【技术实现步骤摘要】
一种小型船舶检测方法及系统
[0001]本专利技术涉及大数据挖掘
,具体涉及一种小型船舶检测方法及系统
。
技术介绍
[0002]船舶作为海面上的重要目标,船舶识别研究一直是研究热点,船舶的识别与检测技术有着广泛的应用前景
。
现有的船只检测算法是直接将图片传入神经网络来检测船只,但这类方法在船舶航行时由摄像头录制的图像存在大量无船的海面图,严重占用检测时间和检测资源,导致检测速度较慢
。
[0003]此外,还有检测方法是通过提取待识别船舶图像的方向梯度直方图
HOG
特征,区分船舶的形状,获得轮廓信息,但该类方法未对海上大量无船图做过滤处理,检测效率低,易误报,实用性差
。
以及采用基于
GoogleNet
的深度学习方法检测船只,存在检测效率低,功耗大,以及未对远处小船做针对性识别
、
容易漏报等问题
。
另外,海盗船一般为小型船只,一般深度学习算法较难检测出远处的海盗船,严重影响船舶航行安全
。
[0004]针对以上问题,亟需一种检测效率高
、
实用性强以及能够准确识别出远处小型船只的船舶检测方法来应对目前海事图像中船舶跟踪
、
船舶分割的挑战
。
技术实现思路
[0005]为解决目前船只检测过程中存在的检测效率低
、
功耗大,以及无法对远处小型船只准确识别导致漏报等问题,本专利技术提供了一种小型船舶 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种小型船舶检测方法,其特征在于,包括以下步骤:图像获取步骤:获取待测海事视频图像,对待测海事视频图像进行分帧处理得到多个海事视频图像,并获取各个海事视频图像的像素特征值;图像处理步骤:根据像素特征值并采用结构相似性算法分别计算出各个海事视频图像与无船海面基准图像的结构相似性系数,将结构相似性系数大于预设阈值的海事视频图像去除;船舶跟踪数据获取步骤:基于去除后剩余的海事视频图像的像素特征值构建特征金字塔网络并基于海事视频图像的分辨率和海事视频图像中的目标识别精度自动对特征金字塔网络中神经网络的层数进行调整,得到改进后的特征金字塔网络,并将去除后剩余的海事视频图像作为训练集样本输入至基于改进后的特征金字塔网络建立的
YOLOV3
目标检测模型,得到船舶跟踪数据;特征训练步骤:将船舶跟踪数据作为训练集样本输入至预先建立的基于
FairMOT
算法以及
BYTE
数据关联算法的多目标跟踪网络中进行训练,得到小型船舶跟踪轨迹图像并进行展示,以实现作为目标船舶的小型船舶检测
。2.
根据权利要求1所述的小型船舶检测方法,其特征在于,所述图像处理步骤中,所述像素特征值包括海事视频图像的像素平均值
、
像素标准差
、
像素方差以及像素协方差
。3.
根据权利要求1所述的小型船舶检测方法,其特征在于,所述特征训练步骤中,将船舶跟踪数据输入至基于
FairMOT
算法以及
BYTE
数据关联算法的多目标跟踪网络中进行训练包括:
S1
:将船舶跟踪数据输入至多目标跟踪网络中的
FairMOT
算法中进行训练,得到船舶跟踪数据序列包含的多目标信息,所述多目标信息包括目标所在的检测框和
ID
特征,提取检测框中目标中心点的
ID
特征并按时序对所述
ID
特征进行连结,得到小型船舶的初始跟踪轨迹;
S2
:将初始跟踪轨迹输入至多目标跟踪网络中的
BYTE
数据关联算法,并将所有检测框分为高分框和低分框,使用高分框和初始跟踪轨迹进行匹配,使用低分框和未能与高分框匹配上的初始跟踪轨迹进行匹配,并对未能匹配初始跟踪轨迹的高分框进行新建轨迹,将未能匹配的初始跟踪轨迹重新分为高分框和低分框并保留一段时间后再进行匹配,得到小型船舶跟踪轨迹图像并进行保存
。4.
根据权利要求1所述的小型船舶检测方法,其特征在于,所述船舶跟踪数据获取步骤中,还采用交叉熵损失函数作为
YOLOV3
目标检测模型训练中的损失函数,并采用
adam
优化器对
YOLOV3
目标检测模型的权重参数进行更新
。5.
根据权利要求4所述的小型船舶检测方法,其特征在于,所述船舶跟踪数据获取步骤中,在
YOLOV3
目标检测模型训练过程中,得到损失函数值最小的权重文件,将海事视频图像放入
YOLOV3
目标检测模型中,调用所述权重文件,并通过
softmax
函数将海事视频图像中的每个像素点进行分类,得到高精度像素的船舶跟踪数据并进行保存
。6.
一种小型船舶检测系统,其特征在于,包括依次连接的图像获取模块
技术研发人员:李川,于艳玲,
申请(专利权)人:上海船舶运输科学研究所有限公司,
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。