一种多尺度舰船的识别方法

本发明属于合成孔径雷达图像识别，尤其涉及一种多尺度舰船的识别方法。

背景技术：

1、复杂场景下的sar舰船检测也是个难点。一方面，如港口、码头、岛屿等复杂场景中舰船易受岸金属设施的干扰，可能导致检测造漏，并且一些岸边金属设施与舰船具有十分相似的几何轮廊、电磁散射等特征，也容易被误检而产生虚警。另一方面，当舰船停靠在岸边时，船体与陆地或其他邻船紧密挨着，此时舰船在sar图像中的轮廓可能会受到一定的陆地或其他邻船的破坏，这可能会降低网络的特征提取效益。特别地，由于sar图像只能反映目标的电磁散射强度，在图像上只有目标的灰度或强度信息，不能体现目标的颜色信息，导致舰船特征不够丰富，因此在含有有限信息量的复杂场景sar图像中顺利检测出多种多样的舰船是一项极具挑战性的任务。

2、现有研究为基于深度学习船舶的目标检测提供了深入研究，但仍需要解决几个问题。首先，在sar图像中，可移动舰船目标除了海面航行状态以外，还存在海面作业、近岸航行、靠港停泊等多种行驶状态，复杂的背景会导致更多的漏检。第二，尽管高分辨sar成像技术能够成功捕获到它们的散射成像结果，但由于其自身的结构和尺寸限制，同时来自不同来源的不同船舶类型的sar图像具有不同的分辨率，这导致了同一数据集中船舶的最大和最小像素面积之间的差异，接近1000倍，多尺度的舰船给检测识别造成了困难，因为在多次下采样特征提取中占据较少的像素块的小尺度目标，具有目标信息的特征像素可能很容易丢失。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种多尺度舰船的识别方法，可提高船舶检测的准确性，并满足多尺度和复杂背景条件下的船舶识别，这为复杂项目(如船舶跟踪和重新识别)提供了更好的基础，并有助于推进智能边防和海防建设。

2、为了达到以上目的，本发明采用的技术方案为：

3、本方案提供一种多尺度舰船的识别方法，包括以下步骤：

4、s1、以yolov7为基础，构建舰船识别模型csd-yolo；

5、s2、获取多尺度舰船的sar图像，并利用舰船识别模型csd-yolo对多尺度舰船进行识别。

6、进一步地，所述步骤s1具体为：

7、以yolov7为基础，在其头部添加sas-fpn模块，得到舰船识别模型csd-yolo。

8、再进一步地，所述步骤s2包括以下步骤：

9、s201、获取多尺度舰船的sar图像，并对其进行预处理；

10、s202、根据经预处理后的sar图像，利用特征提取网络提取最终的舰船特征图；

11、s203、利用sas-fpn模块对提取的舰船特征图进行融合；

12、s204、将融合后的舰船特征图输入至检测网络进行检测，并利用损失函数对检测结果进行优化；

13、s205、基于优化结果，通过非最大值压缩得到识别结果，完成对多尺度舰船的识别。

14、再进一步地，所述步骤s201包括以下步骤：

15、s2011、将获取的多尺度舰船的sar图像转换为小波域；

16、s2012、根据转换后的sar图像，对低频系数进行阈值处理；

17、s2013、将经阈值处理后的sar图像转换回至空间域；

18、s2014、将转换回至空间域的sar图像转换为灰度图像；

19、s2015、将s2014转换的灰度图像进行直方图均衡化处理；

20、s2016、将要均衡化处理的图像转换为bgr格式；

21、s2017、将bgr格式的图像转换为灰度图像；

22、s2018、对s2017转换的灰度图像进行二值化处理；

23、s2019、对二值化处理的图像定义结构元素；

24、s20110、对定义结构元素的图像进行开运算和闭运算，完成对sar图像的预处理。

25、再进一步地，所述步骤s202包括以下步骤：

26、s2021、将预处理后的sar图像输入至卷积组，提取sar图像中不同的特征图：

27、f＝w*i+b

28、其中，f表示sar图像中不同的特征图，w表示卷积核，i表示输入的sar图像，b表示偏置项；

29、s2022、将提取的sar图像中不同特征图发送至特征提取网络，提取最终的舰船特征图。

30、再进一步地，所述特征提取网络包括e-elan模块和mp模块；

31、所述e-elan模块为基于残差连接的卷积块，以提取sar图像中的舰船特征图：

32、f'＝f+w'*f

33、其中，f'表示舰船特征图，w'表示权重；

34、所述mp模块为最大池化块，以对sar图像进行下采样，并对提取的舰船特征图尺寸进行缩小处理，得到最终的舰船特征图：

35、f”＝max(f')

36、其中，f”表示得到的最终的舰船特征图，max(·)表示最大池化操作。

37、再进一步地，所述sas-fpn模块包括sas子模块和fpn子模块：

38、所述sas子模块，用于对提取的不同尺度的舰船特征图权重进行调整：

39、w_i'＝exp(w_i)/σ(exp(w_j))

40、其中，w_i'表示调整后的舰船特征图的权重，exp(·)表示以e为底数的函数，w_i表示每个舰船特征图的权重，w_j表示提船舶特征图的不同比例的权重；

41、所述fpn子模块，用于将经权重调整后的不同尺度的舰船特征图进行融合：

42、f”'＝σ(w_i'*f_i)

43、其中，f”'表示融合后的舰船特征图，f_i表示每个舰船特征图。

44、再进一步地，所述步骤s203包括以下步骤：

45、s2031、对提取的不同尺度的舰船特征图权重进行调整；

46、s2032、将经权重调整后的不同尺度的舰船特征图进行融合。

47、本发明的有益效果：

48、本发明以的yolov7算法为基础，提出了更快、更有效的舰船识别模型csd-yolo：根据中小型船舶目标在sar图像上的特征，在头部添加了sas-fpn模块，它结合了注意力机制和空洞卷积合成，使网络能够更多地集中于有效信息，抑制无关信息，降低背景在识别过程中的影响，以减少小型船舶的损失。此外，sas-fpn模块融合了多个sar图像级别上的船舶目标特征图，提高了模型的多尺度检测能力和检测精度。最后，为了提高训练的有效性和推理的准确性，在损失的边界框回归部分，使用了siou损失函数。本发明通过上述设计提高了船舶检测的准确性，并满足多尺度和复杂背景条件下的船舶识别，这为复杂项目(如船舶跟踪和重新识别)提供了更好的基础，并有助于推进智能边防和海防建设。

技术特征：

1.一种多尺度舰船的识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的多尺度舰船的识别方法，其特征在于，所述步骤s1具体为：

3.根据权利要求1所述的多尺度舰船的识别方法，其特征在于，所述步骤s2包括以下步骤：

4.根据权利要求1所述的多尺度舰船的识别方法，其特征在于，所述步骤s201包括以下步骤：

5.根据权利要求3所述的多尺度舰船的识别方法，其特征在于，所述步骤s202包括以下步骤：

6.根据权利要求5所述的多尺度舰船的识别方法，其特征在于，所述特征提取网络包括e-elan模块和mp模块；

7.根据权利要求3所述的多尺度舰船的识别方法，其特征在于，所述sas-fpn模块包括sas子模块和fpn子模块：

8.根据权利要求1所述的多尺度舰船的识别方法，其特征在于，所述步骤s203包括以下步骤：

技术总结
本发明提供了一种多尺度舰船的识别方法，属于合成孔径雷达图像识别技术领域，该方法包括：以YOLOv7为基础，构建舰船识别模型CSD‑YOLO；获取多尺度舰船的SAR图像，并利用舰船识别模型CSD‑YOLO对多尺度舰船进行识别。本发明通过以上设计可提高船舶检测的准确性，并满足多尺度和复杂背景条件下的船舶识别，这为复杂项目(如船舶跟踪和重新识别)提供了更好的基础，并有助于推进智能边防和海防建设。

技术研发人员：刘畅,陈卓,李培超
受保护的技术使用者：广东海洋大学
技术研发日：
技术公布日：2024/1/15