[发明专利]一种基于YOLO V5算法的船舶多目标追踪方法

说明书

本发明公开了一种基于YOLO V5算法的船舶多目标追踪方法，本发明首先对采集到的船舶图像数据进行筛选和标注并自组建数据集，将数据集划分为训练集、验证集、测试集；利用自组建数据集中的训练集和验证集对YOLO V5网络进行训练，获取基于YOLO V5网络的船舶检测模型以及权重文件；利用训练后的YOLO V5检测模型对测试集进行检测，输出检测结果，并对检测模型进行评价；基于训练后的YOLO V5检测模型，经DeepSort算法处理，生成追踪模型；对生成的DeepSort追踪模型进行实时性验证。本发明能够实现对海上船舶的检测及多目标跟踪，检测精度高、实时性好、速度快。

技术领域

本发明涉及机器视觉领域，特别是涉及一种基于YOLO V5算法的船舶多目标追踪方法。

背景技术

目标追踪是对连续帧图像的时间序列中的运动目标进行检测、提取、识别和跟踪，获得追踪目标的位置和运动轨迹，实现对运动目标的行为理解，以完成更高一级的检测任务。根据追踪目标的数量可以将追踪算法分为单目标跟踪与多目标跟踪。相比单目标追踪而言，多目标追踪问题更加复杂和困难。多目标追踪主要任务是在给定视频中同时对多个感兴趣目标进行定位，维持各感兴趣目标的ID并记录他们的轨迹。

针对于海上特定环境，首先，船舶会受到航行时风波涌流的影响，造成摄像头无法稳定获取固定视角的图像数据，导致在目标识别较为困难从而对船舶的多目标检测产生较大误差；其次，海上气候多变使摄像头在获取图像数据时产生不同光影画面，致使传统的目标检测算法实施的过程中不能理想的检测到目标，且传统的目标检测算法难以克服船舶在行驶过程中检测目标出现的重叠与遮挡等问题所带来的影响；最后，船舶多目标追踪的问题更多的在于其基础上目标检测的准确性，在目标追踪的算法当中，目标检测的精度影响着追踪的效果。

船舶多目标追踪方法是海上船舶智能监控系统的核心，现有的海上船舶智能监控系统仅能实现船舶检测工作，且速度慢、精度低、实时性不好，无法实现目标船舶的追踪。现有的目标追踪方法仅能满足陆上以及其他相对稳定的检测环境中，海上船舶航行环境复杂多变，其无法保证检测精度和实时性。因而提高海上目标检测与追踪的精确性有着重要意义。

发明内容

本发明的目的是提供一种基于YOLO V5算法的船舶多目标追踪方法，以解决上述现有技术存在的问题，能够对船舶多目标进行实时检测、跟踪。

为实现上述目的，本发明提供了如下方案：

本发明提供一种基于YOLO V5算法的船舶多目标追踪方法，包括以下步骤：

S1，采集船舶图像数据，对采集到的所述船舶图像数据进行图像预处理，基于预处理完毕的图像构建数据集，将所述数据集划分为训练集、验证集和测试集；

S2，基于所述训练集和所述验证集，对YOLO V5网络进行训练，获得YOLO V5检测模型，基于所述测试集对所述YOLO V5检测模型进行测试，获得测试结果，基于所述测试结果对YOLO V5检测模型进行评价，评价合格后则结束测试；

S3，对所述YOLO V5检测模型进行处理，生成YOLO V5船舶追踪模型，基于所述YOLOV5船舶追踪模型对船舶进行追踪并进行实时性验证。

优选地，所述S1中的船舶图像数据包括：从包括船舶相关图像数据的开源数据集；通过摄像头对船舶进行拍摄而获得的图像数据。

优选地，所述开源数据集包括但不限于：COCO数据集、VOC数据集和SeaShip船舶数据集。

优选地，所述S1中的图像预处理的具体方法为：从采集的所述船舶图像数据中筛选出COCO数据集和VOC数据集中含有船舶的图片，对筛选出的图片、SeaShip船舶数据集及通过摄像头获取的图片进行标注并合并。

优选地，所述YOLO V5网络包括backbone部分、neck部分和prediction部分，在所述S2中，获得所述YOLO V5检测模型的方法具体为：