基于遥感影像的船舶目标识别方法研究开题报告

1. 研究目的与意义（文献综述）

1.1选题目的

船舶检测在军事、民用等领域都有着广阔的实际应用场景，是世界各个国家一项尤为重要的传统任。在民用领域，可用来打击不法分子的走私等违法行为，也可用于辅助定位遇难船只为救援提供保障。在军事领域，可用于重点海域的实时监测，掌握敌舰的部署情况从而生成海上战斗情报并配合武器精确制导。所以本课题主要研究基于遥感影像的船舶目标检测。

1.2选题意义

目前，海域船舶的动态监测主要使用ais(automatic identification system)系统进行被动监测，在使用过程中易受到雨雪、海浪及其他电磁的干扰，具有一定的局限。随着遥感卫星技术的飞速发展，基于遥感影像的船舶目标检测技术作为一种主动监测的船舶动态监测新兴技术，使得大范围，远海域的监测成为可能，极大地丰富军事、海事部门的监测手段。相对于合成孔径雷达 (synthetic aperture radar, sar)遥感图像，光学遥感图像具有成像清晰直观、细节丰富、分辨率高等优点，在船舶检测方面有着很大的优。为能对海上船舶的各种突发情况做出快速反应，海上船舶的检测系统要求具备良好的实时性以及鲁棒性。受海洋季风影响，海洋环境气候复杂多变，实际所获得的遥感影像往往存在云块、光照、雾气、海浪等不确定因素的干扰。基于传统图像处理算法的船舶检测系统，在面对复杂海洋背景时，虚警率升高，难以满足船舶智能检测的需要。深度学习算法可以快速有效地从大量复杂背景的海洋遥感图像中以层次学习的方式提取船舶目标的代表性和区别性特征，并送入神经网络中进行学习，用来生成船舶检测网络。本文主要探究适用于光学遥感图像海上船舶检测的深度学习算法，为实现船舶的智能检测奠定基础。

1.3国内研究现状

在过去传统的光学遥感图像舰船检测方法主要基于图像处理分析如阈值分割法，纹理分析法、特征提取法等方法，这些方法取得了较好的检测效果。如王保云提出的基于自适应多阶阈值分割的舰船目标检测方法，能在虚警率保持不变的情况下有效提高舰船识别的检测率。yang基于海面特征分析来进行舰船的检测qi则提出了先利用视觉显著信号提取舰船的候选区域，滤波后，通过提取舰船的定向梯度特征（hog）来进行舰船的检测。shi人提出一种以“从粗到精”的方式检测船舶方法，专注于船舶附近的像素用于分离船舶和背景，然后用高光谱算法对船只进行检测。这些基于图像处理分析的舰船方法计算简单，有较高的提取效率，但是算法只针对单一情况有效，缺乏适用性。在海况复杂的环境下容易提取失败，在面对复杂环境的情况下不具有较高的鲁棒性。所以提出高度适用性的复杂背景海上舰船目标检测算法已经成为迫切需要解决的问题。而随着如今数据量的爆炸式增长和硬件处理能力的提高，机器学习得以快速发展，深度学习算法的出现为解决这一问题提供了转机。相对于传统方法，深度学习算法可以从海量原始数据集中进行无监督的特征学习，充分的提取检测目标的底层特征，在训练样本充足的情况下，神经网络模型的泛化能力很强，同时在复杂多变的环境下能保持很好的鲁棒性。已经有很多学者也将其引入到光学遥感舰船目标检测中，刘峰以alexnet网络模型为基础，对可见光，中波红外和长波红外三波段图像融合后进行特征提取和舰船目标检测识别，发现融合后的准确率均明显高于其他单波段识别的准确率。tang 提出了一种使用从jpeg2000 压缩域中提取的小波系数与深度神经网络（dnn）和极限学习机（elm）结合来进行船舶检测的方法。dnn 用于分类识别和特征表示，压缩域用于船舶候选区域的提取，elm 用于提高特征合并和决策的效率。zhang 提出了 s-cnn（ship model cnn）的算法，显著性检测算法进行改进然后和卷积神经网络相结合，将舰船分为两种类型，送入卷积神经网络进行训练，训练后的模型在复杂背景下对近海舰船检测有较高的鲁棒性。liu采用了深度卷积神经网络进行。

2. 研究的基本内容与方案

2.1研究主要内容

本研究主要有以下4项基本内容：

1.分析现有目标检测方法；

2.制作基于遥感图像的船舶目标数据集；

3. 研究计划与安排

（1）开题报告阶段：3月31日提交开题报告。 （2）文献综述及资料：3-4月，完成报告目录、英文翻译和文献综述15篇。 （3）论文初稿：4-5月，完成数据分析结果整理，修改完善论文。 （4）论文终稿：5月31日 提交最终论文。 （5）论文答辩：根据学院统一安排进行分组答辩。

4. 参考文献（12篇以上）

[1]吴琼, 石洪源, 曹雪峰, etal. 从维护海洋权益角度看中国海洋战略实施途

径[j]. 中国渔业经济, 2017(05):49-55.

[2]余东行, 张保明, 郭海涛, etal. 联合显著性特征与卷积神经网络的遥感影