本發(fā)明涉及計(jì)算機(jī)視覺(jué)，尤其涉及一種離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法及裝置。

背景技術(shù)：

1、遙感目標(biāo)檢測(cè)技術(shù)在船舶監(jiān)測(cè)中扮演著重要的角色，它在船舶管理、輔助執(zhí)法和監(jiān)控漁業(yè)活動(dòng)等領(lǐng)域具有廣泛的應(yīng)用價(jià)值。遙感圖像能夠覆蓋廣闊的海域，從而有效地感知船舶活動(dòng)。而目標(biāo)檢測(cè)技術(shù)能夠快速、準(zhǔn)確地識(shí)別出圖像中的目標(biāo)，為船舶監(jiān)測(cè)提供強(qiáng)有力的工具。近年來(lái)，隨著衛(wèi)星分辨率的提高和計(jì)算機(jī)視覺(jué)算法的進(jìn)步，遙感圖像的解析能力得到了顯著提升。然而，由于海洋環(huán)境的復(fù)雜性和遙感圖像中船舶的微小尺寸，直接檢測(cè)船舶仍存在挑戰(zhàn)。

2、在遙感圖像中，船舶占據(jù)的像素往往較少，難以準(zhǔn)確識(shí)別。相比之下，船舶航行時(shí)產(chǎn)生的尾流在遙感圖像中占據(jù)更大的面積，比船舶本身更容易被檢測(cè)到。船舶尾流是一種由船舶航行產(chǎn)生的擾動(dòng)水面現(xiàn)象，其痕跡在遙感圖像中能夠被觀測(cè)到。因此，通過(guò)檢測(cè)遙感圖像中的船舶尾流來(lái)監(jiān)測(cè)船舶成為了一種有效的方法。

3、尾流檢測(cè)不依賴船舶本身的圖像信息，能夠在船舶目標(biāo)較小、模糊、被遮擋等難以直接識(shí)別船舶的情況下提供有效補(bǔ)充。在檢測(cè)船舶尾流的基礎(chǔ)上，旋轉(zhuǎn)檢測(cè)技術(shù)可以進(jìn)一步提高檢測(cè)的精度，并為分析尾流的形態(tài)學(xué)特征提供可能。在使用旋轉(zhuǎn)檢測(cè)方法檢測(cè)出尾流后，可以根據(jù)預(yù)測(cè)框的角度和形狀來(lái)初步地判斷尾流的方向、長(zhǎng)度和夾角。它們可以進(jìn)一步地推斷船舶的航向和航速等信息，為后續(xù)的船舶跟蹤和軌跡預(yù)測(cè)提供重要的數(shù)據(jù)支持。

4、但在遙感尾跡的旋轉(zhuǎn)檢測(cè)中還存在著一些難點(diǎn)，如圖1所示，當(dāng)尾跡的能量強(qiáng)于海面雜波的能量時(shí)，它們?cè)诖蠖鄶?shù)光學(xué)遙感圖像中都能被觀測(cè)到。但當(dāng)尾流能量不足或雜波較多時(shí)，往往只能觀測(cè)到一條極細(xì)的“v形”尾跡，并且?jiàn)A角之間幾乎沒(méi)有紋理細(xì)節(jié)。如圖1(a)(b)所示，因?yàn)槲槽E較細(xì)且缺少紋理，目標(biāo)檢測(cè)模型很難完整地檢測(cè)出整個(gè)尾跡。

5、對(duì)于旋轉(zhuǎn)檢測(cè)器而言，額外的角度參數(shù)產(chǎn)生了邊界不連續(xù)和損失計(jì)算復(fù)雜等問(wèn)題，基于2d高斯分布的方法很好地解決了它們。但如圖1(f)所示，對(duì)于長(zhǎng)寬比接近1的旋轉(zhuǎn)框來(lái)說(shuō)，它們的2d高斯分布的形狀會(huì)接近正圓形。也就是說(shuō)，若存在兩個(gè)大小與中心點(diǎn)相同的正方形框，那無(wú)論它們之間的角度差是多少，它們的2d高斯分布總是相同的。

6、綜上所述，通過(guò)旋轉(zhuǎn)檢測(cè)方法識(shí)別遙感圖像中的尾流，不僅能夠有效監(jiān)測(cè)船舶，還能提供更多有關(guān)船舶航行的信息。但在海面雜波較多或尾流能量不足時(shí)，船舶的尾跡不明顯、不連續(xù)、并缺少紋理，這導(dǎo)致模型很難檢測(cè)到尾跡。此外，對(duì)于低長(zhǎng)寬比的尾流，2d高斯分布不能較好地判斷模型預(yù)測(cè)的角度是否準(zhǔn)確，這對(duì)于通過(guò)尾流方向來(lái)推斷船舶航向的監(jiān)測(cè)手段來(lái)說(shuō)是無(wú)法接受的。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提出一種離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法及裝置，以解決現(xiàn)有的船舶尾跡旋轉(zhuǎn)檢測(cè)難以應(yīng)對(duì)海面雜波較多或尾流能量不足時(shí)的檢測(cè)的問(wèn)題。

2、基于上述目的，本發(fā)明提供了一種離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，包括以下步驟：

3、采集船舶尾跡的光學(xué)遙感或sar圖像，對(duì)圖像進(jìn)行預(yù)處理；

4、通過(guò)改進(jìn)的yolov8n網(wǎng)絡(luò)對(duì)預(yù)處理后的圖像進(jìn)行船舶尾跡旋轉(zhuǎn)檢測(cè)，得到船舶尾跡信息；

5、其中，所述改進(jìn)的yolov8n網(wǎng)絡(luò)中，使用聚焦于離散邊緣的特征提取模塊def替代基本yolov8n的骨干網(wǎng)絡(luò)中的p1層和p2層，所述特征提取模塊def通過(guò)邊緣分支和卷積分支，分別提取預(yù)處理的圖像的空間特征和邊緣特征，并將圖像的空間特征和邊緣特征結(jié)合，得到圖像特征；

6、通過(guò)將上下文注意力融合模塊egca設(shè)置在特征金字塔的最末端，在進(jìn)行最終的檢測(cè)前完成一次高維特征與低維特征的融合；

7、將dpiou引入yolov8n網(wǎng)絡(luò)的損失函數(shù)中用于iou的計(jì)算。

8、優(yōu)選的，預(yù)處理包括：

9、將圖像處理成8bitrgb圖像，并對(duì)圖像進(jìn)行灰度均衡化和高斯平滑處理。

10、優(yōu)選的，特征提取模塊def中，通過(guò)邊緣分支提取邊緣特征的過(guò)程包括：

11、使用scharr算子作為邊緣檢測(cè)算子，將scharr算子包含的兩組3×3的矩陣分別和圖像矩陣做卷積，得到橫向及縱向的亮度差分近似值，即得到橫向及縱向邊緣檢測(cè)的結(jié)果gx和gy，將gx和gy對(duì)位相加得到邊緣特征g。

12、優(yōu)選的，和圖像矩陣做卷積的公式為：

13、

14、其中，a表示輸入的圖像矩陣。

15、優(yōu)選的，上下文注意力融合模塊egca包括一個(gè)注意力分支和一個(gè)邊緣分支，所述注意力分支用于為每個(gè)通道分別生成初始的特征重要性權(quán)重其中c，h，w分別指通道數(shù)、高度、寬度，邊緣分支用于并行地提取邊緣特征g′，將邊緣特征g'作為指導(dǎo)者，對(duì)每個(gè)對(duì)應(yīng)通道的初始權(quán)重進(jìn)行調(diào)整，將調(diào)整的結(jié)果經(jīng)過(guò)激活函數(shù)sigmoid的計(jì)算，得到可使用的權(quán)重w；

16、利用權(quán)重w將低維特征圖和高維特征圖自適應(yīng)地加權(quán)重組，再經(jīng)過(guò)一個(gè)1×1的卷積完成聚合和調(diào)整，得到高維特征與低維特征的融合結(jié)果f。

17、優(yōu)選的，將邊緣特征g'作為指導(dǎo)者，對(duì)每個(gè)對(duì)應(yīng)通道的初始權(quán)重進(jìn)行調(diào)整包括：

18、將wpre與g'進(jìn)行拼接，通過(guò)channel?shuffle操作讓wpre和g'沿通道進(jìn)行兩兩分組，使每一組都有一個(gè)wpre和它對(duì)應(yīng)通道的g'；

19、利用group?conv對(duì)每一組分別進(jìn)行卷積，使wpre根據(jù)g'的引導(dǎo)進(jìn)行調(diào)整。

20、優(yōu)選的，上下文注意力融合模塊egca中的邊緣分支采用sobel算子，得到邊緣特征g'的公式為：

21、

22、g'＝g'x+g'y

23、其中，g'x和g'y分別表示橫向及縱向邊緣檢測(cè)的結(jié)果，a表示輸入的圖像矩陣。

24、優(yōu)選的，dpiou的公式為：

25、

26、其中，t(x)為真實(shí)框的2d高斯分布表示，p(x)為預(yù)測(cè)框的2d高斯分布表示，dt表示真實(shí)框的外接最小矩形對(duì)角線距離，dp表示預(yù)測(cè)框的外接最小矩形對(duì)角線距離，kt是一個(gè)自適應(yīng)的加權(quán)系數(shù)。

27、本發(fā)明還提供一種離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)裝置，用于執(zhí)行上述任意一項(xiàng)所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法。

28、本發(fā)明的有益效果：本發(fā)明為了滿足對(duì)遙感影像下船舶尾跡檢測(cè)的需要，提出了一種由離散邊緣特征引導(dǎo)和對(duì)角距離約束的旋轉(zhuǎn)檢測(cè)模型。該模型解決了在遙感影像中由海面雜波較多、尾流能量不足、2d高斯分布對(duì)類正方形角度不敏感導(dǎo)致的檢測(cè)困難問(wèn)題，實(shí)現(xiàn)了在復(fù)雜海況和密集目標(biāo)場(chǎng)景下的高準(zhǔn)確率檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本發(fā)明開發(fā)的旋轉(zhuǎn)檢測(cè)算法實(shí)現(xiàn)了準(zhǔn)確、穩(wěn)定的船舶尾跡檢測(cè)，在微弱目標(biāo)和復(fù)雜背景中具有優(yōu)秀的魯棒性。該方法對(duì)光學(xué)遙感尾跡的平均檢測(cè)精度到達(dá)了95.1％，其角度預(yù)測(cè)的平均誤差從15.35°減少至7.16°。此外，該算法在sar圖像中取得的優(yōu)異性能驗(yàn)證了其具有卓越的適應(yīng)性和泛化性。

技術(shù)特征：

1.一種離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，所述預(yù)處理包括：

3.根據(jù)權(quán)利要求1所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，所述特征提取模塊def中，通過(guò)邊緣分支提取邊緣特征的過(guò)程包括：

4.根據(jù)權(quán)利要求3所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，所述和圖像矩陣做卷積的公式為：

5.根據(jù)權(quán)利要求1所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，所述上下文注意力融合模塊egca包括一個(gè)注意力分支和一個(gè)邊緣分支，所述注意力分支用于為每個(gè)通道分別生成初始的特征重要性權(quán)重其中c，h，w分別指通道數(shù)、高度、寬度，邊緣分支用于并行地提取邊緣特征g'，將邊緣特征g'作為指導(dǎo)者，對(duì)每個(gè)對(duì)應(yīng)通道的初始權(quán)重進(jìn)行調(diào)整，將調(diào)整的結(jié)果經(jīng)過(guò)激活函數(shù)sigmoid的計(jì)算，得到可使用的權(quán)重w；

6.根據(jù)權(quán)利要求5所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，所述將邊緣特征g'作為指導(dǎo)者，對(duì)每個(gè)對(duì)應(yīng)通道的初始權(quán)重進(jìn)行調(diào)整包括：

7.根據(jù)權(quán)利要求5所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，所述上下文注意力融合模塊egca中的邊緣分支采用sobel算子，得到邊緣特征g'的公式為：

8.根據(jù)權(quán)利要求1所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法，其特征在于，dpiou的公式為：

9.一種離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)裝置，其特征在于，用于執(zhí)行如權(quán)利要求1-8任意一項(xiàng)所述的離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法。

技術(shù)總結(jié)
本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及一種離散邊緣特征引導(dǎo)的遙感船舶尾跡旋轉(zhuǎn)檢測(cè)方法及裝置，構(gòu)建了一種由離散邊緣特征引導(dǎo)的旋轉(zhuǎn)檢測(cè)方法。通過(guò)構(gòu)造了一個(gè)聚焦于離散邊緣的特征提取模塊，它通過(guò)并行的邊緣分支設(shè)計(jì)，能夠在捕獲圖像空間特征的同時(shí)感受像素梯度的強(qiáng)度變化，從而獲得更加豐富的特征表示。通過(guò)上下文注意力融合模塊，將上下文特征自適應(yīng)地融合，有效提升模型的全局感知能力。通過(guò)對(duì)角約束的ProbIoU，它通過(guò)考慮最小外接水平矩形的相對(duì)對(duì)角距離，進(jìn)一步增強(qiáng)了對(duì)旋轉(zhuǎn)角度和形狀的描述能力，本發(fā)明使用上述策略進(jìn)一步提高了模型的檢測(cè)能力，使其能夠更好地滿足實(shí)際應(yīng)用的需求。

技術(shù)研發(fā)人員：胡祝華,陳俊霏,趙瑤池
受保護(hù)的技術(shù)使用者：海南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9