[發明專利]基于圖像顯著性檢測的采砂船識別方法

有效

• 申請號: 201910143774.2
• 申請日: 2019-02-26
• 公開（公告）號: CN109886221B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 孫豐;馬艷娜;盧克
• 申請（專利權）人: 浙江水利水電學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳秉中;吳偉凱

本發明公開一種基于圖像顯著性檢測的采砂船識別方法，該方法針對部分顯著性物體（采砂船船體）檢測模型出現部分圖片出現全局語義信息缺失的情況提出了一種新的強監督顯著性檢測方法。該模型分為兩層，第一層主要采用了全卷積神經網絡在像素層面上抓取采砂船圖片全局語義信息與局部特征信息，并標注采砂船船體。第二層通過我們提出的遞歸遞減的模型，逐層的將第一層得到的顯著圖去噪音并在全局語義缺失情況下使用局部信息補充，并加強顯著物體的邊界特征。該模型在收集的采砂船數據集上表現優良，在現有的6個SOD數據集上表現良好。

技術領域

本發明涉及計算機視覺領域，主要是針對江面非法采砂船的顯著性檢測。

背景技術

在經濟快速的發展的時代背景下，人們對于經濟的需求更大于以前。很多人開始在江河之中非法采砂，將之倒賣。這樣的非法行為我們可以使用將江面圖片的顯著性檢測技術探測。雖然市面上有一些技術可以探測非法采砂船，但是存在以下不足之處：(1)江面圖片中的采砂船物體檢測不明顯；(2)對于檢測到的采砂船，輪廓不清晰，并且有時十分模糊，丟失部分全局語義信息；(3)現有的顯著性檢測模型對于江面圖片中的雜質元素如江面波光或水浪無法有效排除，無法正確分類有效信息與無效信息；(4)現有的顯著性檢測模型對于岸邊拍攝的采砂船圖像中存在的草木堤壩無法有效的去除或識別；(5)現有的顯著性檢測模型針對實際情況時，得出的結果與現實情況有所偏差。

通過觀察大量的江邊監控等拍攝的采砂船圖片，發現這些圖片可以分為以下四類：(1)小物體，即采砂船在圖像中與全圖相比，占比小于10％；(2)大物體，即采砂船在圖像中與全圖相比，占比大于50％；(3)復雜背景，即拍攝的圖像中不僅包含了采砂船，還包含江邊堤壩，江邊行人，江邊草木等次顯著物體；(4)低對比度，采砂船因長年在江水或河水中航行加上采砂船本身顏色，導致采砂船的整體色調與江水顏色近似，加大識別的難度。

發明內容

為了解決現有技術中存在的上述技術問題，本發明提供了一種基于圖像顯著性檢測的采砂船識別方法。針對目前大多數采砂船檢測方法存在的無法有效融合全局語義信息和局部特征信息以及無法有效檢測圖片中存在的噪音，提出了遞歸遞減深度融合語義信息的模型。可以有效使用局部特征信息減少因為檢測時丟失部分全局語義信息而導致顯著性物體檢測失敗的情況，同時增強顯著性物體的標注，對非顯著性物體的噪音或者大體積的非顯著性物體進行有效的去除。其具體技術方案如下：

一種基于圖像顯著性檢測的采砂船識別方法，采用全卷積神經網絡對圖片進行顯著性物體的檢測，在檢測過程中采集全局語義特征，局部信息作為補充，遞歸遞減的模式深入融合兩者。

進一步的，在顯著性物體檢測過程中，采集全局語義特征即采砂船整體方位作為判斷顯著性物體位置的基本信息，采用局部信息即淺層卷積層輸出的采砂船細節作為全局語義補充。

進一步的，全卷積神經網絡進行如下操作：

將數據從第一層卷積層開始慢慢向下傳遞直至第五層卷積層，在卷積傳遞的過程中，各層卷積層會提取各層所識別的特征，卷積結果：

f_s(X；W,b)＝Pooling(σ(W*_s X+b))

X是原生的輸入圖片；W和b分別代表卷積核和卷積偏置值；*_s代表卷積操作的步長值；σ代表是線性整流函數(Rectified Linear Unit,ReLU)；Pooling指最大池化操作(MaxPooling)；作為結果的f_s(X；W,b)的是原數據按照參數s進行的下采樣操作而得到：

X仍然代表原生的輸入圖片；f_s(X；θ)代表在步長s和參數θ的作用下生成的特征圖；代表在上采樣步長s和參數的作用下反卷積生成的特征圖，且保證特征圖規格與X的規格相同。