[发明专利]船舶图像检测识别预测方法及电子设备

说明书

本发明公开了一种船舶图像识别预测方法，将获得的航行船舶的图像输入经过训练的预测模型，输出航行船舶的预测航迹，预测模型对于输出的船舶图像的处理步骤包括：将输出的船舶图像输入特征提取主干网络进行特征提取，获得第一输出特征；将第一输出特征经过特征融合网络加强对特征提取，输出预测特征层；在各个预测特征层上分别生成先验框，把这些先验框送进预测器进行分类和回归预测；对预测器输出的多个检测框，进行非极大值抑制处理，剔除重复多余的检测框后输出船舶的预测位置。所述特征融合网络基于PANet。

技术领域

本发明属于船舶航行智能驾驶以及港口安全管理技术领域，特别涉及一种船舶图像检测识别预测方法及电子设备。

背景技术

对于装有AIS设备的船舶虽然可以了解彼此的航行动态、操作意图，从而达到防碰撞的目的，但只能检测到装配并开启了该设备的船只，因此这种方法属于被动检测。而其他常用的主动船舶图像检测识别技术包括：雷达技术、基于传统算法的可见光图像技术和基于深度学习算法的可见光图像技术等。其中，对于使用雷达进行船舶检测的，容易受航行天气、电磁信号等环境因素影响。而基于可见光图像的检测技术，在较为理想的天气情况下，观测距离可达30km。又由于可见光传感器获取的细节信息远比雷达和红外线等检测技术丰富，因此更加适合对近距离目标进行有效探测。

发明内容

本发明实施例之一，一种基于改进SSD多尺度特征融合的船舶图像检测识别方法。将获得的航行船舶的图像输入经过训练的预测模型，输出航行船舶的预测航迹。所述预测模型对于输出的船舶图像的处理基于SSD(single shot multibox detector)算法，包括：

将输出的船舶图像输入特征提取主干网络进行特征提取，获得第一输出特征；

将第一输出特征经过特征融合网络加强对特征提取，输出预测特征层；

在各个预测特征层上分别生成先验框，把这些先验框送进预测器进行分类和回归预测；

对预测器输出的多个检测框，进行非极大值抑制处理，剔除重复多余的检测框后输出船舶的预测位置。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1根据本发明实施例之一的船舶图像检测识别方法流程图。

图2根据本发明实施例之一的SSD网络结构图。

图3根据本发明实施例之一的转置卷积过程示意图。

图4根据本发明实施例之一的DIOU边界框回归示意图。

图5根据本发明实施例之一的算法训练损失结果对比示意图。

图6根据本发明实施例之一的算法mAP值变化比较示意图。

图7根据本发明实施例的检测算法实例识别效果对比图。

具体实施方式

目前，可见光波段图像检测的传统算法一般采用梯度直方图(HOG)和尺度不变特征(SIFT)等算法作为特征提取器，将得到的特征放进支持向量机(SVM)或者Adaboost等分类器进行分类。但是HOG和SIFT是一种人工提取特征的方法，应用于目标检测时，往往会消耗大量的人力资源。而且该算法提取的特征鲁棒性差，计算复杂，难以达到实时检测的要求。随着计算机硬件和卷积神经网络的高速发展，基于深度学习的算法在图像检测和分类任务中得到广泛的应用，这类算法相对于传统算法无论是在检测精度还是检测速度上，都有着明显的提高。

深度学习的检测算法主要分为单阶段和两阶段两大类。