[发明专利]一种移动船舶多目标实时检测方法

说明书

本发明公开了一种移动船舶多目标实时检测方法，采用基于神经网络的方法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，将本方法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，通过建立网络模型，设计损失函数模型，回归预测网络权重，从而能较好在变光照环境下进行移动船舶的多目标实时检测。

技术领域

本发明涉及船舶货运系统技术领域，具体为一种移动船舶多目标实时检测方法。

背景技术

20世纪70年代以来，船舶货运成了一个至关重要的运输渠道。水路运输的密集和货物装载量的不断增加，导致水路运输时常发生重大的事故，严重危害了船舶运输安全。近年来，雷达、船舶自动识别系统(AIS)有很大的应用，并且具有避碰功能，却因为其经济代价昂贵，并非所有船舶都能够安装雷达设备，并且如若遇到雷达屏蔽技术，雷达则会失去工作效用，寻求其它可代替的船舶检测方法，刻不容缓。

船舶的使用量的逐步增加，并且运输过程中事故频繁发生。在这些事故中，船舶的安全隐患比例居高不下，庞大的数据说明船舶运输的安全问题亟待解决。发生事故时，我们采取的措施是主动防护和被动防护。主动防护是指在事故发生之前识别危险情况且采取措施的方法；被动防护是一种通过船舶本身的防撞设计来减小工作人员和船舶危险程度的做法。船舶的安全性体现在被动防护，即是具有一定抗撞能力的船体设计，发生碰撞时，吸收能量来减小船舶的动能，这种措施并不能合理地探测前方的目标船舶。在船舶前进的过程中，只能依靠人工检测前方的水运路况。在多数情况下很难实现，主要表现在：第一，在二十四小时内，工作人员很难聚精会神的观察船前的情况；第二，由于水运运输过程中，海面环境光线昏暗，前方出现的目标船舶人眼难以观察清楚。由于水上运输环境的复杂性和挑剔性，陆地的汽车避碰系统不完全适合水上运输。本发明实现了船舶前方的目标船舶的自动检测，并将测出船舶与前方目标船舶的距离，根据防撞策略进行比较分析和判断，进而达到防撞预警的目的。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种移动船舶多目标实时检测方法，采用基于神经网络的方法，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，通过建立网络模型，设计损失函数模型，回归预测网络权重，从而能较好在变光照环境下进行移动船舶的多目标实时检测。

(二)技术方案

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，HSHIPConfig，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。