针对遥感卫星和高空无人机在海上航拍的可见光遥感图像中黑极性舰船目标检出率低的问题，提出了一种基于暗原色先验和恒虚警率原理的舰船目标检测方法。这种方法先对目标图像进行预处理，得到其暗原色图(DarkChannelImage，DCI)；再将 DCI作为二维恒虚警(2-DCFAR)检测法的输入，以局部统计灰度均值和方差作为目标检测特征，通过选择合适的目标判定阈值及目标空间分布信息完成疑似目标定位；疑似目标集合可以有效地被舰船目标特征矢量进行检验，根据得到的结果判定虚警是否去除，最后得到最终目标检测结果。实验结果表明，该方法对于可见光遥感图像中的舰船目标有较为准确的检测效果，总检出率可达 96.07%，并且对人眼视觉不易判别的黑极性目标有着类似“放大镜”的作用，对黑极性舰船目标的检出率可达 86.71%，较大地提高了可见光遥感图像中黑极性舰船目标的检出率，对优化黑极性目标检测方法创新有一定的指导意义，也为暗原色先验原理的应用提供了新思路。
可见光遥感图像 暗通道 恒虚警 黑极性舰船目标检测 目标特征矢量 visible remote sensing images dark channel constant false-alarm rate black polar ship targets target feature vector
光学 精密工程
2023, 31(15): 2295
1 火箭军工程大学 导弹工程学院，陕西 西安 710025
2 光电控制技术重点实验室，河南 洛阳 471023
针对红外舰船目标图像数据少、获取难度高等问题，结合图像的几何变化以及金字塔生成对抗网络的特征拟合，提出一种几何空间与特征空间联合的红外舰船目标图像数据增强方法。首先，利用基于几何空间的几何变换、混合图像及随机擦除等图像变换方法对红外舰船目标图像进行增强；然后，根据红外舰船图像特点，改进金字塔生成对抗网络（SinGAN），在生成器引入In-SE通道间注意力机制模块，增强小感受野特征表达，使其更适合用于红外舰船目标；最后，在数据集层面联合基于几何空间的几何数据变换和基于特征空间的生成对抗网络两种方法，完成对原始数据集的数据增强。结果表明：以YOLOv3、SSD、R-FCN和Faster R-CNN目标检测算法为基准模型，开展红外舰船图像数据增强仿真实验，采用增强数据训练的网络模型的舰船目标检测平均精度（mAP）均提高了10%左右，验证了所提方法在小样本红外舰船图像数据增强方面的可行性，为提高红外舰船目标检测算法提供了数据基础。
红外图像 舰船目标 生成对抗网络 数据增强 infrared image ship target generative adversarial network data augmentation 红外与激光工程
2021, 50(12): 20210281
1 西安邮电大学电子工程学院, 陕西 西安 710121
2 西安电子科技大学通信工程学院, 陕西 西安710126
3 西北工业大学自动化学院, 陕西 西安710072
水面太阳耀光导致光学图像存在耀斑和舰船目标细节信息丢失。提出了一种偏振滤光结合多项式拟合的水面太阳耀光抑制方法。该方法基于水面太阳反射耀光的偏振特性,在成像光路中利用偏振片对耀光进行偏振滤光,对偏振滤光图像中的耀光区域采用多项式拟合估计进行修复。搭建了室外水面耀光偏振成像实验装置,采集得到水面耀光的偏振滤光图像,分别采用基于最小二乘法的多项式列方向曲线、行方向曲线、曲面、逐行多项式曲线拟合的方法对偏振滤光图像进行处理。实验结果表明:偏振滤光和逐行多项式拟合相结合的方法能够有效去除太阳耀光,使得处理后的图像亮度更加自然,既不包含饱和像素,又凸显舰船目标的细节信息。
大气光学 太阳耀光 偏振滤光 最小二乘法 多项式拟合 舰船目标 激光与光电子学进展
2021, 58(24): 2401002
1 国防科技大学电子科学学院ATR重点实验室, 湖南 长沙 410073
2 国防科技大学电子科学学院电子信息系统与复杂电磁环境效应国家重点实验室, 湖南 长沙 410073
针对监控视频中的多尺度近岸舰船检测问题,提出了一种基于特征重聚焦网络的舰船目标检测算法,设计了由多维特征聚合模块(MFAM)与注意力特征重构模块(AFRM)组成的特征重聚焦策略。其中,MFAM基于输入的特征金字塔构建特征聚合块,进一步融合多尺度舰船不同层次特征的语义信息。AFRM基于多分支空洞卷积以及通道与空间注意力机制提升网络对目标非局部信息的表征和对背景干扰的抑制,并构建了用于目标检测的特征重聚焦金字塔。在Seaships7000舰船公开数据集上的实验结果表明,相比其他算法,本算法对监控视频中多尺度近岸舰船的检测效果更好。
机器视觉 卷积神经网络 舰船目标检测 特征重聚焦网络 注意力机制 光学学报
2021, 41(22): 2215001
1 海军航空大学岸防兵学院，山东烟台 264001
2 中国人民解放军 95668部队，云南昆明 650000
针对 Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题，提出了一种基于改进 Faster R-CNN的红外舰船目标检测算法。首先通过在主干网络 VGG-16中依次引出三段卷积后的 3个特征图，将其进行特征拼接形成多尺度特征图，得到具有更丰富语义信息的特征向量；其次基于数据集进行 Anchor的改进，重新设置 Anchor boxes的个数与尺寸；最后优化改进后 Faster R-CNN的损失函数，提高检测算法的整体性能。通过对测试数据集进行分析实验，结果表明改进后的检测算法平均精确度达到 83.98%，较之于原 Faster R-CNN，精确度提升了 3.95%。
深度学习 目标检测 舰船目标 红外图像 deep learning, target detection, ship target, infr Faster R-CNN
1 海军航空大学岸防兵学院, 山东 烟台 264000
2 中国人民解放军95668部队, 昆明 650000
针对YOLO V3算法中对于小目标检测精度不高、容易出现漏检误检的问题, 提出了一种基于改进YOLO V3的舰船目标检测算法。首先,通过在YOLO V3原网络结构基础上额外从主干网络引出一个输出尺度, 将其与上一个输出尺度中的特征信息进行特征拼接, 得到具有更丰富语义信息的特征向量; 其次,基于数据集进行聚类改进, 改进度量距离公式、重新设置anchor box的个数与相应参数; 最后, 优化改进YOLO V3的损失函数, 提高模型的整体性能。对测试数据集进行分析实验, 结果表明改进后的检测算法平均精确度达到83.98%, 较之于原YOLO V3, 平均精确度提升了6.72%。
深度学习 目标检测 舰船目标 小目标 deep learning target detection ship target small target YOLO V3 YOLO V3
火箭军工程大学核工程学院, 陕西 西安 710025
近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一。首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结。然后对检测流程中的各部分对SAR图像舰船目标检测精度和速度的影响进行对比分析。最后根据当前研究现状,深入分析深度学习算法在舰船检测应用中存在的问题,探讨基于深度学习的SAR图像舰船目标检测的进一步研究方向。
机器视觉 深度学习 目标检测 合成孔径雷达 舰船目标 图像处理 激光与光电子学进展
2021, 58(4): 0400005
1 海军航空大学, 山东 烟台 264001
2 烟台大学光电信息科学技术学院, 山东 烟台 264001
前视红外海天场景图像中的舰船目标可能面临着信噪比低、尺寸差异大等问题, 为了更好地突出目标、抑制背景, 提出了一种基于多尺度局部对比度的前视红外舰船目标增强方法。首先分析了前视红外海天图像中的场景内容, 然后定义了一种新的局部对比度度量——相对区域对比度度量(RRCM), 通过改变网格窗口的尺寸构建了多尺度局部对比度度量(MRRCM), 最终得到了尺度不变局部对比度图像。实验结果表明, 所提方法可以适应前视红外图像中多类型多尺寸的舰船目标, 显著提高目标信号的信噪比(SNR)和信背比(SBR), 与其他方法相比, 所提方法的舰船目标增强效果更好, 尤其是对于暗弱目标区域;另外, 所提方法运算速度快, 并且可以借助并行处理和积分图像进一步加速运行。
前视红外图像 舰船目标增强 局部对比度 尺度不变 forward-looking infrared image ship target enhancement local contrast scale-invariant
