[发明专利]一种基于深度学习的航标灯质智能识别方法

说明书

本发明提供一种基于深度学习的航标灯质智能识别方法，包括：采集视频数据，并进行预处理；构建灯闪网络，并进行训练；灯闪网络以预处理后视频的亮度通道图像为输入，利用循环神经网络提取航标灯的亮度特征，再利用循环神经网络提取亮度特征形成的灯闪周期时序；构建颜色网络，并进行训练；颜色网络以视频的RGB图像为输入，利用卷积神经网络提取航标灯的颜色特征；将灯闪网络和颜色网络的识别结果进行融合，获取航标灯颜色加灯闪周期的灯质分类。本发明主要利用灯闪网络和颜色网络将灯闪周期与颜色分离训练和识别，达到了航标灯质的多标签分类效果。加入了注意力机制，可以使得特征图在训练时更容易关注到所要观察的灯质信息，提升了模型的准确率。

技术领域

本发明涉及航标灯质识别技术领域，具体而言，尤其涉及一种基于深度学习的航标灯质智能识别方法。

背景技术

航标是帮助引导船舶航行、定位和标示碍航物与表示警告的人工标志，为各种水上活动提供安全信息的设施或系统。通常设于通航水域或其近处，以标示航道、锚地、滩险及其他碍航物的位置。航标包括视觉航标、音响航标和无线电航标三大类，视觉航标是其中使用最多最方便也是最重要的航标。为了能使驾驶人员通过直接观测迅速辨明水域，视觉航标具有特征鲜明的标身颜色和形状，以便白天观测和识别。为了在夜间同样起到醒目的视觉指示作用，视觉航标通常安装有可发光的航标灯，而且通过灯质来区别各自不同的功能类别。

灯质是指航标灯的灯光颜色和闪光频率。与国际航标管理协会IALA推荐的一致，目前我国的航标灯采用了白、红、绿和黄4种灯色。而闪光频率包括了单闪、双闪、三闪、快闪、互闪、莫尔斯D、莫尔斯M、莫尔斯P和莫尔斯X等，周期从1秒到10秒不等。灯质的形式远比道路交通信号灯复杂，通过灯质正确地识别航标的类型从而准确“看清”航行环境具有很大的难度，非常容易因识别错误造成搁浅、穿越轨道和进入禁区等航行危险，这给船舶夜间航行造成了较大的障碍。

针对上述问题，现有技术一提出了一种基于Gabor滤波和稀疏表示信号灯检测和信号灯识别方法，其基本思路是：首先采用亮度分割和几何形态滤波对交通信号灯进行定位，结合信号灯与其背板的相对位置和RGB与HSV颜色空间的判别结果判定信号灯颜色；再对信号灯区域进行Gabor滤波，采用K均值奇异值分解算法进行字典学习，利用正交匹配追踪算法求解测试样本的稀疏系数，根据重构误差实现交通灯的类型判别。

现有技术二提出了一种基于深度学习的交通信号灯快速检测与识别算法，在YOLO模型基础进行改进，具有更高的准确率和更少的漏检率，而且提高了检测速率。但是上述公开的现有技术仍然存在如下问题：

现有技术一的缺点：(1)对信号灯区域面积过小的图像检测错误率较高，算法耗时较多，其识别准确率和效率都有很大的提高空间；(2)这种基于模型的识别方法依赖手工制作的特征工程，其鲁棒性不好，因此只适合进行道路交通信号灯的识别，而无法适应航标灯识别的场景。

现有技术二的缺点：虽然通过对YOLO的改进实现了很好的信号灯检测效果，达到96.08％准确率和2.87％的漏检率，但是其只是针对道路交通信号灯静态图像的识别，对于存在具有信号时序特征的航标灯灯质，则无法进行准确的分类识别。

发明内容

根据上述提出的技术问题，而提供一种基于深度学习的航标灯质智能识别方法。本发明主要利用灯闪网络和颜色网络将灯闪周期与颜色分离训练和识别，达到了航标灯质的多标签分类效果，甚至可以识别出训练视频数据集中不存在的灯质类型，解决了数据集不足的问题。此外，该方法加入了注意力机制，可以使得特征图在训练的时候更容易关注到所要观察的灯质信息，提升了模型的准确率。

本发明采用的技术手段如下：

一种基于深度学习的航标灯质智能识别方法，包括如下步骤：

S1、采集视频数据，并对视频数据进行预处理；