[发明专利]基于摄像机标定及深度学习算法的船舶身份识别系统

说明书

基于摄像机标定及深度学习算法的船舶身份识别系统，包括步骤为：训练YOLO图像检测器，对实时视频流每帧图像进行船舶检测；设计KCF多目标跟踪器，实时获取其在图像中准确位置；通过摄像机标定算法将AIS信号与图像检测跟踪结果进行关联，对未关联上船舶采用深度特征匹配的方法进行识别。本发明由于采用摄像机标定算法，相较于传统身份识别方式，AIS关联成功率大大提高；另外由于采用了3D定位方法进行标定，避免了繁琐的棋盘格标定方法带来的误差；同时，相对于传统的基于sift、lbp等特征的图像检索，本发明对未关联AIS船舶采用深度特征匹配的方法，相似度检索成功率大大提高。

技术领域

本发明涉及船舶身份识别领域，特别是一种基于摄像机标定及深度学习算法的船舶身份识别系统。

背景技术

我国拥有众多的江海湖泊，传统的海事监管方式是依靠人力通过海巡艇随机巡视水域进行监管，这种方式耗费巨大的人力物力，难以自动准确识别航道卡口水域船舶。在海警、海事、船舶管理系统等军民用领域中，视频监控成为一种重要的信息来源。海事监管部门2016 年以来，一直致力于发展水上智能监控，大力发展水上视频高清监控项目，沿江水域安装大量CCTV设备。通过集成AIS、CCTV等传感器，从实时视频监控中快速有效的提取船舶目标，对船舶身份进行自动判别，对船舶异常行为进行告警，成为一个重要的应用领域。

在目标检测技术中，应用比较广泛的有背景差分法、帧间差分法、光流法等，背景差分法易受环境光线变化的影响，不适用于背景变化很大的情况；帧间差分法帧间时间间隔的选取很重要，只能提取出目标边界；光流法对硬件要求比较高，计算较复杂，抗噪性差。

目前计算机视觉和模式识别技术发展迅速，在陆地智能交通领域取得显著成效。但水上智能交通领域仍存在以下难点：

(1)水上背景不固定，受到光照、雨雾天气影响较大。

(2)雷达及AIS设备无法直观监控水域，巡视船舶交通现场。

(3)传统特征如surf、lbp特征等无法提取船舶深层次特征，检索准确率不高。

因此，如何快速有效的检测船舶目标，结合其它来源信息，对船舶身份和行为进行判别成为一个重要发展趋势。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于摄像机标定及深度学习算法的船舶身份识别系统，该基于摄像机标定及深度学习算法的船舶身份识别系统集成CCTV和AIS基站等设备，采用基于摄像机标定的AIS融合算法，获取船舶的AIS静态信息，相较于传统海事监管，自动化程度高、抓拍准确且信息全面。对于未开AIS船舶，为识别其身份，采用深度学习算法提取船舶的VGG16特征，建立船舶特征数据库，按最小余弦距离检索出相似性最大的船舶，识别出船舶身份信息。

为解决上述技术问题，本发明采用的技术方案是：

一种基于摄像机标定及深度学习算法的船舶身份识别系统，包括如下步骤。

步骤1，建立船舶检测器，包括如下步骤。

步骤11，确定YOLO模型的网络结构：YOLO模型网络结构包括输入层、隐含层和输出层。其中，输入层为视频帧图像，输出层为视频帧图像中是否含有船舶以及船舶在其中的像素位置。

步骤12，训练YOLO模型：首先设定YOLO模型中的batch size及网络输入大小。然后，收集CCTV视频数据，抽取视频帧中含有船舶的图像进行样本标注，形成数据集样本。采用数据集对步骤11确定的YOLO模型网络结构进行训练，确定连接权值。训练完成的YOLO模型，称为船舶检测器。

步骤2，船舶检测：采用步骤1建立的船舶检测器对实时视频流中的每一帧图像进行船舶检测，判断当前视频帧中是否含有船舶以及检测出船舶在视频帧图像中的像素位置。