[发明专利]一种海上船舶实时检测方法及系统

说明书

本发明公开了一种海上船舶实时检测方法及系统，该方法获取船载实时视频图像，利用船舶区域提取算法对视频的当前帧图像进行检测；当在当前帧图像中检测到船舶目标时，提取船舶的前景图像；将提取得到的船舶前景图像作为输入，利用改进的YOLOv3模型进行海上船舶的实时检测。本发明提出的方案中，加入感兴趣区域提取过程可以提高整体算法的检测速度，保证实时性，节省计算机资源；改进的YOLOv3模型可以进一步在保证实时性的基础上提高检测精度，保证检测效果。

技术领域

本发明涉及图像处理技术领域，特别涉及一种海上船舶实时检测方法系统。

背景技术

目前，我国约90％的进出口货运都是利用水上交通运输来实现。面对日益繁忙的水路运输，随之引发的航行安全问题也日益突出。在众多航行安全问题中，船舶碰撞是亟待解决的安全隐患之一。针对此，采用目标检测技术识别海上船舶能够有助于解决人眼观测识别速度慢、定位精度低等问题，避免在船舶航行过程中发生船舶碰撞等交通事故。因此，实现全天候、全时段、快速、精准的检测与识别对于保障航行安全、港口城市的船舶运营管理与指挥调度等具有重要意义。

目标检测技术作为数字图像处理领域的重要技术之一，是目前视频处理研究的重要手段，主要包含三大类：传统的运动目标检测、浅层机器学习方法和深度学习算法。运动目标检测算法是通过逐帧判断有无运动区域产生；浅层机器学习方法是通过提取特征、目标分割等手段进行检测；深度学习算法基于卷积神经网络的深层结构，通过特征提取、分类等手段进行检测。

现有技术中，运动目标检测技术是指在图像序列中利用像素值发生变化的原理将运动中的前景区域从背景图像中提取出来，目前主要包含帧间差分法、背景建模法、光流法以及在其基础上的改进算法。该类算法易受场景的干扰，如气候、光照、风吹草动等；此外，其仅能检测发生变化的区域，不能识别其类别。

机器学习目标检测方法通过构建分类器对目标特征进行处理，其检测步骤为：首先将含有目标特征的图像作为正样本，不含有目标特征的图像作为负样本，正样本与负样本构成训练模型的训练集；然后通过计算机输入训练集训练出若干分类器，最后输入测试样本择优选择可用分类器并对待检测图像进行识别。该类算法依赖于人工设计特征，特征选取优劣影响最终的检测结果；此外，当有新的船舶目标特征数据加入时需要重新训练分类器，鲁棒性弱，且识别精度低。

现有技术中还提出一种基于场景多维特征的船只检测方法，该方法提取每帧图像的所有边缘作为图像的第四维；提取海岸线，设置船只出现区域为海面区域；构建类FasterRCNN(Fast Region-based Convolutional Neural Networks)卷积网络作为深度学习网络，将样本数据输入到深度学习网络中；构建RPN网络，利用滑窗在船只出现范围区域生成不同大小区域建议框，同所得深度学习网络结合，根据船只真实位置训练模型；基于训练所得模型，对检测影像海岸线间的部分进行船只检测。该方法存在不足之处是，类FasterRCNN网络训练难度较大，需要大量样本支撑，且较难适应多种尺度大小的船只，检测速度慢、实时性差。

发明内容

本发明提供一种海上船舶实时检测方法及系统，能够解决深度学习检测速度慢的问题，并在保证实时性的基础上提高检测精度。

根据本发明的一个方面，提供了一种海上船舶实时检测方法，包括以下步骤：

获取船载实时视频图像，利用船舶区域提取算法对视频的当前帧图像进行检测；

当在当前帧图像中检测到船舶目标时，提取船舶的前景图像；

将提取得到的船舶前景图像作为输入，利用改进的YOLOv3模型进行海上船舶的实时检测。

所述改进的YOLOv3模型，根据如下方式获取：

采集并制作船舶图像数据库；

根据所述船舶图像数据库中船舶数据训练YOLOv3模型，得到用于检测海上船舶的模型权重；