[发明专利]基于深度学习的海上弱小运动船舶实时检测方法

说明书

本发明涉及基于深度学习的海上弱小运动船舶实时检测方法，步骤包含：步骤1、对海上监控系统视频中的图像进行目标检测处理；步骤2、对输入图像大小进行统一尺寸操作；步骤3、使用网络结构的第一部分来提取小目标特征；步骤4、对于提取到的特征，使用网络结构的第二部分的分类器对图像从浅层网络学习小目标的有效特征，再综合深层网络的位置信息，最终对小目标进行分类。所述网络结构为全卷积网络类型，且包含两个部分，第一部分的作用是提取目标的有效特征；第二部分的作用是检测目标并确定最终检测结果。

技术领域

本发明属于目标检测跟踪技术，具体涉及在背景较为单一的RGB彩色图像和各类红外图像中对弱小目标的高效检测方法。

背景技术

目标检测是各种高级视觉任务的前提，在各类图像处理任务中应用广泛。现有的目标检测技术，如人脸检测、行人检测等已经有了非常成熟的应用方案，相对而言，在弱小运动船舶目标检测方面还没有十分成熟的应用方案。一般来说，弱小运动船舶目标检测主要应用于智能监控系统，由于监控系统的连续性和事态的突发性，人工监控不能时刻保持警惕，这样就容易出现疏忽，进而造成不可估量的损失，因此人们对基于视频图像的监控系统智能化的要求越来越迫切。而弱小目标的智能监控系统更是视觉信息处理任务中的重点和难点。由于弱小目标图像可利用信息少且易受噪声影响、海上复杂多变的天气环境造成视线受阻等原因，使得许多识别算法难以达到令人满意的识别结果，严重影响弱小目标检测系统的可靠性和实用性，因此海上弱小运动船舶实时检测这一研究课题具有重大的现实意义。

发明内容

本发明的目的是提供一种新的网络框架来更加准确又快速地对海上监控系统视频中的图像进行目标检测处理，尤其是提高对于小目标识别度，最终对小目标进行分类。

为了达到上述目的，本发明通过以下技术方案来实现。

一种引用SELU(Scaled Exponential Linear Units)激活函数的新的网络结构，基于YOLO(You Only Look Once)深度学习目标检测算法。具体的网络结构主体框架使用了YOLOv3算法，借鉴了YOLOv2的简单结构，选择性剔除冗余的残差网络结构，维护小目标的有效信息，以提高检测速度。

优选地，所述网络结构为全卷积网络类型，且包含两个部分，第一部分的作用是提取目标的有效特征；第二部分的作用是检测目标并确定最终检测结果；

所述网络框架的第一部分加入新的网络基本单元；

所述新的网络基本单元包含两个3*3卷积层和两个1*1卷积层；

第一3*3卷积层后连接第一1*1卷积层，以增加非线性而不改变卷积层的感受域；

所述第一1*1卷积层后再连接第二1*1的卷积层，以维护小目标的细节信息；

所述第二1*1卷积层后再连接第二3*3的卷积层，以形成3-1-1-3网络基本单元，且每个卷积层的输出部分加入SELU激活函数。

一种基于深度学习的海上弱小运动船舶实时检测方法，步骤包含：

步骤1、对海上监控系统视频中的图像进行目标检测处理；

步骤2、对输入图像大小进行统一尺寸操作；

步骤3、使用网络结构的第一部分来提取小目标特征；

步骤4、对于提取到的特征，使用网络结构的第二部分的分类器对图像从浅层网络学习小目标的有效特征，再综合深层网络的位置信息，最终对小目标进行分类。

优选地，所述的小目标是弱小船舶目标，且其像素大小为小于等于80×40像素。

优选地，网络结构的第一部分的SELU激活函数引入自归一化的属性，使神经元激励值自动地收敛到零均值和单位方差。