基于多源遥感影像的船舶识别方法、服务器及存储介质与流程
- 国知局
- 2024-08-08 17:03:47
本申请属于目标识别领域,特别涉及一种基于多源遥感影像的船舶识别方法、服务器及存储介质。
背景技术:
1、在遥感船舶识别中,基于图像处理技术的目标检测和识别是一种常见的方法。这种方法通常需要对输入影像进行预处理,包括规划好输入影像的类型、分辨率、拍摄角度、覆盖范围等,并明确待检测的目标是什么,以及在影像中是否有明确、稳定的成像特征。
2、现有的技术主要包括图像特征提取算法和特征匹配算法。图像特征提取算法用于从影像中提取出具有代表性的特征,例如边缘、角点、颜色等。这些特征可以用于描述目标的形状、纹理、颜色等属性。特征匹配算法则用于将提取出的特征与已知目标的特征进行匹配,以确定是否存在目标。
3、然而,现有技术存在一些问题。首先,由于遥感影像的复杂性和多样性,不同类型、分辨率、拍摄角度和覆盖范围的影像可能会对目标检测和识别结果产生较大影响。当输入影像的条件或目标属性发生变化时,可能会导致无法准确提取和识别目标。
4、其次,现有的图像特征提取算法和特征匹配算法在某些情况下可能无法有效处理复杂的影像数据。例如,当目标在影像中具有模糊、遮挡或变形等现象时,传统的特征提取算法可能无法准确提取目标的特征,从而导致识别结果不准确。
5、因此,亟需一种船舶识别方法,能够解决上述问题。
技术实现思路
1、为了解决所述现有技术的不足,本申请提供了一种基于多源遥感影像的船舶识别方法,在随机关联分析方法基础上引入基于adaboost算法的目标检测识别,对多源、多尺度遥感影像信息进行融合关联,综合各自特有的船舶属性知识,获取具体明确的船舶目标信息。
2、本申请所要达到的技术效果通过以下方案实现:
3、根据本申请的第一方面,提供一种基于多源遥感影像的船舶识别方法,包括如下步骤:
4、步骤1:构建数据集,所述数据集包括船舶目标数据集、大海背景数据集以及港口背景数据集;
5、步骤2:对每一个数据集训练若干网络模型,采用线性加权的方式融合所述网络模型得到级联分类器;
6、步骤3:将待分类的某一遥感影像数据输入所述级联分类器,在map/reduce框架下以并行处理方式识别出目标船舶;
7、步骤4:结合所述目标船舶的结构化要素,从其他多源遥感影像数据中抽取关键目标信息共同得到目标结构化要素,与船舶先验规则知识共同构建贝叶斯网络,基于所述贝叶斯网络融合得出所述目标船舶的属性信息。
8、优选地,在步骤1中,将来自各数据源的包含有船舶、港口背景以及大海背景的遥感影像,裁剪为指定大小尺寸后进行标注,对标注后的遥感影像进行增广后形成船舶目标数据集、大海背景数据集以及港口背景数据集;每一个所述数据集中的80%用于网络模型的训练,20%用于网络模型的测试。
9、优选地,在步骤2中,针对船舶目标数据集、大海背景数据集以及港口背景数据集分别训练不同的网络模型,生成数据分布不同且分类场景有差异的识别模型,所述网络模型采用fast r-cnn网络模型。
10、优选地,在步骤2中,对每一个数据集训练若干网络模型,采用线性加权的方式融合所述网络模型得到级联分类器,具体方法为:
11、步骤21:初始化数据集中训练数据的权值分布与网络参数;
12、步骤22:训练网络模型,根据网络测试结果计算网络损失,获得本轮网络模型的权重系数,对训练数据的权值以及网络参数进行更新;
13、步骤23:采用线性加权投票的组合机制,为不同的识别模型按照定权规则赋予相应的权重系数,对加权后的识别模型进行规约形成级联分类器。
14、优选地,在步骤2中,采用map/reduce框架对若干所述网络模型以并行的方式进行训练,训练方式为:
15、步骤221:将所述数据集输入map/reduce框架,将所述数据集拆分为若干个map任务样本,将所述map任务样本输入网络模型进行训练,通过梯度下降的方法获取权值分配情况;
16、步骤222:将所述权值分配情况输入至reduce函数进行统计,并更新整个网络的权值系数,重复步骤221直至达到目标损失函数最优解,得到最终的网络权值分布。
17、优选地,在步骤3中,在map/reduce框架下以并行处理方式识别出目标船舶,具体为:
18、步骤31:将所述某一遥感影像数据分割为若干待识别样本;
19、步骤32:将所述待识别样本分别送入多个map函数进行处理,并由级联分类器输出结果;
20、步骤33:所述输出结果输入至reduce函数,采取非极大值抑制算法进行合并得出最终的目标船舶。
21、优选地,在步骤31中,将所述某一遥感影像数据分割为若干待识别样本的具体方法为:
22、根据待识别样本的需要设置图像截取框;
23、将所述图像截取框在所述某一遥感影像数据上按照规定路线滑动截取待识别样本;相邻的待识别样本之间存在重叠区域。
24、优选地,在步骤4中,将所述其他多源遥感影像数据根据步骤3中的所述某一遥感影像数据进行时间校准以及空间校准后,获得与所述目标船舶相关联的地理位置信息、时间信息以及船舶要素属性;
25、所述船舶先验规则知识包括船舶舰艇类型、船形、船体结构、主要尺度、重量以及性能参数。
26、根据本申请的第二方面,提供一种服务器,包括:存储器和至少一个处理器;
27、所述存储器存储计算机程序,所述至少一个处理器执行所述存储器存储的计算机程序,以实现上述基于多源遥感影像的船舶识别方法。
28、根据本申请的第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时实现上述基于多源遥感影像的船舶识别方法。
29、根据本申请的一个实施例,采用本基于多源遥感影像的船舶识别方法的有益效果在于,利用多源遥感影像数据,结合遥感影像反映的位置、大小、颜色、形状、纹理等特征信息,建立船舶量测信息数据集与船舶目标样本训练集,对多源、多尺度遥感影像信息进行融合关联,综合各自特有的船舶属性知识,从而获取具体明确的船舶目标信息。相较于传统的基于单一图像处理的目标检测和识别,本方法结合各遥感影像中船舶目标的特性,优化识别过程的同时,也能够对目标结果进行不同粒度、层次的特性描述,最终将多船舶目标识别结果汇集成船舶目标库,具有更广的识别范围,可适应各种影像条件和目标属性。
技术特征:1.基于多源遥感影像的船舶识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于多源遥感影像的船舶识别方法,其特征在于,在步骤1中,将来自各数据源的包含有船舶、港口背景以及大海背景的遥感影像,裁剪为指定大小尺寸后进行标注,对标注后的遥感影像进行增广后形成船舶目标数据集、大海背景数据集以及港口背景数据集;每一个所述数据集中的80%用于网络模型的训练,20%用于网络模型的测试。
3.根据权利要求1所述的基于多源遥感影像的船舶识别方法,其特征在于,在步骤2中,针对船舶目标数据集、大海背景数据集以及港口背景数据集分别训练不同的网络模型,生成数据分布不同且分类场景有差异的识别模型,所述网络模型采用fast r-cnn网络模型。
4.根据权利要求3所述的基于多源遥感影像的船舶识别方法,其特征在于,在步骤2中,对每一个数据集训练若干网络模型,采用线性加权的方式融合所述网络模型得到级联分类器,具体方法为:
5.根据权利要求4所述的基于多源遥感影像的船舶识别方法,其特征在于,在步骤2中,采用map/reduce框架对若干所述网络模型以并行的方式进行训练,训练方式为:
6.根据权利要求1所述的基于多源遥感影像的船舶识别方法,其特征在于,在步骤3中,在map/reduce框架下以并行处理方式识别出目标船舶,具体为:
7.根据权利要求6所述的基于多源遥感影像的船舶识别方法,其特征在于,在步骤31中,将所述某一遥感影像数据分割为若干待识别样本的具体方法为:
8.根据权利要求1所述的基于多源遥感影像的船舶识别方法,其特征在于,在步骤4中,将所述其他多源遥感影像数据根据步骤3中的所述某一遥感影像数据进行时间校准以及空间校准后,获得与所述目标船舶相关联的地理位置信息、时间信息以及船舶要素属性;
9.一种服务器,其特征在于,包括:存储器和至少一个处理器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1至8中任一项所述的基于多源遥感影像的船舶识别方法。
技术总结本申请公开了一种基于多源遥感影像的船舶识别方法、服务器及存储介质,属于目标识别领域,包括如下步骤:构建数据集,所述数据集包括船舶目标数据集、大海背景数据集以及港口背景数据集;对每一个数据集训练若干网络模型,采用线性加权的方式融合所述网络模型得到级联分类器;将待分类的某一遥感影像数据输入所述级联分类器,在Map/Reduce框架下以并行处理方式识别出目标船舶;结合所述目标船舶的结构化要素,从其他多源遥感影像数据中抽取关键目标信息共同得到目标结构化要素,与船舶先验规则知识共同构建贝叶斯网络,基于所述贝叶斯网络融合得出所述目标船舶的属性信息。本方法具有更广的识别范围,可适应各种影像条件和目标属性。技术研发人员:李慧慧,高龙,徐儒雅,丁新,赵静,刘阳成,刘晓蕊受保护的技术使用者:中国电子科技集团公司第十五研究所技术研发日:技术公布日:2024/8/5本文地址:https://www.jishuxx.com/zhuanli/20240808/272122.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表