一种旋转感知边缘引导的船舶检测方法及系统

本发明涉及遥感图像处理，特别涉及一种旋转感知边缘引导的船舶检测方法及系统。

背景技术：

1、船舶是海上运输、海域巡查及海上作业中的重要目标，对其进行自动检测与识别，对于船舶监管及海上安全保障具有重要作用。早期船舶目标检测方法主要依靠人工设计的边缘、纹理、形状等特征，并结合分类器完成目标识别。此类方法在背景较为简单、目标特征较为明显的情况下能够取得一定效果，但面对复杂遥感场景时，其局限性较为突出。例如，海面纹理会受到风浪、光照和成像条件的影响，港口设施、岸线以及海上漂浮物等也容易形成与船舶相似的局部特征，导致人工特征难以稳定地区分目标与背景。特别是对于尺寸较小、对比度较低或轮廓不清晰的船舶目标，传统方法容易出现漏检、误检以及检测结果波动较大等问题。

2、近年来，随着深度学习技术的发展，基于卷积神经网络和transformer的目标检测方法逐渐应用于遥感船舶检测。现有方法通常利用多尺度特征金字塔对不同层级的特征进行融合，从而兼顾浅层特征中的空间细节和深层特征中的语义信息。部分方法还引入注意力机制、变形卷积等结构，以增强网络对目标区域的特征提取效果。尽管上述方法在整体检测性能方面取得了较大进展，但船舶目标通常具有较为明显的细长结构，其朝向受航行状态、停泊位置及遥感成像视角影响，往往呈现出任意角度分布。常规卷积的采样方式相对固定，对目标方向变化的适应性不足，难以充分描述船舶的主轴方向和长宽结构。当船舶处于倾斜、旋转或密集排列状态时，所提取的特征容易受到姿态变化影响，进而降低目标识别和定位的准确性。在复杂海面和港口背景下，船舶边缘往往不够突出。海浪纹理、岸线结构、码头设施以及相邻船舶之间可能具有相似的灰度或纹理变化，使目标轮廓与背景之间的差异减小。在特征逐层提取和多尺度融合过程中，浅层特征中原本包含的边缘、纹理及局部结构信息，容易被深层语义信息覆盖或削弱，造成目标边界表达不完整。该问题在近岸区域、密集停泊区域以及小目标检测场景中更为明显，容易导致检测框发生偏移、框选范围不完整，甚至出现相邻目标粘连等情况。与此同时，现有多尺度特征融合方法通常采用特征拼接、直接相加或固定权重融合，不同类型特征在融合过程中的贡献难以根据图像内容进行动态调整，可能将较多背景噪声引入融合结果，也可能削弱对检测任务较为有效的特征信息。对于任意方向目标，现有检测方法通常通过旋转边界框回归或角度预测描述目标姿态。该类方法能够在一定程度上减少水平边界框中包含的无关背景区域，但其改进重点主要集中在检测框的几何表示和回归方式，对特征提取阶段的方向结构建模关注相对不足。同时，如何在多尺度特征传递过程中保留目标边缘信息，以及如何根据不同场景自适应地抑制背景噪声，仍未得到充分解决。

3、因此，现有技术在复杂遥感场景下仍存在细长目标结构表达不充分、目标边界定位不准确、特征融合过程中背景干扰较强等问题，难以满足高精度遥感船舶检测的实际需求。

技术实现思路

1、本技术通过提供一种旋转感知边缘引导的船舶检测方法及系统，通过多分支结构联合建模方向信息、边缘信息与局部结构信息，实现对遥感图像中任意方向目标的高精度表达与融合，解决现有技术中细长目标结构表达不充分、目标边界定位不准确以及特征融合过程中背景干扰较强的问题。

2、本技术实施例提供了一种旋转感知边缘引导的船舶检测方法，包括以下步骤：

3、s1：获取遥感船舶图像，对所述遥感船舶图像进行目标标注、图像尺寸调整、归一化和数据增强处理，构建数据集；

4、s2：构建目标检测网络并训练；所述目标检测网络包括主干特征提取网络、多尺度特征融合结构和解码器，并在所述多尺度特征融合结构中引入旋转感知边缘引导的加权特征融合模块，所述主干特征提取网络对输入遥感图像进行逐层特征提取，并经所述多尺度特征融合结构处理后，由所述加权特征融合模块对输入特征图分别进行局部加权聚合、方向结构增强和边缘细节增强，得到空间尺度相同的局部聚合特征、方向增强特征和边缘细节特征，并利用可学习权重对所述局部聚合特征、所述方向增强特征和所述边缘细节特征进行加权融合，得到增强的下采样特征，所述增强的下采样特征输入所述解码器，输出船舶目标的类别信息和位置信息；利用所述数据集对所述目标检测网络进行训练，根据预测结果与真实标注之间的差异构建损失函数，通过反向传播更新网络参数，其中所述可学习权重与网络参数共同更新；

5、s3：在检测阶段获取待检测遥感图像，对所述待检测遥感图像进行尺寸调整和归一化处理；将处理后的待检测遥感图像输入训练完成的所述目标检测网络，输出船舶目标的类别信息和位置信息。

6、上述实施例的有益效果在于：本方法通过含旋转感知边缘引导加权特征融合模块的目标检测网络，围绕同一次下采样联合保留局部结构、方向结构与边缘结构，提升遥感船舶检测的整体准确性与定位稳定性，降低漏检和误检，提高复杂场景适应能力。

7、在上述实施例基础上，本技术可进一步改进，具体如下：

8、在本技术其中一个实施例中，步骤s2中，所述局部加权聚合的处理过程包括：

9、根据所述输入特征图生成局部权重图，所述局部权重图用于表示不同空间位置对检测任务的重要程度；

10、基于所述局部权重图，对所述输入特征图的局部区域进行加权聚合，得到所述局部聚合特征。

11、有益效果：通过局部权重图对输入特征局部区域进行加权聚合，自适应突出船舶目标所在区域，抑制海浪纹理、岸线及港口设施等背景信息的影响，提升特征表达的有效性。

12、在本技术其中一个实施例中，生成所述局部权重图的过程包括：

13、对所述输入特征图进行平均池化，并经卷积运算，得到初始局部权重特征；

14、对所述初始局部权重特征进行局部区域特征重排，并沿重排得到的4个局部位置进行归一化处理，得到所述局部权重图；

15、对所述输入特征图进行步长为2的分组卷积，并对分组卷积结果进行特征重排，得到4组局部响应；其中，所述分组卷积的输出通道数为所述输入特征图通道数的4倍；

16、利用所述局部权重图对所述4组局部响应进行加权求和，得到所述局部聚合特征。

17、有益效果：通过局部区域特征重排与归一化生成4个局部位置的权重，并以步长为2的分组卷积同步生成4倍通道的局部响应进行加权求和，在不额外引入下采样操作的情况下完成局部自适应下采样，突出目标的主体结构。

18、在本技术其中一个实施例中，步骤s2中，所述方向结构增强的处理过程包括：

19、利用两个方向相互正交的非对称深度卷积对所述输入特征图进行处理，得到不同方向上的空间结构响应；其中，第一非对称深度卷积采用的卷积核，第二非对称深度卷积采用的卷积核，为大于1的正整数；

20、利用卷积运算对两个方向上的所述空间结构响应进行通道信息交互；

21、对通道信息交互后的特征进行下采样，得到所述方向增强特征。

22、有益效果：通过与两个方向相互正交的非对称深度卷积对输入特征进行方向建模，增强网络对船舶主轴方向及长宽结构的响应，提高对倾斜、旋转及任意姿态目标的识别稳定性。

23、在本技术其中一个实施例中，；所述下采样采用核尺寸为、步长为2的平均池化；所述方向增强特征表示为：

24、；

25、其中，为所述输入特征图，和分别为卷积核尺寸为和的深度卷积，为卷积，表示核尺寸为、步长为2的平均池化。

26、有益效果：限定并以平均池化完成下采样，给出方向增强特征的具体计算式，在保持低参数开销的同时获得稳定的方向建模效果。

27、在本技术其中一个实施例中，步骤s2中，所述边缘细节增强的处理过程包括：

28、对所述输入特征图进行局部平均平滑处理，得到局部平滑特征；

29、计算所述输入特征图与所述局部平滑特征之间的绝对差值，得到局部高频及边缘响应；

30、对所述局部高频及边缘响应进行卷积映射，并进行下采样，得到所述边缘细节特征。

31、有益效果：通过输入特征与局部平均平滑特征的差分提取局部高频及边缘响应，弥补深层特征传播过程中边缘信息逐渐减弱的问题，降低因边界模糊、背景干扰或相邻目标粘连引起的定位偏差。

32、在本技术其中一个实施例中，所述局部平均平滑采用核尺寸为的平均池化，所述卷积映射采用卷积，所述下采样采用核尺寸为、步长为2的平均池化；所述边缘细节特征表示为：

33、；

34、其中，为所述输入特征图，为核尺寸为的平均池化，为卷积，表示核尺寸为、步长为2的平均池化。

35、有益效果：限定以平均池化进行局部平滑、以卷积进行通道映射并以平均池化完成下采样，给出边缘细节特征的具体计算式，强化目标轮廓，减小检测框偏移和边界不完整问题。

36、在本技术其中一个实施例中，所述利用可学习权重对所述局部聚合特征、所述方向增强特征和所述边缘细节特征进行加权融合，包括：

37、设置第一可学习参数和第二可学习参数，分别用于调节所述方向增强特征和所述边缘细节特征在融合结果中的贡献；

38、按照下式进行融合：，其中，为所述局部聚合特征，为所述方向增强特征，为所述边缘细节特征；

39、其中，和的初始值均设置为0.5，在模型训练过程中随网络参数共同更新。

40、有益效果：以初始值为0.5且随训练更新的可学习参数、动态权衡方向增强特征和边缘细节特征的贡献，使局部结构、方向与边缘信息得到更合理的组合，提高复杂场景下的融合适应性。

41、在本技术其中一个实施例中，所示检测方法还包括：当采用旋转边界框表示船舶目标时，所述目标标注还包括旋转角度，所述损失函数还包括角度回归损失，所述检测头还输出船舶目标的旋转角度信息。

42、有益效果：当采用旋转边界框表示船舶目标时，通过角度回归进一步贴合船舶朝向，减少水平边界框包含的无关背景区域。

43、本技术实施例还提供了一种旋转感知边缘引导的船舶检测系统，包括：

44、图像获取模块，用于获取遥感船舶图像以及检测阶段的待检测遥感图像；

45、预处理模块，用于对所述遥感船舶图像进行目标标注、图像尺寸调整、归一化和数据增强处理，构建数据集，并对所述待检测遥感图像进行尺寸调整和归一化处理；

46、模型构建与训练模块，用于构建包含主干特征提取网络、多尺度特征融合结构和检测头的目标检测网络，在所述多尺度特征融合结构中引入旋转感知边缘引导的加权特征融合模块，并利用所述数据集对所述目标检测网络进行训练，根据预测结果与真实标注之间的差异构建损失函数，通过反向传播更新网络参数，其中所述可学习权重与网络参数共同更新；

47、加权特征融合模块，用于接收输入特征图，对同一所述输入特征图分别进行局部加权聚合、方向结构增强和边缘细节增强，得到空间尺度相同的局部聚合特征、方向增强特征和边缘细节特征，并利用可学习权重对所述局部聚合特征、所述方向增强特征和所述边缘细节特征进行加权融合，输出增强的下采样特征；

48、检测模块，用于将所述增强的下采样特征输入所述检测头，输出船舶目标的类别信息和位置信息。

49、本技术实施例中提供的一个或多个技术方案，通过局部结构特征、方向特征和边缘特征之间的协同处理，使遥感图像中任意方向目标的结构信息得到更完整的表达。与采用常规卷积、直接拼接或固定权重融合的方式相比，本发明能够更有针对性地提取目标主体、主轴方向和边界轮廓，并减少复杂背景信息对检测结果的干扰。在不显著增加网络计算负担的情况下，可以改善遥感目标检测的准确性和定位稳定性，并提高模型对目标尺度变化、姿态变化及复杂背景的适应能力。