一种改进的SSD红外舰船目标检测算法.pdf

书书书第 卷第 期烟台大学学报（自然科学与工程版）年 月 （）文章编号：（）：欍欍欍欍欍欍欍欍欍欍氥氥氥氥 应用技术收稿日期：基金项目：山东省自然科学基金资助项目（）。通信作者：娄树理（），副教授，博士，主要研究方向为光电信息处理、机器视觉。一种改进的 红外舰船目标检测算法王岩，娄树理（烟台大学物理与电子信息学院，山东 烟台 ）摘要：针对海战场舰船目标检测精度和速度要求高的技术难题，提出一种改进的 红外舰船目标检测算法，通过改进 网络以提高整体网络性能；引入 数据增强方法对图像进行数据增强，提高检测效率和丰富检测物体的背景；引入 通道注意力机制，提高对舰船目标的识别能力，降低舰船目标的漏检率和误检率；使用余弦退火衰减学习率来优化网络。实验结果表明，在保证检测速度的基础上，改进后算法的检测精度均值达到 ，对红外舰船目标有着很好的检测效果。关键词：算法；网络；数据增强；红外舰船中图分类号：；文献标志码：海面舰船作为海上监测和战时打击的重点目标，能否快速准确地识别出海面舰船目标，极大地关系到行动成败 。由于红外舰船图像受海杂波、云雾雨雪等因素影响，且目标与背景复杂多样，如何快速准确地检测出舰船目标，是红外成像制导武器的关键问题和技术难题，一直是国内外研究热点。传统的目标检测算法大多基于滑动窗口和人工特征提取，存在计算复杂度高以及复杂场景下鲁棒性差的缺陷。随着深度学习的发展，目标检测技术得到了很大的进步，增加了目标检测算法的多样性。基于深度学习的目标检测算法分为两类：一类是两阶段目标检测算法，如 （）和 （）等 ，顾佼佼等 提出基于改进 的红外舰船目标检测算法，马啸等 提出基于改进 的舰船目标检测方法，这类算法精度高，但是速度稍慢，难以用在瞬息万变的海战场上；另一类是单阶段目标检测算法，如 （）和 （）系列等，这类算法实现了端到端的目标检测，相比于两阶段目标检测算法，其检测速度更快，适用于海战场的目标检测。何维娟等 提出基于改进 的遥感图像舰船目标检测方法；梁杰等 提出基于改进 的舰船目标精细化检测方法，该方法利用旋转的边框回归模块，通过学习密集区域目标的几何形变，预测目标的旋转角度，最终以旋转的矩形框获得目标位置，此方法虽使精度得到一定提高，但降低了原有的检测速度；谢晓方等 提出一种融合轻量级 与 算法的舰船目标检测算法，但是相比两阶段目标检测算法，其检测精度偏低。针对海战场舰船目标检测精度和速度要求较高的技术难题，本研究提出一种改进后的 目标检烟台大学学报（自然科学与工程版）第 卷测算法，并通过实验验证其对红外舰船目标的检测精度与速度。目标检测算法改进 网络结构改进 算法的主干网络为 网络，此算法是将 末端的全连接层用卷积层代替，在此基础上增加几个额外的卷积层，获取更多的特征图层，并且使用 网络和新增的卷积层获得的特征图进行独立预测。网络结构如图 ，首先对输入图像进行大小调整，并作为模型的输入；其次利用 算法的特征提取网络获得一系列特征图层，其中低层特征矩阵关注较小目标的特征，高层特征矩阵关注较大目标的特征；最后对不同尺度的特征图层设置不同比例和数量的先验框，通过两个卷积层预测默认边界框的类别分数和位置偏移量，使用非极大值抑制筛选方法获得最终的预测边界框。?图 网络结构 为提高网络检测精度，本研究对 网络结构进行改进，改进后的 网络结构如图 ，首先对输入的图像进行 数据增强的预处理，通过引进主干网络 和添加的五个特征提取层进行特征提取；然后将提取出的特征图作为输入，利用 通道注意力机制，进一步提高特征图中语义和细节信息的抗干扰能力；最后对特征图进行分类和边界框回归预测。?图 改进后的 网络结构 主干网络改进红外舰船图像主要反映舰船目标和海天背景的辐射能量差异，由于岛屿等物体辐射能量与海天背景也有较大差异，实际检测时岛屿等物体会对舰船目标检测形成干扰，并且实际红外图像中噪声影响严重，这些因素降低了红外舰船目标的检测精度。使用 算法对舰船进行目标检测时，网络提取的特征图中语义和细节信息抗干扰能力弱，为了避免复杂背景和相似物体对舰船目标检测的干扰，本研究将 特征提取网络替换为网络层数更深、细节信息更丰富的 网络，并且对 网络加以修改，去掉 对应的一系列层结构及其之后的层结构，并将 的第一个残差块结构的步距由 改为 ，由此得到尺度大小为 的特征图，残差结构见图 。为了获得不同感受野的特征图，使其能够提取不同尺度目标的特征信息，添加了一系列额外的层结构构成特征提取层（）（图 ），并将每个特征提取层中的全连接层用 的卷积层代替。针对红外舰船目标检测速度要求高的问题，在特征第 期王岩，等：一种改进的 红外舰船目标检测算法提取网络层中加入 层，提高网络的训练速度。?图 残差结构 图 特征提取层 数据增强对红外舰船目标进行检测时，网络对不同背景下的舰船目标检测精度差异较大，为了使 网络在不同情况下具有更好的鲁棒性，在检测前对图像进行数据增强的预处理。在 网络中加入 数据增强模块 ，数据增强将四张图像进行拼接，每次读取四张图片，并分别对四张图片进行翻转、缩放、色域变化等，能够丰富检测物体的背景，并且在 层计算时，能够同时计算四张图片的数据，提高网络的检测速率。图 为图像使用 数据增强方法的实例。通道注意力机制使用 算法检测红外舰船目标时，特征提取网络提取的特征图中有目标特征和相似的干扰特征，而相似的干扰目标在特征图中与舰船目标具有同等重要性，不利于舰船目标在复杂背景下的检测。为了增加特征图对舰船目标的识别能力，降低复杂海战场背景的影响，在 网络中引入 通道注意力机制 ，抑制干扰特征的影响，提高网络注意力。?图 数据增强实例 通道注意力机制（图 ），首先对输入的特征层进行全局平均池化，利用 卷积进行特征提取，经过 激活函数获得每一个特征点的权值，最后与输入的特征层相乘，得到新的特征图层。?图 通道注意力机制 烟台大学学报（自然科学与工程版）第 卷图中 、分别代表特征图的高度、宽度和通道数，为上一个卷积层的输出并且作为注意力机制的输入，表示全局平均池化，表示 非线性激活函数，表示卷积核大小。非线性激活函数的定义式为 （），（）式中：表示神经网络上一层节点的输出。的数学表达式为 （）（），（）式中：取 ，取 ，表示距离 最近的奇数。基于余弦退火衰减法的学习率计算 算法中使用梯度下降法优化目标函数时，学习率下降使模型更加接近 值的全局最小值，但目标函数有多峰的可能性，除了全局最优解之外还有多个局部最优解，这导致网络训练时，模型可能陷入局部最小值，因此使用余弦退火衰减法 计算学习率，突然提高学习率使其跳过局部最优解，从而找到全局最优解，提高网络对舰船目标的检测精度。余弦退火的数学表达式为 （）（），（）式中：表示第几次 （索引值），、分别表示学习率的最小值、最大值，表示当前执行的 数，则表示第 次 中总的 数。使用余弦退火学习率的 网络损失和学习率如图 。?图 的网络损失和学习率 从学习率曲线轨迹来看，改进后的 网络优化目标函数时，模型会跳过损失值的局部最优解，寻找全局最优解，提高网络对舰船目标的检测精度。实验验证与结果分析 实验环境本研究中算法的所有实验均在 操作系统中进行；处理器为 ；（）；深度学习框架为 ；使用 作为主要编辑语言。红外舰船数据集来源于实际采集图像，该数据集共 张舰船图像，波段分别为 和 ，图像目标为舰船目标，部分海天背景中存在岛屿，图像大小分别为 、。数据集按 的比例分为训练集和验证集，并且按照 数据集的格式进行标注。评价标准评价标准采用平均精度（，）和检测速率（，），兼顾精确度（）和召回率（），常被用作评估模型的精度有效性，为每秒检测图像的帧数，常被用作评估模型的检测速度。所有类别的 的均值为 ，本研究中算法为单目标检测，即 。为模型预测的所有目标中预测正确的比例。是所有真实目标中模型预测正确的目标比例。表示预测框与真实框的重叠程度。的定义式为 （），（）式中：为 ；为 ；，为 的检测框数量，为 的检测框，为没有检测到的真实目标框的数量。越大，表明检测速度越快，实时检测的可行性越高。其定义式为 （），（）式中：（）表示样本检测数量；表示检测运行时间。算法性能分析与比较使用改进后的 算法在红外舰船数据集上进行仿真实验，为了评估改进后的 算法的有效性，选取了不同系列的红外舰船图片，与改进前的 算法进行仿真实验对比，效果如图 。第 期王岩，等：一种改进的 红外舰船目标检测算法?图 仿真结果对比 结果表明，改进前的 算法对单一背景中的舰船目标检测效果较好，但对大面积岛屿干扰背景中的舰船目标检测效果较差，出现误检情况。改进后的 算法检测精度更高、抗干扰性更强，明显降低了算法的误检率。为了更加准确地验证改进后的 算法的可行性，分别使用改进前的 算法、改进后的 算法、网络构架的 算法、和 算法在红外舰船数据集上进行仿真实验。考虑到数据集存在人工制作误差等因素，对比实验使用 条件下的算法精度，结果如表 。通过比较可以发现，改进后的 网络对红外舰船目标的检测精度最高、速度最快，与改进前的 算法、算法、和 算法相比，分别提高 、和 ，分别提高 、和 。表明本研究中算法能够提高网络对舰船目标的检测精度和速度，对于复杂背景下红外舰船目标检测具有较强的适应性和抗干扰性。表 不同算法检测精度比较 主干网络模型 改进后的 消融实验为了证明改进后的 算法对提高舰船目标检测精度的可行性，在红外舰船数据集上进行消融实验，在 模型上依次添加 模块、数据增强模块、通道注意力机制模块、余弦退火衰减学习率（）模块，并通过比较检测精度的差异，分析改进后的 每个模块的性能，实验结果如表 。烟台大学学报（自然科学与工程版）第 卷表 不同 模型对舰船检测的性能对比 注：“”表示 模型在实验中使用了该模块，“”表示 模型在实验中未使用该模块。实验设置以传统 为基线，将模型主干网络替换为 网络，模型的 比改进前的 提高 ，说明 网络语义信息更丰富，提取的特征图中细节信息抗干扰能力更强。在此基础上依次添加 数据增强模块、通道注意力机制模块、模块，模型的 较前者依次提高 、，说明了 数据增强模块能够丰富检测物体的背景，提高网络的鲁棒性；通道注意力机制模块可以抑制干扰信息的影响，提高网络对舰船目标的检测能力；余弦衰减学习率能够优化网络，提高网络对舰船目标的检测精度。改进后的 算法在检测速度上也有一定的提升，能更好地用在瞬息万变的海战场上。总结针对红外图像中的舰船检测问题，提出一种基于改进 的检测算法。该算法以 目标检测算法为基础，在此基础上将主干网络换为 网络，增强网络的抗干扰能力；使用 数据增强方法，提高网络的鲁棒性；引入 通道注意力机制，抑制干扰信息的影响，提高网络注意力；使用 来优化网络，提高网络的检测精度。实验结果表明，本研究中提出的检测算法，平均精度达到 ，达到 ，可实现对红外舰船目标快速精准的检测。参考文献：安海战场舰船目标检测与识别研究 哈尔滨：哈尔滨工程大学，：，（）：，（）：顾佼佼，李炳臻，刘克，等基于改进 的红外舰船目标检测算法 红外技术，（）：马啸，邵利民，金鑫，等基于改进 的可见光图像中舰船目标检测方法 北京理工大学学报，（）：，（）：，（）：，（）：，（）：，（）：何维娟，江涛，王欣基于改进 的遥感图像舰船目标检测 云南民族大学学报（自然科学版），（）：梁杰，李磊，周红丽基于改进 的舰船目标精细化检测方法 导航定位与授时，（）：谢晓方，刘厚君，张龙杰，等融合轻量级 与 算法的红外舰船目标识别 兵器装备工程学报，（）：，（）：，（）：，（）：高伟，周宸，郭谋发基于改进 及 第 期王岩，等：一种改进的 红外舰船目标检测算法的绝缘子缺陷辨识研究 电机与控制学报，（）：，（，）：，：；（责任编辑苏晓东）（上接第 页）：，（）（），（），：；（责任编辑周雪莹）