[發明專利]基于深度學習網絡和卡爾曼濾波的船只目標視頻檢測方法

有效

• 申請號: 201810987135.X
• 申請日: 2018-08-28
• 公開（公告）號: CN109145836B
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 邵振峰;張瑞倩;吳文靜;王嶺鋼;李成源
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種基于深度學習網絡和卡爾曼濾波的船只目標視頻檢測方法，包括監控視頻數據采集，對于獲取到的監控視頻數據進行預處理，為卷積神經網絡訓練準備船只目標的正負樣本；采用基于區域的卷積神經網絡方法，基于船只目標的正負樣本進行訓練，得到訓練后的深度學習網絡；基于卡爾曼濾波方法，根據前一時刻船只檢測最終結果，對當前時刻的船只位置進行預測，獲得當前時刻的卡爾曼濾波預測結果；通過當前時刻的卡爾曼濾波預測結果和當前時刻的深度學習網絡檢測結果，共同確定當前時刻的船只檢測最終結果。本發結合深度學習方法和卡爾曼濾波方法，檢測快速高效，魯棒性高，大幅度提高針對視頻船只目標的檢測精度，支持新出現目標的檢測。

技術領域

本發明屬于船舶數字影像處理技術領域，特別涉及一種基于深度學習網絡和和卡爾曼濾波的船只目標視頻檢測方法。

背景技術

現今社會中，視頻監控攝像頭無處不在，如果只是依靠人眼觀察檢測，很容易錯過視頻中的異常事件。隨著計算機網絡、通信和半導體技術的迅速發展，人們越來越青睞于利用計算機視覺代替人眼對傳感器得到的視頻圖像進行分析，獲取圖像中的有用信息。視頻目標檢測就是計算機視覺研究的一個重點，它主要是對圖像傳感器得到的感興趣的目標進行檢測。視頻目標檢測是許多視頻應用的基礎，更是比如交通監控、智能機器人和人機交互等，其對于智能城市管理、打擊違法犯罪以及建設平安城市與智慧城市具有重要作用，是當前視頻處理研究的重點和難點。而對于船只目標來說，更是對于沿海城市的船只管理、監督和調度起著至關重要的作用。

針對船只的視頻目標檢測主要有基于運動的檢測、基于匹配的檢測和基于特征的檢測三大類。

基于運動的檢測方法通過對視頻中的動態圖像進行分析處理來獲取運動船只信息，從而實現對運動船只的檢測，進一步通過初始船只位置，獲得視頻中后續幀的船只位置。該方法將檢測問題視作一個狀態估計問題，根據給定數據，用新號處理的方法對船只在下一幀的狀態(如位置、顏色、形狀等)進行最優化估計。該方法主要包括基于濾波的檢測算法和基于子空間學習的算法。基于濾波的算法如卡爾曼濾波、均值漂移濾波和粒子濾波，主要根據前期數據學習出船只的特征空間，再根據當前幀的圖像塊在特征空間的分布進行船只定位。預測的方法在船只目標檢測方面具有速度快的優勢，但是當前幀狀態完全取決于前一幀檢測結果，無法自動進行檢測和檢測錯誤的修正，檢測的精度較低。

基于匹配的算法將視頻中的船只檢測問題視為一個模板匹配問題，用一個模板表示待檢測的目標，尋找下一幀中的最優匹配結果。匹配中的目標可以是一個或一組圖形塊，也可以是目標圖像的全局或局部特征表示。這類方法通過邊檢測邊學習的過程，提高了后續幀中目標檢測的性能，但是依然難以實現自動快速的目標檢測結果，同時對于遮蓋、復雜環境下難以準確檢測。

基于特征的檢測方法主要通過圖像目標檢測算法，對視頻中每一幀圖像進行單獨的船只檢測過程。其中，基于深度學習的方法尤為突出，該方法能夠對多種目標進行特征的自動學習，獲得船只的高維特征，檢測結果精度相比傳統方法有了大幅度提升。然而，對于視頻目標來說，單幀圖像的船只檢測放棄了視頻目標中的上下文關系，屬于離線學習的方法，對于動態變化的目標檢測效果較差，而在線學習方法容易因每一次的更新引入新的誤差導致誤差累計，最終發生漂移甚至丟失目標。如何自動快速對視頻中的船只目標檢測，即考慮當前幀結果，又參考目標不同的特征，還需要進一步研究。

發明內容

本發明的目的就在于克服現有技術存在的缺點和不足，提供一種基于深度學習網絡和卡爾曼濾波的船只目標視頻檢測方法。

本發明技術方案提供一種基于深度學習網絡和卡爾曼濾波的船只目標視頻檢測方法，包括以下步驟：

步驟1，監控視頻數據采集；

步驟2，對于獲取到的監控視頻數據進行預處理，為卷積神經網絡訓練準備船只目標的正負樣本；

步驟3，采用基于區域的卷積神經網絡方法，基于船只目標的正負樣本進行訓練，得到訓練后的深度學習網絡；