[发明专利]一种基于深度学习的航道内运动船舶目标检测方法

说明书

本发明提供了一种基于深度学习的航道船舶检测方法，主要包括两个步骤：(1)采集、标注并制作航道船舶训练集样本，通过Tensorflow深度学习框架搭建Faster RCNN深度学习网络，并将制作好的训练集样本输入网络进行训练。(2)针对实际应用场景设计一种结合视频序列上下文预测信息的网络输出后处理算法。本发明利用深度学习的方法能够同时进行船舶目标的检测与识别。加上针对实际应用场景的后处理算法，能够使得网络在小批量的样本训练下保持准确率不变的前提下，大大降低了误检率。

技术领域

本发明专利涉及一种基于深度学习的航道上运动船舶目标检测方法，涉及图像处理领域以及基于深度学习的目标检测识别领域。

背景技术

当航道上方架(建)有高压电线、桥梁或在进行其他施工时，需对航道内往来的大型船舶限高通过，或要求船舶必须按指定路线行驶，或对船舶警示驱离，以上情况都需要提前对来往的船舶进行检测以及预警，以防事故发生。

现有对航道船只进行监控的主要方法是，通过在航道合适位置架设长焦网络摄像机，实时将航道上的视频传输到监控室，再由值守人工同步进行甄别并发出警报或指令。由于船只出现在航道具有不定时、不可预见的特点，依靠人工值守查看视频工作量大，易疲劳和误判，需要开发自动化船只识别方法，待识别出有船只靠近时，提醒人工进一步甄别、处置。

航道监测时摄像机工作方式与一般视频监控场景中摄像机固定不动的情况不同，为使得航道上的船只能被尽早发现，尽早警示，监控时采用了视距更远的长焦摄像机，而长焦摄像机虽提高了相机的可视距离，但同时又会减小摄像机的视场范围，为使摄像的可视范围覆盖整个航道，需要使摄像机周期性往复转动、扫描，即所拍摄场景的背景为动态背景，则若要自动判别航道内船只，需要在动态背景下进行检测。

传统的动态背景下目标检测方法主要有两类：(1)根据全局运动参量估计进行背景匹配，从而将动态背景转换成静态背景进行处理，再通过帧差法或者背景差分法提取运动目标，最后对提取的运动目标进行分类。由于全局运动参量估计需要利用特征匹配的方法计算模型参数，但对于航道中的船舶检测，当图像背景全为水域时，其颜色及纹理较为单一，特征匹配存在困难，加上远距离视频中船舶移动的速度相对于视频帧率而言过于缓慢，通过帧差法或者背景差分法都很难提取出船舶目标。(2)多尺度滑动窗口法，其核心是对视频序列的每一帧构建图像金字塔，利用固定尺寸的滑动窗口以等步距在整幅图像上滑动，并对每一个窗口利用之前训练好的分类器判断窗口内是否存在检测目标。该算法不受摄像机以及目标运动的影响，并且通过增加图像金字塔的层数能够增加定位精度。该算法的主要缺点是运算量过于庞大非常耗时，并且由于使用固定尺寸的滑动窗口，仅适用于目标长宽比变化不大的场景。但在航道船舶检测过程中，由于摄像机不停的转动，导致在不同帧中对同一条船的拍摄角度及成像区域的大小也在变化，故该算法也不适用。

本发明主要采用深度学习方法对航道内运动船只进行识别，然而，在典型的学习过程中，为提高网络对识别目标特征提取的完备性和检测的准确性，往往需要制作庞大数量的学习样本，且实际上目前利用深度学习进行目标识别的开放软件，其所学习的样本数量均以十万、百万计，这会耗费大量人力物力和时间来做前期标准化样本的制作工作。为克服该问题，本发明在利用小批量样本进行网络学习的基础上，提出了一种针对深度学习网络输出的后处理方法，使得利用尽量小的样本集进行训练也能达到足够高的检测精度，并降低了误检率，避免了典型深度学习网络需要制作海量学习样本、长时间训练、前期准备工作量过大的问题。

发明内容

为了在动态背景下实现对航道内运动船只的自动检测，本发明提供了一种基于深度学习的航道内运动船舶目标检测方法，在利用小批量样本进行深度网络学习的基础上，开发对网络输出进行自动后处理的方法，使得在不降低检测正确率的前提下，极大地降低了网络对学习样本容量大小的要求，极大地提高了学习网络的学习效率，节省了对深度学习网络进行调试、生成的时间，因而降低了成本，便于在实际中使用。

本发明所采用的技术方案是通过以下步骤实现的：