一种基于改进R-CNN的细粒度船舶目标识别方法研究*

向 东，饶从军，欧阳泉，彭 杨

（1.武汉兴图新科电子股份有限公司，武汉 430073；2.武汉理工大学理学院，武汉 430070）

0 引言

随着机器视觉、图像识别、卫星遥感等技术的日益成熟，遥感卫星图像的拍摄质量已经达到可以进行机器视觉学习的条件[1]，将深度学习技术应用于对卫星遥感图像中目标的识别已经成为研究的热点，识别结果的好坏对于海域目标预警具有重大的现实意义。

在目标识别算法研究上，Ross Girshick等分别于2013和2015年发布了R-CNN和Fast R-CNN网络，该网络的核心主要是对识别目标进行区域推荐[2-3]。在此基础上，S.Branson等提出了Pose Normalized CNN，该网络通过DPM算法获取局部位置的预测点，然后再进行物体的准确识别和标识[4]。Krause等把图像分割引入到目标图像的分类中，该算法不需要使用局部区域的标注信息，只依赖目标的标注框就可以完成对目标的分割和对齐操作，具有一定的创新性[5-6]。

将人工智能技术应用于遥感图像中的舰船目标识别，Bousetouane和Morris等[7]通过卷积神经网络来对遥感图像中的舰船目标进行特征提取，然后与模型库里面的舰船模型进行匹配，最后进行舰船分类识别。Bentes等[8]通过深度卷积神经网络实现了高分辨率雷达卫星中的目标识别，所采用的方法能够准确地识别出卫星影像中的货物、油轮、风车、平台和港口等5类目标，但是不能很好地识别小目标船只。

在国内研究方面，张东晓[9]在论文中论述了从遥感图像中对分割出的目标进行灰度特征、纹理特征、边缘特征、不变矩特征等进行提取，并进行基于统计分析的特性整合。……