高分辨率光学遥感图像舰船目标检测关键技术研究

【摘要】：航母与军舰等海上舰船担负着海上侦查、防御和打击等重大军事任务,是实现军事战术和战略目标的重要载体。能够准确、高效地检测出这些海上舰船目标是无人机、导弹等无人飞行器自主执行目标打击、战场态势评估等任务的基础,并可显著地提升现有武器的精确打击能力,因此研究海上舰船目标的检测技术有着十分重要的意义。本文围绕高分辨率光学遥感图像舰船目标检测中的关键技术开展相关的研究,针对复杂港口背景下军事舰船目标的检测,重点研究了海陆分离、直线段特征提取、船头区域检测、旋转候选区域生成与卷积神经网络等相关的技术。本文的研究工作主要集中在以下四个方面:1.提出了一种基于结构显著性与权重均值漂移的海陆分离算法。首先提出了一种基于边缘、角点等几何结构显著性的陆地隶属度函数,该函数可准确地计算出大部分像素点属于陆地区域的隶属度;然后,为了满足空间相邻、颜色相近的同质区域应同属于海洋或者陆地的要求,采用结构显著性与均值漂移相结合的方式确定出输入图像的同质区域,并利用马尔科夫随机场将单个像素点的陆地隶属度与同质区域一致性原则统一在一个能量方程中;最后,采用图割算法对该能量方程求解得到海陆分离结果。大量的实验表明本文海陆分离算法可得到具有较少错误的海陆分离结果和定位准确的海陆边界轮廓,可为后续舰船目标检测提供感兴趣区域和环境上下文信息。2.提出了一种基于直线概率图的遥感图像直线段特征提取算法。首先提出了一种基于结构张量的直线概率图,该直线概率图不仅利用了传统算法中常用的梯度幅值信息,还考虑了每个点周围区域梯度相位的一致性,可增加弱对比度直线段处每个点属于直线的概率;然后,在直线概率图上采用边缘画边算法提取一系列边缘链条,同时为了检测出更加完整的直线段,对这些边缘链条进行拆分与合并操作,并使用最小二乘直线度量快速地将这些边缘链条切割成候选直线段;最后,在基于Helmholtz准则的梯度相位直线段验证的基础上,添加了基于Helmholtz准则的梯度幅值直线段验证,可保证在检测出更多有效、完整直线段的同时,减少虚假直线段的生成,有助于遥感图像中几何结构的分析和后续舰船目标检测。3.提出了一种基于船头检测与船体轮廓定位的舰船检测算法。该算法根据船头区域在极坐标变换域上可近似为梯形形状的特点,首先在极坐标变换域上对Harris角点区域提取一系列船头形状特征,使用SVM分类器筛选出疑似船头区域,同时给出船身的初始方向;然后,借助于周围与船身方向一致的直线段对船身初始方向进行修正,可得到更加准确的船身方向,并利用船体轮廓的对称性与船体轮廓处直线段定位出船身;最后通过海洋上下文信息剔除掉虚假船只。实验结果表明该算法可以在复杂港口背景下准确、鲁棒地检测定位出军舰目标。4.提出了一种基于旋转候选区域生成和卷积神经网络的舰船检测识别算法。首先研究了一种基于区域合并的舰船旋转区域生成算法,该算法通过设计新的合并规则和停机准则来生成更加准确、完整的舰船候选区域,而且还可以提供候选区域的旋转最小外接矩形,以避免后续识别算法中的旋转问题,并进一步利用舰船的相关特征对这些候选区域进行排序,可在生成较少候选区域的同时保证有较高的舰船目标召回率,极大地减少了后续算法的计算量;另一方面,针对舰船目标设计了舰船识别卷积神经网络,它可将舰船目标的特征提取与识别合二为一,克服了传统手工设计的特征难以在分辨力与鲁棒性等方面取得良好平衡的缺点,并在使用较少网络层数和参数的情况下保持良好的舰船目标检测与识别效果,可准确地将舰船目标识别为航母、军舰和其它类型船只,可为后续目标打击提供目标位置、类型等更多有效的信息。