CN109583424A - 一种基于衰减置信度的重叠舰船目标候选框筛选方法 - Google Patents
一种基于衰减置信度的重叠舰船目标候选框筛选方法 Download PDFInfo
- Publication number
- CN109583424A CN109583424A CN201811573051.8A CN201811573051A CN109583424A CN 109583424 A CN109583424 A CN 109583424A CN 201811573051 A CN201811573051 A CN 201811573051A CN 109583424 A CN109583424 A CN 109583424A
- Authority
- CN
- China
- Prior art keywords
- candidate frame
- ship target
- detection
- target
- decaying
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于衰减置信度的重叠舰船目标候选框筛选方法，包括以下步骤：步骤S1：设计得到能适用于舰船目标重叠场景的目标候选框筛选方法；步骤S2：用步骤S1中得到的舰船目标候选框筛选方法，替换到事先训练好的通用舰船目标检测网络模型中，再将该模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作。采用本发明的技术方案，利用全新的目标候选框筛选方法，实现了基于衰减置信度方法的舰船目标场景下的目标候选框筛选方法，具有重叠目标检测效果好，可移植性高等特点。
Description
技术领域
本发明涉及海面上的舰船目标检测方法，尤其涉及一种基于衰减置信度算法的重叠舰船目标候选框筛选方法。
背景技术
舰船目标检测一直是边海防建设中比较重要的方面，它能保证精确地识别海面舰船目标，同时也可为指挥员决策提供支持，准确地检测海面上的舰船目标在巩固边海防的行动中起着重要的作用。
随着我国海洋经济产业活动日益繁荣，国际海底资源争夺日益激烈，相关部门在近海海域部署了大量海面视频观测站，由于水平视角原因，监测视频中会出现大量目标重叠，所以能够精确检测重叠目标的舰船检测系统越来越显得重要。
通常当图片中两个舰船目标对象发生重叠时(如图1所示)，会采用常规的非最大抑制算法(如图2所示)来降低检测结果的假阳性。其主要思想是将检测框按得分排序，然后保留得分最高的框，同时删除与该框重叠面积大于一定比例的其它框。这种贪心式方法存在两个问题：
1.误删问题：
图片中两个目标对象发生重叠时，二者的候选框都会有一个置信度得分。如果按照传统的非极大值抑制方法进行处理，首先选中得分最高的一个候选框，然后另一目标的候选框就会因为与之重叠面积过大而被误删。
2.阈值问题：
网络预设的重叠IoU阈值不容易确定，设置过大了会加剧误删情况的发生，设置过小又容易增大误检几率。因此传统的非极大值抑制方法很难同时保证既不误删优又不误检。
发明内容
针对现有技术存在的技术问题，本发明提出一种基于衰减置信度算法的重叠舰船目标候选框筛选方法。该发明的优势是结合高斯加权函数，改进了传统的非极大值抑制方法，替换了原有暴力删除方法，改成降低IOU大于阈值框的置信度，使之能够有效地检测出重叠比例较高的目标对象，而且与传统NMS相比，衰减置信度算法不会增加算法复杂度，使用高效。衰减置信度算法也不需要额外的训练，它可以能够方便地被集成到通用的目标检测流程中，在不增加训练和运行成本的同时，提升准确率，具体实验效果如图4所示。
为解决其技术问题，本发明所采用的技术方案如下:
一种基于衰减置信度算法的重叠舰船目标候选框筛选方法，其特征在于，包括以下步骤：
步骤S1：设计得到能适用于舰船目标重叠场景的目标候选框筛选方法；
步骤S2：用步骤S1中得到的舰船目标候选框筛选方法，替换到事先训练好的通用舰船目标检测网络模型中，再将该模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作；
其中，步骤S1进一步包括以下步骤：
步骤S11：根据传统的目标检测流程，得到目标的各个候选框，每个候选框对应会生成一个物体检测分数；
步骤S12：根据S11得到的物体检测分数，分数最高的检测框被选中，其他与被选中检测框有明显重叠的检测框被抑制。传统设计的非最大抑制算法中的最大问题就是它将相邻检测框的分数均强制归零。在这种情况下，如果一个真实物体在重叠区域出现，可能会导致检测不到该待检测物体，则将导致对该物体的检测失败并降低了算法的平均检测率。
因此，本发明提出了衰减置信度算法，该连续函数对非最大检测框的检测分数进行衰减而非彻底移除。其具体的衰减方程如下：
其中，si是候选框i的置信度，M是置信度最大的候选框，bi是第i个候选框，D是与最大置信度候选框相交的候选框集合,iou是两个候选框的交并比，λ是置信度衰减系数；
步骤S13：用步骤S12提出的衰减置信度算法替换原有目标检测方法中的非最大抑制算法。然后用它来用来筛选候选框，IOU(重叠率)越高，置信度衰减得越低；
步骤S14：将用步骤S13的过程不断递归的应用于其余检测框，与传统方法直接彻底将置信度置零相比较，更加科学。在重叠目标较多的场景下，能够有效减少漏检几率，提高检测准确率。
其中，步骤S2进一步包括以下步骤：
步骤S21：用步骤S1中得到的衰减置信度算法来替换传统的非极大值抑制算法，并将它整合到事先训练好的通用舰船目标检测网络模型中；
步骤S22：将步骤S21中得到的舰船目标检测网络模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作；
与现有技术相比，本发明的有益效果是：针对海上观测平台所采集的重叠舰船目标加多的视频场景，能在不增加原有深度神经网络算法复杂度的前提下，更精确地完成舰船目标检测识别，网络准确性大大提高。使用特有的衰减置信度算法，有效减少重叠目标候选框误删的几率。与现有的其他改进方法相比，本发明所设计的衰减置信度算法不需要改变神经网络结构只需要简单地替换原有的非极大值抑制算法即可，能够适用于现有大部分的目标检测模型，能够在检测网络准确性的同时，大大提高算法的通用性。
附图说明
图1是舰船目标重叠场景图。
图2是传统非极大值抑制算法流程图。
图3是本发明基于衰减置信度算法的流程图。
图4是本发明改进前后的检测效果图。
具体实施方式
以下结合附图对本发明做进一步的描述。
针对现有技术存在的缺陷，本发明提出一种基于衰减置信度算法的重叠舰船目标候选框筛选方法，可以较好地针对海上观测平台场景所拍是视频数据有大量重叠舰船目标的现象，在不增加网络算法复杂度的前提下能够有效地提升检测准确度，降低重叠目标漏检率。并且能够使用于大部分通用检测网络，具有较好的通用性。
首先收集试验所需的图像：使用海上观测平台拍摄的舰船视频图片作为数据，为防止数据的重复及相似性太高，按固定间隔提取一帧图片。做好预筛选之后，对图片进行标注，主要标出目标在图片中的位置坐标信息以及目标类别信息。标注过程中将舰船类别分为军舰、渔船、客船、货船、其他船五类，并且需要精细地标出重叠舰船目标。标注好数据之后，事先训练好通用的深度神经网络模型，作为舰船目标检测用。
参见图3，所示为本发明基于衰减置信度算法的重叠舰船目标候选框筛选方法的流程图，具体的实验步骤如下：
一种基于衰减置信度算法的重叠舰船目标候选框筛选方法，其特征在于，包括以下步骤：
步骤S1：设计得到能适用于舰船目标重叠场景的目标候选框筛选方法；
步骤S2：将步骤S1中得到的舰船目标候选框筛选模块，替换到事先训练好的通用舰船目标检测网络模型中，再将该模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作；
其中，步骤S1进一步包括以下步骤：
步骤S11：根据训练好的舰船目标检测网络对输入图片进行检测识别，经过目标检测计算流程后，得到舰船目标的各个候选框，每个候选框对应会生成一个物体置信度分数，然后将这些置信度分数与候选框一一对应，进行存储；
步骤S12：根据S11得到的物体置信度分数，分数最高的检测候选框会被选中，其他与被选中检测候选框有明显重叠的候选框会被抑制。传统设计的非最大抑制算法中的最大问题就是它将相邻检测框的分数均强制归零。在这种情况下，如果一个真实舰船目标在重叠区域出现，可能会导致检测不到该待检测舰船目标，则将导致对该目标的检测失败，从而影响检测算法的平均检测率。
因此，本发明提出了衰减置信度算法，该连续函数对非最大检测框的检测分数进行衰减而非彻底移除。其具体的衰减方程如下：
其中，si是候选框i的置信度，M是置信度最大的候选框，bi是第i个候选框，D是与最大置信度候选框相交的候选框集合,iou是两个候选框的交并比，λ是置信度衰减系数；
步骤S13：用步骤S12提出的衰减置信度算法替换原有目标检测方法中的非最大抑制算法。然后用它来用来筛选候选框，IOU(重叠率)越高，置信度越低；
步骤S14：将用步骤S13的过程不断递归的应用于其余检测框，与传统方法直接彻底将置信度置零相比较，更加科学。在重叠目标较多的场景下，能够有效减少漏检几率，提高检测准确率。
其中，步骤S2进一步包括以下步骤：
步骤S21：用步骤S1中得到的衰减置信度算法来替换传统的非极大值抑制算法，并将它整合到事先训练好的通用舰船目标检测网络模型中；
步骤S22：将步骤S21中得到的舰船目标检测网络模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作；
与现有技术相比，本发明的有益效果是：针对海上观测平台所采集的重叠舰船目标加多的视频场景，能在不增加原有深度神经网络算法复杂度的前提下，更精确地完成舰船目标检测识别，网络准确性大大提高。使用特有的衰减置信度算法，有效减少重叠目标候选框误删的几率。与现有的其他改进方法相比，本发明所设计的衰减置信度算法不需要改变神经网络只需要简单的替换原有的非极大值抑制算法即可，能够适用于现有大部分的目标检测模型，能够在检测网络准确性的同时，大大提高算法的通用性。该发明可以用于我国与周边海上邻国间的海洋边界区域，有效保护天然气、石油等海洋资源，防止宝贵资源被掠夺；也可用于保护领海、军事安全，帮助军队指挥人员及时掌握海洋舰船信息，从而有效达成精确指挥、精确控制、精确协同，并作出行之有效的安全决策。相对而言，基于衰减置信度算法的重叠舰船目标候选框筛选方法，通过新型衰减置信度算法，具有设备准确性高，通用性高以及更改便捷等优点。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于衰减置信度的重叠舰船目标候选框筛选方法，其特征在于，包括以下步骤：
步骤S1：设计得到能适用于舰船目标重叠场景的目标候选框筛选方法；
步骤S2：用步骤S1中得到的舰船目标候选框筛选方法，替换到事先训练好的通用舰船目标检测网络模型中，再将该模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作；
其中，步骤S1进一步包括以下步骤：
步骤S11：根据传统的目标检测流程，得到目标的各个候选框，每个候选框对应会生成一个物体检测分数；
步骤S12：根据S11得到的物体检测分数，分数最高的检测框被选中，其他与被选中检测框有明显重叠的检测框被抑制；通过衰减置信度方程对非最大检测框的检测分数进行衰减，其具体的衰减方程如下：
其中，si是候选框i的置信度，M是置信度最大的候选框，bi是第i个候选框，D是与最大置信度候选框相交的候选框集合,iou是两个候选框的交并比，iou越高，重叠率越高，其置信度越低；
步骤S13：通过衰减置信度算法进一步筛选候选框；
步骤S14：用步骤S13的过程不断递归的应用于其余检测框；
其中，步骤S2进一步包括以下步骤：
步骤S21：用步骤S1中得到经衰减置信度算法筛选的目标候选框，并将它整合到事先训练好的通用舰船目标检测网络模型中；
步骤S22：将步骤S21中得到的舰船目标检测网络模型移植入海上观测平台的设备中，实时处理摄像头采集的舰船视频，完成高重叠场景下的舰船目标检测工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573051.8A CN109583424A (zh) | 2018-12-21 | 2018-12-21 | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573051.8A CN109583424A (zh) | 2018-12-21 | 2018-12-21 | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109583424A true CN109583424A (zh) | 2019-04-05 |
Family
ID=65930673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811573051.8A Pending CN109583424A (zh) | 2018-12-21 | 2018-12-21 | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583424A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949253A (zh) * | 2019-04-18 | 2019-06-28 | 达闼科技（北京）有限公司 | 一种预测框的过滤方法、电子设备及存储介质 |
| CN110610202A (zh) * | 2019-08-30 | 2019-12-24 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
| CN112148723A (zh) * | 2020-10-15 | 2020-12-29 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
| CN113837254A (zh) * | 2021-09-15 | 2021-12-24 | 中国人民解放军空军工程大学 | 一种计算机视觉中图像目标的检测方法 |
| JP7519933B2 (ja) | 2021-02-18 | 2024-07-22 | 三菱電機株式会社 | オブジェクト検出装置及び方法、並びに学習データ収集装置、並びにプログラム及び記録媒体 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818326A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 一种基于场景多维特征的船只检测方法及系统 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN108427912A (zh) * | 2018-02-05 | 2018-08-21 | 西安电子科技大学 | 基于稠密目标特征学习的光学遥感图像目标检测方法 |
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
-
2018
- 2018-12-21 CN CN201811573051.8A patent/CN109583424A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818326A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 一种基于场景多维特征的船只检测方法及系统 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN108427912A (zh) * | 2018-02-05 | 2018-08-21 | 西安电子科技大学 | 基于稠密目标特征学习的光学遥感图像目标检测方法 |
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| NAVANEETH BODLA;BHARAT SINGH;RAMA CHELLAPPA;LARRY S. DAVIS: "Soft-NMS — Improving Object Detection with One Line of Code", 《 2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949253A (zh) * | 2019-04-18 | 2019-06-28 | 达闼科技（北京）有限公司 | 一种预测框的过滤方法、电子设备及存储介质 |
| CN110610202A (zh) * | 2019-08-30 | 2019-12-24 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
| CN110610202B (zh) * | 2019-08-30 | 2022-07-26 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
| CN112148723A (zh) * | 2020-10-15 | 2020-12-29 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
| CN112148723B (zh) * | 2020-10-15 | 2022-02-18 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
| JP7519933B2 (ja) | 2021-02-18 | 2024-07-22 | 三菱電機株式会社 | オブジェクト検出装置及び方法、並びに学習データ収集装置、並びにプログラム及び記録媒体 |
| CN113837254A (zh) * | 2021-09-15 | 2021-12-24 | 中国人民解放军空军工程大学 | 一种计算机视觉中图像目标的检测方法 |
| CN113837254B (zh) * | 2021-09-15 | 2022-10-21 | 中国人民解放军空军工程大学 | 一种计算机视觉中图像目标的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583424A (zh) | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 | |
| CN112819804B (zh) | 一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法 | |
| CN111160125B (zh) | 基于铁路监控的铁路异物入侵检测方法 | |
| CN110348304A (zh) | 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法 | |
| CN110516606A (zh) | 高分辨率卫星影像任意方向舰船目标检测方法 | |
| CN109978869A (zh) | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 | |
| CN106770087B (zh) | 油污遥感探测模块、系统及方法 | |
| CN107123131A (zh) | 一种基于深度学习的运动目标检测方法 | |
| CN109657541A (zh) | 一种基于深度学习的无人机航拍图像中的船舶检测方法 | |
| CN109977897A (zh) | 一种基于深度学习的船舶特征重识别方法、应用方法及系统 | |
| CN110516605A (zh) | 基于级联神经网络的任意方向舰船目标检测方法 | |
| CN109815807A (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
| CN108229342A (zh) | 一种海面舰船目标自动检测方法 | |
| CN103488992B (zh) | 一种面向复杂sar图像场景的溢油检测方法 | |
| CN110008947A (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
| Tang et al. | Research on infrared ship detection method in sea-sky background | |
| CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
| CN112750104B (zh) | 一种多相机监控船舶自动匹配最优相机的方法及装置 | |
| CN116543241B (zh) | 泄露气体云团的检测方法、装置、存储介质和电子设备 | |
| CN109284754A (zh) | 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法 | |
| CN115995041A (zh) | 基于注意力机制的sar图像多尺度舰船目标检测方法和装置 | |
| Guo et al. | An anchor-free network with density map and attention mechanism for multiscale object detection in aerial images | |
| CN108446721A (zh) | 一种基于多分支网络的水面环境解析方法 | |
| Lu et al. | Study on Marine Fishery Law Enforcement Inspection System based on Improved YOLO V5 with UAV | |
| CN115171336A (zh) | 一种海滩监控溺水防护系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
| RJ01 | Rejection of invention patent application after publication |