[发明专利]一种基于卷积神经网络图片特征提取的船舶类型识别方法

说明书

技术领域

本发明涉及智能交通技术，尤其涉及一种基于卷积神经网络图片特征提取的船舶类型识别方法。

背景技术

随着现代交通的发展，智能交通系统已经成为最重要的研究领域之一，智能交通旨在监控并反馈流量及突发交通事故等。因此，船舶类型识别成为智能交通最前沿的研究方向。

但是，随着水上交通的发展，船舶监控也是成为一个日趋严重的监管问题，船舶监控主要包括通过电子眼等视频监控设备对流域内船舶进行航行记录、船舶类型记录等操作。据相关部门统计，我国目前拥有水上运行船舶17.20万艘，大量船舶在水域运行不仅给水上交通监管的压力大大增加，也对公共安全提出了严峻挑战；水上交通发展，运行船舶数量增长而带来的船舶监管负担大大增强的问题日益突出。而通过智能交通技术在监管水域建立电子眼等自动监控设备自动对运行船舶进行监控拍摄记录，再结合机器通过船舶图片数据智能识别类型并记录，省去了大量人工操作，节约了成本负担，能够达到缓解该问题的目的。因此，在针对水上交通船舶记录检测时，以监控视频中的船舶图像为数据进行分析识别的的智能交通技术成为新的研究重点。

现有的船舶识别技术方法主要有以下几种：

1.雷达识别法

雷达监测器利用多普勒效应的原理工作，雷达所发出的微波被船舶反射，船舶的大小、形状不同，反射器接收到的反射信号也不相同，从而根据各类型船舶的反射信号来识别被测船舶的类型。但雷达对定位准确度较为敏感，若定位不准，则会导致系统精确度大幅度下降，且雷达成本过高，技术较为复杂。

2.红外检测分类识别

红外检测系统是利用分布在水岸两边的红外整列检测器来取得船舶侧面的几何特征，再利用计算机进行处理从而得到船舶类型。该系统采用了大量的激光管，能够得到大量的数据，从而能较为完整的绘制出船舶轮廓及局部特征，识别率较高。但是该系统安装困难，易出故障，只停留在理论实验阶段，在实际应用中难以推广。

3.视频监控图像识别技术

视频监控系统是利用分布在水岸的电子眼等视频监控设备针对水面船舶进行视频拍摄，根据所拍摄的视频图片，通过特征提取方法提取图片中船舶的图像特征，再利用SVM、Softmax等特征分类器进行训练分类实现图片船舶类型识别。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于卷积神经网络图片特征提取的船舶类型识别方法。

本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络图片特征提取的船舶类型识别方法，包括以下步骤：

1)采集大量未分类的水上运行船舶图片进行图像预处理，处理后的图片作为卷积神经网络稀疏自编码训练数据集进行稀疏自编码训练以获得船舶类型特征提取卷积神经网络；该稀疏自编码训练过程为无监督自主学习；

所述图像预处理包括将船舶图片进行像素小块分块操作，再将所得像素小块数据集进行主成分分析和ZCA白化处理；

2)从水上运行船舶图片中提取一部分作为训练集并对各张船舶图片标记类别，进行图像预处理，再将其输入到训练后的卷积神经网络中提取出各图片中的各个船舶类型的图片特征；该过程为监督学习，将所得到的训练集船舶特征作为Softmax分类器的训练数据集对Softmax分类器进行训练；

3)将需要识别的船舶图片输入到训练后的卷积神经网络中提取出各图片中的船舶特征，将该需识别图像的船舶特征输入到经过训练的Softmax分类器中进行分类输出该船舶所对应船舶类型，实现通过船舶图片识别船舶类型。

按上述方案，所述步骤1)中稀疏自编码卷积神经网络添加的稀疏因子为：

式中，是隐藏层神经元在接收输入后产生的输出，m是隐藏层神经元节点数，是隐藏神经元的平均活跃度表示隐藏层神经元稀疏性强弱；

设立接近于0的稀疏参数值p，通过相对熵限定的值，以达到稀疏性限制的目的；稀疏性参数计算式为：

按上述方案，所述步骤1)中采用反向传播算法通过卷积神经网络稀疏自编码训练数据集对该神经网络进行训练，获得针对船舶类型特征提取的卷积神经网络。

按上述方案，所述步骤1)中对得到的像素小块进行主成分分析和ZCA白化处理操作，具体如下：

(a)首先求取所有像素小块的平均向量，再计算出每个像素小块所构成向量与平均向量差值；

(b)计算像素小块的协方差矩阵，对协方差矩阵进行求取奇异值分解操作得到其特征值矩阵和特征向量矩阵；