[发明专利]海上船舶小目标可见光图像实时自动识别方法及系统

权利要求书

1.海上船舶小目标可见光图像实时自动识别方法，其特征在于：包括以下步骤：

S1：获取数据集1和数据集2，所述数据集1为海上船舶小目标的可见光图像数据，所述数据集2为单独包含船舶小目标的水天线区域的局部图像数据：

S2：构建水天线区域检测模型，所述水天线区域检测模型是将数据集1中训练数据输入到YOLO-V3目标检测网络模型中训练出来的，所述数据集1中的训练数据均包括海上船舶小目标的可见光图像数据和用来标识该水天线区域的标识信息；生成所述水天线区域信息；

S3：构建船舶小目标检测模型；所述船舶小目标检测模型是根据接收的水天线区域信息和数据集2中的训练数据并输入到多尺度特征提取网络模型中训练出来的，所述数据集2中的训练数据包括单独包含船舶小目标的水天线区域的局部图像数据；生成船舶小目标图像。

2.如权利要求1所述的海上船舶小目标可见光图像实时自动识别方法，其特征在于：所述水天线区域检测模型的训练过程包括以下步骤：

将经过在ImageNet数据集上训练好的参数作为水天线区域检测模型的预训练参数。

3.如权利要求1所述的海上船舶小目标可见光图像实时自动识别方法，其特征在于：所述船舶小目标检测模型构建按照以下步骤进行：

S31：构建上采样跳连接的多尺度特征提取网络，并结合FasterR-CNN目标检测模型，形成船舶小目标检测模型；

S32：对S31中构建好的船舶小目标检测模型利用步骤S1中制作的数据集2进行有效训练。

4.如权利要求1所述的海上船舶小目标可见光图像实时自动识别方法，其特征在于：所述多尺度特征提取网络采用基于两阶段的FasterR-CNN网络模型，所述基于两阶段的FasterR-CNN网络模型依次包括输入层、卷积神经网络层和上采样特征融合模块；

所述输入层设置有个多个输入的图像样本通道；

所述卷积神经网络层用于接收输入层的数据并将经过处理的数据输出到上采样特征融合模块中进行处理；

所述上采样特征融合模块根据卷积神经网络层输入到数据进行处理得到船舶目标特征图。

5.如权利要求4所述的海上船舶小目标可见光图像实时自动识别方法，其特征在于：所述多尺度特征提取网络中各尺度特征图设置的候选框根据分类分数由高到低进行设置，使得每种尺度的候选框数量保持均衡。

6.如权利要求4所述的海上船舶小目标可见光图像实时自动识别方法，其特征在于：所述两阶段的FasterR-CNN网络模型中的第二阶段中的各尺度特征图的候选框设置包括前景类候选框和背景类候选框，所述前景类候选框和背景类候选框的个数按照预定比例因子确定。

7.如权利要求4所述的海上船舶小目标可见光图像实时自动识别方法，其特征在于：还包括以下步骤：

获取船舶小目标检测模型输出所检测到船舶目标，并将该船舶目标的位置显示在第一阶段输入的原图上。

8.海上船舶小目标可见光图像实时自动识别系统，其特征在于：包括数据存储模块、水天线区域检测模型、船舶小目标检测模型和输出单元；

所述数据存储模块，用于获取数据集1和数据集2，所述数据集1为海上船舶小目标的可见光图像数据，所述数据集2为单独包含船舶小目标的水天线区域的局部图像数据：

所述水天线区域检测模型，用于构建水天线区域检测模型，所述水天线区域检测模型是将数据集1中训练数据输入到YOLO-V3目标检测网络模型中训练出来的，所述数据集1中的训练数据均包括海上船舶小目标的可见光图像数据和用来标识该水天线区域的标识信息；获取并输出所述水天线区域信息；

所述船舶小目标检测模型，用于构建船舶小目标检测模型；所述船舶小目标检测模型是根据接收的水天线区域信息和数据集2中的训练数据输入到多尺度特征提取网络模型中训练出来的，所述数据集2中的训练数据包括单独包含船舶小目标的水天线区域的局部图像数据；获取并输出船舶小目标图像。

所述输出单元，用于获取船舶小目标检测模型输出所检测到船舶目标，并将该船舶目标的位置显示在第一阶段输入的原图上。