本發明公開了一種基于多層卷積神經網絡的艦船目標識別方法包括：S1、艦船樣本庫采用已有的圖像、參數和模型數據構建，并在使用過程中，通過檢測目標數據采集不斷的進行豐富；S2、艦船目標特征訓練是在卷積神經網絡的框架下，通過對艦船樣本庫的識別訓練，形成可見光/紅外和二維/三維融合的艦船特征知識庫，用于進行艦船目標分類識別；S3、艦船目標數據采集用于對海上艦船目標的可見光或紅外視頻數據進行實時高分辨率的采集；S4、對海上艦船目標進行檢測；S5、對艦船目標圖像粗分類；S6、基于艦船目標特征訓練完成的深度神經網絡模型開展艦船目標的細分類識別工作，準確的識別出艦船的類型。解決了艦船目標識別的難題。

技術領域

本發明涉及一種目標識別方法，尤其涉及基于多層卷積神經網絡的艦船目標識別方法。

背景技術

我國擁有廣闊的海岸線、海域以及豐富的海洋資源，隨著經濟不斷發展，海上艦船數量越來越多，艦船檢測有著迫切的實際需求；而且周邊國家和地區的艦船、民船等時常非法進入我國合法海域從事測量、監聽和捕撈等活動，使得國家合法的海洋權益得不到有效保障，海洋維權狀況越來越復雜和海上安全受到嚴重威脅，加強對我國合法海域范圍內艦船等目標的檢測識別具有十分重要的現實意義。

目前對我國海域的圖像偵察能力較弱，智能化程度較低。從航空或衛星攝影到獲取準確的情報需要較長的時間周期，其結果也不盡如人意，隨著海面艦船、民船以及其他干擾目標的種類、數量的日益增多，海面環境的復雜性越來越高，艦船和民船形態的高速更新換代，目前的艦船識別系統面臨諸多難題，其識別正確率和可用性已經難以滿足要求。目前應用廣泛的恒虛警率(Constant False Alarm Rate,CFAR)算法、小波變換等艦船目標識別算法對于艦船目標識別的正確率為80％～85％；現代海面環境要求艦船、民船目標識別正確率要求達到95％以上，傳統的艦船目標識別算法適用范圍單一，在處理復雜目標時識別準確率較低，并且遠不能滿足現代海面環境對更高識別正確率的要求。目前國內艦船目標檢測識別大多基于SAR、IR等衛星遙感圖像數據，但這種方法存在嚴重的弊端。衛星數據由于與地面的距離過長，導致傳輸速度慢，艦船目標數據不能實時更新，無法及時發現并識別指定海域上出現的船只；衛星遙感在雷雨多云天氣無法清晰拍攝海面圖像，導致惡劣海面環境下的艦船目標識別正確率降低。同時，各類軍用、民用艦船形態更新很快，采用通用方法生成的艦船識別圖像庫需要頻繁的對艦船進行升級，增加了艦船的維護時間和成本，智能化程度不高。

發明內容

本發明的目的在于提供一種基于多層卷積神經網絡的艦船目標識別方法，用于解決艦船目標識別的難題。