一种海雾环境下基于深度学习的海上舰船目标检测方法技术

本发明专利技术一种海雾环境下基于深度学习的海上舰船目标检测方法，包括以下步骤：获取含雨雾的待处理图像；基于GCANet深度学习网络对含雨雾的待处理图像进行去雨雾预处理，得到去除雨雾后的待处理图像；除雨雾后的待处理图像采用SEMSSD目标检测模型，识别出待处理图像中的海上舰船目标的种类与位置，本发明专利技术在目标检测前增加图像去雨雾预处理过程，通过提高目标与背景的对比度，以突显目标的显著特征，相比传统去雾模型，GCANet深度学习去雨雾网络既可以做到对有雾图像进行去雾，又能使无雾图像保持清晰，有利于提高海雾环境下舰船目标的检测和识别精度。识别精度。识别精度。

【技术实现步骤摘要】
一种海雾环境下基于深度学习的海上舰船目标检测方法


[0001]本专利技术属于计算机视觉
，具体涉及一种海雾环境下基于深度学习的海上舰船目标检测方法。

技术介绍

[0002]我国海域辽阔，海洋资源丰富，对海洋的开发和利用一直是重点关注问题。针对海上舰船的目标检测具有十分重要的研究意义。
[0003]海上环境复杂多变，针对目前海雾情况下目标检测困难的情况，运用深度学习方法，先对原始图像进行去雾处理，然后对去雾后的图像进行目标检测，提升海雾环境下舰船目标检测的准确率，使其能够在复杂的海雾情况下达到良好的识别效果。在去雾处理与目标检测算法方面，传统的图像去雾算法主要分为两类：基于图像增强的去雾算法
[1]和基于图像复原的去雾算法
[2]。基于图像增强的去雾算法出发点是尽量去除图像噪声，提高图像对比度，从而恢复出清晰图像。缺点是不具有针对性，不是真正意义的去雾。基于图像复原的去雾算法基本上是基于大气散射模型
[3]，通过分析图像退化的影响因素，补偿因雾气造成的图像损失恢复原图像。该方法普遍好于基于图像增强的去雾算法，但依赖先验知识。这些传统方法的特点是计算量大，鲁棒性差。随着大数据和深度学习的快速发展，基于深度学习的去雾算法
[4
‑
9]应运而生，不依赖先验知识，利用端到端的网络直接回归模糊图像和清晰图像之间的残差，建立二者之间的联系，从而实现将有雾图像输入到网络中直接输出清晰无雾的图像，且具有运行速度非常快且鲁棒性好的优点。
[0004]目标检测是计算机视觉领域的主要研究方向之一。海上舰船目标检测任务旨在识别出获取的海面图像中舰船目标的位置和所属类别。当今目标检测主要分为两个主流研究方向：基于数字图像处理技术并结合机器学习
[10]的传统目标检测算法和基于深度卷积神经网络
[11]的目标检测算法。传统的舰船目标检测算法首先在原始图像上生成特征提取待选区域,而后对待选区域提取合适的目标特征,最后通过Adaboost、支持向量机等分类器训练生成识别、定位模型,对待识别图像进行图像识别检测
[12]。传统的目标检测算法重提高船舶目标检测的识别正确率及定位精度上,忽视了算法的时间复杂度,不能保证系统的时效性,使得系统的实用性偏低。深度卷积神经网络
[13
‑
19]不需要生成特定的特征提取候选区域，通过多次卷积能够自主地对识别目标进行整体特征提取,并不断训练完善自己的模型，最终选取出最优模型。相比于传统算法目标检测算法在识别精度较高的前提下，能够在快速对目标进行检测的同时，保持较高的鲁棒性,系统实用性得到较大提升。
[0005]当前去雾算法不具有针对性，无法应对多海雾的海上环境，造成去雾后的目标重要信息的丢失，没有考虑弥补因图像预处理后造成有利于检测的重要信息的丢失问题，导致网络的特征提取能力不足。
[0006]现有的目标检测模型没有充分考虑海上船舶目标的形状统计特征对于检测和识别的影响，导致基于深度学习的海上船舶目标检测误检率较高。

技术实现思路

[0007]为了解决上述问题，本专利技术提供本专利技术采用的技术方案是：一种海雾环境下基于深度学习的海上舰船目标检测方法，其特征在于：包括以下步骤：
[0008]获取含雨雾的待处理图像；
[0009]基于GCANet深度学习网络对含雨雾的待处理图像进行去雨雾预处理，得到去除雨雾后的待处理图像；
[0010]除雨雾后的待处理图像采用SEMSSD目标检测模型，识别出待处理图像中的海上舰船目标的种类与位置。
[0011]进一步地：所述基于GCANet深度学习网络对含雨雾的待处理图像进行去雨雾预处理，得到去除雨雾后的待处理图像的过程如下：
[0012]对含雨雾的待处理图像，先后使用两个卷积核大小为3
×
3，步长为1的第一卷积归一化模块和一个卷积核大小为3
×
3，步长为2的第二卷积归一化模块将图像编码为特征图；
[0013]将特征图依次经过不同空洞率的平滑空洞残差块，得到不同层级的图像特征；
[0014]不同层级的特征通过一个门控融合子网络进行融合，学习低、中、高层特征的权重；得到特征图；
[0015]将特征图经过反卷积层，并将特征图上采样到原始分辨率，再经过两个卷积层将特征图转换回图像空间，以获得海上舰船目标的雾残差；
[0016]将雾残差加到原有雾的输入图像中，得到去雨雾后的图像。
[0017]进一步地：所述SEMSSD目标检测模型以VGG网络为主干网络，在所述VGG网络包括第4个卷积块的第3个卷积层、通道注意力模块、全连接层、三组卷积层和一组平均池化层；
[0018]所述第4个卷积块的第3个卷积层、通道注意力模块、全连接层依次串联连接；
[0019]在所述全连接层之后依次增加三组卷积层；所述三组卷积层包括第一卷积层、第二卷积层和第三卷积层；
[0020]在所述第三卷积层后串联连接一组平均池化层。
[0021]进一步地：所述SEMSSD目标检测模型使用先验框预测目标位置，所述先验框的确定方式如下：
[0022]统计待处理图像中的海上舰船目标的形状特征；
[0023]基于海上舰船目标的目标特征对先验框形状统计特征进行调整；所述统计特征包括先验框的宽高比信息。
[0024]进一步地：所述SEMSSD目标检测模型的6个输出层的宽高比分别为：[1、2]，[1、2、4]，[1、2、3]，[1、2、3]，[1、2],[1、2]。
[0025]进一步地：还包括通过非极大值抑制方法对特征层预测的不同大小的大量的检测框进行筛选，确定出图像中每个目标对应的检测框和对应的类别。
[0026]进一步地：所述通道注意力模块SE输入特征图记为P1，P1特征图分为两路，其中一路不做任何处理，输出记为P2，另一路先后经过全局池化、全连接层、ReLU函数、全连接层、Sigmoid函数，输出记为P3，P2与P3相加得到通道注意力模块SE的输出P4，其与输入层P1维度保持一致。
[0027]一种海雾环境下基于深度学习的海上舰船目标检测装置，包括以下步骤：
[0028]获取模块：用于获取含雨雾的待处理图像；
[0029]雨雾预处理模块：用于基于GCANet深度学习网络对含雨雾的待处理图像进行去雨雾预处理，得到去除雨雾后的待处理图像；
[0030]检测和识别模块：用于将去除雨雾后的待处理图像采用SEMSSD目标检测模型，识别出待处理图像中的海上舰船目标的种类与位置。
[0031]本专利技术提供的一种海雾环境下基于深度学习的海上舰船目标检测方法，具有以下优点：
[0032]1.海上多雨雾，雨雾环境下拍摄的目标特征模糊，不可避免地导致海上目标的特征提取困难。有效特征的提取与后续的检测和识别精度密切相关。基于此，本专利技术在目标检测前增加图像去雨雾预处理过程，通过提高目标与背景的对比度，以突显目标的显著特征，相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海雾环境下基于深度学习的海上舰船目标检测方法，其特征在于：包括以下步骤：获取含雨雾的待处理图像；基于GCANet深度学习网络对含雨雾的待处理图像进行去雨雾预处理，得到去除雨雾后的待处理图像；除雨雾后的待处理图像采用SEMSSD目标检测模型，识别出待处理图像中的海上舰船目标的种类与位置。2.根据权利要求1所述的一种海雾环境下基于深度学习的海上舰船目标检测方法，其特征在于：所述基于GCANet深度学习网络对含雨雾的待处理图像进行去雨雾预处理，得到去除雨雾后的待处理图像的过程如下：对含雨雾的待处理图像，先后使用两个卷积核大小为3
×
3，步长为1的第一卷积归一化模块和一个卷积核大小为3
×
3，步长为2的第二卷积归一化模块将图像编码为特征图；将特征图依次经过不同空洞率的平滑空洞残差块，得到不同层级的图像特征；不同层级的特征通过一个门控融合子网络进行融合，学习低、中、高层特征的权重；得到特征图；将特征图经过反卷积层，并将特征图上采样到原始分辨率，再经过两个卷积层将特征图转换回图像空间，以获得海上舰船目标的雾残差；将雾残差加到原有雾的输入图像中，得到去雨雾后的图像。3.根据权利要求1所述的一种海雾环境下基于深度学习的海上舰船目标检测方法，其特征在于：所述SEMSSD目标检测模型以VGG网络为主干网络，在所述VGG网络包括第4个卷积块的第3个卷积层、通道注意力模块、全连接层、三组卷积层和一组平均池化层；所述第4个卷积块的第3个卷积层、通道注意力模块、全连接层依次串联连接；在所述全连接层之后依次增加三组卷积层；所述三组卷积层包括第一卷积层、第二卷积层和第三卷积层；在所述第三卷积层后串联连接一组平均池...

【专利技术属性】
技术研发人员：王宁，王元元，唐路源，吴伟，赵红，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：