[发明专利]一种海上船舶目标识别方法

说明书

本发明公开了一种海上船舶目标识别方法，该方法具体包括如下步骤：S1、构建船舶目标的样本集，样本集包括训练样本集及测试样本集；S2、基于改进后的SSD网络模型对船舶数据训练集进行训练，获取船舶目标识别模型，改进后的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项，降低第七层的特征敏感度；S3、基于船舶测试数据集对船舶目标识别模型进行测试，当船舶目标识别的准确率大于准确率阈值，则输出所述船舶目标识别模型，若船舶目标识别的准确率小于等于准确率阈值，则执行步骤S2。在SSD网络模型的第七层增加正则化，使得第七层权重矩阵的值减小，从而降低第七层的障碍物特征，从而达到提高船舶目标识别准确度及识别置信度。

技术领域

本发明属于目标识别领域，涉及一种海上船舶目标识别方法。

背景技术

在无人艇海上航行时，难免会遇到一些障碍物，比如正在航行的船舶，以及在海上作业的船舶。为了在无人艇海上航行时的安全，进行海上障碍物的检测也是必不可少的。

现有研究中，常见的传统目标检测算法有：Sobel算子、Isotropic Sobel算子、Roberts算子和Prewitt算子等。但是传统的目标检测算法只能进行边缘和轮廓的提取，并不能完成目标的分类，因此也无法将其应用于船舶的检测。使用 SSD(Single shotmultibox detector)提取图像深层特征信息从而实现物体具体内容的识别已经在无人驾驶领取得诸多进展，但是对于船舶目标识别，现有的SSD 存在识别准确率低以及置信度低的缺陷。

发明内容

本发明提供一种海上船舶目标的识别方法，基于改进后的SSD算法进行船舶目标的识别，提高船舶目标的识别精度。

本发明是这样实现的，一种海上船舶目标的识别方法，该方法具体包括如下步骤：

S1、构建船舶目标的样本集，样本集包括训练样本集及测试样本集；

S2、基于改进后的SSD网络模型对船舶数据训练集进行训练，获取船舶目标识别模型，改进后的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项，降低第七层的特征敏感度；

S3、基于船舶测试数据集对船舶目标识别模型进行测试，当船舶目标识别的准确率大于准确率阈值，则输出所述船舶目标识别模型，若船舶目标识别的准确率小于等于准确率阈值，则执行步骤S2。

进一步的，L2正则是基于L2范数实现的，即：

其中，C为正则化项，C₀表示正则化项的训练样本误差，n是训练样本个数，λ是正则项系数，ω_i为神经网络中第i个神经元的权重。

进一步的，收集包含船舶目标的船舶图像，对船舶图像中的船舶目标及背景进行类别及位置的标注，形成训练样本，放入训练样本集中，将包含有船舶目标的船舶图像作为测试样本，放入测试样本集。

进一步的，在tensorflow框架下，通过在配置为英特尔Core i7-8750H处理器、主频为2.20GHz、显卡为GTX1050Ti、显存为4G的主机上运行JetBrains PyCharm CommunityEdition 2018.3.4x64软件通过加载预训练好的VGG16模型和船舶目标的练样本集，并采用卷积步长为8进行改进后的SSD网络模型训练，获得船舶目标识别模型。

本发明在SSD网络模型的第七层增加正则化，使得第七层权重矩阵的值减小，从而降低第七层的障碍物特征，从而达到提高船舶目标识别的准确度及识别置信度。

附图说明

图1为本发明实施例提供的海上船舶目标识别方法的流程图；

图2为本法发明实施例提供的改进后的SSD算法的整体框架图；