[发明专利]基于图像显著性检测的采砂船识别方法

说明书

本发明公开一种基于图像显著性检测的采砂船识别方法，该方法针对部分显著性物体（采砂船船体）检测模型出现部分图片出现全局语义信息缺失的情况提出了一种新的强监督显著性检测方法。该模型分为两层，第一层主要采用了全卷积神经网络在像素层面上抓取采砂船图片全局语义信息与局部特征信息，并标注采砂船船体。第二层通过我们提出的递归递减的模型，逐层的将第一层得到的显著图去噪音并在全局语义缺失情况下使用局部信息补充，并加强显著物体的边界特征。该模型在收集的采砂船数据集上表现优良，在现有的6个SOD数据集上表现良好。

技术领域

本发明涉及计算机视觉领域，主要是针对江面非法采砂船的显著性检测。

背景技术

在经济快速的发展的时代背景下，人们对于经济的需求更大于以前。很多人开始在江河之中非法采砂，将之倒卖。这样的非法行为我们可以使用将江面图片的显著性检测技术探测。虽然市面上有一些技术可以探测非法采砂船，但是存在以下不足之处：(1)江面图片中的采砂船物体检测不明显；(2)对于检测到的采砂船，轮廓不清晰，并且有时十分模糊，丢失部分全局语义信息；(3)现有的显著性检测模型对于江面图片中的杂质元素如江面波光或水浪无法有效排除，无法正确分类有效信息与无效信息；(4)现有的显著性检测模型对于岸边拍摄的采砂船图像中存在的草木堤坝无法有效的去除或识别；(5)现有的显著性检测模型针对实际情况时，得出的结果与现实情况有所偏差。

通过观察大量的江边监控等拍摄的采砂船图片，发现这些图片可以分为以下四类：(1)小物体，即采砂船在图像中与全图相比，占比小于10％；(2)大物体，即采砂船在图像中与全图相比，占比大于50％；(3)复杂背景，即拍摄的图像中不仅包含了采砂船，还包含江边堤坝，江边行人，江边草木等次显著物体；(4)低对比度，采砂船因长年在江水或河水中航行加上采砂船本身颜色，导致采砂船的整体色调与江水颜色近似，加大识别的难度。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提供了一种基于图像显著性检测的采砂船识别方法。针对目前大多数采砂船检测方法存在的无法有效融合全局语义信息和局部特征信息以及无法有效检测图片中存在的噪音，提出了递归递减深度融合语义信息的模型。可以有效使用局部特征信息减少因为检测时丢失部分全局语义信息而导致显著性物体检测失败的情况，同时增强显著性物体的标注，对非显著性物体的噪音或者大体积的非显著性物体进行有效的去除。其具体技术方案如下：

一种基于图像显著性检测的采砂船识别方法，采用全卷积神经网络对图片进行显著性物体的检测，在检测过程中采集全局语义特征，局部信息作为补充，递归递减的模式深入融合两者。

进一步的，在显著性物体检测过程中，采集全局语义特征即采砂船整体方位作为判断显著性物体位置的基本信息，采用局部信息即浅层卷积层输出的采砂船细节作为全局语义补充。

进一步的，全卷积神经网络进行如下操作：

将数据从第一层卷积层开始慢慢向下传递直至第五层卷积层，在卷积传递的过程中，各层卷积层会提取各层所识别的特征，卷积结果：

f_s(X；W,b)＝Pooling(σ(W*_s X+b))

X是原生的输入图片；W和b分别代表卷积核和卷积偏置值；*_s代表卷积操作的步长值；σ代表是线性整流函数(Rectified Linear Unit,ReLU)；Pooling指最大池化操作(MaxPooling)；作为结果的f_s(X；W,b)的是原数据按照参数s进行的下采样操作而得到：

X仍然代表原生的输入图片；f_s(X；θ)代表在步长s和参数θ的作用下生成的特征图；代表在上采样步长s和参数的作用下反卷积生成的特征图，且保证特征图规格与X的规格相同。