[发明专利]基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法

说明书

本发明涉及一种基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法，包括以下步骤：导入连续的视频帧或实时监控的视频流；利用已经训练出的深度学习检测模型，针对视频帧或实时视频流进行深度学习目标检测；对每艘船舶创建处理线程，对每艘船舶进行目标跟踪；将目标深度学习检测得到的结果与船舶跟踪预测得到的结果进行对比，并对跟踪结果进行校正。采用了本发明的基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法，在对江面多艘船舶进行跟踪时，使多个跟踪器并行计算，大幅提升江面船舶跟踪速度。解决江面船舶跟踪过程中，画面中船舶尺寸变化较大，同时光照强度也会变化，从而引起跟踪丢失的问题，保证江面船舶跟踪的准确性。

技术领域

本发明涉及海事视频处理领域，尤其涉及目标跟踪领域，具体是指一种基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法。

背景技术

目标视觉跟踪，大家比较公认分为两大类：生成模型方法和判别模型方法，目前比较流行的是判别类方法。生成类方法是在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，比较著名的有卡尔曼滤波，粒子滤波，mean-shift等；OTB50里面的大部分方法都是判别类方法，本质就是CV中的经典套路图像特征+机器学习，当前帧以目标区域为正样本，背景区域为负样本，机器学习方法训练分类器，下一帧用训练好的分类器找最优区域。与生成类方法最大的区别是，分类器采用机器学习，训练中用到了背景信息，这样分类器就能专注区分前景和背景，所以判别类方法普遍都比生成类好。

判别类方法主要包含：BOOSTING跟踪，MIL跟踪，TLD跟踪和KCF跟踪算法。

(1)BOOSTING

BOOSTING跟踪器基于AdaBoost的在线版本——基于HAAR级联的面部检测器在内部使用的算法。这个分类器需要在运行时用对象的正和负例子训练。由用户提供的初始边界框作为对象的正例，并且边界框外部的许多图像补片被当作背景。给定新帧，对先前位置的邻域中的每个像素运行分类器，并记录分类器的得分。对象的新位置是得分最大的位置。

(2)MIL

MIL跟踪在概念上类似于上述的BOOSTING跟踪。最大的区别在于，BOOSTING仅考虑对象的当前位置作为正样本，而MIL在当前位置周围的小邻域中查找以生成若干潜在的正样本。在MIL中，你没有指定正和负样本，但是有正和负“包”。正包中的图像集合并不都是正样本。正包包含以对象的当前位置为中心的补丁，以及在其周围的小邻域中的补丁。即使被跟踪对象的当前位置不准确，当来自当前位置的邻域的样本被放入正包中时，很有可能这个包包含至少一个图像，其中对象正好置于居中。

(3)TLD

TLD代表跟踪，学习和检测。顾名思义，该跟踪器将长期跟踪任务分解为三个组件——(短期)跟踪，学习和检测。跟踪器跟踪对象从前一帧到当前帧；检测器定位到目前为止观察到的所有目标，并在必要时校正跟踪器；学习器估计检测器的错误并更新它以避免将来再次出现这些错误。这个跟踪器的输出有时会跳一下。例如，如果你正在跟踪行人，并且场景中还有其他行人，则该跟踪器有时可以临时跟踪与您要跟踪的行人不同的行人。

(4)KCF

KFC代表内核化相关滤波器。这个跟踪器建立在BOOSTING和MIL两个跟踪器的想法基本上。KFC利用了MIL跟踪器中使用的多个正样本具有大的重叠区域这一特性。这种重叠的数据有一些良好的数学特性，利用这个跟踪器，使跟踪更快，同时更准确。

其中，BOOSTING跟踪是一个较老的算法，目前已基本被MIL和KCF取代。MIL算法在目标被部分遮挡的情况下也能很好的检测到目标。TLD算法误报较多。KCF算法在准确度和速度都比BOOSTING和MIL更好，与TLD算法比较起来，KCF算法速度快，精确度也较高。

现有技术中，KCF算法存在以下弊端：