[發(fā)明專利]一種自然場(chǎng)景下船舶目標(biāo)自動(dòng)檢測(cè)識(shí)別方法與系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011460723.1
• 申請(qǐng)日: 2020-12-11
• 公開（公告）號(hào): CN112464883B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 米勇;曾祥進(jìn);鄭安義;鄧晨;宋彭彭
• 申請(qǐng)（專利權(quán)）人: 武漢工程大學(xué)
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06V20/40;G06V10/774;G06V10/80;G06V10/762
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 唐萬榮

1.一種自然場(chǎng)景下船舶目標(biāo)自動(dòng)檢測(cè)識(shí)別方法，其特征在于，包括以下步驟：

S1、采集船舶目標(biāo)視頻流信息，分幀讀取船舶目標(biāo)視頻流信息；

S2、對(duì)目標(biāo)圖像進(jìn)行數(shù)據(jù)增強(qiáng)，生成增強(qiáng)圖像，豐富訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)；

S3、構(gòu)建深度學(xué)習(xí)多尺度特征融合網(wǎng)絡(luò)，將訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)傳入深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，生成訓(xùn)練模型；

S4、根據(jù)訓(xùn)練模型對(duì)船舶目標(biāo)視頻流實(shí)時(shí)檢測(cè)，在船舶目標(biāo)視頻流中自動(dòng)標(biāo)記船舶目標(biāo)；

所述S3具體為：

S3.1、使用GIoU計(jì)算預(yù)測(cè)框坐標(biāo)回歸損失，其公式如下，

C為目標(biāo)框和真實(shí)框最小外包面積，U為目標(biāo)框和真實(shí)框覆蓋的總面積，當(dāng)IoU值為0時(shí)，GIoU的值依然存在，且C會(huì)根據(jù)目標(biāo)框和真實(shí)框的變化而變化；

使用GIoU計(jì)算初步損失L_GIoU，其公式如下，

L_GIoU＝1-GIoU；

使用Focal loss損失函數(shù)代替YOLOv3中的置信度損失函數(shù)和類別損失函數(shù)，F(xiàn)ocal損失是在交叉熵?fù)p失的基礎(chǔ)上修改而來，其公式如下，

FL(p,y)＝-αy(1-p)^γlog(p)-(1-α)(1-y)p^γlog(1-p)

其中，p為網(wǎng)絡(luò)輸出值，y為實(shí)際標(biāo)簽值，γ為控制難易樣本參數(shù)，γ始終大于0，α為控制正負(fù)樣本參數(shù)；當(dāng)p越大時(shí)，(1-p)^γ越小，損失越??；

改進(jìn)后的損失函數(shù)使用GIoU損失作為預(yù)測(cè)框坐標(biāo)回歸損失，使用Focal loss損失函數(shù)作為置信度損失函數(shù)和類別損失函數(shù)以得到精度更高的最終損失Loss，其公式如下：

S3.2、采用DBSCAN和K-means混合聚類算法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行聚類分析，通過DBSCAN方法得聚類的個(gè)數(shù)和每個(gè)類的中心點(diǎn)，然后將中心點(diǎn)作為K-Means的起始點(diǎn)，利用K-Means算法獲得最終的先驗(yàn)框；

S3.3、生成訓(xùn)練模型，進(jìn)行迭代訓(xùn)練更新參數(shù)，設(shè)置迭代次數(shù)500，學(xué)習(xí)率步長(zhǎng)為0.001。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述S2中圖像增強(qiáng)方法包括圖像縮放、圖像平移、圖像加霧處理、圖像低照度調(diào)整和圖像拼接。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述S3中構(gòu)建多尺度模型的方法具體為：

在YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上構(gòu)建4層檢測(cè)模塊，分別包含32倍，16倍，8倍，4倍下采樣特征圖；

加入特征融合機(jī)制，通過Darknet-53網(wǎng)絡(luò)進(jìn)行特征提取后并經(jīng)過幾次卷積得到32倍粗尺度特征圖，32倍粗尺度特征圖進(jìn)行上采樣并將其與第四個(gè)殘差塊的輸出拼接起來得到16倍特征圖，16倍特征圖進(jìn)行上采樣并將其與第三個(gè)殘差塊的輸出拼接起來得到8倍特征圖，8倍特征圖進(jìn)行上采樣并將其與第二個(gè)殘差塊的輸出拼接起來得到4倍特征圖；

形成尺度分別為13x13，26x26，52x52，104x104的4個(gè)尺度特征圖，分別對(duì)應(yīng)大，中，小，特小目標(biāo)的檢測(cè)。