一种基于深度学习的船舶目标跟踪方法技术

本发明专利技术公开了一种基于深度学习的船舶目标跟踪方法，属于基于图像的目标跟踪领域。本发明专利技术可以在边海防，智能海洋监测系统，船舶态势估计等领域应用。步骤S1：使用自建船舶分类和检测数据集对深度网络进行训练和压缩，得到一个轻量化的船舶检测网络；步骤S2：使用经过训练的轻量化检测网络模型实时检测视频中的船舶目标并进行目标的跟踪。采用本发明专利技术的技术方案，将自建的船舶数据集进行训练，得到一个轻量化的检测网络，再结合改进的跟踪算法框架进行船舶目标的跟踪，实现了船舶目标的实时跟踪，整体方案具有设备依赖性低、跟踪稳定性高以及实时性强等特点。

A Ship Target Tracking Method Based on Deep Learning

The invention discloses a ship target tracking method based on depth learning, which belongs to the field of image-based target tracking. The invention can be applied in frontier and coastal defense, intelligent ocean monitoring system, ship situation assessment and other fields. _: Using the self-built ship classification and detection data set to train and compress the depth network, a lightweight ship detection network can be obtained. _2: Using the trained lightweight detection network model to detect and track the ship targets in real-time video. By adopting the technical scheme of the invention, the self-built ship data set is trained to obtain a lightweight detection network, and then combined with the improved tracking algorithm framework to track the ship target, the real-time tracking of the ship target is realized. The overall scheme has the characteristics of low equipment dependence, high tracking stability and strong real-time performance.

【技术实现步骤摘要】
一种基于深度学习的船舶目标跟踪方法
本专利技术涉及计算机视觉的目标跟踪领域，尤其涉及一种基于深度学习的船舶目标跟踪方法。
技术介绍
我国海岸线极长，水域类型复杂，贸易、渔业、交通等行业的各类船舶在我国海域内活动频繁。新形势下，可以通过多平台多传感器等途径获得海量的船舶图像与视频数据，这些数据具有“5V+1C”的特点，即大容量(Volume)、多样性(Variety)、时效性(Velocity)、准确性(Veracity)、价值(Value)以及复杂性(Complexity)，给监测部门带来了巨大的挑战。所以，船舶监测领域迫切需要一种高效的自动目标跟踪识别方法，对海量视频数据中的船舶目标进行自动跟踪与识别，及时传给中心数据，进而为船舶的态势分析提供重要的信息，实现对特定区域和场景下的船舶活动的监测与异常预警。现有技术的船舶目标跟踪方法主要存在以下三个问题：1、需要手工设计特征，对场景的泛化能力不足，容易忽略背景信息，造成跟踪漂移。2、依赖已有的检测结果，算法复杂度较高，无法在线进行目标跟踪。3、没有考虑运动的非线性的特点，自适应能力差。故，针对现有技术的缺陷，实有必要提出一种技术方案以本文档来自技高网...

【技术保护点】
1.一种基于深度学习的船舶目标跟踪方法，其特征在于，包括以下步骤：步骤S1：使用自建船舶分类和检测数据集对深度网络进行训练和压缩，得到一个轻量化的船舶检测网络；步骤S2：使用训练好的轻量化模型检测视频中的船舶目标并进行跟踪；其中，所述步骤S1进一步包括：步骤S11：获取大规模船舶图像数据集，并将它们分为分类数据集和检测数据集两部分，分别进行标注；步骤S12：使用步骤S11的分类数据集对原始YOLOv3网络中的特征提取模型进行训练，得到一个初始的网络权重模型；步骤S13：采用设定的通道剪枝方法逐层对步骤S12得到的初始权重模型进行压缩；所述步骤S13包括：步骤S131：设计网络压缩性能评估算法，...

【技术特征摘要】
1.一种基于深度学习的船舶目标跟踪方法，其特征在于，包括以下步骤：步骤S1：使用自建船舶分类和检测数据集对深度网络进行训练和压缩，得到一个轻量化的船舶检测网络；步骤S2：使用训练好的轻量化模型检测视频中的船舶目标并进行跟踪；其中，所述步骤S1进一步包括：步骤S11：获取大规模船舶图像数据集，并将它们分为分类数据集和检测数据集两部分，分别进行标注；步骤S12：使用步骤S11的分类数据集对原始YOLOv3网络中的特征提取模型进行训练，得到一个初始的网络权重模型；步骤S13：采用设定的通道剪枝方法逐层对步骤S12得到的初始权重模型进行压缩；所述步骤S13包括：步骤S131：设计网络压缩性能评估算法，如下：其中，α是N维特征向量，αi表示特征向量的第i个通道，βi为特征向量第i个特征通道所对应的卷积核通道，λ是通道选择的开关向量，c是开关向量的长度，μ是惩罚系数，||x||2为L2范数，||x||1为L1范数，||x||0为L0范数，它们的计算公式为：其中，L0范数表示向量中非零元素的个数，L1范数表示向量中非零元素的绝对值之和；步骤S132：通过步骤S131中的方程评估压缩算法的性能，对剪枝的通道选择参数进行优化，无限逼近最优值；对于开关向量，λi＝0表示特征通道ai被剪枝，λi＝1表示特征通道ai被保留；步骤S133：按照步骤S132中的剪枝方法逐层对步骤S12的深度网络模型进行通道剪枝，每次剪枝之后重新训练权重，再对训练好的模型再剪枝，再重新训练，直到满足设定条件为止；步骤S14：将原始检测网络中特征提取网络替换为步骤S13得到的轻量化模型，保持原有输入输出不变，使用船舶检测数据集进行训练，得到一个轻量化的船舶检测网络；所述步骤S2进一步包括：步骤S21：将步骤S14训练好的轻量化检测网络移植到船舶目标跟踪框架中，实时检测视频每帧图像上的船舶目标；步骤S22：设计跟踪框架中的运动状态预测算法，得到运动状态预测结果；所述步骤S22进一步包括：步骤S221：给船舶运动系统建模，用状态空间X(t)表示目标在t时刻的位置；步骤S222：根据扩展卡尔曼滤波器的原理，设计一个船舶目标的状态预测算法，如下：在笛卡尔坐标系下该边界框的运动状态方程为：X(t)＝FX(t-1)+W(t-1)其中X(t)为目标状态空间，W(t-1)为t-1时刻的系统噪声...

【专利技术属性】
技术研发人员：刘俊，王立林，李亚辉，孙乔，林贤早，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33