改进CNN及其在船舶识别中的应用

杨亚东，王晓峰，潘静静,2

(1.上海海事大学 信息工程学院，上海 201306；2.福建农林大学 交通与土木工程学院，福建 福州 350002)

0 引 言

近年来，随着船舶识别研究的不断深入，船舶识别技术朝着多样化、精准化方向发展。梁锦雄等[1]利用BP神经网络对包括航空母舰、客船、集装箱在内的6种船舶进行分类识别；殷雄等[2]提出一种基于结构特征的两阶段船舶识别方法，该方法能根据船舶图像有效地识别出油船和货船；赵亮等[3]提出一种改进深度卷积神经网络算法，并将卷积神经网络和SVM分类器相结合有效地对船舶图像进行分类识别；Nina ødegaard等[4]针对真实船舶SAR图像不足情况，结合生成的模拟船舶SAR图像构成训练集，进而通过训练卷积神经网络对船舶图像进行分类；Quentin Oliveau等[5]通过极坐标变换域产生船头特征，进而基于船体对称的方向梯度显著性确定船舶边缘，并通过SVM进行船舶检测；XGLeng等[6]通过学习输入图像特征和属性空间之间的非线性映射来构建具有鉴别性质的属性，对SAR船舶图像进行二元分类并对光学船舶图像进行多元识别。

卷积神经网络通过逐步压缩数据的长度和宽度、扩展数据的厚度(通道数)，从而很好地适用于二维图像数据处理。但是在复杂环境中，卷积神经网络很难既快速又准确地对目标进行识别。图像目标检测算法能很好地定位图像中的前景部分，并从复杂背景中分离出前景图像。因此本文将探索结合卷积神经网络和图像目标检测算法对船舶图像进行分类识别。……