基于卷积神经网络的遥感图像舰船目标检测

《基于卷积神经网络的遥感图像舰船目标检测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2017年9月第43卷第9期北京航空航天大学学报JournalofBeijingUniversityofAeronauticsandAstronauticsSeDtemher2017V01．43NO．9http：}}bhxb．buaa．edn．cnjbuaa@buaa．edu．CBDOI：10．13700／j．bh．1001—5965．2016．0755基于卷积神经网络的遥感图像舰船目标检测黄洁1’2，姜志国1’2一，张浩鹏h2，姚远1’2(1．-ltZ．航空航天大学宇航学院，北京100083；2．北京航空航天大学数字媒体北京市重点实验室，北京100083)摘要：针对遥感图像背景复杂、受

2、环境因素影响大的问题，提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法，利用卷积神经网络可自主提取图像特征并进行学习的优点，避免了复杂的特征选择和提取过程，在复杂海况背景图像的处理中体现出较优的性能；同时，由于军舰样本获取难度大，应用迁移学习的概念，利用大量民船样本辅助军舰目标的检测，取得较好的效果。通过参数调整与实验验证，此方法在自行建立的测试集上检测率达到90．59％，对光照、环境等外界因素具有一定程度的鲁棒性。关键词：卷积神经网络(CNN)；支持向量机(SVM)；舰船检测；特征提取；迁移学习中图分类号：TP391．4文献标识码：A文章编号：1001—5

3、965(2017)09—1841-08目标检测技术是计算机视觉领域的核心问题之一，遥感图像中的舰船目标检测具有重要的应用价值。作为海上运输载体和重要的军事日标，舰船目标检测一直有着非常重要的意义和价值⋯。在军用领域，了解目标舰船的实时位置能够让我军对敌方舰队的布局和动态有清晰的认知，从而选择恰当的对战策略；在民用领域，实时关注目标海域过往船只的位置能够更好地对海域进行管理，对海上交通、海域安全、海上救援等均有重要作用。利用遥感图像进行舰船检测成为日前目标检测领域的一大热点与重点问题，有重要的军事意义和经济价值。在遥感舰船检测领域，关于合成孔径雷达图像的研究和成果较多，随着航空航天事业的发

4、展，各国争相发射高分辨率成像卫星，其上搭载的探测设备性能也迅速提升，针对可见光遥感图像的研究也逐渐发展起来。目前，世界上已有多种先进的高分辨率成像卫星，法国的Helios一2B“太阳神2号”光学成像卫星，分辨率可达到0．5m；以色列Ofeq9“地平线9号”间谍卫星，分辨率高于0．5m；中国的“高分二号”卫星目前也已达到优于1m的可见光图像分辨率。成像状况良好的可见光遥感图像细节多、目标直观、分辨率提升空间大，为遥感图像目标检测带来大量的原始数据，具有良好的发展前景。近年来，可见光遥感图像舰船检测技术逐渐受到研究者的重视。基于灰度统计特性’21的方法是经典的舰船检测方法，本质上都是对阈值旧

5、。进行调整从而实现分割，如：大滓阈值法、最大熵阈值法和直方图阈值法等，但该方法对海面状况要求较高，需要海面较为平静、匀质且灰度值整体偏低卜1。目前，国外已开发出基于可见光遥感图像目标检测的使用系统，如欧盟DECLIMS(Detee—tionandClassificationofMarineTrafficFormspace)项目∞。。文献：6]提出一种基于显著性和方向梯度直方图(HistogramofOrientedGradient，HOG)收稿日期：2016-09-26；录用El期：2016-12-16；网络出版时间：2017-01一1911：40网络出版地址：WWw．cnkinet／k

6、ems／detail／1I．2625V．20170119．1140．003．html基金项目：国家重点研发计划(2016YFB0501300，2016YFB0501302)；国家自然科学基金(61501009，61371134，61071137)；航天科技创新基金}通讯作者：E—mail：jiangzg@buaa．edu．CII子f用格式：黄洁，姜志国，残浩鹏，等基于卷积神经网络的遥感图像舰船目标检测fJj．北京航空航天大学学报，2017，43(9)：1841—1848．HUANGJ，JIANGzG，ZHANGHP，eta1．Shipobjectdetectioninremotesens

7、ingimagesusingconvoJutionalneuralnetworksIJ3．JournalofBeijingUniversityofAeronautiesandAstronautics．2017，43(9)：1841．1848(inChinese)1842北京航空航大大学学报2017年特征的非监督舰船检测方法，利用显著性方法提取候选区域并旋转提取HOG特征，利用分类器对特征进行判断得到检测结果；文献『7]首先使用压缩域