[發明專利]一種移動船舶多目標實時檢測方法

在審

• 申請號: 202010728166.0
• 申請日: 2020-07-23
• 公開（公告）號: CN111832660A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 孫昌俊;宋儒卿;張建龍
• 申請（專利權）人: 南京聯云智能系統有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種移動船舶多目標實時檢測方法，其特征在于：在特征學習的基礎上將分類和回歸融合在一個深度神經網絡中進行多目標實時檢測，將其命名為船舶檢測深度神經網絡算法SD-DCNN，圖像中有多個船舶目標，需要判別每一個預測框，具體包括以下步驟：

S1、將圖片劃分為S×S的網格，對任何一個網格預測B個邊界框，每一個邊框都給出5個參數，即是X，Y，W，H，SHIPConfig，其中(X，Y)是船體預測框的中心橫坐標與船體預測框中心的縱坐標；(W，H)是船體預測框的寬度和船體預測框的高度，SHIPConfig為船體預測框中存在船體的可信度；

SHIPConfig＝Pr(ship)*IOU(pred|truth) (1)

其中，P_r(ship)表示船體是否存在預測框中，IOU(pred|truth)表示預測框與真實框的交并比；

IOU(pred|truth)表示預測框與真實框的交并比：

BB(pred)為基于訓練數據的預測框，BB(truth)為目標檢測時的真實框，area(·)表示求面積；

S2、通過特征融合使每一層的特征在同一層上參與船體的檢測,即是在原有的深度卷積神經網絡中添加新的網絡層來提取船舶的特征，并將這些特征融合到高層網絡中提取出高層的抽象特征；

S3、為了減小計算的復雜度，設計損失函數，其作用是通過設置不同的比例因子給有船體部分的預測框和沒有船體部分的預測框去做出相應的比例上的平衡,損失函數形式如下所示：

將圖片劃分為S×S的網格，對任何一個網格預測B個邊界框，其中，為判斷第i個網絡中的第j個預測邊界框是否負責船體目標的判別；x_i表示第i網絡的橫坐標位置，表示第i網絡的預測橫坐標位置，為預測的第i網絡的類別，C_i表示第i網絡的真實類別，λ_coord為坐標誤差調整因子一般為實數，這里取值5；λ_noobj一般為0-1之間小數，這里取值0.5，p_i(c)為分類概率，為分類預測概率，ω_i目標邊界框寬，為預測邊界框寬，h_i為目標邊界框高，為為預測邊界框高；

為坐標預測損失值；

為含有船體部分的預測邊界框的可信度的預測損失值；

為不含有船體部分的預測邊界框的可信度的預測損失值；

為判斷是否船體的中心落在了網格中。

2.一種移動船舶多目標實時檢測方法，其特征在于：船舶檢測深度神經網絡算法SD-DCNN訓練網絡將圖像輸入到SD-DCNN訓練集中，SD-DCNN會輸入的圖像自動劃分為7*7的網格，如果船體的中心在這個網格內，則SD-DCNN認為這個網格負責檢測該船體部分，并且每個網格都需要處理兩個預選框，每個預選框里面有五個參數，分別為X，Y，W，H，SHIPConfig；兩個預測框，每個預測框都需要預測五個參數，兩個預測框就需要預測10個參數，由式5可以知，其中預測框還需要預測在目標條件下的類別概率Pr(class|ship)，將Pr(ship)和Pr(class|ship)相乘即可以得到某個預測框對船體的判定概率，其中Pr(ship)為船體類別的概率，Pr(class|ship)為在預測框中存在的判定概率，每一個網格都需要預測30個參數，則一幅圖像至少需要預測1470個參數。

Prclass)Pr(class|ship)*Pr(ship) (5)

3.一種移動船舶多目標實時檢測方法，其特征在于：SD-DCNN網絡預測過程只需要對網絡輸出類別判斷，得到存在目標的網絡獲取該網絡所對應的預測框的位置信息，即可完成相應的目標檢測。每個網格輸出兩個預測框，每個預測框都預測30個參數，最后得到98個預測框參數的輸出，由式5設定船體概率為0.2，小于0.2的表示不是船體目標，大于0.2的即是目標船體，在預測框中將其按概率遞減的順序排開，并且使用一定的算法來消除相同物體的重疊框。

4.一種移動船舶多目標實時檢測方法，其特征在于：通過調節預測框的閾值范圍來判斷船舶的目標。