一种基于点云图像的船舶识别方法及装置制造方法及图纸

本发明专利技术涉及船舶识别技术领域，公开了一种基于点云图像的船舶识别方法及装置，其中方法包括以下步骤：构建船舶点云图像数据集，对所述船舶点云图像数据集中每一点云图像进行船舶标定类别标签；将所述船舶点云图像数据集中点云图像转换为三维体素网格图像，以所述三维体素网格图像作为样本数据对三维卷积神经网络进行训练，得到分类模型；利用所述分类模型对待识别点云图像进行分类识别。本发明专利技术具有识别功能不受光照影响的技术效果。

A ship recognition method and device based on point cloud image

【技术实现步骤摘要】
一种基于点云图像的船舶识别方法及装置
本专利技术涉及船舶识别
，具体涉及一种基于点云图像的船舶识别方法及装置。
技术介绍
船舶识别技术在军事领域和民用领域已经广泛应用，比如海上交通监控、海上搜救以及海洋污染监控等方面。船舶图像的主要类型有合成孔径雷达图像、红外图像、可见光图像以及激光雷达点云图像等。合成孔径雷达图像可以使用雷达全天候获取，但其分辨率低，并且雷达的价格比较高。红外图像通过热成像进行监控，也可全天候获取，但其边缘模糊，信噪比差，一般作为可见光图像的补充信息进行船舶识别。使用摄像机采集的可见光图像分辨率高，能够提供丰富的视觉信息，但容易受到光照强度、天气因素的影响。激光雷达点云图像属于三维图像，包含船舶的所有空间信息，并且受光照因素的影响较小。目前的船舶识别方法主要有两大类，一类是基于传统手工特征的船舶识别方法，另一类是基于深度学习的船舶识别方法。传统方法提取的特征有较大局限性，不仅依赖专家知识，而且需要耗费大量人力和时间。基于深度学习的船舶识别方法将特征提取和分类器训练整合在一起，可以自动获取结构信息，具有强大的特征提取能力，克服了传统方法面临的手工设计特征的问题。在图像识别领域，主要使用深度学习中的卷积神经网络方法进行处理。基于卷积神经网络的可见光船舶识别方法已经取得了较好的识别效果，但在光照较差或极端天气情况等影响下摄像机无法获得可见光图像。
技术实现思路
本专利技术的目的在于克服上述技术不足，提供一种基于点云图像的船舶识别方法及装置，解决现有技术中船舶图像识别受到光照影响无法进行准确识别的技术问题。为达到上述技术目的，本专利技术的技术方案提供一种基于点云图像的船舶识别方法，包括以下步骤：构建船舶点云图像数据集，对所述船舶点云图像数据集中每一点云图像进行船舶标定类别标签；将所述船舶点云图像数据集中点云图像转换为三维体素网格图像，以所述三维体素网格图像作为样本数据对三维卷积神经网络进行训练，得到分类模型；利用所述分类模型对待识别点云图像进行分类识别。本专利技术还提供一种基于点云图像的船舶识别装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述基于点云图像的船舶识别方法。与现有技术相比，本专利技术的有益效果包括：本专利技术首先获取船舶的点云图像构建船舶点云图像数据集，由于点云图像的获取不会受到光照条件差的影响，因此本专利技术中船舶识别不会受到光照的影响。由于点云图像是非结构化数据，因此将其先转换为规则的三维体素网格图像后再输入三维卷积神经网络进行训练，最后得到分类模型，从而实现船舶的自动分类识别，将点云图像转换为三维体素网格图像后再进行训练，可以加快训练速度，提高分类模型的识别准确率。附图说明图1是本专利技术提供的基于点云图像的船舶识别方法一实施方式的流程图；图2是本专利技术提供的几种不同类别船舶的点云图一实施方式的点云图像样本图；图3是本专利技术提供的三维卷积神经网络一实施方式的网络结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例1如图1所示，本专利技术的实施例1提供了基于点云图像的船舶识别方法，以下简称本方法，包括以下步骤：S1、构建船舶点云图像数据集，对所述船舶点云图像数据集中每一点云图像进行船舶标定类别标签；S2、将所述船舶点云图像数据集中点云图像转换为三维体素网格图像，以所述三维体素网格图像作为样本数据对三维卷积神经网络进行训练，得到分类模型；S3、利用所述分类模型对待识别点云图像进行分类识别。本实施例首先获取船舶的点云图像构建船舶点云图像数据集，由于点云图像的获取不会受到光照条件差等因素的影响，因此本方法实现船舶识别不会受到光照的影响。由于点云图像是非结构化数据，因此需要将其先转换为规则的三维体素网格图像后再输入三维卷积神经网络(threedimensionalconvolutionalneuralnetwork，3DCNN)来提取特征，最后得到分类模型。得到分类模型后，将待识别点云图像转换为三维网格体素图像后输入到三维卷积神经网络中提取特征，再将提取特征输入到训练好的分类模型中进行预测，得到船舶预测类别标签，实现点云图像船舶识别。将点云图像转换为三维体素网格图像后再进行训练，可以加快训练速度，提高分类模型的识别准确率。本专利技术提供的基于深度学习的激光雷达点云图像船舶识别方法能够解决在光照条件差等因素的影响下无法使用可见光进行船舶图像识别的问题，并且识别准确率高，训练速度快。优选的，构建船舶点云图像数据集，具体为：获取各类船舶的三维模型，从所述三维模型采样得到单个视角的点云图像；通过三维仿射变换对所述点云图像进行扩容，得到所述船舶点云图像数据集。构建船舶点云图像数据集的过程是：由于目前没有公开可用的使用激光雷达获取的船舶点云图像数据集，所以本专利技术实施例采用如下方法模拟激光雷达获取点云图像，具体为：先获取各类船舶的三维模型，本实施例需要识别的船舶类型有五种，分别为游艇、皮划艇、帆船、客船以及货船；然后从三维模型采样得到如图2所示的单个视角的点云图像，再通过三维仿射变换对点云图像进行扩容得到船舶点云图像数据集。优选的，通过三维仿射变换对所述点云图像进行扩容，具体为：通过三维仿射变换对每一所述点云图像进行旋转变换，每旋转设定角度得到一幅新增的点云图像；对旋转变换后得到的每一点云图像进行平移变换，每平移一设定距离得到一幅新增的点云图像。通过三维仿射变换对点云图像沿着z轴进行旋转，并对点云图像标记类别。本实施例中每旋转10度获取一幅点云图像，因此每一类船舶获得360/10＝36张不同视角的点云图像，5类船舶的三维模型，共对应180张点云图像。进一步对180张点云图像分别沿x轴作20米、40米以及60米平移变换，因此构建的船舶点云图像数据集共包含了720张点云图像，并以.pcd格式对点云图像进行存储。作旋转和平移的目的是实现数据增强，扩大数据集，提高模型的泛化能力和识别能力。三维仿射变换就是对点云图像的原始坐标值进行缩放、旋转、平移后得到新的坐标值。本专利技术中仅对原始点云图像的坐标做旋转和平移操作。假设原始点云图像的坐标为X＝(x,y,z)，三维仿射变换后的点云图像的坐标为Y＝(x′,y′,z′)。由坐标X得到坐标Y的计算公式为：Y＝AX+BB＝[b00b01b02]T其中，A为旋转矩阵，B为平移矩阵。更具体的，假设xy平面坐标系沿着z轴旋转θ，并沿x轴平移距离d，则新坐标系中的坐标值可以表示为如下矩阵形式：再增加一个维度就可以将旋转变换和平移变换进行统一，表示为如下形式：优选的，获取各类船舶的三维模型，具体为：从PASCAL3D+制作本文档来自技高网...

【技术保护点】
1.一种基于点云图像的船舶识别方法，其特征在于，包括以下步骤：/n构建船舶点云图像数据集，对所述船舶点云图像数据集中每一点云图像进行船舶标定类别标签；/n将所述船舶点云图像数据集中点云图像转换为三维体素网格图像，以所述三维体素网格图像作为样本数据对三维卷积神经网络进行训练，得到分类模型；/n利用所述分类模型对待识别点云图像进行分类识别。/n

【技术特征摘要】
1.一种基于点云图像的船舶识别方法，其特征在于，包括以下步骤：
构建船舶点云图像数据集，对所述船舶点云图像数据集中每一点云图像进行船舶标定类别标签；
将所述船舶点云图像数据集中点云图像转换为三维体素网格图像，以所述三维体素网格图像作为样本数据对三维卷积神经网络进行训练，得到分类模型；
利用所述分类模型对待识别点云图像进行分类识别。


2.根据权利要求1所述的基于点云图像的船舶识别方法，其特征在于，构建船舶点云图像数据集，具体为：
获取各类船舶的三维模型，从所述三维模型采样得到单个视角的点云图像；
通过三维仿射变换对所述点云图像进行扩容，得到所述船舶点云图像数据集。


3.根据权利要求2所述的基于点云图像的船舶识别方法，其特征在于，通过三维仿射变换对所述点云图像进行扩容，具体为：
通过三维放射变换对每一所述点云图像进行旋转变换，每旋转设定角度得到一幅新增的点云图像；
对旋转变换后得到的每一点云图像进行平移变换，每平移一设定距离得到一幅新增的点云图像。


4.根据权利要求2所述的基于点云图像的船舶识别方法，其特征在于，获取各类船舶的三维模型，具体为：
从PASCAL3D+数据集中获取船舶的三维模型。


5.根据权利要求1所述的基于点云图像的船舶识别方法，其特征在于，将所述船舶点云图像数据集中点云图像转换为三维体素网格图像，具体为：使用密度网格法将所述点云图像转换为三维体素网格图像；
分别计算所述三维体素网格图像中每个网格的命中状态和穿透状态：






其中，表示坐标为(i,j,k)的网格被射线命中的命中状态，表示坐标为(i,j,k)的网格被射线穿透的穿透状态，和的值为1，t表示初始3D射线参量，t＝1；
根据所述命中状态和穿透状态计算网格的后验平均值：



其中，为后验平均值；
判断所述后验平均值是否大于设定阈值，如果大于，则网格被占用，否则网格没有被占用：
将被占用的网格的值设...

【专利技术属性】
技术研发人员：杨杰，任永梅，陈奕蕾，尚午晟，李英浩，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42