[发明专利]一种海上船舶目标的自动检测和识别方法及目标检测器

权利要求书

1.一种海上船舶目标的自动检测和识别方法，其特征在于，包括步骤如下：

(1)采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；

(2)构建采用Faster-RCNN算法的深度神经网络，并设置相应参数；

(3)使用训练集对采用Faster-RCNN算法的深度神经网络进行离线训练，得到海上船舶目标检测器；

(4)输入测试集图像，利用海上船舶目标检测器进行检测和识别。

2.根据权利要求1所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(1)的具体步骤为：

(1.1)使用包围海上障碍物的最小矩形对图像中的障碍物进行人工标注，训练集包括图像及其对应的标签信息；

(1.2)采用图像平移、镜像、加噪声、缩放方法对训练集样本进行扩充。

3.根据权利要求1或2所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(3)的具体步骤为：

(3.1)下载ImageNet数据集预训练得到Faster-RCNN网络的初始权重参数；

(3.2)将训练集输入Faster-RCNN网络，进行离线训练；

(3.3)采用Faster-RCNN算法的深度神经网络采用共享卷积网络层的方式建立特征提取网络和提案框生成网络；特征提取网络包括若干卷积层、池化层和全连接层；提案框生成网络包含一个卷积层和两个全连接层；

(3.4)利用训练集，对特征提取网络和提案框生成网络进行训练。

4.根据权利要求3所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(3.4)的具体步骤为：

(3.4.1)输入影像和提案框标签，训练提案框生成网络；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；

(3.4.2)利用生成的提案框进行特征提取网络的训练；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；

(3.4.3)利用检测网络来重新初始化提案框生成网络，将共享层参数固定，只调整其余层的参数；

(3.4.4)将共享卷积层的参数固定，重新调整特征提取网络中的全连接层权值参数。

5.根据权利要求4所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(4)的具体步骤为：

(4.1)对测试集图像采用特征提取网络对图像特征进行提取，利用特征提取网络中卷积层的最后一层作为特征图像，采用提案框生成网络在该特征图像上进行提案框生成；

(4.2)在提案框中进行目标识别，采用非极大值抑制算法对所有识别得到的区域进行处理，得到最后的识别结果。

6.一种海上船舶目标检测器，其特征在于，包括：

第一模块，采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；

第二模块、构建采用Faster-RCNN算法的深度神经网络，并设置相应参数；

第三模块、使用训练集对采用Faster-RCNN算法的深度神经网络进行离线训练。

7.根据权利要求6所述的一种海上船舶目标检测器，其特征在于，所述第一模块使用包围海上障碍物的最小矩形对图像中的障碍物进行人工标注，训练集包括图像及其对应的标签信息；并采用图像平移、镜像、加噪声、缩放方法对训练集样本进行扩充。

8.根据权利要求7所述的一种海上船舶目标检测器，其特征在于，所述第三模块，下载ImageNet数据集预训练得到Faster-RCNN网络的初始权重参数；将训练集输入Faster-RCNN网络，进行离线训练；采用Faster-RCNN算法的深度神经网络采用共享卷积网络层的方式建立特征提取网络和提案框生成网络；特征提取网络包括若干卷积层、池化层和全连接层；提案框生成网络包含一个卷积层和两个全连接层；利用训练集，对特征提取网络和提案框生成网络进行训练。

9.根据权利要求8所述的一种海上船舶目标检测器，其特征在于，利用训练集，对特征提取网络和提案框生成网络进行训练的具体方法为：

(3.4.1)输入影像和提案框标签，训练提案框生成网络；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；

(3.4.2)利用生成的提案框进行特征提取网络的训练；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；

(3.4.3)利用检测网络来重新初始化提案框生成网络，将共享层参数固定，只调整其余层的参数；

(3.4.4)将共享卷积层的参数固定，重新调整特征提取网络中的全连接层权值参数。