CN106980861A - 一种基于融合特征的船舶快速识别方法 - Google Patents
一种基于融合特征的船舶快速识别方法 Download PDFInfo
- Publication number
- CN106980861A CN106980861A CN201710211120.XA CN201710211120A CN106980861A CN 106980861 A CN106980861 A CN 106980861A CN 201710211120 A CN201710211120 A CN 201710211120A CN 106980861 A CN106980861 A CN 106980861A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- area
- represent
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明要解决的技术问题是:在雷达和AIS不能使用的情况下,提供一种其它的船舶识别方法,以获得目标船的信息。为了解决上述技术问题,本发明的技术方案是提供了一种基于融合特征的船舶快速识别方法。本发明可有效的剔除摄像或拍摄等照片中的背景区域,快速锁定船舶区域,在海洋搜救等过程中争分多秒,在港口、航运管理过程中可以进行船舶进港、出港、通行等快速处理,有效降低人力成本。
Description
技术领域
本发明涉及一种海上船舶目标的自动识别方法。
背景技术
自20世纪初,航道部门先后设置了广阳坝等多座信号台,采用人工控制的方式指挥船舶上下通行,仅在船舶量较小,或设备简陋的环境下具有较好的实施效果。因此,近年来已将雷达、船舶自动识别系统(AIS)等应用于海上值班系统和船舶交通管理系统(VTS)中。其中,雷达系统具备最佳的船舶跟踪能力,但雷达所能提供的信息有限,不能识别船舶类型,而且在雷达盲区也失去了跟踪能力。AIS是一种新型的船舶避碰设备,与雷达目标跟踪相比,该技术改进了船舶获取避碰信息的手段。但AIS系统的使用存在一定的限制,例如3OOGT以下的船舶有可能没有配备AIS系统,危险情况下AIS不能启用。因此,在雷达和AIS不能使用的情况下,应考虑其它的船舶识别方法,以获得目标船的信息。
近年来,Gagnon等人从长度特征的角度,对不同类型的船舶进行分级,从而实现了较好且较快的分类效果。Askari等人则进一步研究了船舶长宽的关系,将长宽比作为识别标准,成功地对船舶实现了分类。之后,Nilufen等人增加了船舶的剖面强度等特征,利用多特征的分类器成功地区分出油轮、快艇和渡船三种船舶。殷雄等人则根据船舶结构的不同特性对油船和货船两大类进行识别。这些方法取得了较好的识别效果,不仅说明外形轮廓是区分船舶类型的重要特征,同时验证了多特征表示图像的必要性。为此,汪炜等人在CFAR检测方法中,引入空间相关性及信噪比,有效地抑制了成像噪声所带来的影响,提高了检测准确。Sanderson等人通过采集海浪频域特征作为匹配模板来描述海面状态,能够较好地解决海面辽阔、场景变化复杂情况下的前、背景分割问题。
发明内容
本发明要解决的技术问题是:在雷达和AIS不能使用的情况下,提供一种其它的船舶识别方法,以获得目标船的信息。
为了解决上述技术问题,本发明的技术方案是提供了一种基于融合特征的船舶快速识别方法,其特征在于,包括以下步骤:
步骤1、获得训练船舶图像集后,利用Itti模型获取图像集中每一副图像的显著区域,计算显著区域与船舶目标之间的空间位置关系,用<s,θ,μl,μh>表示定位知识,其中,称图像的左上角为锚点,则s代表船舶目标区域与显著区域两锚点之间的距离,θ代表船舶目标区域与显著区域之间的夹角,μl代表长度的定位权值,μh代表宽度的定位权值;
步骤2、利用HMAX方法对于船舶特征知识进行学习,结合步骤1获得的定位知识建立船舶视觉知识库;
步骤3、获取新的图像,利用Itti方法确立新图像的显著区域;
步骤4、确立船舶目标的目标区域,目标区域以(x,y)、l、h表示,其中:
x=x′-β·cosθ
y=y′-β·sinθ
l=l′·μl
h=h′·μh
式中,(x′,y′)代表显著区域的锚点坐标,β、θ代表目标区域的锚点坐标的定位权值,l′、h′代表显著区域的长、宽;
步骤5、针对确立的目标区域进行分割去噪,获得了最终的船舶图像区域;
步骤6、利用HMAX方法,对步骤5获取的船舶图像区域进行特征提取,并依据船舶视觉知识库,利用SVM分类器,判断查询图像的船舶类型标签;
步骤7、根据用户反馈查询结果是否满意来更新船舶视觉知识库,若为满意,则将新船舶图像的特征存入相应船型的特征库,并增加该类型船舶相应新的视觉知识,否则,则根据反馈类型重复步骤1和步骤2进行再学习,并存入相应船舶类型知识库中。
优选地,所述μl的计算公式为:
式中,li代表代表船舶图像i中目标区域的长,li′代表代表船舶图像i中显著区域的长,n代表代表船舶图像的个数;
所述μh的计算公式为:
式中,hi代表代表船舶图像i中目标区域的宽,hi′代表代表船舶图像i中显著区域的宽。
优选地,在所述步骤2中,
采用多通道的特征提取方式进行特征学习,获取特征PRG及PBY,其中:
式中,r,g,b分别代表船舶图像中目标区域的红色、绿色以及蓝色的颜色分量。
优选地,在所述步骤5中,分割去噪时首先使用OSTU阈值分割,将前、后景进行分割,然后进行形态学处理以及面积阈值去噪。
本发明具有如下优点:
1)可有效的剔除摄像或拍摄等照片中的背景区域,快速锁定船舶区域,在海洋搜救等过程中争分多秒,在港口、航运管理过程中可以进行船舶进港、出港、通行等快速处理,有效降低人力成本。
2)可提升船舶类型识别精度。通过在传统方法的基础上融合特征,可以有效地表征船舶图像,从而提升船舶识别的效率,使得海洋事务中针对船舶的管理得到较为恰当、精准地处理。
3)构建出一个船舶知识库,不仅有利于船舶类型的识别,便于港口、航运船舶管理。同时,构建知识库可大大地降低传统方法中存储船舶图像的存储空间,有效地避免了同种类型船舶图像的重复学习,从而提升了相应的船舶管理事务。
附图说明
图1为基于融合特征的船舶快速识别方法流程图;
图2为定位知识表示图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
结合图1,本发明提供的一种基于融合特征的船舶快速识别方法,其特征在于,包括以下步骤:
步骤1、获得训练船舶图像集后,利用Itti模型获取图像集中每一副图像的显著区域,计算显著区域与船舶目标之间的空间位置关系。结合图2,用<s,θ,μl,μh>表示定位知识,其中,称图像的左上角为锚点,则s代表船舶目标区域与显著区域两锚点之间的距离,θ代表船舶目标区域与显著区域之间的夹角,μl代表长度的定位权值,μh代表宽度的定位权值;
μl的计算公式为:
式中,li代表代表船舶图像i中目标区域的长,li′代表代表船舶图像i中显著区域的长,n代表代表船舶图像的个数;
所述μh的计算公式为:
式中,hi代表代表船舶图像i中目标区域的,hi′代表代表船舶图像i中显著区域的宽。
图2中的β1、β2、θ1、θ2在上面公式中没有出现过,请图2中的标记确认是否正确(已重新画图)
步骤2、利用HMAX方法对于船舶特征知识进行学习,结合步骤1获得的定位知识建立船舶视觉知识库。采用多通道的特征提取方式进行特征学习,获取特征PRG及PBY,其中:
式中,r,g,b分别代表船舶图像中目标区域的红色、绿色以及蓝色的颜色分量。
步骤3、获取新的图像,利用Itti方法确立新图像的显著区域;
步骤4、确立船舶目标的目标区域,目标区域以(x,y)、l、h表示,其中:
x=x′-β·cosθ
y=y′-β·sinθ
l=l′·μl
h=h′·μh
式中,(x′,y′)代表显著区域的锚点坐标,β、θ代表目标区域的锚点坐标的定位权值,l′、h′代表显著区域的长、宽;
步骤5、针对确立的目标区域进行分割去噪,获得了最终的船舶图像区域。分割去噪时,首先使用OSTU阈值分割,将前、后景进行分割,然后进行形态学处理以及面积阈值去噪。
步骤6、利用HMAX方法,对步骤5获取的船舶图像区域进行特征提取,并依据船舶视觉知识库,利用SVM分类器,判断查询图像的船舶类型标签;
步骤7、根据用户反馈查询结果是否满意来更新船舶视觉知识库,若为满意,则将新船舶图像的特征存入相应船型的特征库,并增加该类型船舶相应新的视觉知识,否则,则根据反馈类型重复步骤1和步骤2进行再学习,并存入相应船舶类型知识库中。
采用显著区锁定船舶区域范围的方法。一般的,船舶图像至少为256×256,则单幅图像在定位时的操作将超过5万次,无疑增加了船舶识别过程中的时间消耗。相反,本发明提供的方法虽然在对单幅图像搜索目标时需要消耗时间用于定位显著区域,但可以快速滤除图像中超过50%的伪目标区域,能够大幅度减少后期识别操作的次数,反而降低了目标识别的时间消耗,十分有利于船舶类型的实时识别。
采用空间位置法确立船舶区域。采用现有方法所获取的目标对象图仅为船舶的一部分,虽然体现了船舶的关键区域,但是无法反映船舶的全局特性。当不同类型的船舶具备相似关键区域时,易造成错误识别。相反,利用本发明提供的方法基本获取了船舶的整体区域,同时便于后期的目标识别。
采用分割去噪的方法。传统方法是对整体图像进行特征提取的,而本发明方法通过分割去噪的方法,在船舶区域中选出更具代表性的特征,有效地避免了背景噪声所带来的影响。
融合特征。通过融合特征能够更好的表征船舶,能够有效地提升船舶的识别精度。
Claims (4)
1.一种基于融合特征的船舶快速识别方法,其特征在于,包括以下步骤:
步骤1、获得训练船舶图像集后,利用Itti模型获取图像集中每一副图像的显著区域,计算显著区域与船舶目标之间的空间位置关系,用<s,θ,μl,μh>表示定位知识,其中,称图像的左上角为锚点,则s代表船舶目标区域与显著区域两锚点之间的距离,θ代表船舶目标区域与显著区域之间的夹角,μl代表长度的定位权值,μh代表宽度的定位权值;
步骤2、利用HMAX方法对于船舶特征知识进行学习,结合步骤1获得的定位知识建立船舶视觉知识库;
步骤3、获取新的图像,利用Itti方法确立新图像的显著区域:
步骤4、确立船舶目标的目标区域,目标区域以(x,y)、l、h表示,其中:
x=x′-β·cosθ
y=y′-β·sinθ
l=l′·μl
h=h′·μh
式中,(x′,y′)代表显著区域的锚点坐标,β、θ代表目标区域的锚点坐标的定位权值,l′、h′代表显著区域的长、宽;
步骤5、针对确立的目标区域进行分割去噪,获得了最终的船舶图像区域;
步骤6、利用HMAX方法,对步骤5获取的船舶图像区域进行特征提取,并依据船舶视觉知识库,利用SVM分类器,判断查询图像的船舶类型标签;
步骤7、根据用户反馈查询结果是否满意来更新船舶视觉知识库,若为满意,则将新船舶图像的特征存入相应船型的特征库,并增加该类型船舶相应新的视觉知识,否则,则根据反馈类型重复步骤1和步骤2进行再学习,并存入相应船舶类型知识库中。
2.如权利要求1所述的一种基于融合特征的船舶快速识别方法,其特征在于,所述μl的计算公式为:
式中,li代表代表船舶图像i中目标区域的长,li′代表代表船舶图像i中显著区域的长,n代表代表船舶图像的个数;
所述μh的计算公式为:
式中,hi代表代表船舶图像i中目标区域的宽,hi′代表代表船舶图像i中显著区域的宽。
3.如权利要求1所述的一种基于融合特征的船舶快速识别方法,其特征在于,在所述步骤2中,
采用多通道的特征提取方式进行特征学习,获取特征PRG及PBY,其中:
式中,r,g,b分别代表船舶图像中目标区域的红色、绿色以及蓝色的颜色分量。
4.如权利要求1所述的一种基于融合特征的船舶快速识别方法,其特征在于,在所述步骤5中,分割去噪时首先使用OSTU阈值分割,将前、后景进行分割,然后进行形态学处理以及面积阈值去噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211120.XA CN106980861A (zh) | 2017-03-31 | 2017-03-31 | 一种基于融合特征的船舶快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211120.XA CN106980861A (zh) | 2017-03-31 | 2017-03-31 | 一种基于融合特征的船舶快速识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106980861A true CN106980861A (zh) | 2017-07-25 |
Family
ID=59343625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211120.XA Pending CN106980861A (zh) | 2017-03-31 | 2017-03-31 | 一种基于融合特征的船舶快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106980861A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537267A (zh) * | 2018-04-02 | 2018-09-14 | 江南大学 | 一种基于显著性检验的玉米穗自动识别方法 |
CN112857360A (zh) * | 2021-03-22 | 2021-05-28 | 哈尔滨工程大学 | 一种船舶航行多信息融合方法 |
CN113808282A (zh) * | 2021-08-26 | 2021-12-17 | 交通运输部水运科学研究所 | 一种多通航要素数据融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034870A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于特征的船舶快速识别方法 |
CN105243667A (zh) * | 2015-10-13 | 2016-01-13 | 中国科学院自动化研究所 | 基于局部特征融合的目标再识别方法 |
-
2017
- 2017-03-31 CN CN201710211120.XA patent/CN106980861A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034870A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于特征的船舶快速识别方法 |
CN105243667A (zh) * | 2015-10-13 | 2016-01-13 | 中国科学院自动化研究所 | 基于局部特征融合的目标再识别方法 |
Non-Patent Citations (2)
Title |
---|
QIAOCHU LIU等: "A VISUALLY SALIENT APPROACH TO RECOGNIZE VEHICLES BASED ON HIERARCHICAL ARCHITECTURE", 《2014 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO WORKSHOPS(ICMEW)》 * |
随婷婷等: "简单视觉概念获取方法及在图像识别中的应用", 《小型微型计算机系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537267A (zh) * | 2018-04-02 | 2018-09-14 | 江南大学 | 一种基于显著性检验的玉米穗自动识别方法 |
CN112857360A (zh) * | 2021-03-22 | 2021-05-28 | 哈尔滨工程大学 | 一种船舶航行多信息融合方法 |
CN112857360B (zh) * | 2021-03-22 | 2022-06-17 | 哈尔滨工程大学 | 一种船舶航行多信息融合方法 |
CN113808282A (zh) * | 2021-08-26 | 2021-12-17 | 交通运输部水运科学研究所 | 一种多通航要素数据融合方法 |
CN113808282B (zh) * | 2021-08-26 | 2023-09-26 | 交通运输部水运科学研究所 | 一种多通航要素数据融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | S-CNN-based ship detection from high-resolution remote sensing images | |
CN105022990B (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
Chen et al. | Ship type recognition via a coarse-to-fine cascaded convolution neural network | |
KR101589814B1 (ko) | 연안에서의 객체 인식 장치 및 그 방법 | |
CN106384344A (zh) | 一种光学遥感图像海面舰船目标检测与提取方法 | |
CN110275153A (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
CN108229433B (zh) | 一种基于直线段检测和形状特征的靠岸舰船检测方法 | |
CN105427342B (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
Prasad et al. | MSCM-LiFe: multi-scale cross modal linear feature for horizon detection in maritime images | |
US9256619B2 (en) | Method for detecting and recognizing boats | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN110443201B (zh) | 基于多源影像联合形状分析与多属性融合的目标识别方法 | |
KR101480220B1 (ko) | 객체 인식 장치 및 그 방법 | |
CN107609564B (zh) | 基于联合分割和傅里叶描述子库的水下目标图像识别方法 | |
CN106980861A (zh) | 一种基于融合特征的船舶快速识别方法 | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN110472500A (zh) | 一种基于高速无人艇的水面视觉目标快速检测算法 | |
CN115147594A (zh) | 一种基于船艏向识别的船舶图像轨迹跟踪与预测方法 | |
CN116109936B (zh) | 基于光学遥感的目标检测与识别方法 | |
CN108830224A (zh) | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 | |
Spagnolo et al. | A new annotated dataset for boat detection and re-identification | |
CN106203439B (zh) | 基于标志物多特征融合的无人机自动寻的着陆方法 | |
Cheng et al. | Water target recognition method and application for unmanned surface vessels | |
CN103810487A (zh) | 一种海洋航拍图像的目标检测与识别方法及系统 | |
Shi et al. | Obstacle type recognition in visual images via dilated convolutional neural network for unmanned surface vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170725 |