[发明专利]一种船舶目标检测方法及系统

说明书

本发明公开了一种船舶目标检测方法，包括：将船舶目标图像数据标注后制作成训练样本集；构建基于YOLO v3轻量化的特征提取主干网络；根据特征提取主干网络建立基于YOLO v3改进的船舶目标检测网络模型；利用训练样本集对船舶目标检测网络模型进行训练；通过训练好的船舶目标检测网络模型对待检测的船舶图像数据进行检测，本发明提高了目标的检测速度。

技术领域

本发明属于目标检测技术领域，尤其涉及一种船舶目标检测方法及系统。

背景技术

目标检测是计算机视觉领域重要的研究方向之一，其在智能视频监控、医学图像分析、行为理解、视觉导航等方面有着广泛的应用。目前国内外学者主要关注的问题集中在相似目标干扰、目标尺度变化、外观模糊、遮挡以及实际应用中目标检测系统实时性等情况下的检测鲁棒性、准确性提高上。

近年来，基于深度学习的目标检测方法备受关注，由于其卓越的特征描述能力、鲁棒的检测性能，正逐渐成为当前目标检测的主流。Ren S Q等在IEEE Transactions onPattern Analysis and Machine Intelligence(2017,39(6):1137-1149)上发表的文章“Faster R-CNN：towards real-time object detection with region proposalnetworks”中，提出基于Two-stage的目标检测方法，通过RPN(Region proposal networks)模块，筛选出图像中的ROI(Region of interests)，极大提高了目标检测的准确率；然而，该方法耗时较高，难以满足实际检测系统的实时性需求。

发明内容

针对现有技术存在的问题，本发明提供了一种船舶目标检测方法，能够提高船舶目标的检测速度。

本发明提供如下技术方案：

第一方面，提供了一种船舶目标检测方法，包括：

将船舶目标图像数据标注后制作成训练样本集；

构建基于YOLO v3的轻量化的特征提取主干网络；

根据特征提取主干网络建立基于YOLO v3改进的船舶目标检测网络模型；

利用训练样本集对船舶目标检测网络模型进行训练；

通过训练好的船舶目标检测网络模型对待检测的船舶图像数据进行检测。

结合第一方面，进一步的，所述特征提取主干网络包括P个CBLM单元和Q个CBL单元组成；其中CBML单元由一个CBL单元和一个最大池化层构成；CBL单元由二维卷积、批归一化和非线性激活函数构成。

结合第一方面，进一步的，船舶目标检测网络模型的预测结构具体为：

采用特征金字塔结构实现s₁×s₁和s₂×s₂两个尺度特征图的预测输出，其中第一个尺度为原图像的N₁倍降采样输出，第二个尺度融合了原图像的倍降采样输出与N₁倍降采样输出得到。

结合第一方面，进一步的，通过对训练样本集中船舶目标候选框尺度进行聚类分析以确定船舶目标检测网络模型所需的目标候选框先验尺度参数。

结合第一方面，进一步的，聚类分析的目标函数f为：

其中，B_v表示第v个样本，C_u表示第u个边界框簇中心宽高尺度；n为样本的总个数；k为簇的总个数；IOU(B_v,C_u)表示样本宽高尺度与边界框簇中心宽高尺度的交并比。