[发明专利]一种基于图像的船舶检测深度神经网络算法

说明书

本发明公开了一种基于图像的船舶检测深度神经网络算法，包括：第一步，将图像上采样，使图像长宽都变成原有的两倍；第二步，将图像划分为S*S的网格，对每一个网格本发明预测B个边界预测，每一个边界预测都给出包含船舶位置、置信度和分类概率的6个参数；第三步，通过级联空洞卷积神经网络来提取每个网格的特征，通过特征融合实现多分辨率的船舶边界预测，确定船舶的位置；第四步，设计损失函数，通过设置不同的比例因子平衡有船体部分的预测框和没有船体部分的预测框。本发明基于卷积神经网络在计算机视觉领域的研究，在特征学习的基础上将分类和回归融合在一个深度神经网络中进行多目标实时检测，具有很强的准确性和快速性。

技术领域

本发明属于船舶检测领域，具体涉及一种基于图像的船舶检测深度神经网络算法(SD-DCNN)。

背景技术

基于图像的船舶自动检测是船舶自动驾驶和安全驾驶的基本问题之一，也是计算机视觉领域的一个重要问题。尤其是小型船舶，由于它们没有安装AIS(AutomaticIdentification System)等设备，不能主动报告自己的位置等信息，不易被其它船舶自动感知，容易造成船舶碰撞。传统的船舶检测方法采用手动的特征，算法的准确性和鲁棒性不够，会出现误检和漏检。现有的基于深度学习的方法，可以实现船舶的自动检测，然而对于小型的船舶很容易出现漏检，影响驾驶安全。因此，目前的船舶驾驶主要依赖人工瞭望实现船舶的安全行驶。

发明内容

发明目的：为了解决现有技术的不足，本发明提供了一种基于图像的船舶检测深度神经网络算法(SD-DCNN)，在检测大、中型船舶的基础上，特别考虑了小型船舶，以实现各种类型船舶的自动感知。

技术方案：一种基于图像的船舶检测深度神经网络算法，其特征在于：包括如下检测过程：

第一步，图像上采样，使其长宽变成原来的2倍，并用卷积操作提取初始特征；

第二步，将图像划分为S*S的网格，对每一个网格本发明预测B个船舶边界，每一个边界预测都给出6个参数，即是X,Y,W,H,SHIPConfidence,SHIPPro，其中(X,Y)是船体预测框的中心横坐标与船体预测框的中心纵坐标；(W,H)是船体预测框的宽度和船体预测框的高度；SHIPPro为预测框中的物体属于船舶的概率；SHIPConfidence为船体预测框中存在船体的可信度；

SHIPConfidence＝Pr(ship)*IOU(pred|truth) (1)

其中，P_r(ship)表示船体是否存在预测框中：

IOU(pred|truth)表示预测框与真实框的交并比：

BB(pred)为基于训练数据的预测框；BB(truth)为目标检测时的真实框；area(·)表示求面积；

第三步，通过级联空洞卷积神经网络来提取特征，通过特征融合实现多分辨率的船舶边界预测，确定船舶的位置；每次采用长为2的卷积操作实现下采样；

第四步，设计损失函数，通过设置不同的比例因子给有船体部分的预测框和没有船体部分的预测框做出相应的比例上的平衡。

作为优化：所述的第三步，具体的实现是在原有的深度卷积神经网络基础上实现级联空洞卷积神经网络用于提取船舶目标具体的特征，并将这些特征融合到高层网络中提取出高层的抽象特征。

作为优化：所述的第三步，具体的实现是在船舶边界预测时，不是给出一个预测结果，而是结合不同的分辨率，给出三个预测结果，同时调整网络的参数。

作为优化：所述的第四步，损失函数形式如下所示：