-
摘要:
针对遥感图像背景复杂、受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
Abstract:Object detection in remote sensing images is mostly suffered from complex background and multiple interferences of environment. In this paper, a new method of ship detection is proposed, which combines convolutional neural networks (CNN) and support vector machine (SVM) to complete the ship detection task. Convolutional layers were adopted for feature extraction, taking advantages of independent feature extraction of CNNs and avoiding the process of complicated feature selection and extraction, which leads to better detection performance in complex background images. Meanwhile, since the samples of warship are difficult to acquire, samples of civil ship were employed as assistant samples for warship detection based on transfer learning theory. And this transfer learning method is proved to be effective by the experimental results, which performs better than the model trained only with warship samples. According to the parameter tuning and experimental validation, this method achieves a precision of 90.59% on testing dataset established by ourselves. In conclusion, this method possesses feasibility and robustness under different conditions of illumination and environment.
-
表 1 不同滑动窗步长测试结果(分数阈值为0.5)
Table 1. Test results on different step sizes of sliding windows (when score threshold is 0.5)
编号 步长/像素 检测框数量 位置偏移度 检测数 漏检数 虚警数 检测率/% 虚警率/% 1 100 39 0.268 8 25 27 7 48.08 13.46 2 80 44 0.220 4 32 20 9 61.54 17.31 3 60 52 0.213 9 32 20 15 61.54 28.85 4 40 71 0.195 2 45 7 23 86.54 44.23 5 20 98 0.189 6 46 6 36 88.46 69.23 表 2 SVM分类器不同分数阈值测试结果(步长为40像素)
Table 2. Test results on different score thresholds of SVM classifier (when step size is 40 pixels)
编号 分数阈值 检测框数量 位置偏移度 检测数 漏检数 虚警数 检测率/% 虚警率/% 1 0 104 0.199 7 48 5 41 92.31 78.85 2 0.5 71 0.195 2 45 7 23 86.54 44.23 3 1.0 42 0.188 7 26 26 6 50.00 11.54 4 1.5 34 0.196 1 26 26 2 50.00 3.85 5 2.0 19 0.083 7 12 40 0 23.08 0.00 表 3 不同训练集得到的军舰目标检测结果
Table 3. Warship object detection results obtained on different training sets
编号 训练集类型 检测框数量 检测率/% 虚警率/% 1 军舰 8 12.12 0.00 2 民船 44 87.88 12.12 3 民船+军舰 121 96.97 24.24 表 4 不同舰船检测方法对比实验结果
Table 4. Comparison of experimental results of different ship detection methods
编号 算法类型 检测率/% 虚警率/% 1 S-HOG[6] 50.59 25.88 2 本文方法 90.59 36.47 -
[1] 陈韬亦, 陈金勇, 赵和鹏.基于Ecogniton的光学遥感图像舰船目标检测[J].无线电工程, 2013, 43(11):11-13. doi: 10.3969/j.issn.1003-3106.2013.11.004CHEN T Y, CHEN J Y, ZHAO H P.Ecognition-based ship detection on optical remote sensing images[J].Radio Engineering, 2013, 43(11):11-13(in Chinese). doi: 10.3969/j.issn.1003-3106.2013.11.004 [2] 王彦情, 马雷, 田原.光学遥感图像舰船目标检测与识别综述[J].自动化学报, 2011, 37(9):1029-1039. http://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201109002.htmWANG Y Q, MA L, TIAN Y.State-of-the-art of ship detection and recognition in optical remotely sensed imagery[J].Acta Automatica Sinica, 2011, 37(9):1029-1039(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201109002.htm [3] ELDHUSET K.Automatic ship and ship wake detection in space borne SAR images from coastal regions[C]//Remote Sensing:Moving Toward the 21st Century.Piscataway, NJ:IEEE Press, 1988, 3:1529-1533. [4] ZHANG W, BIAN C, ZHAO X, et al.Ship target segmentation and detection in complex optical remote sensing image based on component tree characteristics discrimination[C]//Optoelectronic Imaging and Multimedia Technology Ⅱ.Bellingham, WA:SPIE, 2012. [5] 唐沐恩, 林挺强, 文贡坚.遥感图像中舰船检测方法综述[J].计算机应用研究, 2011, 28(1):29-36. http://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201101008.htmTANG M E, LIN T Q, WEN G J.Overview of ship detection methods in remote sensing image[J].Application Research of Computers, 2011, 28(1):29-36(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201101008.htm [6] QI S, MA J, LIN J, et al.Unsupervised ship detection based on saliency and S-HOG descriptor from optical satellite images[J].Geoscience and Remote Sensing Letters, 2015, 12(7):1451-1455. doi: 10.1109/LGRS.2015.2408355 [7] TANG J, DENG C, HUANG G, et al.Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine[J].IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3):1174-1185. doi: 10.1109/TGRS.2014.2335751 [8] PROIA N, PAGE V.Characterization of a Bayesian ship detection method in optical satellite images[J].Geoscience and Remote Sensing Letters, 2010, 7(2):226-230. doi: 10.1109/LGRS.2009.2031826 [9] SHI Z, YU X, JIANG Z, et al.Ship detection in high-resolution optical imagery based on anomaly detector and local shape feature[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(8):4511-4523. doi: 10.1109/TGRS.2013.2282355 [10] KRIZHEVSKY A, SUTSKEVER I, HINTON G.ImageNet classification with deep convolutional neural networks[C]//Advances in Neural Information Processing Systems.Stateline:NIPS, 2012:1097-1105. [11] BOUVRIE J.Notes on convolutional neural networks[R/OL].Cambridge:Massachusetts Institute of Technology, 2006[2016-09-15]. [12] HUBEL D H, WIESEL T N.Receptive fields, binocular interaction and functional architecture in the cat's visual cortex[J].The Journal of Physiology, 1962, 160(1):106-154. doi: 10.1113/jphysiol.1962.sp006837 [13] FUKUSHIMA K.A hierarchical neural network model for associative memory[J].Biological Cybemetics, 1984, 50(2):105-113. doi: 10.1007/BF00337157 [14] GIRSHICK R, DONAHUE J, DARRELL T, et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway, NJ:IEEE Press, 2014:580-587. [15] CORTES C, VAPNIK V.Support-vector networks[J].Machine Learning, 1995, 20(3):273-297. 期刊类型引用(53)
1. 王晓燕,梁文辉,李杰,牟建宏,王禧钰. 融合边界框高斯建模与特征聚合分发的遥感飞机细粒度识别. 中国图象图形学报. 2025(01): 282-296 . 百度学术
2. 刘洋,时富斌,王竹筠,徐晓淼. 基于显著性引导增强与改进Faster-RCNN的遥感图像目标检测方法. 沈阳航空航天大学学报. 2024(06): 50-60 . 百度学术
3. 李晨瑄,李湉雨,李梓正,曾维贵,胥辉旗. 智能化舰船要害检测、轨迹预测与位姿估计算法. 北京航空航天大学学报. 2023(02): 444-456 . 本站查看
4. 周哲韬,刘路,宋晓,陈凯. 基于Transformer模型的滚动轴承剩余使用寿命预测方法. 北京航空航天大学学报. 2023(02): 430-443 . 本站查看
5. 高鹏飞,曹雪峰,李科,游雄. 融合多元稀疏特征与阶层深度特征的遥感影像目标检测. 地球信息科学学报. 2023(03): 638-653 . 百度学术
6. 李梦梦,陈超,陶旸. 基于CNN模型的遥感影像液气贮存设备识别. 地理空间信息. 2023(05): 110-113 . 百度学术
7. 郭智超,徐君明,刘爱东. 基于嵌入式平台与优化YOLOv3的航拍目标检测方法. 兵工自动化. 2022(03): 10-15+20 . 百度学术
8. 陈初侠,丁勇. 基于多尺度语义网络的红外舰船目标检测. 红外技术. 2022(05): 529-536 . 百度学术
9. 李晨瑄,顾佼佼,王磊,钱坤,冯泽钦. 多尺度特征融合的Anchor-Free轻量化舰船要害部位检测算法. 北京航空航天大学学报. 2022(10): 2006-2019 . 本站查看
10. 赵明钧,程英蕾,秦先祥,王鹏,文沛,张碧秀. 基于模型微调与AM-Softmax的极化SAR图像分类. 空军工程大学学报. 2022(05): 36-43 . 百度学术
11. 吴湘宁,贺鹏,邓中港,李佳琪,王稳,陈苗. 一种基于注意力机制的小目标检测深度学习模型. 计算机工程与科学. 2021(01): 95-104 . 百度学术
12. 张天龙,过杰. 基于改进Faster R-CNN模型的SAR图像溢油检测方法. 海洋科学. 2021(05): 103-112 . 百度学术
13. 郭智超,丛林虎,刘爱东,邓建球,应新永. 基于SK-YOLOV3的遥感图像目标检测方法. 兵器装备工程学报. 2021(07): 165-171 . 百度学术
14. 成昊天,丁荣莉,胡博文,李杰,李焱,欧阳尚荣. 基于HLS的红外遥感图像连通域快速提取方法. 上海航天(中英文). 2021(04): 144-151 . 百度学术
15. 钟鼎杰,杨存建. 基于遥感影像的山岳冰川信息计算机解译方法探讨——以梅里雪山为例. 云南大学学报(自然科学版). 2021(05): 942-952 . 百度学术
16. 李晨瑄,钱坤,胥辉旗. 基于深浅层特征融合的舰船要害关键点检测算法. 系统工程与电子技术. 2021(11): 3239-3249 . 百度学术
17. 刘坤,米乐红. 不同日照强度下的舰船目标识别. 计算机辅助设计与图形学学报. 2021(11): 1735-1745 . 百度学术
18. 丁荣莉,李杰,沈霁,周飞宇. 基于显著性的遥感图像舰船目标检测. 计算机仿真. 2021(11): 5-8+52 . 百度学术
19. 李宗凌,汪路元,禹霁阳,程博文,郝梁. 遥感舰船目标检测识别方法. 遥感信息. 2020(01): 64-72 . 百度学术
20. 杨浩琪,姚红革,王诚,喻钧,王飞,纳钦. 复杂场景下遥感船舶的检测与分割定位. 计算机辅助设计与图形学学报. 2020(03): 472-485 . 百度学术
21. 郑宗生,胡晨雨,黄冬梅,邹国良,刘兆荣,宋巍. 基于迁移学习及气象卫星云图的台风等级分类研究. 遥感技术与应用. 2020(01): 202-210 . 百度学术
22. 顾振辉,姜文刚. 基于Mask R-CNN改进的遥感图像舰船检测. 计算机工程与应用. 2020(08): 171-176 . 百度学术
23. 杨瑾文,赖文奎. 深度学习算法在遥感影像分类识别中的应用现状及其发展趋势. 测绘与空间地理信息. 2020(04): 114-117+120 . 百度学术
24. 郑磊,胡维多,刘畅. 基于深度学习的大型陨石坑识别方法研究. 北京航空航天大学学报. 2020(05): 994-1004 . 本站查看
25. 周雷,阿里甫·库尔班,吕情深,孟欣欣. 基于R-FCN的中国手指语识别. 新疆大学学报(自然科学版)(中英文). 2020(02): 170-176 . 百度学术
26. 林朝剑,张广群,杨洁,徐鹏,李英杰,汪杭军. 基于迁移学习的林业业务图像识别. 南京林业大学学报(自然科学版). 2020(04): 215-221 . 百度学术
27. 周慧,刘振宇,陈澎. 利用改进特征金字塔模型的SAR图像多目标船舶检测. 电讯技术. 2020(08): 896-901 . 百度学术
28. 牟效乾,陈小龙,关键,周伟,刘宁波,董云龙. 基于INet的雷达图像杂波抑制和目标检测方法. 雷达学报. 2020(04): 640-653 . 百度学术
29. 周慧,褚娜,陈澎. 复杂场景下的SAR图像船舶目标检测. 大连海事大学学报. 2020(03): 87-94 . 百度学术
30. 凌晨,张鑫彤,马雷. 基于Mask R-CNN算法的遥感图像处理技术及其应用. 计算机科学. 2020(10): 151-160 . 百度学术
31. 杨天天,陈志明,吕颖,吴云华,华冰. 基于深度学习的多分辨率海洋目标检测方法. 电光与控制. 2020(11): 81-85 . 百度学术
32. 张广群,李英杰,汪杭军,周厚奎. 基于微调CaffeNet的林业图像分类. 林业科学. 2020(10): 121-128 . 百度学术
33. 王鑫,李可,徐明君,宁晨. 改进的基于深度学习的遥感图像分类算法. 计算机应用. 2019(02): 382-387 . 百度学术
34. 尹雅,黄海,张志祥. 基于光学遥感图像的舰船目标检测技术研究. 计算机科学. 2019(03): 82-87 . 百度学术
35. 王鑫,李可,宁晨,黄凤辰. 基于深度卷积神经网络和多核学习的遥感图像分类方法. 电子与信息学报. 2019(05): 1098-1105 . 百度学术
36. 张旭. 基于模板匹配和深度学习的港口舰船检测识别方法. 信息技术与信息化. 2019(04): 59-63 . 百度学术
37. 陈丽琼,石文轩,范赐恩,邓德祥. 基于多分类学习的光学遥感图像舰船检测. 华中科技大学学报(自然科学版). 2019(05): 62-67 . 百度学术
38. 张银松,赵银娣,袁慕策. 基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数. 中国农业大学学报. 2019(05): 115-122 . 百度学术
39. 王言鹏,杨飏,姚远. 用于内河船舶目标检测的单次多框检测器算法. 哈尔滨工程大学学报. 2019(07): 1258-1262 . 百度学术
40. 李剑,梅乐翔,高薪,刘晶,王东升,黄芸. 基于卫星遥感图像的收费站位置自动识别与校核. 中国交通信息化. 2019(07): 109-110+116 . 百度学术
41. 马啸,邵利民,金鑫,徐冠雷. 改进的YOLO模型及其在舰船目标识别中的应用. 电讯技术. 2019(08): 869-874 . 百度学术
42. 王强,武凯,王新宇,孙宇,杨晓燕,楼晓华. 基于X射线和卷积神经网络的异物水饺识别. 食品科学. 2019(16): 314-320 . 百度学术
43. 方梦梁,黄刚. 一种光学遥感图像船舶目标检测技术. 计算机技术与发展. 2019(08): 136-141 . 百度学术
44. 王伦文,冯彦卿,张孟伯. 光学遥感图像目标检测方法. 系统工程与电子技术. 2019(10): 2163-2169 . 百度学术
45. 江涛,王新杰. 基于卷积神经网络的高分二号影像林分类型分类. 北京林业大学学报. 2019(09): 20-29 . 百度学术
46. 刘梦佳,冯辉,徐海祥,余文曌,李文娟. 基于CNN的搜救无人艇水面多目标检测实验. 武汉理工大学学报(交通科学与工程版). 2019(05): 910-913+919 . 百度学术
47. 郭进祥,刘立波,徐峰,郑斌. 基于YOLO v3的机场场面飞机检测方法. 激光与光电子学进展. 2019(19): 111-119 . 百度学术
48. 王彤. 基于卷积神经网络的舰船图像边缘检测算法. 舰船科学技术. 2019(22): 79-81 . 百度学术
49. 何嘉. 全景视觉舰船图像局部特征点检测. 舰船科学技术. 2019(24): 169-171 . 百度学术
50. 周慧,严凤龙,褚娜,陈澎. 基于特征金字塔模型的高分辨率遥感图像船舶目标检测. 大连海事大学学报. 2019(04): 131-138 . 百度学术
51. 马啸,邵利民,金鑫,徐冠雷. 舰船目标识别技术研究进展. 科技导报. 2019(24): 65-78 . 百度学术
52. 汤伟,高涵. 改进卷积神经网络算法在水面漂浮垃圾检测中的应用. 中国科技论文. 2019(11): 1210-1216 . 百度学术
53. 刘方园,王水花,张煜东. 卷积神经网络架构及其应用的研究. 新型工业化. 2017(11): 40-51 . 百度学术
其他类型引用(102)
-