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。
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: