The invention discloses a method for recognizing sand dredger based on image saliency detection, which proposes a new strong supervised saliency detection method for the situation that some pictures of the detection model of sand dredger hull are missing global semantic information. The model is divided into two layers. In the first layer, the full convolution neural network is used to capture the global semantic information and local feature information of the sand dredger image at the pixel level, and mark the sand dredger hull. The second layer uses the recursive decreasing model proposed by us to remove the noise from the salient map obtained from the first layer one by one, and to supplement it with local information in the case of global semantics missing, and to enhance the boundary features of salient objects. The model performs well on the collected data sets of sand dredgers and on the existing 6 SOD data sets.
【技术实现步骤摘要】
基于图像显著性检测的采砂船识别方法
本专利技术涉及计算机视觉领域,主要是针对江面非法采砂船的显著性检测。
技术介绍
在经济快速的发展的时代背景下,人们对于经济的需求更大于以前。很多人开始在江河之中非法采砂,将之倒卖。这样的非法行为我们可以使用将江面图片的显著性检测技术探测。虽然市面上有一些技术可以探测非法采砂船,但是存在以下不足之处:(1)江面图片中的采砂船物体检测不明显;(2)对于检测到的采砂船,轮廓不清晰,并且有时十分模糊,丢失部分全局语义信息;(3)现有的显著性检测模型对于江面图片中的杂质元素如江面波光或水浪无法有效排除,无法正确分类有效信息与无效信息;(4)现有的显著性检测模型对于岸边拍摄的采砂船图像中存在的草木堤坝无法有效的去除或识别;(5)现有的显著性检测模型针对实际情况时,得出的结果与现实情况有所偏差。通过观察大量的江边监控等拍摄的采砂船图片,发现这些图片可以分为以下四类:(1)小物体,即采砂船在图像中与全图相比,占比小于10%;(2)大物体,即采砂船在图像中与全图相比,占比大于50%;(3)复杂背景,即拍摄的图像中不仅包含了采砂船,还包含江边堤坝,江边行人,江边草木等次显著物体;(4)低对比度,采砂船因长年在江水或河水中航行加上采砂船本身颜色,导致采砂船的整体色调与江水颜色近似,加大识别的难度。
技术实现思路
为了解决现有技术中存在的上述技术问题,本专利技术提供了一种基于图像显著性检测的采砂船识别方法。针对目前大多数采砂船检测方法存在的无法有效融合全局语义信息和局部特征信息以及无法有效检测图片中存在的噪音,提出了递归递减深度融合语义信息的模型。 ...
【技术保护点】
1.一种基于图像显著性检测的采砂船识别方法,其特征在于:采用全卷积神经网络对图片进行显著性物体的检测,在检测过程中采集全局语义特征,局部信息作为补充,递归递减的模式深入融合两者。
【技术特征摘要】
1.一种基于图像显著性检测的采砂船识别方法,其特征在于:采用全卷积神经网络对图片进行显著性物体的检测,在检测过程中采集全局语义特征,局部信息作为补充,递归递减的模式深入融合两者。2.根据权利要求1所述的基于图像显著性检测的采砂船识别方法,其特征在于:在显著性物体检测过程中,采集全局语义特征即采砂船整体方位作为判断显著性物体位置的基本信息,采用局部信息即浅层卷积层输出的采砂船细节作为全局语义补充。3.根据权利要求1所述的基于图像显著性检测的采砂船识别方法,其特征在于:全卷积神经网络进行如下操作:将数据从第一层卷积层开始慢慢向下传递直至第五层卷积层,在卷积传递的过程中,各层卷积层会提取各层所识别的特征,卷积结果:fs(X;W,b)=Pooling(σ(W*sX+b))X是原生的输入图片;W和b分别代表卷积核和卷积偏置值;*s代表卷积操作的步长值;σ代表是线性整流函数(RectifiedLinearUnit,ReLU);Pooling指最大池化操作(MaxPooling);作为结果的fs(X;W...
【专利技术属性】
技术研发人员:孙丰,马艳娜,卢克,
申请(专利权)人:浙江水利水电学院,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。