改进YOLOX的SAR近岸区域船只检测方法

针对SAR近岸区域船只检测准确率低与虚警率高的问题,提出一种基于改进注意力机制与旋转框的SAR近岸区域船只检测方法。该方法首先通过改进坐标注意力机制并引入至特征提取网络中,提升网络的特征提取能力;其次,增加角度分类头,并引入二维高斯分布,计算预测分布与目标分布的KL散度评估旋转框损失值,完成目标的角度信息提取;再基于YOLOX算法中的无锚框(AF)机制,减少候选框冗余,使模型轻量化并进一步提高定位精度。最后在公开数据集offical-ssdd上进行测试,在嵌入式平台(NVIDIA Jetson AGX Xavier)上对模型进行推理验证。该算法模型计算参数仅1.14 M,在近岸情况下平均检测精度较YOLOX模型提高了18.77%,总体检测精度达到94.2%。验证结果表明,该算法适用于复杂场景下任意方向的密集船只目标检测,满足实时处理需求。

一种新的SAR图像船只检测方法

提出一种新的基于恒虚警率(CFARConstantFalseAlarmRate)技术,确定SAR图像中检测船只整体阈值的方法。该方法采用高斯分布(正态分布)作为SAR图像灰度的概率密度函数,由CFAR技术直接导出用于检测船只整体阈值的计算公式,用记数滤波器滤波去除虚警。该算法避免了复杂公式迭代和求解形状参数计算过程,也避免了用二分法寻找阈值的循环解算过程,提高了检测速度。使用XSAR和ERSSAR图像对该算法进行检验,并与其它算法进行比较,结果显示所提出的算法在检测精度和检测速度上都有明显的改进。

基于SAR图像的自动船只检测模型与算法实现

船只检测是实现船只航行安全的重要方法之一,利用SAR图像可实现船只检测。本文论述了海上船只检测的方法、过程及相应的算法。根据实际检测多位于存在陆地和岛屿的近海图像,利用分形维作为海陆分割的阈值,采用改进的分裂合并算法进行分割,并利用轮廓跟踪及种子填充消除分割遗留的孤立区域,使得海陆分割达到了较好的效果。在比较、试验的基础上,船只检测中采用了改进的CFAR算法,依据视数的不同选择不同的杂波模型,既消除了杂波模型参数计算复杂性,又取得了较好的时效性。通过试验证明,本文提出的算法在实际检测中取得了较好的效果,识别率高、虚景率低且实时性好。

基于仿生视觉的海面船只检测方法

对地观测系统可以快速检测大面积区域,为世界各沿海国家的船只监测任务带来了极大便利。针对遥感影像中的船只自动化检测问题,利用船只相对于海面呈现明显的视觉显著特性,提出了一种基于船只与海面反差特性的船只检测方法,将对船只的检测定位转变为对场景中显著目标的发现与分割问题。方法以视网膜到初级视觉皮层V1这一视觉通路的生理过程为指导,模拟了其中视觉信号的产生机制以获得场景的显著图。以光学影像为例进行的实验结果显示,在没有目标先验知识的前提下,基于反差特性的方法能有效地将视觉注意力集中于海面船只目标,取得了较好的检测结果。

面向船载雷达图像的船只检测方法

提出一种适用于船载雷达图像的船只检测方法,对相邻的多幅雷达图像进行叠加处理,采用概率神经网络模型估计海杂波雷达后向散射的概率分布,利用恒虚警率技术确定全局阈值,根据连通区域的大小去除虚警。使用X波段船载雷达图像序列对该方法进行检验,结果表明,利用该方法得到的船载雷达图像的船只检测精度可达89.5%。

基于三聚类中心K-means算法的SAR船只检测方法

为解决高分辨合成孔径雷达(SAR)图像中基于海杂波模型的CFAR船只检测方法适用性受限的问题,提出了一种基于三聚类中心的K-means船只检测方法.该方法将SAR图像划分为船只目标、海杂波及其他干扰3个聚类,利用K-means聚类算法求得最高聚类中心值,并将其作为检测阈值进行船只初步检测,然后结合分辨率和船只尺度等先验信息进行形态学滤波操作得到最终检测结果.基于实测数据的实验结果表明,所提方法无须海杂波的统计信息,且不依赖于SAR图像的分辨率,可有效地服务于高分辨率SAR图像中的船只检测任务.

一种子视相干优化的极化SAR船只检测方法

针对传统单极化SAR船只检测能力不足的问题,提出了一种基于极化SAR图像子视相干的方法来检测船只。该方法在船只和海杂波SAR子视图相干程度分析的基础上,通过调整全极化SAR图像数据的最优极化状态得到3个优化的相干参数,并由此定义了一种最优相干积参数。由于该参数可以保留相干目标(即船只)的强度和相位,因此能够极大提高目标与背景之间的对比度,从而改善后期的目标检测性能。最后,采用机载极化SAR数据来评估本文方法,其试验结果表明,该方法能充分利用目标的极化特征以及子视相干性信息,显著提高了船海对比度,实现了船只检测性能的改进。

Matlab和C#混合编程在SAR图像船只检测中的应用

目前,SAR图像船只检测只能在当前编程软件中实现,无法被其他软件调用,很难在后续开发的软件系统中得到广泛的应用。为此,本文基于C#和Matlab混合编程,开发出了一种可以被调用的SAR图像船只检测界面性应用窗体。该窗体运行后,生成K分布、G^0分布和直方图统计模型的概率密度函数曲线和相应的检测结果图像,通过比较,可判别出K分布更适合应用于SAR图像的船只检测中。

CCNet:面向多光谱图像的高速船只检测级联卷积神经网络（英文）

针对实现遥感图像中船只目标的快速检测提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法CCNet.该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割.同时采用含有更多细节信息的多光谱图像作为 CCNet 的输入能够提升网络提取特征鲁棒性从而使得检测更加精确.基于 SPOT 6 卫星多光谱图像的实验表明与当前主流的深度学习船只检测方法相比该方法能够在实现高检测精准度的基础上将检测速度提高 5 倍以上.

基于结构化稀疏表达的高分辨率光学遥感图像的船只检测

为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等三部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。

基于卷积神经网络的光学遥感图像船只检测

目的研究无需进行复杂的图像预处理和人工特征提取,就能提高光学遥感图像的船只检测准确率和实现船只类型精细分类。方法对输入的检测图像,采用选择性搜索的方法产生船只候选区域,用已经标记好的训练样本对卷积神经网络进行监督训练,得到网络参数,然后使用经过监督训练的卷积神经网络提取抽象特征,并对候选区域进行分类,根据船只候选区域的分类概率同时确定船只的位置以及类型。结果与现有的2种检测方法进行对比,实验结果表明卷积神经网络能有效提高船只检测准确率,平均检测准确率达到了93.3%。结论该检测方法无需进行复杂的预处理,能同时对船只进行检测和分类,并能有效提高船只检测准确率。

基于PCANet的海面船只检测算法

以水面无人艇的视觉感知系统的研发为背景,使用级联主成分分析网络的深度学习框架,进行了海面船只检测算法研究.输入海面船只的可见光图像,通过显著性检测确定疑似目标区域,对检测出的疑似目标区域使用PCANet模型进行特征提取,将结果输入支持向量机中,得到最终二分类结果.实验结果表明,所设计的算法可以成功地输出海面船只检测结果,并通过与CNN算法的对比,验证了PCANet方法的高效性和准确性,证明了PCANet在特征提取方面的优越性.

基于H/A/α-Wishart分类的极化SAR图像船只检测

虽然目标分解已经是极化SAR图像进行船只检测的重要方法,但是在相干矩阵分解得到的不同参数下并不能将船只和海洋等背景准确的完全区分,不同的参数反映了目标的不同散射特性。因此,该文提出了一种基于H/A/α分解的Wishart非监督分类的极化SAR图像船只检测的方法。实验结果表明,该方法能够有效地检测出目标船只,并能有效地减少虚警。

基于船载雷达图像的海上船只检测方法

随着雷达成像技术和高分辨率光栅显示技术的发展和应用,基于船载雷达图像的船只检测成为可能。海上船只检测的主要困难之一是雷达图像中包含固有的海面背景杂波。传统的雷达船只检测方法,如恒虚警率法(CFAR),以杂波分布模型为基础,计算待检测窗口中的信号统计分布来确定自适应阈值,取得了一些成果。但是,当海面背景杂波和船只目标的回波强度在同一数量级,甚至船只目标淹没在海面背景杂波中时,就难以确定一个有效的阈值将船只目标从雷达图像中提取出来。在分析海面背景杂波和船只目标的相关差异性基础上,提出了一种基于船载雷达序列图像的海上船只快速检测方法。该方法首先对相邻两幅图像进行互相关性分析,在两幅图像中的同一位置提取一定尺寸的移动窗口,计算其互相关函数值,窗口移动一个步长,重复操作直至遍布整幅图像,形成一幅由灰度图像互相关函数值组成的相关图像。然后使用概率神经网络模型(PNN模型)来估计相关图像背景杂波的灰度概率密度分布函数(PDF),应用CFAR技术,使用二分法求解一个区分船只和背景噪声的自适应整体阈值,并根据阈值将相关图像二值化,其中大于阈值的像元作为候选的船只目标信息,小于阈值的像元则为海面背景杂波。最后使用连通性8-邻域准则统计各个候选船只目标区域的像元数,并与预先定义的最小船只目标像元数进行比较,偏小的候选船只目标区域作为虚警去除,保留下来的候选船只目标区域即为船只检测结果。研究显示,如果图像序列中没有船只目标信息,则三维相关图像比较平整。相反,如果图像序列中含有船只目标信息,则三维相关图像上有峰值被检测出,通过测量峰值的高度,就能判断存在可能的船只目标。运用X波段船载雷达序列图像对本文提出的海上船只检测方法进行了测试。测试结果表明,该检测方法具有很好的船只检测效果,得到的船只检测结果与目视判别的结果一致。而且该检测算法原理简单,计算速度快,易于实时处理,具有广阔的应用前景。

基于角检测方法的船只检测

为了更好地检测停在港口岸上的船只,提出了一种角点及角度检测方法,以用于对前端有尖角的船只检测。该法以图像在某一点的极坐标变换为基础,将梯度图像的灰度值在每个方向上叠加,再检测累加值最大的两个方向,得出两个方向上分别的累加值和方向角,再通过一个权值计算公式来设定该点为角点的可能性。结合高斯平滑,该方法能方便地找出不同尺度的角点,及其对应角度的位置,从而有效检测出船的前端点及船的方向,进而确定船的位置。该法克服了其他方法无法分割出停在岸边的船的缺点,对船只的检测提供了值得借鉴的经验。

基于DPM和R-CNN的高分二号遥感影像船只检测方法

提出了基于可变形部件模型(deformable part model,DPM)的高分二号(GaoFen-2,GF2)遥感影像船只检测方法,并与区域卷积网络(regional convolutional neural network,R-CNN)进行比较。先将遥感影像分段以获得船只的粗略感兴趣区域(regions of interest,ROI),然后在ROI内计算方向梯度直方图(histogram of oriented gradients,HOG)和卷积特征,再分别由DPM和R-CNN采用HOG和卷积特征。为测试R-CNN的最佳性能,将具有5个卷积层(ZF网)和具有13个卷积层(VGG网)的网络应用于船只检测。使用8张GF2遥感影像的3 523艘船只的实验结果表明,DPM和R-CNN都能以高召回率和正确率检测水中的船只,但对于聚集船只而言,DPM的效果优于R-CNN。基于HOG+DPM,ZF网和VGG网的方法平均精度分别为95.031%,93.282%和93.683%。

基于图像分割的海上船只检测

针对遥感影像中海上船只自动检测的问题,文中首先利用船只的纹理滤波将海上船只和类船只信息突出显示,在获得纹理滤波图像后,采用大津阈值将目标与背景分割开,经过分割处理,获得分割影像图,然后将分割图与原图叠加,从而在原图像上突出显示出来,通过实验证明,该方法简便可行,对海上船只的检测有着重要的意义。

基于可变形部件模型的遥感影像船只检测方法

提出了一种基于混合可变形部件模型的船只检测方法.该方法采用基于梯度方向直方图(HOG)特征的可变形部件模型(DPM)来描述船只,在HOG特征金字塔空间通过滑窗方式检测目标.基于HOG特征的DPM不具有方向不变性,因此根据船只目标特点,分别从模型训练阶段和目标检测阶段进行改进.在模型训练阶段,为了减少模板数量,将所有船只样本旋转到相同方向进行参数学习;在目标检测阶段,将兴趣区旋转至特定方向后进行模板匹配,实现遥感影像上任意方向的船只检测.利用该方法在高分二号光学遥感影像上进行船只检测,实验结果表明此方法可以有效检测船只.

基于YOLOv2的船只检测算法及其在横琴环岛监控系统中的应用

船只的实时检测对于维护海上航运安全十分重要。基于监控视频数据构建了针对船只检测的数据集,将YOLOv2网络架构应用于船只检测,并结合船只宽高比特点,聚类选取初始候选框。对比实验结果表明,该检测方法能在保证检测精度的同时达到90帧/s的检测速度,满足实际应用需求。珠海市横琴新区已将该检测模型应用于环岛视频监控系统中,并与GIS地图和无人机影像进行集成,实现了环岛海域的实时船只监测。

基于散射相似性参数的全极化合成孔径雷达船只检测

全极化合成孔径雷达(SAR)数据提供了丰富的散射信息,目前被广泛应用于海上船只目标的检测。本文首先利用一种方便有效的极化散射信息分析法-散射相似性参数统计分析了船只目标与海面的散射特性,重点分析了两者散射机制间的差异,并基于该差异提出了一个新的全极化SAR船只目标检测量(SSM),该检测量同时考虑了极化SAR数据的空间信息,有效提高了船海对比度。然后基于核密度估计提出了对检测量SSM的模型估计方法,结合恒虚警率(CFAR)检测方法实现了对船只目标的检测。利用RADARSAT-2全极化数据对本文的方法进行验证,并与典型的极化SAR船只目标检测方法比较,实验结果表明了本文方法对船只目标检测的有效性。