[發明專利]一種基于橋梁防撞的船舶目標檢測跟蹤方法

有效

• 申請號: 202110362401.1
• 申請日: 2021-04-02
• 公開（公告）號: CN112967320B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 沈躍忠;王亞洲;朱嘉豪;郭夢良;申耀華;沈琳
• 申請（專利權）人: 浙江華是科技股份有限公司
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/20;G06N3/04;G06N3/08
• 代理公司: 杭州新源專利事務所(普通合伙) 33234
• 代理人: 徐煒豪

本發明公開了一種基于橋梁防撞的船舶目標檢測跟蹤方法,包括以下步驟：先通過攝像機采集船舶的視頻圖像，并通過深度學習訓練模型提取視頻圖像中的船舶特征，得到船舶類型和船舶位置框；然后根據步驟A中測得的船舶位置框，利用IOU方法持續檢測船舶的當前位置，并將該船舶的當前位置迭代上一幀的船舶位置，得到船舶在移動過程中的連續位置信息；根據連續識別的船舶位置信息，描出船舶的運動軌跡。本發明能夠實時檢測船舶在視頻圖像內的位置坐標，并對各船舶進行編號和單獨跟蹤，從而避免檢測過程中的目標丟失和漏檢測問題，具有識別效果好、抗干擾能力強的特點。

技術領域

本發明涉及一種船舶的檢測方法，特別是一種基于橋梁防撞的船舶目標檢測跟蹤方法。

背景技術

為了實現橋梁防撞的功能，目前在橋梁位置經常需要設置船舶檢測機構，該船舶檢測機構用于檢測船舶的當前位置，當船舶處于接近橋梁位置并存在碰撞橋梁的風險時，則進行報警和船舶信息收集，進而減小船舶碰撞的可能性并方便在事故發生后的追查。目前常用的船舶檢測技術多為雷達超聲波、紅外激光技術和視頻圖像檢測技術等，其中視頻圖像檢測技術相比其他技術由于具有檢測成本低和使用方式簡單的特點，已得到了越來越廣泛的應用。

目前市場上的視頻圖像檢測技術一般采用實時圖像和背景差分，然后經二值化后使用區域生長算法得到船舶目標，然后對識別到的船舶目標進行跟蹤和鎖定。但這種差分方法容易受到光線、天氣等外界條件的影響，且對于運動較慢或靜止的物體的識別效果較差，從而容易出現跟蹤目標的丟失和漏檢測問題。

此外，視頻圖像檢測技術在檢測過程還容易受到干擾項的影響，如當檢測范圍內同時出現兩艘船舶且兩艘船舶交叉穿過時，由于該船舶在視頻圖像中會出現一段時間的重疊和遮擋，導致檢測機構容易失去追蹤目標，或將鎖定目標轉變為其他船舶，進一步降低了對船舶的檢測效果。

因此，現有用于橋梁防撞的視頻圖像檢測結構存在識別效果差、抗干擾能力弱的問題。

發明內容

本發明的目的在于，提供一種基于橋梁防撞的船舶目標檢測跟蹤方法。它具有識別效果好、抗干擾能力強的特點。

本發明的技術方案：一種基于橋梁防撞的船舶目標檢測跟蹤方法，包括以下步驟：

A.通過攝像機采集船舶的視頻圖像，并通過深度學習訓練模型提取視頻圖像中的船舶特征，得到船舶類型和船舶位置框；

B.根據步驟A中測得的船舶位置框，利用IOU方法持續檢測船舶的當前位置，并將該船舶的當前位置迭代上一幀的船舶位置，得到船舶在移動過程中的連續位置信息；

C.根據連續識別的船舶位置信息，描出船舶的運動軌跡。

前述的一種基于橋梁防撞的船舶目標檢測跟蹤方法中，所述步驟A中深度學習訓練模型的訓練方法具體包括以下步驟：

A1.采集船舶通過時的視頻圖像；

A2.由人工從視頻圖像中截取若干張船舶圖像，該船舶圖像包括新出現的船舶圖像、船舶在區域中間位置時的圖像和快離開的船舶圖像；

A3.將步驟A2中截取到的船舶圖像作為圖片訓練集，對深度學習訓練模型進行訓練。

前述的一種基于橋梁防撞的船舶目標檢測跟蹤方法中，所述步驟A3中深度學習訓練模型的訓練方法具體包括以下步驟：

A31.將圖片訓練集用人工標簽制作軟件做標記，生成xml文件；然后用FileSort軟件將標記后的船舶圖像和xml文件生成圖片數據集；

A32.用Tensorflow的Faster?Rcnn方法訓練圖片數據集，生成深度學習訓練模型；

A33.用Tensorflow創建Session會話，并Create創建會話加載深度學習訓練模型，用Session的Run方法識別，輸出船舶類型和船舶位置框。