CN108197582A - 基于深度学习的海事雷达图像处理方法 - Google Patents
基于深度学习的海事雷达图像处理方法 Download PDFInfo
- Publication number
- CN108197582A CN108197582A CN201810023451.5A CN201810023451A CN108197582A CN 108197582 A CN108197582 A CN 108197582A CN 201810023451 A CN201810023451 A CN 201810023451A CN 108197582 A CN108197582 A CN 108197582A
- Authority
- CN
- China
- Prior art keywords
- radar image
- ship
- ship target
- target
- maritime affairs
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000009977 dual effect Effects 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004064 recycling Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的基于深度学习的海事雷达图像处理方法，是一种利用图像处理算法和卷积神经网络结合识别海事雷达图像中船舶目标，具体是：先利用灰度化、中值滤波、连通域标记、双阈值连通域处理算法预处理海事雷达图像，再利用帧间相加和骨架细化算法得到船舶目标初始的运动矢量，通过隔帧差法得到船舶目标在不同帧数的运动矢量，根据这两个运动矢量得到隔帧差法的最佳帧数；然后利用帧间差异和船舶的形状、轮廓和运动特征提取船舶目标和非船舶目标；最后利用卷积神经网络对船舶目标和非船舶目标进行训练和测试，将训练的卷积神经网络用于海事雷达图像船舶目标识别。本发明充分利用船舶的运动特征对船舶目标的识别比传统的方法更加简便，效果更佳。
Description
技术领域
本发明涉及海事雷达图像处理及船舶目标检测领域，特别是一种基于深度学习的海事雷达图像处理方法。
背景技术
随着社会经济和科学技术的快速发展，水上运输作为一种成本低廉、运输量大的运输方式在货物运输中占有绝对的优势，水上运输的兴起导致水上交通越来越繁忙，船舶监管部门对在航船舶的实时监控和调度十分重要。
传统的帧差法主要有背景差法和三帧差法，背景差法需要检测点固定不动，因为只有检测点固定不动才能利用背景差法将背景去除，由于船舶相对于车辆运动较慢，而三帧差法对于运动缓慢的目标容易出现误差，导致三帧差法不能直接运用于强化船舶运动特征，由于海事雷达图像的特殊性，船舶运动缓慢，需要一种自适应的隔帧处理算法用于强化船舶运动特征。
卷积神经网络(Convolutional neural network,CNN)是深度神经网络中的一种，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。卷积神经网络可以直接将图像作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
发明内容
本发明要解决的技术问题是：以双阈值连通域处理算法处理海事雷达图像中的连通域，采用自适应帧间算法强化船舶目标特征，根据多帧图像数据之间的变化规律为基础构建特征空间，对深度学习网络进行针对性的训练，提高了海事雷达图像的船舶目标检测精度。
本发明为了解决其技术问题采用以下的技术方案：
本发明提供的基于深度学习的海事雷达图像处理方法，是一种利用灰度化、中值滤波、双阈值连通域处理算法处理海事雷达图像的自适应隔帧差法，具体是：首先利用帧间相加和骨架细化算法得到船舶目标初始的运动矢量，通过隔帧差法得到船舶目标在不同帧数的运动矢量，根据这两个运动矢量得到隔帧差法的最佳帧数；再利用帧间差异和船舶的形状、轮廓和运动特征提取船舶目标和非船舶目标；然后利用卷积神经网络对船舶目标和非船舶目标进行训练和测试，将训练的卷积神经网络用于海事雷达图像船舶目标识别。
本发明是对雷达图像灰度化，利用灰度化将RGB图转换成灰度图像，从而减少计算量，此过程中对R、G、B三值进行求和并取其平均作为新值，即：R＝G＝B＝(R+G+B)÷3，
式中：R代表彩色图中红色的值，G代表彩色图中绿色的值，B代表彩色图中蓝色的值。
本发明是利用中值滤波对图像平滑处理，中值滤波是一种非线性的信号处理方法，该方法采用以下的算法：
(1)将含有若干个点的滑动窗口的滤波模板在图像中漫游，并将模板中心与图中某个像素位置重合；
(2)读取模板中各对应像素的灰度值；
(3)将这些灰度值从小到大排列；
(4)取这一列数据的中间数据，将其赋给对应模板中心位置的像素；如果窗口中有奇数个元素，中值取元素按灰度值大小排序后的中间元素灰度值；如果窗口中有偶数个元素，中值取元素按灰度值大小排序后，中间两个元素灰度的平均值。
本发明是利用双阈值连通域处理算法，去除大连通区域和小连通区域，提取雷达图像中的船舶目标以及与船舶目标大小相近的虚假目标，该算法是：
(1)利用基于像素点区域标记算法的顺序法对雷达图像连通区域标记，计算每个连通区域的大小S；
(2)用双阈值方法提取船舶目标和虚假目标，选定两个阈值T1和T2(T1<T2)；
(3)雷达图像中的连通域与阈值T2比较，去除大于T2的连通域，得到雷达图像I1；
(4)雷达图像中的连通域与阈值T1比较，去除小于T1的连通域，得到雷达图像I2；
(5)将雷达图像I1和雷达图像I2相加得到雷达图像I3。
本发明是在提取船舶目标和非船舶目标过程中，是利用自适应帧间差分算法强化船舶目标的运动特征，其中具体包括：
(1)利用帧加法将该帧雷达图像与相邻帧绝对值相加得到新的连通域；
(2)利用图像处理中的骨架抽取算法将连通域细化成线，以线的两个端点确定一条直线，该直线为船舶的船首方向即为船舶的初始运动矢量L；
(3)基于隔帧差法处理，得到隔2、3、4…10帧的差分图，在隔帧差分图中获取目标两端的点群Q1、Q2；计算点群Q1、Q2的中心点q1、q2；
(4)利用中心点q1、q2确定一条直线，该直线即为目标的运动矢量M；
(5)计算运动矢量L和运动矢量M的夹角A1A2A3...A10，选择夹角最小的所在的帧数为隔帧差法的帧数；
(6)根据雷达图像内帧数的统计值，算出平均帧数从而确定雷达图像隔帧差法的帧数；
(7)经过隔帧差法处理后，将船舶目标和虚假目标进行切片处理并将切片大小规范为28*28。
本发明是在利用图像处理中的骨架抽取算法将目标细化过程中，包括以下步骤：
以边界点为中心的8邻域设p1为中心点对其邻域的8个点逆时针绕中心点分别标记为p2p3…p9其中p2位于p1的上方。如果p1＝1(即黑点)时下面4个条件同时满足则删除p1(p1＝0)，
①2≤N(p1)≤6，其中N(p1)是p1的非零邻点的个数；
②S(p1)＝1，其中S(p1)是以p2p3p4…p9为序时这些点的值从0到1变化的次数；
③p2p4p6＝0或者S(p1)≠1；
④p4p6p8＝0或者S(p1)≠1。
本发明是利用切片处理将经过自适应帧间差分处理后的海事雷达图像中的船舶目标和非船舶目标进行切片并将切片大小规范为28*28。
本发明在检测海事雷达图像中船舶目标过程中，采用以下方法：
(1)在现有的深度神经网络的基础上，基于Theano深度学习框架下改变卷积神经网络参数构建新的神经网络；
(2)将提取的船舶目标和非船舶目标分成两类并标定，训练卷积神经网络；
(3)用测试样本测试卷积神经网络，进一步调整卷积神经网络的各个参数；
(4)用训练好的卷积神经网络和网络参数检测海事雷达中的船舶目标。
本发明是利用深度神经网络训练提取的船舶目标和非船舶目标，利用训练的神经网络检测海事雷达图像中的船舶目标。
本发明与现有技术相比具有以下主要的有益效果：
1.提供了一种基于深度学习的海事雷达图像的船舶目标检测方法：
本发明充分利用了雷达图像中船舶的运动特征，以多帧图像数据之间的变化规律为基础构建特征空间，对深度学习网络进行针对性的训练，在海事雷达图像的船舶目标检测中提供了新的思路和方法。
2.对船舶目标的识别效果比较好：
在本发明中提取了10000个船舶样本和5000个非船舶样本，选择其中8000个船舶样本和4000个非船舶样本作为训练样本训练卷积神经网络，剩下的2000个船舶样本和1000个非船舶样本作为测试样本测试卷积神经网络，经过样本测试后测试的准确率达到80.5％，传统对船舶目标的识别的方法是根据工作人员的经验观察海事雷达图像以及AIS传回的数据来判断雷达图像中的目标是否为船舶目标，现如今自动识别船舶目标方法中对船舶目标识别的准确率不高，且比较复杂，本发明中运用卷积神经网络的方法充分利用了船舶的运动特征对船舶目标的识别比传统的方法更加简便，效果更佳。
附图说明
图1是本发明实施例的方法流程图；
图2是双阈值法提取目标原理图；
图3是自适应帧间处理原理图。
具体实施方式
本发明涉及一种基于深度学习的海事雷达图像处理方法，其先采用灰度化、中值滤波、连通域处理算法等图像处理技术处理海事雷达图像获得船舶目标和虚假目标；再通过自适应帧间处理算法强化船舶的运动特征，提取船舶的运动特征制作样本；设计卷积神经网络结构，用样本训练和测试卷积神经网络，用训练的卷积神经网络检测海事雷达图像中的船舶目标。
下面结合实施例及附图对本发明作进一步说明，但不限定本发明。
本发明提供的基于深度学习的海事雷达图像处理方法，步骤如下：
步骤1：利用灰度化、中值滤波、双阈值连通域处理等图像处理方法对海事雷达图像预处理，去除噪声点、岸线、桥梁等连通域留下船舶目标和虚假目标。
步骤2：对处理后的海事雷达图像利用自适应帧间处理算法强化船舶目标的运动特征，利用利用帧间差异和船舶的形状、轮廓和运动特征提取船舶目标和非船舶目标。
步骤3：基于Theano深度学习框架设计卷积神经网络，利用提取的船舶样本和非船舶样本训练和测试卷积神经网络，用训练好的卷积神经网络检测海事雷达图像中船舶目标。
本发明方法中，步骤1中具体步骤如下：
1.对雷达图像灰度化，将RGB图像转化为灰度图像；
海事雷达图像是RGB图像，RGB图像灰度化是指RGB图像向灰度图像变换的过程，具有减小图像处理运算量的优点，可满足系统的图像处理速度需求。在灰度图像中，没有色彩变化，仅有灰度强度变化，对灰度图像进行存储时仅需一个矩阵即可，矩阵元素大小代表了图像中所对应位置的灰度大小，本发明中所用的灰度化方法为平均值法，对RGB三值进行求和并取其平均作为新值，即：
R＝G＝B＝(R+G+B)÷3
R代表彩色图中红色的值，G代表彩色图中绿色的值，B代表彩色图中蓝色的值；
2.中值滤波：
海事雷达图像会受到不同的噪声干扰，为了抑制或消除噪声干扰需要对海事雷达图像做滤波处理，中值滤波是一种非线性的信号处理方法，因此中值滤波器也就是一种非线性的滤波器。在一定条件下，其可以克服线性滤波器处理图像细节模糊的问题，而且它对滤除脉冲干扰和图像扫描噪声非常有效。
具体的算法如下：
①将滤波模板(含有若干个点的滑动窗口)在图像中漫游，并将模板中心与图中某个像素位置重合；
②读取模板中各对应像素的灰度值；
③将这些灰度值从小到大排列；
④取这一列数据的中间数据，将其赋给对应模板中心位置的像素。如果窗口中有奇数个元素，中值取元素按灰度值大小排序后的中间元素灰度值。如果窗口中有偶数个元素，中值取元素按灰度值大小排序后，中间两个元素灰度的平均值。
3.利用连通域处理算法，提取雷达图像中的船舶目标以及与船舶目标大小相近的虚假目标。连通域处理算法如下：
(1)利用基于像素点区域标记算法的顺序法对雷达图像连通区域标记，计算每个连通区域的大小S；
(2)用双阈值方法提取船舶目标和虚假目标，选定两个阈值T1和T2(T1<T2)；
(3)雷达图像中的连通域与阈值T2比较，去除大于T2的连通域，得到雷达图像I1；
(4)雷达图像中的连通域与阈值T1比较，去除小于T1的连通域，得到雷达图像I2；
(5)将雷达图像I1和雷达图像I2相加得到雷达图像I3。
本发明方法中，步骤2具体步骤如下：
(1)利用帧加法将该帧雷达图像与相邻帧绝对值相加得到新的连通域；
(2)利用图像处理中的骨架抽取算法将连通域细化成线，以线的两个端点确定一条直线，该直线为船舶的船首方向即为船舶的初始运动矢量L；
(3)基于隔帧差法处理，得到隔2、3、4…10帧的差分图，在隔帧差分图中获取目标两端的点群Q1、Q2；计算点群Q1、Q2的中心点q1、q2；
(4)利用中心点q1、q2确定一条直线，该直线即为目标的运动矢量M；
(5)计算运动矢量L和运动矢量M的夹角A1A2A3...A10，选择夹角最小的所在的帧数为隔帧差法的帧数；
(6)根据雷达图像内帧数的统计值，算出平均帧数从而确定雷达图像隔帧差法的帧数；
(7)经过隔帧差法处理后，将船舶目标和虚假目标进行切片处理并将切片大小规范为28*28。
本发明方法中，步骤3具体步骤如下：
(1)为了更加适应样本的运动特征，在现有的深度神经网络的基础上，基于Theano深度学习框架下改变卷积神经网络参数构建新的神经网络；
(2)将提取的船舶目标和非船舶目标分成两类并标定，训练卷积神经网络；
(3)用测试样本测试卷积神经网络，进一步调整卷积神经网络的各个参数；
(4)用训练好的卷积神经网络和网络参数检测海事雷达中的船舶目标。
经过上述步骤，本发明实现了基于深度学习的海事雷达图像处理，本发明中提取了10000个船舶样本和5000个非船舶样本，选择其中8000个船舶样本和4000个非船舶样本作为训练样本训练卷积神经网络，剩下的2000个船舶样本和1000个非船舶样本作为测试样本测试卷积神经网络，经过样本测试后测试的准确率达到80.5％，比传统的海事雷达图像船舶目标识别方法更加简便，同时在海事雷达图像中船舶目标识别提供了新思路和方法从而为船舶监管部门对在航船舶的实时监控和调度提供了有力的依据，进而提高了船舶航行安全。
Claims (9)
1.一种基于深度学习的海事雷达图像处理方法，其特征是一种利用图像处理算法和卷积神经网络结合识别海事雷达图像中船舶目标，具体是：首先利用灰度化、中值滤波、连通域标记、双阈值连通域处理算法预处理海事雷达图像，然后利用帧间相加和骨架细化算法得到船舶目标初始的运动矢量，通过隔帧差法得到船舶目标在不同帧数的运动矢量，根据这两个运动矢量得到隔帧差法的最佳帧数；再利用帧间差异和船舶的形状、轮廓和运动特征提取船舶目标和非船舶目标；然后利用卷积神经网络对船舶目标和非船舶目标进行训练和测试，将训练的卷积神经网络用于海事雷达图像船舶目标识别。
2.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是对雷达图像灰度化，利用灰度化将RGB图转换成灰度图像，从而减少计算量，此过程中对R、G、B三值进行求和并取其平均作为新值，即：R＝G＝B＝(R+G+B)÷3，
式中：R代表彩色图中红色的值，G代表彩色图中绿色的值，B代表彩色图中蓝色的值。
3.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是利用中值滤波对图像平滑处理，中值滤波是一种非线性的信号处理方法，该方法采用以下的算法：
(1)将含有若干个点的滑动窗口的滤波模板在图像中漫游，并将模板中心与图中某个像素位置重合；
(2)读取模板中各对应像素的灰度值；
(3)将这些灰度值从小到大排列；
(4)取这一列数据的中间数据，将其赋给对应模板中心位置的像素；如果窗口中有奇数个元素，中值取元素按灰度值大小排序后的中间元素灰度值；如果窗口中有偶数个元素，中值取元素按灰度值大小排序后，中间两个元素灰度的平均值。
4.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是利用双阈值连通域处理算法，去除大连通区域和小连通区域，提取雷达图像中的船舶目标以及与船舶目标大小相近的虚假目标，该算法是：
(1)利用基于像素点区域标记算法的顺序法对雷达图像连通区域标记，计算每个连通区域的大小S；
(2)用双阈值方法提取船舶目标和虚假目标，选定两个阈值T1和T2(T1<T2)；
(3)雷达图像中的连通域与阈值T2比较，去除大于T2的连通域，得到雷达图像I1；
(4)雷达图像中的连通域与阈值T1比较，去除小于T1的连通域，得到雷达图像I2；
(5)将雷达图像I1和雷达图像I2相加得到雷达图像I3。
5.根据权利要求4所述的基于深度学习的海事雷达图像处理方法，其特征是在提取船舶目标和非船舶目标过程中，是利用自适应帧间差分算法强化船舶目标的运动特征，其中具体包括：
(1)利用帧加法将该帧雷达图像与相邻帧绝对值相加得到新的连通域；
(2)利用图像处理中的骨架抽取算法将连通域细化成线，以线的两个端点确定一条直线，该直线为船舶的船首方向即为船舶的初始运动矢量L；
(3)基于隔帧差法处理，得到隔2、3、4…10帧的差分图，在隔帧差分图中获取目标两端的点群Q1、Q2；计算点群Q1、Q2的中心点q1、q2；
(4)利用中心点q1、q2确定一条直线，该直线即为目标的运动矢量M；
(5)计算运动矢量L和运动矢量M的夹角A1A2A3...A10，选择夹角最小的所在的帧数为隔帧差法的帧数；
(6)根据雷达图像内帧数的统计值，算出平均帧数从而确定雷达图像隔帧差法的帧数；
(7)经过隔帧差法处理后，将船舶目标和虚假目标进行切片处理并将切片大小规范为28*28。
6.根据权利要求5所述的基于深度学习的海事雷达图像处理方法，其特征是在利用图像处理中的骨架抽取算法将目标细化过程中，包括以下步骤：
以边界点为中心的8邻域设p1为中心点对其邻域的8个点逆时针绕中心点分别标记为p2p3…p9其中p2位于p1的上方。如果p1＝1(即黑点)时下面4个条件同时满足则删除p1(p1＝0)，
①2≤N(p1)≤6，其中N(p1)是p1的非零邻点的个数；
②S(p1)＝1，其中S(p1)是以p2p3p4…p9为序时这些点的值从0到1变化的次数；
③p2p4p6＝0或者S(p1)≠1；
④p4p6p8＝0或者S(p1)≠1。
7.根据权利要求5所述的基于深度学习的海事雷达图像处理方法，其特征是利用切片处理将经过自适应帧间差分处理后的海事雷达图像中的船舶目标和非船舶目标进行切片并将切片大小规范为28*28。
8.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是在检测海事雷达图像中船舶目标过程中，采用以下方法：
(1)在现有的深度神经网络的基础上，基于Theano深度学习框架下改变卷积神经网络参数构建新的神经网络；
(2)将提取的船舶目标和非船舶目标分成两类并标定，训练卷积神经网络；
(3)用测试样本测试卷积神经网络，进一步调整卷积神经网络的各个参数；
(4)用训练好的卷积神经网络和网络参数检测海事雷达中的船舶目标。
9.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是利用深度神经网络训练提取的船舶目标和非船舶目标，利用训练的神经网络检测海事雷达图像中的船舶目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810023451.5A CN108197582B (zh) | 2018-01-10 | 2018-01-10 | 基于深度学习的海事雷达图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810023451.5A CN108197582B (zh) | 2018-01-10 | 2018-01-10 | 基于深度学习的海事雷达图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108197582A true CN108197582A (zh) | 2018-06-22 |
| CN108197582B CN108197582B (zh) | 2021-09-14 |
Family
ID=62588632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810023451.5A Active CN108197582B (zh) | 2018-01-10 | 2018-01-10 | 基于深度学习的海事雷达图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108197582B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190571A (zh) * | 2018-09-12 | 2019-01-11 | 内蒙古大学 | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 |
| CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
| CN109670411A (zh) * | 2018-11-30 | 2019-04-23 | 武汉理工大学 | 基于生成对抗网络的内河船舶点云数据深度图像处理方法和系统 |
| CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
| CN110414509A (zh) * | 2019-07-25 | 2019-11-05 | 中国电子科技集团公司第五十四研究所 | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 |
| CN110674696A (zh) * | 2019-08-28 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种监控方法、装置、系统、监控设备及可读存储介质 |
| CN111103594A (zh) * | 2018-10-10 | 2020-05-05 | 现代自动车株式会社 | 车辆中区分虚假目标的装置和方法及包括其的车辆 |
| CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
| CN111323757A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
| CN111323756A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
| CN112114303A (zh) * | 2020-08-17 | 2020-12-22 | 安徽捷纳森电子科技有限公司 | 单向无源相阵控扫描识别盗砂船的方法 |
| CN112686106A (zh) * | 2020-12-21 | 2021-04-20 | 武汉理工大学 | 一种视频图像转海事雷达图像的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077538A (zh) * | 2013-01-15 | 2013-05-01 | 西安电子科技大学 | 仿生模式识别目标自适应跟踪方法 |
| CN105678760A (zh) * | 2016-01-04 | 2016-06-15 | 国家电网公司 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
| CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞系统中的船舶检测方法 |
| CN107145903A (zh) * | 2017-04-28 | 2017-09-08 | 武汉理工大学 | 一种基于卷积神经网络图片特征提取的船舶类型识别方法 |
-
2018
- 2018-01-10 CN CN201810023451.5A patent/CN108197582B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077538A (zh) * | 2013-01-15 | 2013-05-01 | 西安电子科技大学 | 仿生模式识别目标自适应跟踪方法 |
| CN105678760A (zh) * | 2016-01-04 | 2016-06-15 | 国家电网公司 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
| CN107145903A (zh) * | 2017-04-28 | 2017-09-08 | 武汉理工大学 | 一种基于卷积神经网络图片特征提取的船舶类型识别方法 |
| CN107133973A (zh) * | 2017-05-12 | 2017-09-05 | 暨南大学 | 一种桥梁防撞系统中的船舶检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| JIANSHENG CHEN ET AL.: ""Median Filtering Forensics Based on Convolutional Neural Networks"", 《IEEE》 * |
| XIAOHUI ZHAO ET AL.: ""Automatic Target Recognition Strategy for Synthetic Aperture Radar Images Based on Combined Discrimination Trees"", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 * |
| 冯伟: ""视频序列运动目标检测与识别方法研究"", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
| 李祎承: ""内河船舶目标图像识别技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190571B (zh) * | 2018-09-12 | 2020-11-13 | 内蒙古大学 | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 |
| CN109190571A (zh) * | 2018-09-12 | 2019-01-11 | 内蒙古大学 | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 |
| CN111103594A (zh) * | 2018-10-10 | 2020-05-05 | 现代自动车株式会社 | 车辆中区分虚假目标的装置和方法及包括其的车辆 |
| CN109670411B (zh) * | 2018-11-30 | 2020-08-07 | 武汉理工大学 | 基于生成对抗网络的船舶点云深度图像处理方法和系统 |
| CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
| CN109670411A (zh) * | 2018-11-30 | 2019-04-23 | 武汉理工大学 | 基于生成对抗网络的内河船舶点云数据深度图像处理方法和系统 |
| CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
| CN110414509A (zh) * | 2019-07-25 | 2019-11-05 | 中国电子科技集团公司第五十四研究所 | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 |
| CN110674696A (zh) * | 2019-08-28 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种监控方法、装置、系统、监控设备及可读存储介质 |
| CN111323757A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
| CN111323756A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
| CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
| CN111323757B (zh) * | 2019-12-30 | 2022-04-05 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
| CN111323756B (zh) * | 2019-12-30 | 2022-05-13 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
| CN112114303A (zh) * | 2020-08-17 | 2020-12-22 | 安徽捷纳森电子科技有限公司 | 单向无源相阵控扫描识别盗砂船的方法 |
| CN112686106A (zh) * | 2020-12-21 | 2021-04-20 | 武汉理工大学 | 一种视频图像转海事雷达图像的方法 |
| CN112686106B (zh) * | 2020-12-21 | 2023-12-08 | 武汉理工大学 | 一种视频图像转海事雷达图像的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108197582B (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197582A (zh) | 基于深度学习的海事雷达图像处理方法 | |
| CN106127728B (zh) | 一种海空背景下的红外图像海天线连通域检测方法 | |
| CN107169953B (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
| CN103927751A (zh) | 基于梯度信息融合的水面光视觉图像目标区域检测方法 | |
| CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
| CN105741276B (zh) | 一种船舶水线提取方法 | |
| CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
| CN103325118A (zh) | 一种获取碳酸盐岩岩心孔洞特征参数的方法及装置 | |
| CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
| CN113538331A (zh) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 | |
| CN109741398A (zh) | 图像识别方法、装置和计算机存储介质 | |
| CN104021553A (zh) | 一种基于像素点分层的声纳图像目标检测方法 | |
| CN110782470B (zh) | 一种基于形状信息的腕骨区域分割方法 | |
| CN114841967A (zh) | 异物检测方法、装置、ai服务器、系统及存储介质 | |
| CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 | |
| CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
| CN110348442A (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
| CN111027459A (zh) | 一种船舶轨迹预测方法及系统 | |
| CN103996200A (zh) | 一种基于图像子块参数的快速图像配准方法 | |
| Dulecha et al. | Crack detection in single-and multi-light images of painted surfaces using convolutional neural networks | |
| CN117058018A (zh) | 面向水下结构检测的悬浮杂质视觉遮挡区域修复方法 | |
| CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
| Zhao et al. | Semantic segmentation of sea ice based on U-Net network modification | |
| CN116452809A (zh) | 一种基于语义分割的线条物体提取方法 | |
| CN105354823A (zh) | 树木年轮图像边缘提取与分割的系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |