【技术实现步骤摘要】
基于深度学习的海浪影响下视频图像船只检测方法及系统
本专利技术属于目标检测领域，具体来讲，涉及一种基于深度学习的海浪影响下视频图像船只检测的方法。
技术介绍
船只检测作为目标检测的一部分，一直是计算机视觉和模式识别领域的热门话题，在海洋安全、海上监测和管理等众多应用中，船只检测可为其提供决策信息。传统的目标检测通常是基于机器学习的，通过人工的特征设计、特征提取、将提取的特征输入某个分类器从而实现目标检测任务。随着深度学习的发展，目标检测进入了一个新的阶段。与传统的人工设计特征不同，卷积神经网络(CNN)可以自动提取更具代表性的特征。由于不需要人工特征设计，良好的特征表达能力和出色的检测精度，基于深度学习的目标检测方法展示出更大的优势，成为当前目标检测方法的主流。目前基于深度学习的目标检测方法可分为两类，即基于区域建议的目标检测和基于端到端学习的目标检测。其中基于区域建议的目标检测是预先针对图像中的目标对象的位置提出候选区域的方法，主流方法包括R-CNN、FastR-CNN和FasterR-CNN等。而基于端到端学习的...
【技术保护点】
1.一种基于深度学习的海浪影响下视频图像船只检测方法，其特征在于：包括以下步骤：/n步骤a，对视频图像数据进行标记，包括对船只数据和海浪数据的标记，并将标记后的数据保存；/n步骤b，目标预处理，包括提取感兴趣区域ROI，去除不相关信息，得到图像中的船只和易与船只混淆的海浪目标的位置信息，将感兴趣区域ROI进行裁剪并保存；/n步骤c，对保存的感兴趣区域ROI两两进行排列组合，将同类别的图像路径成对存储，将不同类别的图像路径成对存储；/n步骤d，构建深度学习网络，得到一个双分支卷积神经网络结构，所述双分支卷积神经网络结构包括一个输入层、两个分支的多个隐含层和一个输出层；/n步骤...
【技术特征摘要】
1.一种基于深度学习的海浪影响下视频图像船只检测方法，其特征在于：包括以下步骤：
步骤a，对视频图像数据进行标记，包括对船只数据和海浪数据的标记，并将标记后的数据保存；
步骤b，目标预处理，包括提取感兴趣区域ROI，去除不相关信息，得到图像中的船只和易与船只混淆的海浪目标的位置信息，将感兴趣区域ROI进行裁剪并保存；
步骤c，对保存的感兴趣区域ROI两两进行排列组合，将同类别的图像路径成对存储，将不同类别的图像路径成对存储；
步骤d，构建深度学习网络，得到一个双分支卷积神经网络结构，所述双分支卷积神经网络结构包括一个输入层、两个分支的多个隐含层和一个输出层；
步骤e，以成对的相同类别ROI或者成对的不同类别ROI作为深度学习网络的输入，以两幅图像的相似性度量结果作为目标输出，通过双分支卷积神经网络结构学习成对图像的特征，并利用相似性度量函数来计算两幅图像的特征向量差值，将该值输入到全连接层进行二分类，通过输出的预测值和对应的相似性标签来定义损失函数，遵循损失函数最小化原则并利用梯度下降法来调整深度学习网络参数，直至得到训练好的深度学习网络；
步骤f，将测试数据集输入到步骤e训练好的深度学习网络中，输出得到预测的成对测试图像的相似性度量的预测值，计算预测值与真实值之间的差值，利用总体精度来价该网络对于船只和海浪判别性能；
步骤g，对于有风条件下岸边船只监控系统中的视频帧图像，利用训练得到的深度学习网络判断其与给定的船只图像和海浪图像哪一个更相似，从而区分海浪和船只图像以实现海浪影响下的船只检测。
2.根据权利要求1所述的一种基于深度学习的海浪影响下视频图像船只检测的方法，其特征在于：步骤a中，图像数据来源于电子围网的监控视频，通过截取的视频帧图像作为数据源，利用标注工具对帧图像中的目标进行标记。
3.根据权利要求1所述的一种基于深度学习的海浪影响下视频图像船只检测的方法，其特征在于：步骤b中，图像进行预处理提取出感兴趣区ROI，采用初步目标提取网络Yolov3实现。
4.根据权利要求1所述的一种基于深度学习的海浪影响下视频图像船只检测的方法，其特征在于：步骤d中，网络的输入为待训练的预处理后的图像对，双分支的隐藏层是参数共享的卷积层，通过双通道的卷积操作分别得到两幅图像的特征图记为f(x(i))和f(x(j))，利用一范数对两张特征图进行相关操作得到融合特征图f(x(i-j))，
f(x(i-j))＝|f(x(i))-f(x(j))|
将得到的融合特征输入到全连接层进行二分类以求出网络的输出。
5.根据权利要求1或2或3或4所述的一种基于深度学习的海浪影响下视频图像船只检测的方法，其特征在于：步骤e中，损失函数为sigmoid交叉熵损失函数。
6.一种基于深...
【专利技术属性】
技术研发人员：邓练兵，
申请(专利权)人：珠海大横琴科技发展有限公司，
类型：发明
国别省市：广东;44
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。