[发明专利]一种船舶目标检测方法、终端设备及存储介质

说明书

本发明涉及一种船舶目标检测方法、终端设备及存储介质，该方法中包括：S1：采集船舶图像组成训练集；S2：构建基于改进CenterNet网络的船舶目标检测模型并进行训练；模型中首先采用ResNeXt‑50网络进行下采样，并在32倍下采样得到的特征层后添加一个基于空洞残差卷积的空洞编码器DE；其次采用FPN网络进行上采样后得到4倍下采样的特征图；最后基于4倍下采样的特征图，通过回归预测网络进行回归预测，预测得到关键点热力图和对应的中心点偏移量及目标框尺寸两个属性；S3：通过训练后的船舶目标检测模型对待检测图像进行船舶目标检测。本发明提高了检测准确率，降低了船舶误识别、小目标船舶漏检概率。

技术领域

本发明涉及目标检测领域，尤其涉及一种船舶目标检测方法、终端设备及存储介质。

背景技术

随着水上航运的快速发展，往来船舶流量增加，水上交通监管难度增大，利用视觉目标检测技术弥补人力监管的局限性，完善船舶监管系统具有重要意义。传统目标检测方法如背景建模法难以准确检测出船舶目标，而卷积神经网络具备强大的特征表征能力，因此，基于卷积神经网络的船舶目标检测算法成为主要研究趋势。目前主流目标检测算法为基于锚框(Anchor-based)的两级式Faster R-CNN算法和单级式SSD算法、YOLOV3算法，并且大量应用在船舶目标检测领域，具有较好的检测效果。Anchor-based检测算法主要通过预设anchors穷举图像中目标的潜在位置，再从中回归出目标的正确位置，但船舶数据集中目标形状和尺寸不同，设计合理的anchors比较困难，并且anchor机制会产生正负训练样本不均衡，训练难度大，计算冗余等问题。近年来，无锚框式(Anchor-free)目标检测算法逐渐发展并受到广泛关注，如CornerNet、CenterNet(Object as point)和FCOS检测算法，anchor-free检测算法优势在于不需要预设锚框，而是通过关键点—角点或中心点的检测对目标进行定位，同时对形状属性进行回归得到目标边界框。

发明内容

为了解决上述问题，本发明提出了一种船舶目标检测方法、终端设备及存储介质。

具体方案如下：

一种船舶目标检测方法，包括以下步骤：

S1：采集用于训练船舶目标检测模型的船舶图像组成训练集；

S2：构建基于改进CenterNet网络的船舶目标检测模型，并通过训练集对模型进行训练；

船舶目标检测模型中首先采用ResNeXt-50网络进行下采样，并在32倍下采样得到的特征层后添加一个基于空洞残差卷积的空洞编码器DE；其次采用FPN网络进行上采样后得到4倍下采样的特征图；最后基于4倍下采样的特征图，通过回归预测网络进行回归预测，预测得到关键点热力图和对应的中心点偏移量及目标框尺寸两个属性；

S3：通过训练后的船舶目标检测模型对待检测图像进行船舶目标检测。

进一步的，空洞编码器的网络结构包含两个部分，分别是预处理层和空洞残差层，预处理层首先通过1×1卷积对输入通道进行降维，然后通过3×3卷积细化上下文信息，空洞残差层连续堆叠了4个扩张率依次为2、4、6、8的空洞残差块。

进一步的，采用FPN网络进行上采样时，在以32倍下采样到16倍下采样过程中，首先将32倍下采样特征图通过2倍最近邻插值进行上采样，然后通过1×1卷积调整32倍下采样层和16倍下采样层的特征图通道数，经相加后通过3×3卷积进行特征融合。

进一步的，用于得到关键点热力图、中心点偏移量和目标框尺寸的回归预测网络中的三个分支中均采用一个3×3卷积和一个1×1卷积进行。

进一步的，构建空洞编码器、FPN网络和回归预测网络时均采用LeakyRelu激活函数。

进一步的，船舶目标检测模型的损失函数L_det的计算公式为：