基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于H-CFAR的SAR图像快速舰船目标检测

SAR舰船目标的快速、准确检测是SAR海洋业务化应用中的重要需求,文章提出了一种基于直方图恒虚警率(H-CFAR)的快速检测方法.该方法直接利用SAR图像的灰度直方图信息,并结合CFAR算法,实现了SAR舰船目标的检测;利用ASAR、TerraSAR和Radarsat-2数据对此方法进行了检验,结果表明,该方法与现有的K CFAR相比,在相同的硬件条件下,能够更快更准确地实现SAR舰船目标检测.     

低分辨率SAR图像舰船目标检测

针对低分辨率合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标受背景及杂波影响难以检测的问题,通过构建一种基于生物视觉侧抑制理论的背景抑制网络模型,有效地抑制了背景杂波.采用基于RENYI熵的分割方法提取舰船目标兴趣区域,以低分辨率SAR图像中舰船目标的成像特点为先验知识,结合同质性检验,滤除了兴趣区域中的虚假目标,降低了虚警率.实验结果表明:所提出的算法能够有效地抑制强海杂波背景,突出目标,既能用于检测SAR图像中带尾迹特征的舰船等运动目标,也可用于检测无尾迹特征的舰船目标.     

基于单极化SAR图像的舰船目标检测与分类方法

 SAR是一种主动式微波成像传感器,具有全天时全天候高分辨率对地观测能力,被广泛应用于海洋舰船目标检测与分类。随着SAR成像技术的发展,SAR图像的分辨率越来越高,数据量也越来越大,研究鲁棒高效的海洋舰船目标检测与分类方法对于军事及民用领域具有重大意义。总结了现有的针对单极化SAR图像的舰船目标检测及分类方法,分析了各类方法的特点以及存在的问题,展望了未来SAR图像舰船目标检测及分类方法的发展趋势。     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

采用自适应背景窗的舰船目标检测算法

针对合成孔径雷达(SAR)图像应用中,传统滑动窗口检测算法无法对近距、近岸或不同大小目标实现精确检测的问题,提出了一种自适应窗口的舰船目标检测算法。该算法首先利用阈值滤波实现海面的分离,然后通过对分离后待检目标的像素体积统计,剔除大体积陆地目标,得到待检目标,并根据其像素分布设置自适应窗口,通过对自适应窗口内目标像素和背景像素的分离统计,最终拟合得到待检目标附近背景的K-分布概率模型进行恒虚警检测。相对于传统滑动窗口检测算法,自适应窗口检测算法可实现对目标背景像素的精确统计及K-分布拟合,以及对舰船类目标的精确检测。实验结果证明,在相同的虚警概率条件下,对复杂海面情况的SAR图像进行舰船检测,自适应窗口检测算法比传统局部窗K-分布的恒虚警检测结果的品质因子高0.34。     

基于RetinaNet的SAR图像舰船目标检测

在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集(SSDD)对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度.     

基于小面核滤波的快速红外舰船检测方法

针对复杂海天背景下红外舰船目标的实时检测需求,提出了一种基于小面核滤波的快速红外舰船检测方法.在频域视觉显著性计算原理的启发下,结合小面拟合模型,设计了一种高效的时域小面卷积核,以抑制背景并增强具有高亮灰度对比边缘的红外舰船目标,进而确定候选目标区域.然后采用一种L0梯度最小化滤波方法,实现候选区域中目标区域的灰度均衡,以完整并准确提取目标形状.最后根据舰船的尺度和形状特性,完成目标判别.实验中对3组公开实拍红外图像数据集进行了测试,实验结果表明:本方法具有较好的鲁棒性,其对3组数据的检测准确率均高于90%,在PC平台上的处理速度维持在10ms量级,优于现有的典型方法,能够满足多数工程应用需求.     

基于深层次特征增强网络的SAR图像舰船检测

针对合成孔径雷达图像中舰船目标检测困难的问题,提出了一种基于深层次特征增强网络的多尺度目标检测框架.利用Darknet53提取原始图像特征,自上而下建立四尺度特征金字塔;特别设计基于注意力机制的特征融合结构,自下而上衔接相邻特征层,构建增强型特征金字塔;利用候选区域及其周边上下文信息为检测器计算分类置信度和目标分数提供更高质量的判定依据.所提算法在SSDD公开数据集和SAR-Ship自建数据集上的平均检测精度分别为94.43%和91.92%.实验结果表明,该算法设定合理且检测性能优越.      

基于最佳阈值分割的舰船目标检测方法

提出了一种基于最佳阈值分割的舰船目标检测方法,该方法通过构造分割阈值集合,并搜索特征约束条件下的最佳分割阈值进行目标分割,从而实现目标与背景区域的成功分离.使用该方法对不同卫星来源、不同分辨率的24 523幅光学遥感图像和516幅SAR图像进行了实验,对于1 155个目标图像的检测率高于95.0%,同时虚警率保持在较低水平,表明该方法对于遥感图像中的海上舰船目标检测效果较好、适应性强.     

水面航行体对舰船目标的图像检测方法

针对水面航行体在近岸水域条件下对舰船目标进行实时光学检测时,易受到光照、相似颜色背景和海面波浪反射等干扰的问题,提出了基于改进视觉注意模型的舰船目标检测方法,采用小波变换方法提取图像的低频、高频特征,将任务水域图像从RGB颜色空间转化到HSV颜色空间来提取图像的色调、饱和度和明度特征,应用高斯金字塔、归一化算子等图像处理方法融合了各类特征.仿真结果表明,提出的舰船目标检测方法能够准确地实现复杂背景条件的舰船目标检测,具有良好的抗干扰能力.      

基于鲁棒主成分分析的SAR舰船检测

针对单极化SAR舰船目标恒虚警检测无标准杂波模型可选,且多目标情况下易发生目标检测不完整和弱目标丢失的问题,该文提出一种基于鲁棒主成分分析(robust principle component analysis,RPCA)的舰船检测方法,通过利用SAR图像中内在的海面低秩属性和舰船目标的稀疏属性,借助推导的增量Lagrange乘子算法,将SAR图像分解为低秩图像、噪声图像(两者之和对应海面)和稀疏图像(对应舰船)的和,从而一次性实现目标检测和杂波抑制,不依赖任何杂波模型和检测统计量。仿真实验验证了增量Lagrange乘子算法的有效性。实测数据处理实验中与平均单元恒虚警检测法和均方误差恒虚警检测法进行了对比,结果表明该方法可以正确从海杂波中检测出舰船目标,具有良好的鲁棒性。     

基于船头特征提取和轮廓定位的港口舰船检测

针对高分辨率光学遥感图像中靠岸舰船目标难以检测的问题,提出一种新的舰船自动检测方法.首先利用支持向量机（support vector machine,SVM）对变换到极坐标系下的疑似船头目标进行分类,得到候选舰船的船头位置和舰船方向;然后利用舰船周围区域内的直线信息校正舰船方向;最后结合灰度和边缘信息检测船身,用以确定舰船目标.结果表明,该方法能够准确检测靠岸舰船,具有较好的鲁棒性.      

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

高分辨率SAR卫星图像舰船目标识别可用性分析

SAR卫星图像的分辨率直接影响着舰船目标识别结果.采用高分辨率SAR遥感图像,选取了两个较为直观的几何特征即长度和轮廓形状,对当前SAR图像舰船目标识别的能力进行了分析;给出了不同分辨率下的SAR图像的目标几何结构量算能力比对结果,为高分辨率SAR图像的舰船目标类型、识别算法研究提供相应支持.     

基于视觉注意机制的视频监控中海上舰船目标检测

当天空、海面和岸上建筑等自然背景比较复杂时,容易干扰视觉注意的对象,而影响舰船目标的检测。本文提出了一种改进的视觉注意模型来检测海上舰船目标,首先利用小波变换获得舰船目标图像的高频特征和低频特征;然后利用改进的Top-hat滤波器抑制云雾和较强的海杂波,采用改进的Gabor滤波器得到方向特征,采用离散矩变换（DMT,discrete moment transform）得到边缘纹理特征;同时将图像进行色彩空间转换,由HSI（Hue-Saturation-Intensity）空间提取图像亮度、色调和饱和度来构成运动特征和颜色特征;最后将各特征图通过加权线性融合得到兴趣图,通过自适应阈值分割出舰船目标区域。实验证明该舰船目标检测算法具有较好的检测效果。     

基于多分类学习的光学遥感图像舰船检测

针对光学遥感图像中舰船检测易受云层、波浪等因素干扰导致检测精度低的问题,提出了一种基于多分类学习的检测算法.首先利用多光谱图像提取舰船候选区并在对应的全色图像上截取切片,然后采用卷积神经网络自动提取特征并进行分类,最后利用旋转卡壳法求取目标的最小外接矩形进行精确定位.利用自建的数据集进行模型的训练、验证和测试,数据集包含2.375 6×10~4张图像,由于舰船目标类内差异大,将数据集精细地分为10种类别.目标类分为大船、中船、小船、多条船和尾迹5类,非目标类也分为波浪、黑色区域、陆地、海上密集带状物和云5类.实验结果表明:结合了多光谱信息的多分类学习可以有效提高检测率并降低虚警率,该方法在复杂海面背景下能精确地检测舰船目标,检测精度达到95.02%,虚警率低至5.24%;基本可以排除多种因素的干扰,鲁棒性较强.     

一种光学遥感图像海面舰船检测算法

为了在通用硬件平台上实现光学遥感图像海面舰船检测,提出一套适合实际系统应用的算法。首先,在海陆分割阶段设计能快速粗分图像内容的自适应双门限阈值分割方法;其次,根据海面舰船分布稀疏的特点对分块后的图像进行目标存在性初判;接着,只对初判为有目标的分块提取目标候选区域,提高了检测效率,其中引入杂波率系数自适应地控制Top-Hat算子中结构元素的尺寸,使其更好地抑制背景;最后,采用基于特征的模式识别方法剔除虚警。测试结果验证了算法的性能,并在硬件平台上进行了实现。     

基于Riemann核Fisher准则的极化SAR图像人造目标检测

人造目标检测是极化合成孔径雷达(synthetic aperture radar,SAR)图像自动解译中的重要环节。该文提出了一种基于Riemann核Fisher准则的人造目标检测方法。核函数通过Hermite正定矩阵流形上的Riemann度量来构造。极化协方差矩阵映射到核函数诱导的高维特征空间后用Fisher准则进行判别。该方法考虑到了极化SAR数据特殊的矩阵结构,并且不需要任何统计模型假设,因而特别适于检测极化SAR图像中的人造目标。以舰船目标检测为应用背景验证了该方法的有效性。实验结果表明:该方法优于其他常用的检测器,特别是在低目标杂波比条件下。     

复杂背景下序贯显著性特征海面目标检测算法

根据人眼视觉显著性注意机制,提出基于序贯显著性特征的目标识别算法,把复杂背景下的目标识别问题转化为多特征的融合识别,将目标识别过程分成感兴趣区域检测和感兴趣目标检测两个子过程,并建立序贯显著性特征目标识别算法模型,序贯提取复杂图像区域的显著性特征,逐步缩小感兴趣区域范围,然后以基于D-S证据理论的多特征数据融合方法,通过多特征综合置信度的估计与分析,完成可靠的目标识别．试验研究表明,针对复杂背景下海面舰船目标,在相同的虚警概率下,该算法的检测概率比单一的不变矩算法和基于纹理特征算法平均要高20％．