[发明专利]一种基于YOLO-V3算法的船只遮挡检测方法及装置

说明书

本发明公开了一种基于YOLO‑V3算法的船只遮挡检测方法及装置，用于在图像中搜索被遮挡船只的位置和方向，所述方法包括：构建样本数据集；对样本数据集进行聚类分析；构建YOLO‑V3网络，并对所述YOLO‑V3网络的输出框进行优化，以使得所述输出框包括整体边界框和局部边界框；将所述样本数据集输入所述YOLO‑V3网络中进行训练和测试，得到船只遮挡检测模型；将待检测的船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框。本发明通过优化YOLO‑V3网络的输出框使之能输出整体边界框和局部边界框，再对输出的整体边界框与局部边界框做交并比与面积比值之间的误差来判断检测是否正确，以此提高检测的准确性。

技术领域

本发明涉及影像检测领域，具体涉及一种基于YOLO-V3算法的船只遮挡检测方法及装置。

背景技术

随着科技的发展，图像检测被广泛的运用于人脸识别、自动驾驶和行人检测。图像检测任务通常通过包括标记出所给图像中待检测物体的边界框，并判断边界框中的物体属于那一类别。传统的检测方法可分为三个步骤：首先，选取感兴趣区域，考虑到待检测的物体可能会出现在图像中的任一位置，同时其他大小比例具有不确定性，因此通常采用多尺度、多长宽比的滑动窗口技术对图像进行输入。虽然这种技术可以较好的标记出可能出现的待检测物体的位置，但是由于扫描时无差对待每一个区域，导致计算量巨大，并且会产生错误匹配的窗口。其次，从标记的区域提取特征，常见的特征提取算法有SIFT、HOG、Haar-like等。但是由于外形、光照、拍摄角度和背景多样性等因素，以上特征提取算法的鲁棒性较差，无法表征所有情况下的物体特征。最后，对提取的特征进行分类，识别出检测框中实物的类别。

在现有的对遮挡船只的检测技术中，大多采用简单的图像匹配方式例如灰度匹配或者基于神经网络模型进行匹配和检测。但由于被遮挡船只在检测时船只的数据不完整导致无法进行精确的检测以至于船只跟踪出现错误。

发明内容

因此，本发明提供一种基于YOLO-V3算法的船只遮挡检测方法，以解决的现有技术中无法对被遮挡船只进行准确匹配检测的问题。

根据第一方面，本发明提供了供一种基于YOLO-V3算法的船只遮挡检测方法，包括以下步骤：

构建样本数据集，将所述样本数据集中包含有被遮挡船只的整体区域或者局部区域标注信息，所述样本数据集分为训练集和测试集；

对所述样本数据集进行聚类分析，所述聚类分析为维度聚类分析，用于分析被遮挡船只的边界框；

构建YOLO-V3网络，并对所述YOLO-V3网络的输出框进行优化，以使得所述输出框包括整体边界框和局部边界框；

将所述经过维度聚类分析后的样本数据集输入所述YOLO-V3网络中进行训练和测试，得到船只遮挡检测模型；

将待检测被遮挡船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框。

本发明实施例提供的基于YOLO-V3算法的船只遮挡检测方法，构建的数据集为无人机拍摄的被遮挡船只的影像，对该数据集进行维度聚类分析被遮挡船只的边界框，对船首、船身、船尾及船上的标杆等做维度分析，使构建的样本数据集进行分组，有利于后续的计算。再对YOLO-V3网络的输出框进行优化，以使得所述输出框包括整体边界框和局部边界框，并对所述输出的整体边界框与局部边界框做交并比来判断检测是否正确，以此来提高检测的准确性，从而对被遮挡船只的位置和方向进行准确的检测，提高了被遮挡船只检测的准确性。

根据第一方面，在第一方面第一实施式中，在构建所述样本数据集时，需要对对样本数据集进行分类标定，统一样本数据集的图像大小和像素等处理，其中，所述样本数据集中包含无遮挡的船只标定数据、有遮挡的船只局部标定数据和有遮挡的船只整体标定数据。