[发明专利]一种面向无人艇应用的水面目标检测跟踪一体化方法有效
申请号: | 201710213710.6 | 申请日: | 2017-04-01 |
公开(公告)号: | CN106960446B | 公开(公告)日: | 2020-04-24 |
发明(设计)人: | 肖阳;杨健;曹治国;宫凯程 | 申请(专利权)人: | 广东华中科技大学工业技术研究院;华中科技大学;广东省智能机器人研究院 |
主分类号: | G06T7/246 | 分类号: | G06T7/246;G06T7/90;G06T7/20 |
代理公司: | 广州粤高专利商标代理有限公司 44102 | 代理人: | 罗晓林;杨桂洋 |
地址: | 523000 广东省东莞*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 面向 无人 应用 水面 目标 检测 跟踪 一体化 方法 | ||
一种面向无人艇应用的水面目标检测跟踪一体化方法,包括以下步骤:S1,训练目标检测神经网络模型;S2,目标检测,将检测结果放入集合Bd中;S3,检验目标跟踪结果,将上一帧图片的目标跟踪结果,输入到目标检测神经网络模型中进行检测,保留没有丢失目标的跟踪框,将该跟踪框放入集合Bt中;S4、精调目标框和目标跟踪的大小和位置;S5,判断是否出现新目标;S6,目标跟踪;S7,连续跟踪m帧,然后重复步骤2至步骤7,直到最后一帧图片。本发明结合了目标检测与目标跟踪的优点,方法准确率高、速度快的同时可以得到稳定的目标位置信息,为无人艇自主避障提供了有效的技术保障。
技术领域
本发明属于数字图像处理和控制系统交叉技术领域,更具体地,涉及一种面向无人艇应用的水面目标检测跟踪一体化方法。
背景技术
无人艇作为水面无人操作舰艇,在许多实际应用场景中,都有着十分重要的作用。例如,民用领域中的水质监测,警用领域中的海关缉私,军用领域中的近海巡逻等等。因此,我国对无人艇的需求正在日益增加。而无人艇要完成自主航行的前提是要实现自动避障技术,水面目标的快速检测是自动避障技术的基础。对于水面目标的检测除了要快速和准确,检测结果一定要平滑,才能够为无人艇的控制模块提供稳定的环境感知信息。下面介绍几种目前常用的目标检测算法:
(1)基于目标潜在区域的目标检测算法
2014年Ross Girshick等人在CVPR上发表R-CNN算法,首先计算得到目标潜在区域,然后对众多目标潜在区域分别提取CNN特征进行分类,最终实现目标检测。R-CNN算法开创了基于目标潜在区域的目标检测方法,利用selective search算法获取目标潜在区域,然后将每一个目标潜在区域输入到卷积神经网络中,分别提取各自的CNN特征,最后将特征送入到SVM分类器中进行分类,R-CNN算法在VOC 2010数据库上获得了53.7%的正确率。
2015年Kaiming He等人在NIPS上发表了Faster R-CNN算法,提出了RPN网络,从输入图片的卷积层中提取目标潜在区域,实现了端对端的卷积神经网络。该算法将图片输入到CNN网络中,计算输入图片的卷积特征图,从中提取目标的潜在区域,然后将目标潜在区域送入全连接层,最后利用softmax分类器进行分类和回归,得到目标的类别和位置。该算法取得了当时最好的效果,在VOC 2007数据集上正确率达到了73.2%。
(2)不需要目标潜在区域的目标检测算法
2016年Wei Liu等人在ECCV上发表了SSD算法,去除了提取目标潜在区域的过程,直接将图片输入到CNN网络进行目标检测识别,大大缩短了计算时间。SSD算法将输入图片统一剪裁成固定的大小(300*300或500*500),然后计算图片的CNN特征,将其中的多层特征图分别接上分类器,得到目标的类别和位置,对众多目标框进行非极大值抑制得到最终的结果。SSD300网络在VOC 2007数据集上获得了72.1%的准确率,速度达到了58fps。
目前常用的目标检测算法主要是基于深度学习,此类目标检测算法由于算法复杂度高,大多数的速度都比较慢,不能达到实时。而不需要提取目标潜在区域的目标检测算法(例如SSD算法)速度可以达到实时的要求,但是对于小目标的效果不好,无法达到实际应用的要求。同时,目标检测算法对于视频序列的检测结果不平滑,相近几帧的结果可能差别较大。而无人艇在进行自主航行的时候,需要稳定的目标位置信息。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东华中科技大学工业技术研究院;华中科技大学;广东省智能机器人研究院,未经广东华中科技大学工业技术研究院;华中科技大学;广东省智能机器人研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710213710.6/2.html,转载请声明来源钻瓜专利网。