基于两次迁移学习和数据增广的船舶目标检测方法技术

本发明专利技术公开了基于两次迁移学习和数据增广的船舶目标检测方法，包括建立船舶目标的图像数据集；利用固定步长旋转与图像拼接技术扩充图像数据集；对增广后的图像数据集进行标注，划分训练集和测试集；对Darknet网络模型进行预训练，从Coco数据集中筛选出Boat类图像及标签文件，在预训练好的Darknet网络模型上进行第一次迁移学习，获得船舶检测初步模型；用训练集在初步模型上进行第二次迁移学习，用测试集对学习后的模型进行测试，获得最终船舶检测模型；对待检测视频图像序列进行检测，获得船舶目标检测结果。解决了棘手场景中样本数据难以大量获得、基于深度学习的船舶目标检测中小样本学习困难的问题，提高了船舶目标检测的鲁棒性、准确性和快速性。准确性和快速性。准确性和快速性。

【技术实现步骤摘要】
基于两次迁移学习和数据增广的船舶目标检测方法


[0001]本专利技术属于计算机视觉和人工智能
，具体涉及基于两次迁移学习和数据增广的船舶目标检测方法。

技术介绍

[0002]目标检测是计算机视觉和人工智能领域的研究热点，从传统的检测算法Viola
‑
Jones Detector、HOG、DPM等到当今RCNN、YOLO等深度学习土壤孕育下的GPU暴力美学，整个目标检测技术和算法的发展可谓是计算机视觉领域的一部浓缩史，其在智能视频监控、人机交互、图像搜索、自主导航等方面有着广泛应用。
[0003]近年来，基于深度学习的目标检测算法由于其突出的特征描述能力、检测和定位精度，正逐渐成为目标检测
的主要研究方向之一。已有算法可分为两阶段(Two
‑
stage)和单阶段(One
‑
stage)两类；其中Two
‑
stage算法如R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN，首先生成候选区域(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于两次迁移学习和数据增广的船舶目标检测方法，其特征在于，包括：步骤1.建立船舶目标的小样本图像数据集；步骤2.对步骤1数据集进行数据增广，以扩充图像数据集的总样本数量；步骤3.对步骤2增广后的图像数据集中的每个图像进行标注，得到符合Pascal VOC格式的xml标签文件，将标注后的数据集按比例划分为训练集和测试集；步骤4.采用两次迁移学习技术来构建以YOLO V3为框架的船舶检测模型：对Darknet网络模型进行预训练，从Coco数据集中筛选出Boat类图像及标签文件，并将其应用在预训练好的Darknet网络模型上，进行第一次迁移学习，得到船舶检测初步模型；步骤5.利用步骤3训练集图像在步骤4船舶检测初步模型上进行第二次迁移学习，并利用步骤3测试集对第二次迁移学习后得到的模型进行测试，获得最终的船舶检测模型；步骤6.利用步骤5最终船舶检测模型，对待检测视频图像序列进行检测，获得船舶目标检测结果。2.根据权利要求1所述的基于两次迁移学习和数据增广的船舶目标检测方法，其特征在于，所述步骤2中，利用固定步长全覆盖旋转和图像拼接对步骤1数据集进行数据增广，以扩充图像数据集的总样本数量。3.根据权利要求2所述的基于两次迁移学习和数据增广的船舶目标检测方法，其特征在于，所述固定步长覆盖旋转，如式(1)所示：式中：(x0,y0)为原始图像坐标；(x,y)为旋转后图像坐标；H
rotate
为旋转矩阵；旋转范围为[0
°
，360
°
]；表示每次旋转的步长；i∈[0、1、2、...n
‑
1]表示旋转的序数；n∈[36、45、60、90、180]为总旋转次数，以使旋转范围全覆盖。4.根据权利要求2所述的基于两次迁移学习和数据增广的船舶目标检测方法，其特征在于，所述图像拼接，具体为：首先按照每隔三张图像选取一张图像为步长来抽取一定数量的图像进行图像拼接，即：每四幅图像分为一组，然后对组内每幅图像的宽高按照1/2
×
1/2的比例进行缩小如式(2)所示，使四幅图像拼接后的尺度等于原始图像尺度；再进行拼接的公式如式(3)所示，最后将拼接图像放进图像数据集中：再进行拼接的公式如式(3)所示，最后将拼接图像放进图像数据集中：
其中：(x,y)为旋转后图像坐标；为缩放后图像坐标；H
scale
为尺度缩放矩阵；为缩小后得到的四幅对应图像,，可作为一组构成拼接图像A'
w*h
；w，h表示原始图像的宽高尺度。5.根据权利要求...

【专利技术属性】
技术研发人员：路红，邱春，杜一君，刘义亭，彭俊，花湘，万文明，秦彬鑫，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：