[发明专利]海浪影响下船只检测方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能领域，具体涉及一种海浪影响下船只检测方法、装置、电子设备及存储介质。包括步骤：获取待识别图像；提取待识别图像中船只的特征，输出包含有船只图像的目标框；截取待识别图像在目标框中的图像信息，并获取目标框中的每个像素点的像素值；对目标框中像素值处于白色区间的像素点进行区域合并，得到白色像素点的区域；对白色像素点的区域边界进行规则判断，以确定区域边界是否是海浪区域边界；当区域边界是海浪区域的边界时，利用海浪区域对包含有船只图像的目标框进行校正，确定出船只的实际位置区域。利用海浪区域对包含有船只图像的目标框进行校正，进一步确定出船只在图像中实际的位置，从而提高船只位置检测的精确度。

技术领域

本发明涉及人工智能领域，具体涉及一种海浪影响下船只检测方法、装置、电子设备及存储介质。

背景技术

船只检测作为目标检测的一部分，一直是计算机视觉和模式识别领域的热门话题，在海洋安全、海上监测和管理等众多应用中，船只检测可为其提供决策信息。

传统的目标检测通常是基于机器学习的，通过人工的特征设计、特征提取，将提取的特征输入某个分类器从而实现目标检测任务。随着深度学习的发展，目标检测进入了一个新的阶段。与传统的通过人工设计特征不同，卷积神经网络(CNN)可以自动提取更具代表性的特征。由于不需要人工特征设计，卷积神经网络(CNN)良好的特征表达能力和出色的检测精度，基于深度学习的目标检测算法展示出更大的优势，成为当前目标检测算法的主流。

目前基于深度学习的目标检测算法可分为两类，即基于区域建议的目标检测和基于端到端学习的目标检测。其中基于区域建议的目标检测是预先针对图像中的目标对象的位置提取候选区域的方法，主流算法包括R-CNN、Fast R-CNN和Faster R-CNN等；而基于端到端学习的目标检测不需要提前提取候选区域，其代表性算法为YOLO。

由于海上作业风险高，利用岸上的监控视频进行船只监控和风险预测是十分有必要的。然而目前的船只检测系统对船只位置检测的准确率不高，其重要原因是受到海浪的影响。由于台风等极端天气会引起高海浪，从不同视角获得的影像数据，海浪会呈现出运动特征明显变化的信息，有些会同船只特征相近，所以这些海浪经常会被误检测为船只，从而当图像中同时存在海浪和船只时，由于海浪和船只在图像上的占比悬殊(通常是海浪大而船只小)，现有的船只检测系统会将海浪的位置检测为船只的位置，使得在确定船只位于图像中实际位置时准确度低。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中在确定船只位于图像中实际位置时，准确度低的缺陷，从而提供一种海浪影响下船只检测方法，包括如下步骤：

获取待识别图像；

提取所述待识别图像中船只的特征，输出包含有船只图像的目标框；

截取所述待识别图像在所述目标框中的图像信息，并获取所述目标框中的每个像素点的像素值；

对所述目标框中像素值处于白色区间的像素点进行区域合并，得到白色像素点的区域；

对所述白色像素点的区域边界进行规则判断，以确定所述区域边界是否是海浪区域边界；

当所述区域边界是海浪区域的边界时，利用所述海浪区域对所述包含有船只图像的目标框进行校正，确定出船只的实际位置区域。

优选地，所述对所述目标框中像素值处于白色区间的像素点进行区域合并，得到白色像素点的区域，包括：

获取所述目标框中每个像素点的像素值，确定出所有处于白色区间的像素点；

相邻的白色像素点进行区域合并，得到白色像素点的区域。

优选地，所述对所述目标框中像素值处于白色区间的像素点进行区域合并，得到白色像素点的区域，包括：

重复以下步骤直到所有区域块中的白色像素区合并：