[发明专利]一种面向视觉特征非连续性干扰的船舶图像航迹提取方法

说明书

本发明提供了一种面向视觉特征非连续性干扰的船舶图像航迹提取方法，包括：采集船舶图像，船舶图像包括船舶被遮挡的场景图像和船舶未被遮挡的场景图像；根据DeepSnake模型和YOLOX模型，对船舶图像进行检测，获取图像序列中的船舶位置；将船舶位置与DeepSnake模型的检测结果输入至YOLOX模型中，获取船舶的外表轮廓；基于外表轮廓与船舶位置对船舶进行轨迹跟踪，获取船舶在图像序列中的运动轨迹。本发明引入被遮挡状态的判断,同时进一步利用卡尔曼算法得到更加精准的船舶轨迹，既提升了从船载监控视频数据中提取船舶航行轨迹的精度，同时也提升了在复杂海况场景下的鲁棒性。

技术领域

本发明属于目标检测与像素级跟踪与轨迹预测技术领域，尤其涉及一种面向视觉特征非连续性干扰的船舶图像航迹提取方法。

背景技术

自进入21世纪以来，船舶运输业蓬勃发展，有关水面船舶检测的研究起步较早，用于水面船舶检测的方法分为以下几种:基于卫星遥感图像的水面船舶检测方法，其图像覆盖的海洋面积较为广泛，包含目标众多，但是图像分辨率低且立体感差，船舶在图像中的相对尺寸太小，很难获得船舶的精确定位坐标。基于孔径合成雷达图像的水面船舶检测方法，孔径合成雷达能够在能见度极低的天气下获得高分辨率雷达图像，但其不具有丰富的光谱信息，对于船舶检测来说效果较差。基于红外图像的水面船舶检测方法，不受环境亮度影响，红外图像检测在夜晚、大雾天气下也可以获得目标的位置，但红外图像分辨率低，且海洋表面的不均匀气流会导致温度变化，对红外成像产生干扰导致影响检测。基于可见光图像的水面船舶检测方法，其图像光谱信息丰富，易于判别目标间的差异，且成本低廉，与其他图像相比，在港口监控或近海水面船舶检测中可见光图像优势更加明显。但基于可见光图像的近海水面船舶检测的方法获得的船舶轨迹常常因为遮挡或者船舶图像表征变化，导致不能认识到船舶在相邻图像帧的时空关联性。在遮挡条件下的船舶检测效果不尽人意，特别在面对多运动船舶目标时得到的船舶检测效果不佳，误检、漏检现象较为严重。

近年来，船舶的自主航行越来越受重视，而在自动避撞技术方面是船舶自主航行安全不可或缺的一部分，实际场景中，障碍物检测船舶自主航行的安全性产生了巨大影响。海面船舶分割有助于船舶自主航行成功躲避障碍物，因此将海面船舶分割引入船舶轨迹提取就显得很有必要。

基于Bytetrack算法的多目标跟踪模型是经典的多目标跟踪算法之一。可以方便快捷的将Bytetrack算法应用至船舶轨迹提取。然而，船载监控视频中背景成像因素复杂，特别是视觉特征非连续性场景下，船舶的目标检测效果有较大的偏差，会降低跟踪效果，增加跟踪匹配的难度。导致了基于Bytetrack船舶跟踪算法的轨迹提取方法存在一定的局限性。

因此，亟需提出了一种面向视觉特征非连续性干扰的船舶图像航迹提取方法，以应对船舶视觉特征非连续性场景下多目标船舶轨迹提取的挑战。

发明内容

为解决上述技术问题，本发明提出了一种面向视觉特征非连续性干扰的船舶图像航迹提取方法，使用DeepSnake(第一部分)与YOLOX作为检测算法，DeepSnake(第二部分)作为分割算法，改进的Bytetrack算法作为跟踪算法，建立了实例分割加跟踪的轨迹提取框架，结合船舶运动特性改进Bytetrack算法结构，使用数据融合方法提高检测算法的船舶检测效果，使用改进的Bytetrack算法，在船舶视觉特征非连续性场景下能获得较好的轨迹提取效果，为港航交通安全提供保障与技术支持。

为实现上述目的，本发明提供了一种面向视觉特征非连续性干扰的船舶图像航迹提取方法，包括：

采集船舶图像，所述船舶图像包括：船舶被遮挡的场景图像和船舶未被遮挡的场景图像；

根据DeepSnake模型和YOLOX模型，对所述船舶图像进行检测，获取图像序列中的船舶位置；

将所述船舶位置与所述DeepSnake模型的检测结果输入至所述DeepSnake模型中，获取所述船舶的外表轮廓；