深度学习特征与视觉特征联合训练的船只目标检测方法技术

本发明专利技术提供一种深度学习特征与视觉特征联合训练的船只目标检测方法，包括以下步骤：样本数据采集、CNN特征提取、传统不变矩特征及LOMO特征提取、特征降维、特征融合网络FCNN构建，最后利用样本数据对网络进行训练，利用测试数据对模型进行测试。对比现有技术，本发明专利技术的视觉特征提取过程综合考虑了船只形状、颜色和纹理的特点，使得检测过程具有可解释性，可以规范CNN反向传播过程学习到传统特征以外的其他特征。本方法快速高效、准确度高，对于复杂场景如云雾、阴天、下雨等情况依然具有较好的检测结果，鲁棒性高。可以提取到与传统特征互补的特征，并且速度极快，可以达到实时监测的效果。

【技术实现步骤摘要】
深度学习特征与视觉特征联合训练的船只目标检测方法
本专利技术属于船只检测计算机视觉领域，具体涉及一种深度学习特征与视觉特征联合训练的船只目标检测方法。
技术介绍
我国拥有广阔的海岸线、海域以及丰富的海洋资源，随着经济不断发展，海上船只数量越来越多，船只检测有着迫切的实际需求。船只目标检测就是利用计算机视觉和图像处理技术，从图像中检测出感兴趣的船只目标，进一步可以提取大量的有用信息，在军事和民用领域都有着广泛的应用前景。例如在民用领域，通过获取船只的位置、大小、行驶方向、行驶速度等信息，可以对特定海域、海湾港口进行监测，对海洋水运交通、非法捕鱼、非法走私、非法倾倒油污等进行监测等，对于经济发展、环境保护、海域使用管理、海洋权益维护都具有重要意义。现今社会中，视频监控摄像头无处不在，而在监控中心的电视墙上也会同时显示多路监控画面，如果只是依靠人眼观察检测，很容易错过视频中的异常事件。随着计算机网络的迅速发展，人们越来越青睐于利用计算机视觉代替人眼对传感器得到的视频图像进行分析，获取图像中的目标信息。图片目标检测一般分为两个步骤：特征提取和分类器分类定位，针对船只检测使用的特征主要有两大类本文档来自技高网...

【技术保护点】
1.一种深度学习特征与传统特征联合训练的船只目标检测方法，其特征在于，包括以下步骤：步骤①，样本数据采集，包括采集可见光下的沿海区域监控视频帧数据，提取图像，对对包含船只目标的图像进行标注；步骤②，CNN特征提取，包括将得到的样本输入到卷积神经网络中进行训练，得到船只目标的训练结果模型，卷积神经网络输出CNN特征；步骤③，传统特征提取，包括提取得到的船只目标区域的不变矩特征以及LOMO特征；步骤④，特征降维，包括将不变矩形状特征和LOMO特征进行连接，采用主成分分析算法，将连接后的传统特征降维；步骤⑤，构建特征融合网络FCNN，实现将CNN特征和传统特征映射到统一的特征空间；步骤⑥，利用样本数...

【技术特征摘要】
1.一种深度学习特征与传统特征联合训练的船只目标检测方法，其特征在于，包括以下步骤：步骤①，样本数据采集，包括采集可见光下的沿海区域监控视频帧数据，提取图像，对对包含船只目标的图像进行标注；步骤②，CNN特征提取，包括将得到的样本输入到卷积神经网络中进行训练，得到船只目标的训练结果模型，卷积神经网络输出CNN特征；步骤③，传统特征提取，包括提取得到的船只目标区域的不变矩特征以及LOMO特征；步骤④，特征降维，包括将不变矩形状特征和LOMO特征进行连接，采用主成分分析算法，将连接后的传统特征降维；步骤⑤，构建特征融合网络FCNN，实现将CNN特征和传统特征映射到统一的特征空间；步骤⑥，利用样本数据训练特征融合网络FCNN，利用测试数据对训练所得特征融合网络FCNN进行验证和测试。2.根据权利要求1所述的一种深度学习特征与传统特征联合训练的船只目标检测方法，其特征在于：步骤①中，根据PASCALVOC数据集的标准，对包含船只目标的图像进行标注，产生的标注文件为每张图片上船只目标的最小包围矩形的四个顶点坐标和对应影像，从而构建船只图像样本库。3.根据权利要求1所述的一种深度学习特征与传统特征联合训练的船只目标检测方法，其特征在于：步骤②中，采用基于区域的卷积神经网络，由多个交替的卷积层、池化层和全连接层组成，采用反向传播算法进行更新。4.根据权利要求3所述的一种深度学习特征与传统特征联合训练的船只目标检测方法，其特征在于：步骤②中，采用的基于区域的卷积神经网络，结构包括如下...

【专利技术属性】
技术研发人员：邵振峰，吴文静，张瑞倩，王岭钢，李成源，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42