基于Faster R-CNN的海上舰船识别算法

针对现有的舰船目标自动识别方法容易受到物理噪声干扰、实时性差等问题，提出一种基于深度学习中Faster R-CNN (快速区域卷积神经网络)的海上舰船识别算法。首先建立了一套海上舰船图片的训练集与测试集；其次为了增强网络的泛化能力，在区域生成网络的第一个全连接层后增加了一个dropout层；最后为了减小过拟合，在分类时只使用了一个含有2048个神经元的全连接层。目前算法可以将海上舰船目标自动识别为航母、其他军舰、民船三类，在本文设定的测试集上准确率为90.4%，检测速度为每秒15帧左右。

在现代海战中，对舰船目标的识别是否准确有效，直接关系到海军舰载武器系统的发展和进步，同时也是决定能否先敌使用武器、赢得现代海上战争的关键。因此在现代化战争的技术需求下，开展海上舰船目标识别技术的研究，从纷繁复杂的情报中筛选出对作战有用的信息，不仅具有很高的学术研究价值，还具有重大的军事理论创新价值和和重要的军事实践指导意义。目前舰船识别方面的研究主要集中在基于物理特征和基于遥感图像两个方面。文献[1]通过仿真获取舰船的声场、磁场、水压场三种物理场信号，采用基于小波变换的舰船物理场信号特征提取算法提取舰船种类的特征，最后使用支持向量机对多场融合特征进行分类。潘琳等人[2]提出采用小波变换的方法对舰船辐射噪声带内信号的小波模极大值和带外信号的分频段能量这两类特征进行提取，然后将融合特征用于舰船目标的分类。文献[3]首先获取不同类型舰船的辐射噪声， 然后通过噪声的DENOM 谱建立支持向量机的模型， 实现了舰船目标的分类。

文献[4]针对舰船遥感图像中海面背景十分复杂且存在云块这一问题提出了一种基于多级视觉感知算法去除了海面背景的干扰，并使用基于SVM 分类器的方法对舰船目标进行分类。针对SAR 图像的舰船识别存在“方位向模糊”和“距离向扩展”等问题，陈文婷[5]提出了基于Radon 变换的SAR 舰船目标切片精细分割算法并设计了一种基于SVM 的组合分类器。针对遥感图像舰船分类问题，黄龙辉[6]提出了一种基于分块的多尺度完全局部二值模式和费舍尔向量的局部特征表示方法，并采用多特征学习框架对提取到的特征进行训练。通过对舰船识别的相关文献进行分析可以看出，基于物理特征的舰船识别容易受到物理噪声的干扰，基于遥感图像容易受到电磁环境的干扰，且这两种情况下实时性较差。

近年来，人工智能技术方法发展异常迅猛，在计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。对于舰船目标识别领域，人工智能及深度学习技术的飞速发展，无疑为实现技术突破提供了良好的契机。针对传统舰船识别方法存在的问题，本文对智能视频监控中基于可见光图像的舰船识别技术进行研究，提出了一种基于深度学习中Faster R-CNN 的海上舰船识别算法，取得了很好的检测速度和准确率。由于可见光图像的获取途径属于被动地接收信息，因此可以较好地克服物理噪声和电磁波的干扰，并且在无线电静默的情况下，可以发挥极大的作用。