摘 要

随着遥感信息科学的迅猛发展，遥感技术作为一门综合性的技术被广泛应用于军用、民用等各领域，在陆地资源调查、海洋勘探、军事侦察、打击分析和评估等方面发挥着重要的作用，所以从遥感图像中检测出不同舰船对象来供他人进一步分析研究具有重要的作用。随着计算机的快速发展，深度学习是当前热门的研究之一，所以，利用深度学习的方法解决遥感图像中舰船检测任务是一种主流。

针对以上问题，本文在研究和总结前人的成果基础上，完成如下工作：

1. 分析当前高效的对象检测方法Faster R-CNN，根据舰船对象的大部分形状调整网络的主要参数训练并设置不同的阈值参数。实验结果表明，Faster R-CNN能够完成遥感图像中舰船的检测识别任务，得到在检测中参数anchors设置的合理性和有效性；但是检测性能中每个检测框的背景信息太过冗余，需要进一步改进。
2. 基于Faster R-CNN检测有倾斜角度的对象时检测边界框会有太多的冗余背景信息，而遥感图像中舰船一般是具有一定的倾斜角度，所以为了能够生成更致密的检测框，将Faster R-CNN网络进行了改进。原先定位边界框需要4个参数（x，y，w，h）,现在修为5个参数（x，y，w，h，angle）实现任意角度的边界框。根据Faster R-CNN实验中设置anchors的方法，在实验中使用类似的方法设置anchors，实验结果表明检测效果很好。
3. 针对以上的研究成果，将其应用到有角度舰船检测任务系统中，检测遥感图像中的舰船对象，测试取得了良好的效果。

关键词：遥感图像；对象检测；舰船检测识别；Faster R-CNN；

Abstract

With the rapid development of remote sensing information science, remote sensing technology is widely used in military and civilian fields as a comprehensive technology. It plays an important role in terrestrial resource survey, ocean exploration, military reconnaissance, strike analysis and assessment. Thus, it is important to detect different ship objects from remote sensing images for further analysis and research. Computer is also the mainstream of the current society. Deep learning is one of the most popular researches. Therefore, it is an important task to use the deep learning method to solve the detection of ships in remote sensing images.

In view of the above problems, based on the research and summary of the work of the predecessor, this paper completed the following work:

1. Analyze the current highly efficient object detection method, fast rcnn, to train and set different threshold parameters according to the majority of the shape of the ship object to adjust the main parameters of the network. The experimental results show that the fast rcnn can complete the detection and recognition task of the ship in the remote sensing image and obtain the rationality and validity of the parameter anchors setting in the detection. But the background information of each detection box is too redundant and needs further improvement.
2. According to the main module Region Proposal Network (RPN) network in the fast rcnn, this module is mainly to generate proposals for detection targets, but these proposals are horizontal, so there will be too much redundancy background information when the detected objects are tilted. Because the ship in the remote sensing image is usually not horizontal or vertical, but has a certain angle with the horizontal direction, in order to generate a more dense detection box, it is proposed to modify the network information. In order to locate the bounding box, 4 parameters (x, y, w, h) are needed, and now it is modified to 5 parameters (x, y, w, h, angle) to realize the bounding box of any angle. According to the method of setting anchors in the Faster R-CNN experiment, a similar method is used to set the anchors in the experiment. Experimental results show that such detection is very effective
3. In response to the above research results, it was applied to the angled ship inspection mission system, and the test achieved good results.

Keywords:Remote sensing image; object detection; ship detection and identification; Faster R-CNN

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1研究背景与意义 1

1.2国内外研究现状 1

1.3本文研究内容 2

1.4本文组织结构 3

第2章 基于Faster R-CNN的舰船检测方法 4

2.1 Faster R-CNN对象检测 4

2.2水平框舰船数据集简介 4

2.3 Faster R-CNN算法研究 6

2.4 实验内容及结果分析 8

2.4.1实验环境 8

2.4.2实验过程参数设置 9

2.4.3网络模型评价指标 9

2.4.4实验内容及结果分析 10

第3章 基于Angular R-CNN的有角度舰船检测方法 14

3.1 Angular R-CNN对象检测 14

3.2 Angular R-CNN网络框架 14

3.2.1主干网络结构 14

3.2.2 angular RPN网络结构 16

3.3 angular RPN训练原理 18

3.3.1训练正负样本的划分 18

3.3.2 angular RPN训练损失 20

3.4 实验内容及结果分析 21

3.4.1实验环境 21

3.4.2实验参数设置 22

3.4.3实验内容及结果分析 22

第4章 有角度舰船检测算法集成应用 26

4.1应用背景 26

4.2系统分析 26

4.2.1系统描述 26

4.2.2功能需求分析 26

4.2.3数据需求分析 27

4.2.4可行性分析 28

4.3系统功能设计 29

4.3.1系统结构设计 29

4.3.2功能模块详细设计说明 30

4.4系统开发环境 32

4.4.1硬件环境 32

4.4.2软件环境 32

4.4.3开发工具 32

4.5系统应用结果 33

第5章 总结与展望 37

5.1全文总结 37

5.2下一步工作 37

参考文献 39

致 谢 41

第1章 绪论

1.1研究背景与意义

随着遥感信息科学的迅猛发展，遥感技术作为一门综合性的技术被广泛应用于军用、民用等各领域，在陆地资源调查、海洋勘探、军事侦察、打击分析和评估等方面发挥着重要的作用。而在遥感图像中，海洋占据绝大部分，所以对海上舰船检测识别就显得尤为重要。作为检测的基础：对象检测，是计算机视觉的一个分支，利用图像处理与模式识别等领域的理论和方法，检测出图像中存在的目标对象，确定这些目标对象的语义类别，并标定出目标对象在图像中的位置。对象检测是对象识别的前提，只有检测到对象才能对对象进行识别。而在此，对遥感图像的舰船检测与识别，应用方面很广。比如在军事领域方面，舰载侦察机、无人侦察机等平台上通常会获取到大量的侦察遥感图像，从侦查影像里提取有用的各种敌方或者我方舰船信息，并形成有价值的图像情报，在军事作战分析领域发挥着重要的作用；民用方面，舰船的检测和识别可以对海上船的位置进行监控，方便海上搜救、走私船搜索以及海域监控等。因此，如何实现对遥感图像中的舰船对象进行检测和识别，进而对我们军事和民事方面都产生有效的作用，是当前的重要问题。

对遥感图像的舰船进行检测和识别的主要问题在于，遥感图像是俯瞰图，而且有高复杂度的背景信息，并且遥感图像中的物体的比例、方向和密集度都有着很大的自由度，所以现在成熟并且高效的检测算法（比如Faster R-CNN）应用在遥感图像上并不能发挥很好的作用。所以在检测阶段就需要找到一种方法可以高效地检测在复杂的遥感影像中的小的物体、任意方向的物体和密集的物体。比如在一个港口处，图像中包含的信息很多，可能有渔船、民用船、军用舰船等各种类别的舰船密集在一起，并且舰船停放的方向也都是任意的，这就需要能够将它们合理地用框标注区分开来。

1.2国内外研究现状

在国外对遥感图像的检测中，已经有不同的成就：

1. Benjdira B , Khursheed T , Koubaa A^[1]等人针对与遥感图像类似的航拍图，都是俯瞰图，对图像中的汽车进行了检测识别和分类，采用两种最好的对象检测的方法，一种属于two-stage方法Faster R-CNN，另一种是one-stage方法YOLOV3，并将两种方法的结果进行了对比，发现YOLOV3的性能优于Faster R-CNN。
2. Peng Sun,Guang Chen,Guerdan Luke等人针对遥感图像中背景复杂度不一致的问题提出了一个新的损失函数：Salience Biased Loss（SBL）^[2]，这个损失函数在原先RetinaNet模型中的损失函数的基础上，从C2特征图上获取了一部分新的损失S来表明特征图的背景复杂度，并将其与原先的RetinaNet中的 Focal 损失函数相乘得到最终的SBL损失。在原先的RetinaNet框架的基础上使用SBL损失后，在遥感图像中得到的检测效果显著提高。不过在此方法中，他们使用的是水平边界框（Horizontal Bounding Box），对密集倾斜的对象检测的框中会有太多的冗余背景信息。

国内在遥感图像的对象检测研究中也取得了很好的成果：

1. 徐逸之, 姚晓婧, 李祥^[3]等人完全使用了全卷积的方式对高分遥感影像进行目标检测，他们基于深度学习，说明了在目标检测领域以Faster R-CNN为代表的检测方法中，检测速度有待提高，后来他们就利用R-FCN网络结构进行对遥感影像中的飞机的检测试验，并与Faster R-CNN比较，得到了很好的检测效果，该方法实现的对象检测框是水平的矩形，没有方向，所以在一定程度上不能很好地框出对象。
2. 在2018年Jian Ding, Nan Xue, Yang Long等人针对遥感图像提出了ROI转换器^[4]得到任意角度的候选框从而提高候选框的质量来实现任意角度的对象的检测，此时对象的边界框的表示含有5个参数：中心坐标x，y和矩形边界框的宽高w，h和边界框的角度θ。这样可以将ROI转换器嵌入到其他的检测算法中，比如嵌入到Faster R-CNN中，就可以实现很好的检测效果。
3. Xue Yang,Kun Fu,Hao Sun等人提出了一个多类别旋转检测器^[5]，它可以高效地检测在复杂的遥感影像中的小的物体、任意方向的物体和密集的物体。他们以Faster R-CNN为基础进行改进，首先利用提出的IF-Net（inception fusion网络）提高检测小物体的能力，并且经过MDA-Net（multi-dimensional attention网络）来削弱噪声信息，最后得到优质的特征图；然后通过RPN网络得到候选框，进行池化、回归、分类，此时也是加入了角度θ使用5个参数来确定边界框。

1.3本文研究内容

对象检测是计算机视觉领域中的一个重要的研究方向，特别是AI和深度学习如火朝天的情况下，基于深度学习卷积神经网络下的对象检测显得尤为重要。本文的重点主要放在对舰船的检测与识别上，重点在于检测，因为此处的检测与传统的检测并不一样。本文主要完成以下几方面的工作：

1. 舰船数据集的制作。本文中数据集包含两种类型，分别用来训练Faster R-CNN和改进的Angular R-CNN。根据已搜集到的6000张舰船图像的数据集，对每张图片中的对象首先人工进行标注，生成有角度的边界框ground truth和对应的类别来训练和测试Angular R-CNN，为了训练Faster R-CNN，还需要另一种水平的边界框ground truth和类别。
2. Faster R-CNN训练测试。利用通用的对象检测方法来在已经标注的数据集上进行训练，根据要检测的对象的特性，修改Faster R-CNN中网络的参数信息以使其能够适应舰船检测。
3. Angular R-CNN研究训练和测试。在Faster R-CNN训练的基础上，对检测结果进行分析，查找检测的缺点并改进网络。改进Faster R-CNN中RPN网络和主干网络中的检测回归部分，使其二者能够相互对应。利用修改后的网络在已标注的有角度的ground truth上训练和测试，实验结果表明效果很好。
4. 实际应用与开发。将本文研究方法应用到项目“图像数据深度学习通用平台系统”中，打包封装该工程为动态链接库并在服务器上使用，创建Qt工程并实现与服务器之间的通信，实现舰船检测。

1.4本文组织结构

本文分为五章，具体章节安排如下：

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：