[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

说明书

本发明公开一种海上船舶小目标可见光图像实时自动识别方法及系统，该方法针对目前传统方法对各种复杂环境的适应性差的问题，通过目标检测网络将包含水天线及船舶目标的区域进行自动检测，然后在所检测出的水天线区域再次利用目标检测网络进行进一步的船舶小目标识别，最终形成一个专门针对海上船舶小目标的自动识别模型。本模型能够准确的识别出海上的船舶小目标，而且在保证精度的前提下，实时性将得到较大程度的提高，进一步提升我国的智能航海技术。该方法避免了深度学习存在硬件资源浪费问题，提高了实时性。

技术领域

本发明涉及智能航海技术领域，特别是一种海上船舶小目标可见光图像实时自动识别方法及系统。

背景技术

人类在海洋中的活动越来越频繁，包括海上运输、海上贸易、海洋捕鱼和军事活动，而船舶是人类在海洋中活动的重要载体，因此对海上船舶的监控和管理至关重要。

随着自动驾驶汽车的兴起，自动驾驶船舶也受到越来越多的关注，尤其是远距离和短距离货船以及参与高风险军事行动的特种船舶。一些船舶配备了自动识别系统(AIS)，通过无线电信号广播自己的位置和其他信息，这些信息可以被周围的船舶接收以避免碰撞。然而，小型航行器(独木舟、皮划艇、帆船、小型渔船等)往往没有配备AIS，而且AIS发出的信号容易受到干扰。因此，对于海洋环境中的船舶管理和船舶的无人自主航行，需要具备船舶精准探测能力。雷达虽然广泛用于船舶探测，但也有一定的局限性。雷达不能检测小型非金属材料(木材或玻璃纤维)的海洋航行器。对于合成孔径雷达(SAR)，SAR图像中的散斑噪声和运动模糊使特征提取变得困难。由于SAR的成像机制，图像难以理解和解释。

利用可见光图像进行船舶检测与识别近些年也引起了研究人员的兴趣。这种方式所获取的船舶图像直观、易于人眼理解，可见光谱成像具有高分辨率，可以获得颜色和纹理信息。这有利于船舶检测与识别的准确性和鲁棒性。

目前，可见光图像形式的船舶目标自动识别算法主要分为两类，一类是传统的图像处理方法，另一类是深度学习方法。传统的图像处理方法流程一般为先对图像进行预处理，然后对图像中的水天线进行检测并提取感兴趣区域，最后对感兴趣区域进行分类识别。而深度学习方法的流程一般为直接利用单阶段或两阶段的目标检测网络对样本集进行训练，然后利用训练好的模型对待识别图像直接进行船舶目标的识别。这两种方法都各有优缺点，传统的图像处理方法的优点是方法简单而且无需大量的训练数据集，缺点是鲁棒性差，对复杂环境的适应性差，并且需要人工选择特征；基于深度学习的方法的优点是鲁棒性好，能够适应各种复杂的环境，而且船舶的特征提取无需人工干预，明显的缺点就是需要大量的训练数据集。

目前，基于深度学习的船舶目标自动识别方法直接利用目标检测模型，对于船舶小目标的识别，由于小目标仅占据整个图像的很小一部分，不管利用单阶段的目标检测网络还是两阶段的目标检测网络都面临着一个问题，那就是图像中大部分区域都是无效的，在模型的训练过程中不仅浪费了昂贵的计算机硬件资源，而且降低了模型的实时性，本发明将充分利用水天线这个特征，首先对包含船舶目标的水天线区域进行检测，然后对所检测出的水天线区域进一步进行小目标的检测与识别，将整个船舶目标的识别分为两阶段进行，不仅节约了计算机硬件资源，而且在保证识别精度的前提下大大提升模型的实时性。

发明内容

有鉴于此，本发明的目的在于提供一种海上船舶小目标可见光图像实时自动识别方法及系统，该方法涉及在海上航行环境下对各种船舶目标的可见光图像自动识别。

为达到上述目的，本发明提供如下技术方案：

本发明提供的海上船舶小目标可见光图像实时自动识别方法，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：