[發明專利]一種基于場景多維特征的船只檢測方法及系統

有效

• 申請號: 201711311822.1
• 申請日: 2017-12-11
• 公開（公告）號: CN107818326B
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 鄧練兵
• 申請（專利權）人: 珠海大橫琴科技發展有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 珠海智專專利商標代理有限公司 44262
• 代理人: 鐘意華

本發明提供一種基于場景多維特征的船只檢測方法及系統，包括構建船只圖像樣本庫，提取每幀圖像所有邊緣作為圖像的第四維；提取得到海岸線，令海面區域為船只出現范圍區域；構建類Faster RCNN卷積網絡作為深度學習網絡，將樣本數據輸入到深度學習網絡中；構建RPN網絡，利用滑動窗口在船只出現范圍區域生成不同大小區域建議框，同所得深度學習網絡結合，根據船只真實位置訓練模型；對檢測影像基于訓練所得模型對海岸線間的部分進行船只檢測。本發明通過提取海岸線來避免了陸地房屋的干擾，只對船只區域進行區域建議，提高了區域建議框的準確率和速度；并且在目標檢測中加入了邊緣特征作為圖像第四維，提高了檢測精度和速度。

技術領域

本發明屬于計算機視覺領域，基于場景多維特征構建深度學習網絡模型的船只檢測方法及系統。

背景技術

現今社會中，視頻監控攝像頭無處不在，而在監控中心的電視墻上也會同時顯示多路監控畫面，如果只是依靠人眼觀察檢測，很容易錯過異常事件。研究表明，專業監控人員在僅僅監視2個監視器的情況下，22分鐘后將錯過95％的行為，不能事先有效防控犯罪行為的發生。而智能監控探頭提高了實時監控系統的主動預警能力，當檢測到相關危險情況時發出預警，有利于相關部門及時采取措施。另一方面，智能監控探頭的異常預警行為的存儲記錄，也是日后案件偵破、事故原因分析等工作中的珍貴線索。

而隨著人口的迅速膨脹和陸地資源的極其匱乏，21世紀人類逐漸加快了向海洋進軍的步伐。如何利用好、保護海洋環境和資源，如何在人力有限的情況下監控廣袤的海洋成為當前重要的研究課題。海洋視頻監控系統可以實現24小時無間斷監控、全面監測過往艦船、船員動作等情況，違反行為被第一時間捕捉、周邊海域狀況被無間斷記錄，從而大大緩解了海洋監管人員的工作難度，提高工作效率，節約監管成本，同時為海洋管理決策的制定提供科學依據。

本專利這里研究如何從環島監控視頻系統中快速準確地檢測出運動船只。縱觀國內外的目標檢測算法現狀，逐漸從時域幀差法、光流法、背景減除法等傳統方法轉向R-CNN，Fast RCNN，Faster RCNN等基于深度學習的檢測方法。

傳統方法中時域幀差法是提取出視頻中的相鄰的兩幀或多幀圖像，進行差分計算，通過閾值化從而分離出圖像中的背景和運動物體，獲得它的像素。該算法對于動態背景，在鏡頭固定的時候具有較強的適應性和魯棒性，不過它不能完整地提取出特征的所有相關像素點，只能提取部分特征相關像素，這導致它得不到高精度的檢測結果。當物體運動迅速時，采用大一些的取樣間隔，會導致兩幀影像間沒有覆蓋，而容易發生誤檢測。如果在物體運動速度較慢時，采用小一些的取樣間隔，則檢測出的運動目標容易產生空洞現象，不利于后續的目標檢測。

在深度學習的方法中，RCNN是一個帶有CNN特征區域的網絡，第一次利用卷積神經網絡特征來做分類。輸入一張影像，它首先通過選擇性搜索(Selective Search,SS)的區域建議方法來獲取大約2000的候選區域，然后對每一個特征區域提取CNN特征。再利用SVM分類器對每個區域進行分類，最后根據閾值確定最終的分類結果。但是該方法的效率不高，在CPU模式下一張影像需要2秒左右的時間，其主要原因是在提取特征的過程中，CNN會對每個region proposals進行單獨的特征提取，這樣導致所耗時間大大增加。

Fast RCNN網絡的輸入是圖像和它的對象建議框，然后對圖像進行卷積和最大池化操作，得到本專利需要的特征圖(feature map)。Fast RCNN提出了新的網絡層結構ROIPooling層來將這些結果的尺度進行統一，變成固定長度的特征向量。然后將這些特征向量輸入到一個全連接層，再輸入到一個multi-task模型，由softmax分類器和bbox regressor回歸合并組成，而這兩層能夠共享特征，所以同時對這兩個進行微調，相互促進，能得到更好的效果。Fast RCNN可以在GPU上實現，雖然提高了效率，但是他沒有考慮之后的檢測網絡，而區域建議部分也耗時太長，并沒有能夠很好地解決這一問題。