结合卷积神经网络和数据融合的大桥方位识别方法及系统技术方案

本发明专利技术公开了一种结合卷积神经网络和数据融合的大桥方位识别方法及系统，其方法包括：获取相机图像数据；利用训练好的卷积神经网络判断图像中是否存在大桥；当存在大桥时，提取大桥图像坐标；将海事雷达数据转换到相机的图像平面；在图像平面上匹配大桥图像坐标和海事雷达数据的图像坐标；计算大桥在海事雷达中的方位。本发明专利技术结合卷积神经网络和数据融合的大桥方位识别方法及系统通过卷积神经网络判断图像中是否存在大桥，并将海事雷达数据转换到相机的图像平面，实现和大桥的图像坐标的数据融合，从而求出大桥相对于智能船舶的方位信息。具有准确性高、可靠性好的优点。

【技术实现步骤摘要】
结合卷积神经网络和数据融合的大桥方位识别方法及系统
本专利技术涉及智能船舶
，特别涉及一种结合卷积神经网络和数据融合的大桥方位识别方法及系统。
技术介绍
随着人工智能产业的兴起，智能船舶作为其中的一部分备受瞩目。智能船舶航行于内河时，如果航道上有跨江大桥，海事雷达会获取到跨江大桥的数据，从而会出现一条横在航道的屏障，因此只从海事雷达的数据判断，则该航道无法通行。为了消除这种影响，需要对于水面上的目标物体进行感知，不仅需要识别出物体的特征，还需要判断出物体的方位，这样才能够对自主航行起到是否需要避障，还是忽略物体等辅助作用。现有技术中使用卷积神经网络识别航标，高架等物体，没有用于识别跨江大桥，因此卷积神经网络的构造不相同。而且现有技术只识别出物体的分类特征，比如说物体属于航标，高架等，并不能知晓这些物体的方位，因此对智能船舶的自主航行的辅助作用不大。
技术实现思路
本专利技术要解决的技术问题是提供一种准确性高、可靠性好的结合卷积神经网络和数据融合的大桥方位识别方法及系统。为了解决上述问题，本专利技术提供了本文档来自技高网...

【技术保护点】
1.结合卷积神经网络和数据融合的大桥方位识别方法，其特征在于，包括：/n获取相机图像数据；/n利用训练好的卷积神经网络判断图像中是否存在大桥；/n当存在大桥时，提取大桥图像坐标；/n将海事雷达数据转换到相机的图像平面；/n在图像平面上匹配大桥图像坐标和海事雷达数据的图像坐标；/n计算大桥在海事雷达中的方位。/n

【技术特征摘要】
1.结合卷积神经网络和数据融合的大桥方位识别方法，其特征在于，包括：
获取相机图像数据；
利用训练好的卷积神经网络判断图像中是否存在大桥；
当存在大桥时，提取大桥图像坐标；
将海事雷达数据转换到相机的图像平面；
在图像平面上匹配大桥图像坐标和海事雷达数据的图像坐标；
计算大桥在海事雷达中的方位。


2.如权利要求1所述的结合卷积神经网络和数据融合的大桥方位识别方法，其特征在于，所述卷积神经网络包括Conv层、ReLU层、Pool层、Affine层、Dropout层和Softmax层，所述Conv层为卷积层，用于对图像数据做卷积运算；所述ReLU层为使用ReLU函数的激活函数层；所述Pool层为池化层；所述Affine层为全连接层，用于正向和反向传播计算；所述Dropout层用于随机地删除一定数量的神经元；所述Softmax层为输出层，利用适用于分类问题的Softmax函数，用于输出图像中是否存在跨江大桥的结果。


3.如权利要求2所述的结合卷积神经网络和数据融合的大桥方位识别方法，其特征在于，图像数据在每个层之间的处理和传递的先后顺序为：Conv层，ReLU层，Conv层，ReLU层，Pool层，Conv层，ReLU层，Conv层，ReLU层，Pool层，Affine层，ReLU层，Dropout层，Affine层，Dropout层，Softmax层。


4.如权利要求1所述的结合卷积神经网络和数据融合的大桥方位识别方法，其特征在于，所述将海事雷达数据转换到相机的图像平面，包括：将海事雷达数据转换到相机坐标系，再将海事雷达数据从相机坐标系转换到图像平面。


5.如权利要求4所述的结合卷积神经网络和数据融合的大桥方位识别方法，其特征在于，利用以下公式将海事雷达数据转换到相机坐标系：



其中，Pr∈R3，是海事雷达坐标系中的坐标；P∈R3，是相机坐标系中的坐标；C∈R3*3，是海事雷达坐标系相对于相机坐标系的旋转矩阵；R∈...

【专利技术属性】
技术研发人员：徐中明，钟鸣，朱俊，
申请(专利权)人：江苏恒澄交科信息科技股份有限公司，
类型：发明
国别省市：江苏;32