论文部分内容阅读
高分辨率光学图像港口舰船检测与识别技术在民用和军事领域发挥着重要的作用。随着卫星成像技术的发展，遥感图像数据在时间、空间上的分辨率越来越高。传统的使用图像分割或舰船局部特征的检测方法存在虚警率高、算法鲁棒性弱的问题，不能充分利用现有遥感数据分辨率高、数据量多的优势，并且尚未有人提出能同时完成港口舰船检测与识别的算法。 本文针对这些问题，采用“传统特征→样本采集→深层特征”的流程，分别利用传统机器视觉方法和深度学习技术，开展了港口舰船的检测与识别的研究。论文的主要工作和研究成果如下: 1.提出了一个完整的港口舰船定位与识别框架，该框架能完成大场景遥感图像中港口舰船的高精度定位和识别。在框架中，使用HOG(Histogram of OrientedGradient)特征，提取到能有效区分不同舰船型号的细节特征，如船尾标志等。使用一种多模型的方法，为每个类型舰船构建一个模型，将识别的多分类问题转化为多个二分类问题，合理地利用了舰船尺寸特征辅助分类识别。为了分离并排舰船，使用一种基于欧氏距离的融合方法。实验证明，这种融合方法能够有效分离并排停靠舰船。为了提升算法在处理大场景图像时的效率，并且降低虚警率，框架使用港口模板匹配的方法，提取和校正停泊舰船的码头区域(region of interest，ROI)。此外，使用SIFT配准算法消除港口模板和待检图像间的地理坐标误差。在大场景卫星图像上的实验表明，本框架有较高的定位与识别精度。 2.完成了基于卷积神经网络的港口舰船检测与舰船识别研究。利用样本半自动化采集流程，获得了海量用于深度学习研究的舰船样本与背景样本。以此为数据基础，提出一个基于卷积神经网络的港口舰船检测方法。修改了AlexNet第一层网络结构，将正方形的卷积核替换为矩形，使之适应舰船样本特有的矩形形状。使用样本训练该矩形卷积核网络，提取其学习到的最后一个全连接层的深层特征。使用该深层特征结合SVM(Support Vector Machine)分类器完成港口舰船的检测。最后，使用该矩形卷积核网络完成四类舰船目标的分类。实验表明，基于卷积神经网络的港口舰船检测算法与舰船识别算法都能达到较高准确率。