本发明专利技术公开了一种海上船舶目标检测方法及装置，涉及目标检测技术领域。包括：获取待检测的海上船舶的图像；将图像输入到构建好的检测模型；其中，检测模型包括特征提取网络、候选框网络以及目标检测网络；根据图像、特征提取网络、候选框网络以及目标检测网络，得到待检测的海上船舶的图像的检测结果。本发明专利技术通过自建高清的海上船舶数据集来提升数据的质量，以及使用了域自适应的方法解决了训练数据集与测试数据集分布不平衡的问题，提高了目标检测的精度与模型的泛化能力。的精度与模型的泛化能力。的精度与模型的泛化能力。
【技术实现步骤摘要】
一种海上船舶目标检测方法及装置
[0001]本专利技术涉及目标检测
，特别是指一种海上船舶目标检测方法及装置。
技术介绍
[0002]从大航海时代到如今的21世纪，海上交通运输一直是人类生产生活的一个重要组成部分。各式各样的船只满足人们不同的需求，海运带来的便利通常使近海或港口城市有着极大的经济潜力。在经济全球化的今天，海上船舶依旧是连接各大洲各大洋的重要交通工具。
[0003]海上船舶目标检测具有重要的现实意义和应用价值。可以保障我国领土与主权完整并促进海域的良性管理等；也可以帮助海事管理人员对进出港船舶进行管理，减少船舶事故的发生，并对船舶非法行为进行更为有效的监控。船舶的目标检测相对人肉眼的识别来说优势巨大，一方面是由于依托于远距离光学放大的图像捕捉设备，另一方面基于计算机运算的低成本和稳定性。因此，精确检测海上船舶目标成为当下研究的热点。
[0004]然而，海上船舶的目标检测存在着许多棘手的问题。如因视角原因，设备捕捉到的船舶很有可能互相遮挡，造成误检测；或是船舶的大小各异，尺度不统一，造成小目标的漏检测；还有不同的摄像设备不同的拍摄环境，造成的船舶图像样式差异巨大；实际生产中出现的不同种类，不同样式，不同型号的船舶，有很多情况下超出了训练数据集的范畴。
技术实现思路
[0005]本专利技术针对现有的传统船舶目标检测技术存在的视角遮挡拍摄设备不统一，以及各种海上船舶尺度不一型号不一难于识别的问题，提出了本专利技术。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：
[0007]一方面，本专利技术提供了一种海上船舶目标检测方法，该方法由电子设备实现，该方法包括：
[0008]S1、获取待检测的海上船舶的图像。
[0009]S2、将图像输入到构建好的检测模型；其中，检测模型包括特征提取网络、候选框网络以及目标检测网络。
[0010]S3、根据图像、特征提取网络、候选框网络以及目标检测网络，得到待检测的海上船舶的图像的检测结果。
[0011]可选地，S2中的检测模型的训练过程包括：
[0012]S21、获取海上船舶视频数据集；其中，海上船舶视频数据集包括有标签数据集以及无标签数据集。
[0013]S22、将海上船舶视频数据集输入到特征提取网络，得到海上船舶视频数据集中图像的特征图层；其中，图像的特征图层包括有标签数据图像的特征图层以及无标签数据图像的特征图层。
[0014]S23、将特征图层输入到候选框网络，对特征图层进行候选框生成，得到候选框内
对应的局部特征图层；其中，局部特征图层包括有标签局部特征图层以及无标签局部特征图层。
[0015]S24、将局部特征图层输入到目标检测网络，得到海上船舶视频数据的检测结果。
[0016]可选地，S21中的获取海上船舶视频数据集包括：
[0017]S211、获取海上船舶视频数据集。
[0018]S212、对海上船舶视频数据集中的部分海上船舶视频数据集进行人工标注，得到有标签数据集，并将有标签数据集以图像形式存储。
[0019]可选地，S22中的将海上船舶视频数据集输入到特征提取网络，得到海上船舶视频数据集中图像的特征图层包括：
[0020]将海上船舶视频数据集输入到特征提取网络，采用预设图像特征提取方法对海上船舶视频数据集中的图像进行推理计算，得到海上船舶视频数据集中图像的浅层特征图层和深层特征图层。
[0021]可选地，目标检测网络包括有标签数据目标检测网络以及无标签数据目标检测网络。
[0022]S24中的将局部特征图层输入到目标检测网络，得到海上船舶视频数据的检测结果包括：
[0023]S241、将有标签局部特征图层输入到有标签数据目标检测网络，得到有标签数据的检测结果。
[0024]S242、将无标签局部特征图层输入到无标签数据目标检测网络，得到无标签数据的检测结果。
[0025]可选地，有标签数据的检测结果包括有标签数据的分类结果以及检测框。
[0026]S241中的将有标签局部特征图层输入到有标签数据目标检测网络，得到有标签数据的检测结果包括：
[0027]将有标签局部特征图层输入到分类器网络进行分类预测，得到有标签数据的分类结果。
[0028]对候选框进行回归计算，进而构建得到检测框。
[0029]可选地，S242中的将无标签局部特征图层输入到无标签数据目标检测网络，得到无标签数据的检测结果包括：
[0030]将无标签局部特征图层与有标签局部特征图层利用最大软间隔支持向量机SVM投射到中间域。
[0031]根据有标签数据目标检测网络的判别规则以及无标签局部特征图层，得到无标签数据的检测结果。
[0032]可选地，根据有标签数据目标检测网络的判别规则以及无标签局部特征图层，得到无标签数据的检测结果包括：
[0033]根据有标签数据目标检测网络的判别规则对中间域上的无标签局部特征图层进行判别，得到无标签数据的检测结果。
[0034]另一方面，本专利技术提供了一种海上船舶目标检测装置，该装置应用于实现海上船舶目标检测方法，该装置包括：
[0035]获取模块，用于获取待检测的海上船舶的图像。
[0036]输入模块，用于将图像输入到构建好的检测模型；其中，检测模型包括特征提取网络、候选框网络以及目标检测网络。
[0037]输出模块，用于根据图像、特征提取网络、候选框网络以及目标检测网络，得到待检测的海上船舶的图像的检测结果。
[0038]可选地，输入模块，进一步用于：
[0039]S21、获取海上船舶视频数据集；其中，海上船舶视频数据集包括有标签数据集以及无标签数据集。
[0040]S22、将海上船舶视频数据集输入到特征提取网络，得到海上船舶视频数据集中图像的特征图层；其中，图像的特征图层包括有标签数据图像的特征图层以及无标签数据图像的特征图层。
[0041]S23、将特征图层输入到候选框网络，对特征图层进行候选框生成，得到候选框内对应的局部特征图层；其中，局部特征图层包括有标签局部特征图层以及无标签局部特征图层。
[0042]S24、将局部特征图层输入到目标检测网络，得到海上船舶视频数据的检测结果。
[0043]可选地，输入模块，进一步用于：
[0044]S211、获取海上船舶视频数据集。
[0045]S212、对海上船舶视频数据集中的部分海上船舶视频数据集进行人工标注，得到有标签数据集，并将有标签数据集以图像形式存储。
[0046]可选地，输入模块，进一步用于：
[0047]将海上船舶视频数据集输入到特征提取网络，采用预设图像特征提取方法对海上船舶视频数据集中的图像进行推理计算，得到海上船舶视频数据集中图像的浅层特征图层和深层特征图层。
[0048]可选地，目标检测网络包括有标签数据目标检测网络以及无标签数据目标检测网络。...
【技术保护点】
【技术特征摘要】
1.一种海上船舶目标检测方法，其特征在于，所述方法包括：S1、获取待检测的海上船舶的图像；S2、将所述图像输入到构建好的检测模型；其中，所述检测模型包括特征提取网络、候选框网络以及目标检测网络；S3、根据所述图像、特征提取网络、候选框网络以及目标检测网络，得到待检测的海上船舶的图像的检测结果。2.根据权利要求1所述的方法，其特征在于，所述S2中的检测模型的训练过程包括：S21、获取海上船舶视频数据集；其中，所述海上船舶视频数据集包括有标签数据集以及无标签数据集；S22、将所述海上船舶视频数据集输入到所述特征提取网络，得到海上船舶视频数据集中图像的特征图层；其中，所述图像的特征图层包括有标签数据图像的特征图层以及无标签数据图像的特征图层；S23、将所述特征图层输入到所述候选框网络，对特征图层进行候选框生成，得到候选框内对应的局部特征图层；其中，所述局部特征图层包括有标签局部特征图层以及无标签局部特征图层；S24、将所述局部特征图层输入到所述目标检测网络，得到海上船舶视频数据的检测结果。3.根据权利要求2所述的方法，其特征在于，所述S21中的获取海上船舶视频数据集包括：S211、获取海上船舶视频数据集；S212、对所述海上船舶视频数据集中的部分海上船舶视频数据集进行人工标注，得到有标签数据集，并将所述有标签数据集以图像形式存储。4.根据权利要求2所述的方法，其特征在于，所述S22中的将所述海上船舶视频数据集输入到所述特征提取网络，得到海上船舶视频数据集中图像的特征图层包括：将所述海上船舶视频数据集输入到所述特征提取网络，采用预设图像特征提取方法对所述海上船舶视频数据集中的图像进行推理计算，得到海上船舶视频数据集中图像的浅层特征图层和深层特征图层。5.根据权利要求2所述的方法，其特征在于，所述目标检测网络包括有标签数据目标检测网络以及无标签数据目标检测网络；所述S24中的将所述局部特征图层输入到所述目标检测网络，得到海上船舶视频数据的检测结果包括：S241、将所述有标签局部特征图层输入到有标签数据目标检测网络，得到有标签数据的检测结果；S242、将所述无标签局部特征图层输入到无标签数据目标检测网络，得到无标签...
【专利技术属性】
技术研发人员：班晓娟，韩冰，姚超，孙金胜，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
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。