[发明专利]一种移动船舶多目标实时检测方法

权利要求书

1.一种移动船舶多目标实时检测方法，其特征在于：在特征学习的基础上将分类和回归融合在一个深度神经网络中进行多目标实时检测，将其命名为船舶检测深度神经网络算法SD-DCNN，图像中有多个船舶目标，需要判别每一个预测框，具体包括以下步骤：

S1、将图片划分为S×S的网格，对任何一个网格预测B个边界框，每一个边框都给出5个参数，即是X，Y，W，H，SHIPConfig，其中(X，Y)是船体预测框的中心横坐标与船体预测框中心的纵坐标；(W，H)是船体预测框的宽度和船体预测框的高度，SHIPConfig为船体预测框中存在船体的可信度；

SHIPConfig＝Pr(ship)*IOU(pred|truth) (1)

其中，P_r(ship)表示船体是否存在预测框中，IOU(pred|truth)表示预测框与真实框的交并比；

IOU(pred|truth)表示预测框与真实框的交并比：

BB(pred)为基于训练数据的预测框，BB(truth)为目标检测时的真实框，area(·)表示求面积；

S2、通过特征融合使每一层的特征在同一层上参与船体的检测,即是在原有的深度卷积神经网络中添加新的网络层来提取船舶的特征，并将这些特征融合到高层网络中提取出高层的抽象特征；

S3、为了减小计算的复杂度，设计损失函数，其作用是通过设置不同的比例因子给有船体部分的预测框和没有船体部分的预测框去做出相应的比例上的平衡,损失函数形式如下所示：

将图片划分为S×S的网格，对任何一个网格预测B个边界框，其中，为判断第i个网络中的第j个预测边界框是否负责船体目标的判别；x_i表示第i网络的横坐标位置，表示第i网络的预测横坐标位置，为预测的第i网络的类别，C_i表示第i网络的真实类别，λ_coord为坐标误差调整因子一般为实数，这里取值5；λ_noobj一般为0-1之间小数，这里取值0.5，p_i(c)为分类概率，为分类预测概率，ω_i目标边界框宽，为预测边界框宽，h_i为目标边界框高，为为预测边界框高；

为坐标预测损失值；

为含有船体部分的预测边界框的可信度的预测损失值；

为不含有船体部分的预测边界框的可信度的预测损失值；

为判断是否船体的中心落在了网格中。

2.一种移动船舶多目标实时检测方法，其特征在于：船舶检测深度神经网络算法SD-DCNN训练网络将图像输入到SD-DCNN训练集中，SD-DCNN会输入的图像自动划分为7*7的网格，如果船体的中心在这个网格内，则SD-DCNN认为这个网格负责检测该船体部分，并且每个网格都需要处理两个预选框，每个预选框里面有五个参数，分别为X，Y，W，H，SHIPConfig；两个预测框，每个预测框都需要预测五个参数，两个预测框就需要预测10个参数，由式5可以知，其中预测框还需要预测在目标条件下的类别概率Pr(class|ship)，将Pr(ship)和Pr(class|ship)相乘即可以得到某个预测框对船体的判定概率，其中Pr(ship)为船体类别的概率，Pr(class|ship)为在预测框中存在的判定概率，每一个网格都需要预测30个参数，则一幅图像至少需要预测1470个参数。

Prclass)Pr(class|ship)*Pr(ship) (5)

3.一种移动船舶多目标实时检测方法，其特征在于：SD-DCNN网络预测过程只需要对网络输出类别判断，得到存在目标的网络获取该网络所对应的预测框的位置信息，即可完成相应的目标检测。每个网格输出两个预测框，每个预测框都预测30个参数，最后得到98个预测框参数的输出，由式5设定船体概率为0.2，小于0.2的表示不是船体目标，大于0.2的即是目标船体，在预测框中将其按概率递减的顺序排开，并且使用一定的算法来消除相同物体的重叠框。

4.一种移动船舶多目标实时检测方法，其特征在于：通过调节预测框的阈值范围来判断船舶的目标。