http://bhxb.buaa.edu.cnjbuaa@buaa.edu.cnDOI:10.13700/j.bh.1001-5965.2021.0253智能化舰船要害检测、轨迹预测与位姿估计算法李晨瑄，李湉雨*，李梓正，曾维贵，胥辉旗(海军航空大学岸防兵学院，烟台264001)摘要：准确检测与打击舰船要害部位可有效提升反舰导弹毁伤效能。针对舰船要害部位检测精度低、导引误差解算精度不足等问题，提出基于深度学习的舰船要害关键点检测、轨迹预测与导引头位姿估计算法。融合深层语义信息与浅层定位信息，采用SoftPool池化保留细粒度特征，提升多角度多尺度舰船要害部位检测精度；将关键点检测结果与舰船空间结构建立映射，解算导引头三维位姿；引入长短期记忆网络挖掘要害打击点时空特征，实现多尺度舰船要害动态轨迹预测。实验结果表明：所提算法对舰船要害部位检测与轨迹预测精度高，导引头位姿估计结果较准确，满足自主突防视角反舰导弹对复杂海战场的态势感知需求。关键词：目标检测；关键点网络；SoftPool；长短期记忆网络；位姿估计；反舰导弹中图分类号：V243.5；TP751.1文献标志码：A文章编号：1005-5965（2023）02-0444-13舰船要害部位的精确打击能力是精确制导的关键技术之一。全方位的态势感知能力、高精度的目标检测能力，能够有效提升末制导段反舰导弹毁伤效能，具有重大研究意义。舰船姿态、命中点位置严重影响反舰导弹对敌舰毁伤概率。反舰导弹不断接近舰船目标的过程中，舰船轮廓细节逐渐放大，基于角点检测[1]、特征匹配的目标检测方法易出现跟踪目标漂移，无法适应剧烈变化的舰船目标检测任务；不同的攻击进入角下，导引头探测所得舰船投影一致性差，基于局部特征提取的检测算法精度有待提升。由于卷积神经网络具有强大的特征提取能力，基于深度学习的目标检测技术一经提出，在辐射源识别、舰船目标检测[2]等领域得到广泛应用。文献[3]提出的舰船检测网络使用密集注意力特征聚合获取高分辨率特征图，通过密集连接与迭代融合提高网络泛化性能；文献[4]利用感兴趣区域改进YOLO（youonlylookonce）网络，提取舰船候选特征，改善了高分辨率卫星图中的舰船识别精度。针对小尺度密集舰船检测精度低等问题，文献[5]结合YOLOv3-tiny网络与特征映射模块，增强了预测层获取重要特征的能力，取得了较高的检测精度；文献[6]提出了基于多层卷积特征融合的舰船检测网络，融合深层与浅层特征图，提升了多尺度船舶的检测效果。文献[1-6]中算法在不同任务场景下，均能较好实现舰船目标检测任务，但仍存在一定...
