【技术实现步骤摘要】
基于多尺度卷积神经网络模型的海上船只检测方法及系统
本专利技术属于船舶数字影像处理
，尤其涉及一种基于多尺度卷积神经网络模型的海上船只检测方法及系统。
技术介绍
现今社会中，监控摄像头无处不在，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、通信和半导体技术的迅速发展，人们越来越青睐于利用计算机视觉来代替人眼对视频图像进行分析，获取其中的有用信息。目标检测就是计算机视觉研究的一个重点，其主要功能是提取出图像中人们所感兴趣的目标的位置以及其他信息。目标检测是许多视频应用的基础，更是比如交通监控、智能机器人和人机交互等应用的必需品，其对于智能城市管理、打击违法犯罪以及建设平安城市与智慧城市具有重要作用，是当前视频处理研究的重点和难点。而对于船只目标来说，更是对于沿海城市的船只管理、监督和调度起着至关重要的作用。专利技术人为邓练兵等人、专利技术名称为“一种基于场景多维特征的船只检测方法及系统”(专利申请号201711311822.1公布号CN107818326B)的专利申请中提出了一种基于场景多...
【技术保护点】
1.一种基于多尺度卷积神经网络模型的海上船只检测方法，其特征在于，所述方法包括：/n步骤1，构建船只图像样本库，采集可见光下的沿海区域的船只视频数据，提取每帧图像，获得船只位置的真值和长宽，通过数字图像处理算法对船只视频数据进行增强处理；/n步骤2，构建多层卷积神经网络作为船只目标检测器，将步骤1得到的处理后的图像作为样本数据输入到深度学习网络中，得到卷积后的特征图；/n步骤3，构建多尺度卷积神经单元，基于步骤2所得卷积后的特征图，将多层的卷积特征图进行特征融合，根据船只真实位置进行训练，进而得到训练模型。/n
【技术特征摘要】
1.一种基于多尺度卷积神经网络模型的海上船只检测方法，其特征在于，所述方法包括：
步骤1，构建船只图像样本库，采集可见光下的沿海区域的船只视频数据，提取每帧图像，获得船只位置的真值和长宽，通过数字图像处理算法对船只视频数据进行增强处理；
步骤2，构建多层卷积神经网络作为船只目标检测器，将步骤1得到的处理后的图像作为样本数据输入到深度学习网络中，得到卷积后的特征图；
步骤3，构建多尺度卷积神经单元，基于步骤2所得卷积后的特征图，将多层的卷积特征图进行特征融合，根据船只真实位置进行训练，进而得到训练模型。
2.根据权利要求1所述的基于多尺度卷积神经网络模型的海上船只检测方法，其特征在于：在步骤1中，数据增强处理包括：
步骤1.1，将图像按照其原始的长宽比缩放到最长边等于500像素；
步骤1.2，之后将长度不足500像素的短边用灰色补齐，形成边长为500像素的图片；
步骤1.3，若原始图片的最长边小于500像素，则进行灰色补齐。
3.根据权利要求1所述的基于多尺度卷积神经网络模型的海上船只检测方法，其特征在于：在步骤2中，
构建的多层卷积神经网络的网络结构由62个卷积层和5个池化层组成；
对于普通卷积层，使用数值可修改的卷积核对上一层的特征层进行卷积，通过激活函数，得到输出特征层；
其中，Mj表示被选择的输入层的集合，i是输入层单元的索引值，j是输出层单元的索引值，表示第i层输入层与第j层输出层之间的权重，表示第j层输出层的激活偏置，f()表示该输出层的激活函数，表示l层的第j个输出层，表示l-1层的第i个输入层，则池化层，包含N个输入层和N个输出层；
其中，down()表示下采样函数，是对输入图像的不同n×n区域内所有像素进行求和，则输出图像在两个维度上都缩小了n倍，每个输出层都对应一个属于各自的乘性偏置和一个加性偏置表示l层的第j个输出层，表示l-1层的第j个输入层；
对于输出的全连接层来说，卷积输入多个特征层，再对这些卷积值求和得到输出层，若aij表示在得到第j个输出特征层中第i个输入层的权值或贡献，则第j个输出层可表示为：
...
【专利技术属性】
技术研发人员：王平，李明，雷建胜，赵光辉，安玉拴，金明磊，李超，陈浩，
申请(专利权)人：航天恒星科技有限公司，
类型：发明
国别省市：北京;11
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。