本发明实施例提供的遥感SAR图像中的舰船目标检测识别方法原理 图。
图3是本发明实施例提供的使用检测网络预测目标位置和尺寸的模型结构 示意图。
图4是本发明实施例提供的使用识别网络进行虚警滤除的模型结构示意图。
图5是本发明实施例提供的拉伸后TerraSAR-X对新加坡局部区域拍摄的图 像。
图6是本发明实施例提供的滑窗裁取测试图像。
图7是本发明实施例提供的最终滤除虚警的识别结果示意图1。
图8是本发明实施例提供的二元检测结果示意图。
图9是本发明实施例提供的最终滤除虚警的识别结果示意图2。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种针对遥感SAR图像中的舰船 目标检测识别方法、系统及终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的遥感SAR图像中的舰船目标检测识别方 法包括以下步骤：
S101，数据预处理：对雷达所拍摄SAR图像进行三倍均值拉伸处理；
S102，滑窗裁取测试图像：将经过S101预处理后的SAR图像通过滑窗的方 式划分为预设大小的图像块；
S103，使用检测网络预测目标位置和尺寸：采用预先训练好的检测网络对 每一个小图像块进行二分目标检测；
S104，使用识别网络进行虚警滤除：采用预先训练好的识别网络对每一个 检测结果进行识别，滤除检测到的虚警；
S105，将识别出的类型和位置作为最终结果。
本发明实施例提供的遥感SAR图像中的舰船目标检测识别系统包括：
数据预处理模块，用于对雷达所拍摄SAR图像进行三倍均值拉伸处理；
测试图像裁取模块，用于通过滑窗的方式将经过预处理的SAR图像划分为 预设大小的图像块；
目标位置和尺寸预测模块，用于通过预先训练好的检测网络对每一个小图 像块进行二分目标检测；
虚警滤除模块，用于通过预先训练好的识别网络对每一个检测结果进行识 别，滤除检测到的虚警，并将识别出的类型和位置作为最终结果。
下面结合术语解释对本发明作进一步描述。
1.参数正则化：指对卷积神经网络参数施加某种约束；
2.小样本迁移学习：仅使用少量目标域(SAR域)训练样本(一般每一类 小于20个)基于源域(可见光)知识来学习目标域的网络模型；
3.目标检测识别：使用深度网络来预测图像中目标(SAR舰船)的位置以 及类别。
下面结合实施例对本发明作进一步描述。
实施例1
针对现有技术的缺陷或改进需求，本发明一种基于正则化小样本迁移的遥 感SAR图像中的舰船目标检测识别方法，针对SAR遥感图像目标样本数量少，虚 警高的问题，考虑利用与可见光的大量标记样本的数据与知识，研究基于迁移 学习的网络训练方法，并使用二阶段检测识别方法来减少虚警。采用基于贝叶 斯卷积神经网络的正则化迁移学习方法，充分利用大量的相关目标数据作为辅 助数据来帮助小样本待检测目标训练数据进行训练生成可靠的网络，提高目标 的检测识别性能。
为实现上述目的，本发明提供了一种基于正则化小样本迁移的SAR目标检 测识别方法，所述方法包括：
(1)对雷达所拍摄SAR图像进行拉伸处理，拉伸方式为三倍均值拉伸；
(2)将经过步骤(1)处理后的SAR图像通过滑窗划分为预设大小的图像 块；
(3)采用预先训练好的检测网络对每一个小图像块进行二分目标检测；
(4)采用预先训练好的识别网络对每一个检测结果进行识别；
(5)将识别出的类型和位置作为最终结果。
进一步地，所述步骤(3)中的检测网络包括一个由ResNet101构成的骨干 网络；以及由全连接层构成的头网络，全连接层中输入节点数为深度特征维度， 输出神经元节点数为2，该网络包含回归损失和分类损失两部分，使用Adam优 化算法进行有监督训练，置信度阈值为0.5。
进一步地，所述步骤(4)使用基于贝叶斯ResNet18轻量级网络对每一个二 元检测结果进行识别，使用贝叶斯反向传播算法进行训练，置信度阈值为0.8。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下 技术特征及有益效果：
(1)本发明方法采用二步检测法将检测识别任务分开，通过针对性的识别 网络来解决SAR图像舰船目标检测识别虚警率高的问题。
(2)本方法采用级联网络的思想，由此提升检测网络的检测率。
(3)本发明方法采用了基于参数正则化的小样本迁移学习方法，对每一类 训练样本的数量要求低，符合SAR领域的实际应用条件，具有实际应用价值。
实施例2
本实施例以TerraSAR-X卫星影像进行说明，如图2所示，本实施例方法的流 程为：
(1)数据预处理：使用三倍均值方式将图像进行拉伸，图5为拉伸后 TerraSAR-X对新加坡局部区域拍摄的图像；
(2)滑窗裁取测试图像：由于SAR图像尺寸过大，无法整体进行检测识别， 我们通过滑窗的方式进行裁剪，对每个小图像块进行目标检测识别并反算到图 像位置。滑窗尺寸为172，步长为64，如图6所示。
(3)使用检测网络预测目标位置和尺寸：使用训练好的模型提取各图像块 的深度特征，并进行目标位置和尺寸的检测。模型训练时采用交叉熵损失函数 以及，以Adam算法进行优化，初始学习率为0.01，其余参数为Adam算法默认值， 训练数据采集自TerraSAR-X。模型结构如图3所示。图8所示为二元检测结果， 蓝框代表检测出的虚警，红框代表目标。
(6)使用识别网络进行虚警滤除：对检测网络得到的结果进行识别，滤除 检测到的虚警。模型训练时采用基于贝叶斯卷积神经网络的正则化迁移的训练 方式，模型结构如图4所示。以Adam算法进行优化，初始学习率为0.01，其余参 数为Adam算法默认值。识别网络训练数据来自检测网络在训练集上的正确检测 结果和虚警。图7，图9中红框为最终滤除虚警的识别结果。
下表以及图9为本算法针对SAR图像的舰船目标检测识别实验结果
| 目标类型 | 目标数(个) | 检测率(％) | 识别率(％) | 虚警率(％) |
| 舰船 | 322 | 95.5 | 89.7 | 8.3 |
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或 无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但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，凡在本发明 的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的 保护范围之内。
Claims (10)
1.一种遥感SAR图像中的舰船目标检测识别方法，其特征在于，所述遥感SAR图像中的舰船目标检测识别方法包括以下步骤：
对雷达所拍摄SAR图像进行三倍均值拉伸处理；
将经过所述拉伸处理后的SAR图像通过滑窗的方式划分为预设大小的图像块；
采用预先训练好的检测网络对所述预设大小图像块中的每一个小图像块进行二分目标检测；
采用预先训练好的识别网络对所述二分目标检测后每一个检测结果进行识别，滤除检测到的虚警；
将识别出的类型和位置作为最终结果，进行输出。
2.如权利要求1所述的遥感SAR图像中的舰船目标检测识别方法，其特征在于，所述滑窗裁取测试图像，还包括：
通过滑窗的方式进行裁剪，对每个小图像块进行目标检测识别并反算到图像位置。
3.如权利要求1所述的遥感SAR图像中的舰船目标检测识别方法，其特征在于，所述使用检测网络预测目标位置和尺寸包括：
使用训练好的模型提取各图像块的深度特征，进行目标位置和尺寸的检测。
4.如权利要求3所述的遥感SAR图像中的舰船目标检测识别方法，其特征在于，所述模型训练时采用交叉熵损失函数，以Adam算法进行优化，初始学习率为0.01，其余参数为Adam算法默认值，训练数据采集自TerraSAR-X。
5.如权利要求1所述的遥感SAR图像中的舰船目标检测识别方法，其特征在于，所述检测网络包括一个由ResNet101构成的骨干网络；以及由全连接层构成的头网络，全连接层中输入节点数为深度特征维度，输出神经元节点数为2，所述网络包含回归损失和分类损失两部分，使用Adam优化算法进行有监督训练，置信度阈值为0.5。
6.如权利要求5所述的遥感SAR图像中的舰船目标检测识别方法，其特征在于，所述模型训练时采用基于贝叶斯卷积神经网络的正则化迁移的训练方式；以Adam算法进行优化，初始学习率为0.01，其余参数为Adam算法默认值；所述识别网络训练数据来自检测网络在训练集上的正确检测结果和虚警。
7.如权利要求1所述的遥感SAR图像中的舰船目标检测识别方法，其特征在于，使用基于贝叶斯ResNet18轻量级网络对每一个二元检测结果进行识别，使用贝叶斯反向传播算法进行训练，置信度阈值为0.8。
8.一种遥感SAR图像中的舰船目标检测识别系统，其特征在于，所述遥感SAR图像中的舰船目标检测识别系统包括：
数据预处理模块，用于对雷达所拍摄SAR图像进行三倍均值拉伸处理；
测试图像裁取模块，用于通过滑窗的方式将经过预处理的SAR图像划分为预设大小的图像块；
目标位置和尺寸预测模块，用于通过预先训练好的检测网络对每一个小图像块进行二分目标检测；
虚警滤除模块，用于通过预先训练好的识别网络对每一个检测结果进行识别，滤除检测到的虚警，并将识别出的类型和位置作为最终结果。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～7任意一项所述的任意一项所述的遥感SAR图像中的舰船目标检测识别方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的遥感SAR图像中的舰船目标检测识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011509457.7A CN112836571A (zh) | 2020-12-18 | 2020-12-18 | 遥感sar图像中的舰船目标检测识别方法、系统及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011509457.7A CN112836571A (zh) | 2020-12-18 | 2020-12-18 | 遥感sar图像中的舰船目标检测识别方法、系统及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112836571A true CN112836571A (zh) | 2021-05-25 |
Family
ID=75923706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011509457.7A Pending CN112836571A (zh) | 2020-12-18 | 2020-12-18 | 遥感sar图像中的舰船目标检测识别方法、系统及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836571A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591207A (zh) * | 2021-07-12 | 2021-11-02 | 浙江振东光电科技有限公司 | 基于分布式光纤的舰船外壳定损方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
| CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
| CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
| CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
| US20180137649A1 (en) * | 2016-11-14 | 2018-05-17 | Nec Laboratories America, Inc. | Accurate object proposals by tracking detections |
| CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 |
| CN108734219A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种基于全卷积神经网络结构的端到端撞击坑检测与识别方法 |
| CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
| CN109344702A (zh) * | 2018-08-23 | 2019-02-15 | 北京华捷艾米科技有限公司 | 基于深度图像和彩色图像的行人检测方法及装置 |
| CN109740679A (zh) * | 2019-01-13 | 2019-05-10 | 胡燕祝 | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 |
| CN110084181A (zh) * | 2019-04-24 | 2019-08-02 | 哈尔滨工业大学 | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 |
| CN111368671A (zh) * | 2020-02-26 | 2020-07-03 | 电子科技大学 | 基于深度学习的sar图像舰船目标检测识别一体化方法 |
| CN111723674A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 基于马尔科夫链蒙特卡洛与变分推断的半贝叶斯深度学习的遥感图像场景分类方法 |
| CN111783551A (zh) * | 2020-06-04 | 2020-10-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于贝叶斯卷积神经网络的对抗样本防御方法 |
-
2020
- 2020-12-18 CN CN202011509457.7A patent/CN112836571A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
| CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
| US20180137649A1 (en) * | 2016-11-14 | 2018-05-17 | Nec Laboratories America, Inc. | Accurate object proposals by tracking detections |
| CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
| CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
| CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 |
| CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
| CN108734219A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种基于全卷积神经网络结构的端到端撞击坑检测与识别方法 |
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
| CN109344702A (zh) * | 2018-08-23 | 2019-02-15 | 北京华捷艾米科技有限公司 | 基于深度图像和彩色图像的行人检测方法及装置 |
| CN109740679A (zh) * | 2019-01-13 | 2019-05-10 | 胡燕祝 | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 |
| CN110084181A (zh) * | 2019-04-24 | 2019-08-02 | 哈尔滨工业大学 | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 |
| CN111368671A (zh) * | 2020-02-26 | 2020-07-03 | 电子科技大学 | 基于深度学习的sar图像舰船目标检测识别一体化方法 |
| CN111723674A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 基于马尔科夫链蒙特卡洛与变分推断的半贝叶斯深度学习的遥感图像场景分类方法 |
| CN111783551A (zh) * | 2020-06-04 | 2020-10-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于贝叶斯卷积神经网络的对抗样本防御方法 |
Non-Patent Citations (5)
| Title |
|---|
| 侯伟宁: "基于深度学习的遥感影像去雾与舰船目标检测", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 天津滨海迅腾科技集团有限公司, 机械工业出版社 * |
| 康琦: "《机器学习中的不平衡分类方法》", 31 October 2017, 同济大学出版社 * |
| 张淑芳 等: "基于残差单发多框检测器模型的交通标志检测与识别", 《浙江大学学报(工学版)》 * |
| 杨承文 等: "基于深度贝叶斯主动学习的高光谱图像分类", 《计算机工程与应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591207A (zh) * | 2021-07-12 | 2021-11-02 | 浙江振东光电科技有限公司 | 基于分布式光纤的舰船外壳定损方法及系统 |
| CN113591207B (zh) * | 2021-07-12 | 2024-05-14 | 浙江振东光电科技有限公司 | 基于分布式光纤的舰船外壳定损方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019109524A1 (zh) | 入侵检测方法、应用服务器及计算机可读存储介质 | |
| CN111161315B (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
| CN112434643A (zh) | 低慢小目标的分类识别方法 | |
| Haghbayan et al. | An efficient multi-sensor fusion approach for object detection in maritime environments | |
| CN107274410B (zh) | 自适应的人造目标恒虚警率检测方法 | |
| CN110567324B (zh) | 一种基于ds证据理论的多目标群威胁度预测装置及方法 | |
| CN111931713B (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
| Chen et al. | Self-supervised remote sensing images change detection at pixel-level | |
| Fondevik et al. | Image segmentation of corrosion damages in industrial inspections | |
| Premarathna et al. | An elephant detection system to prevent human-elephant conflict and tracking of elephant using deep learning | |
| CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
| CN112836571A (zh) | 遥感sar图像中的舰船目标检测识别方法、系统及终端 | |
| CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
| CN114926683A (zh) | 空中飞行目标分类识别方法、装置及计算机可读存储介质 | |
| Wei et al. | A Markov random field approach for sidescan sonar change detection | |
| CN110969203B (zh) | 基于自相关和cam网络的hrrp数据去冗余方法 | |
| CN110956643A (zh) | 一种基于MDNet的改进车辆跟踪方法及系统 | |
| CN114973152B (zh) | 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质 | |
| CN115984325A (zh) | 一种靶向寻量时空正则化的目标跟踪方法 | |
| CN115758337A (zh) | 基于时序图卷积网络的后门实时监测方法、电子设备、介质 | |
| Damodaran et al. | Extraction of Overhead Transmission Towers from UAV Images | |
| Carlevaris-Bianco et al. | Learning temporal coobservability relationships for lifelong robotic mapping | |
| CN110807795B (zh) | 一种基于MDnet的无人机遥感目标跟踪方法及装置 | |
| Zhang et al. | Road segmentation using point cloud BEV based on fully convolution network | |
| CN114444597B (zh) | 基于渐进式融合网络的视觉跟踪方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210525 |