CN109766830A - 一种基于人工智能图像处理的舰船目标识别系统及方法 - Google Patents

Abstract

本发明提供的一种基于人工智能图像处理的舰船目标识别系统及方法，采用高动态水面环境下舰船视频设备采集视频信息样本；对所述样本采用人工加自动跟踪算法进行标注；在低质量的视频条件下，以所述合成的样本为基础对海面弱小目标的识别，进行目标识别的方法，解决现有技术中只有在岸基上的系统对海上弱目标识别，并且在海上恶劣环境下使用，准确率低的技术问题，实现一套系统能解决在岸基和水面移动各种平台下，进行双动态识别，对海上弱小目标识别，准确高效的识别海上恶劣环境下舰船目标的技术效果。

Description

一种基于人工智能图像处理的舰船目标识别系统及方法

技术领域

本发明涉及目标识别领域，具体而言，涉及一种基于人工智能图像处理和舰船目标识别系统及方法。

背景技术

由于船速高，海况环境差，获取到的视频会收到水雾，光照以及水面反光等因素的影响，造成画面质量下降，识别干扰项增多。在智能识别系统中，样本数据以及标注的工作所消耗的成本，占到很大的比例。一些特殊的项目，样本采集的成本超过总成本的一半，人工和时间成本高。在低质量视频情况下，海面弱小目标的智能识别难度大。目标识别的处理时间对于系统的应用具有至关重要的影响，识别需要对大量的数据进行处理，需要进一步优化算法，以达到实时的目的。现有技术中主要集中在岸基系统对海上弱目标识别的软件，并且在海上恶劣环境下使用，要求可靠性和易用性要求高。高速艇激发的水雾条件下和在不同的海况情况下，目标识别的准确率是难点。

发明内容

本发明提供一种基于人工智能图像处理的舰船目标识别系统及方法，采用高动态水面环境下舰船视频设备采集视频信息样本；对所述样本采用人工加自动跟踪算法进行标注；在低质量的视频条件下，以所述合成的样本为基础对海面弱小目标的识别，在进行目标识别的方法，解决现有技术中只有在岸基系统对海上弱目标识别，并且可靠性和易用性不高，准确率低的技术问题。

本发明为解决上述技术问题而提供的这种基于人工智能图像处理的舰船目标识别系统，包括以下步骤：

S1.在高动态水面环境下，基于岸基或海面动态平台的视频设备采集视频信息样本；

S2.对所述样本采用人工加自动跟踪算法进行标注，包括离线的自动跟踪，人工干预修正以及新样本的合成；

S3.在低质量的视频条件下，以所述合成的样本为基础对海面弱小目标的识别，主要为先对视频进行分割减少处理区域，在进行目标识别。

所述S2步骤中还包括以下分步骤，

S2.1.对所述样本视频文件进行离线自动跟踪，利用自动化算法实现稳定跟踪的视频片段；

S2.2.人工对跟踪结果的修正，对数据的标准，设计的软件在操作方式，以及数据的存储方式，进行特殊设计，对自动跟踪的结果进行修正；

S2.3.利用DCGANs原理自动合成一批新样本。

所述S2.1步骤所述离线自动跟踪包括，

背景建模与运动信息提取，需要先对视频进行相机运动情形下的背景建模和相机静止情形下的背景建模，以前后帧图像匹配和背景建模的基础，对运动目标进行预先提取；

算法系统自动选择目标进行跟踪，在背景建模和前景目标提取的基础上，进一步自动选择待跟踪目标；

基于深度学习框架的目标跟踪，利用GOTURN算法深度学习框架，在自动选定的候选目标上进行连续跟踪，得到非人工干预情形下的首批自动样本；

后续视频帧的处理，根据已知当前帧和后续帧进行双向预测，再进行加权。

所述相机运动情形下的背景建模采用基于SIFT兴趣点的背景模型建立，提取当前帧的最低3个尺度层的SIFT兴趣点；对前后帧图像中的SIFT兴趣点进行匹配，针对前一帧图像中的每一个兴趣点，在当前帧图像中找到与其最接近的兴趣点，利用RANSAC算法过滤匹配时的错误匹配；对所有兴趣点的匹配信息进行整理，利用兴趣点的匹配结果，得到全图范围内的所有兴趣点代表的运动信息，对所述运动信息进行整理，利用Markov随机场对不同像素位置的运动量进行建模，

所述相机静止情形下的背景建模采用渐变加权方法背景建模，将第一帧图像作为背景的初始值，根据所述初始值对背景图像进行加权更新，采用如下算法，

B(x，y)＝(1-λ)*B(x，y)+λ*I(x，y)

其中，B(x，y)是背景图像中，位于(x，y)位置的像素的亮度值，

I(x，y)是当前图像中，位于(x，y)位置的像素的亮度值，

λ是学习率，一般取值为0.99；

对视频中正处于运动的前景图像进行检测，通过如下的算法，

其中，G(x，y)是背景图像中，位于(x，y)位置的像素的亮度值，

前景图是二值图像，白色像素表示运动目标，黑色像素表示背景，

th为计算前景图像时的二值化阈值，默认为10，

所述运动目标进行预先提取包括，计算背景的运动量，对所有像素的运动信息进行识别，出现频率最高的运动信息，认为所述运动信息是背景的运动量；对图像中所有像素的运动量进行对比，高于所述背景运动量的所述像素运动量，则是候选目标像素；对所述候选目标像素进行聚类，根据所述候选目标的运动信息和位置信息利用KMeans聚类算法进行聚类，每个聚类的子类是一个候选目标。

所述算法系统自动选择目标进行跟踪包括，

对每个候选目标进行跟踪，在背景建模和前景目标提取的基础上，对前景目标提取的结果中第一次出现的所述候选目标，自动进行跟踪位置的初始化，然后展开跟踪；

对所述候选目标进行融合，运动方向和幅度一致的所述候选目标，进行融合为一个目标；

判断被融合的目标是否进行融合，被融合的目标，如果不相邻中间存在孤立区域，考察其运动规律，决定是否融合，如融合则重复本判断，如不融合则将融合之后的目标作为最终待跟踪目标，

所述后续视频帧的处理包括，根据视频前一帧中，所述跟踪目标的位置，预测视频当前帧的目标位置；利用所述视频前一帧，直接预测视频当前帧的视频后一帧位置；

利用视频后一帧位置，反向预测视频当前帧位置；

对两个视频当前帧位置进行加权，所述视频前一帧结果的权重是0.7，所述视频后一帧的权重是0.3，获得最终的后果。

所述S2.2步骤所述人工对跟踪结果的修正包括，

目标位置手动初始化，对自动跟踪失败的目标，人工直接用鼠标在目标中心进行点击修正；

目标框大小的初始化，利用SLIC算法和手动结合的方式进行初始化，提取当前图像的超像素结果后，按下功能键，用鼠标在目标对应的几个超像素上进行点击，就可以选定目标的大致区域；

抽取整个视频中少数的帧点击目标的中心位置，每30秒钟对目标进行一次目标位置获取，在某些视频的帧跟踪效果不好时，要提高标注的密度进行标注，目标跟踪效果好的帧，不标注；

对跟踪结果进行离线验证，在算法运行结束之后，进行后续验证提高样本的质量；

对目标丢失情形进行处理，先设定跟踪信度阈值，当前目标的跟踪阈值低于所述信度阈值，样本不再采集并对这些样本添加特殊标记，在训练时，进行特殊处理。

所述步骤S3包括以下步骤，

海面图像分割并提取目标，基于概率图模型和深度学习的海面图像语义分割对视频进行分割减少处理区域，提取海面目标；

目标识别，根据海绵图像分割得到的结果获取前景目标候选区域，利用A-Fast-RCNN算法对目标进行识别；

对不精准样本的修正和识别，利用MIL框架对样本尺寸的误差进行修正，采用协同训练的方法，逐步将疑似程度较高的噪声样本过滤。

所述海面图像分割并提取目标包括，

图像预处理，使用双边滤波算法对输入图像进行平滑去噪，然后再利用SLIC算法对滤波后的图像进行超像素分割；

图像分割，利用概率图模型将图像分割成天空区域，陆地与雾霾混合区域、海水区域以及障碍物目标区域；提取海水区域分界点，在图像上从左至右等距地划分32条竖直直线，然后利用梯度算子在每条直线上提取出海水区域与中间混合区域的分界点；

RANSAC直线拟合，利用RANSAC算法对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数；

生成障碍物掩膜图像，根据检测出的海天线位置信息，提取出海天线以下的障碍物目标区域，从而获得障碍物掩膜图像；

提取海面障碍物，根据障碍物掩膜图像，提取出海面障碍物目标。

所述对不精准样本的修正和识别包括，在标注样本位置的周边，设定一系列采样点；以所述采样点为中心进行多种尺寸的采样；参照标注样本的尺寸，在长、宽上进行一定幅度的变动；将覆盖了多种位置、多种尺寸的样本子集，输入到MIL框架进行训练；保证所述扩大的子集中置信度最高的样本分类效果最好；挑选一定比例的样本作为舰船样本，训练得到各个子类的学习结果；对剩下的样本进行分类过滤掉置信度较低的样本；利用当前的分类器进行筛选，得到置信度高的样本作为舰船数据；反复迭代此过程，直到没有样本改变标签为止。

一种基于人工智能图像处理的舰船目标识别系统，包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现任一项所述的方法的步骤。

本发明所具有的有益效果：本发明提供一种基于人工智能图像处理的舰船目标识别系统及方法，实现一套系统能解决在岸基和水面移动平台两种平台下，对海面目标准确高效的识别海上恶劣环境下舰船目标的技术效果。

附图说明

图1是本发明所述基于人工智能图像处理的舰船目标识别方法流程图。

图2是本发明所述SIFT兴趣点检测示意图。

图3是本发明所述SIFT兴趣点进行匹配示意图。

图4是本发明所述GOTURN对下一帧目标位置进行预测示意图。

图5是本发明所述GOTURN模型的预训练示意图。

图6是本发明所述利用后续帧对当前帧结果进行修正流程示意图。

图7是本发明所述超像素用于图像分割示意图。

图8是本发明所述DCGANs示意图。

图9是本发明所述FCN网络结构示意图。

图10是本发明所述A-Fast-RCNN网络结构示意图。

图11是本发明所述测试所用网络结构示意图。

图12是本发明所述网络模型的输出结果示意图。

图13是本发明所述单个检测器的结果示意图。

具体实施方式

结合上述附图说明本发明的具体实施例。

如图1所示，本发明提供一种基于人工智能图像处理和舰船目标识别系统及方法，包括以下步骤：

S1.在高动态水面环境下，基于岸基或海面动态平台的视频设备采集视频信息样本；

S2.对所述样本采用人工加自动跟踪算法进行标注，包括离线的自动跟踪，人工干预修正以及新样本的合成，所述样本的标注采用人工加自动跟踪算法，来实现大批量所述样本的半自动标注，将样本采集人员从繁重的体力劳动中解放出来，提高生产效率；

S3.在低质量的视频条件下，以所述合成的样本为基础对海面弱小目标的识别，主要为先对视频进行分割减少处理区域，在进行目标识别。

所述S2步骤中还包括以下分步骤，

S2.1.对所述样本视频文件进行离线自动跟踪，利用自动化算法实现稳定跟踪的视频片段，其中能够利用自动化算法实现稳定跟踪的视频片段，不需要人为干预；

S2.2.人工对跟踪结果的修正，对数据的标准，设计的软件在操作方式，以及数据的存储方式，进行特殊设计对自动跟踪的结果进行修正，保证用户能够便捷地观看跟踪结果，并且灵活地进行修正；

S2.3.利用DCGANs原理自动合成一批新样本，如图8所示，DCGANs的基本原理是它有两个模型：一个生成器，一个判别器，判别器的任务是判断给定图像是否看起来自然，是否像是人为或机器生成的，而生成器的任务是生成看起来自然的图像，要求与原始数据分布尽可能一致。DCGANs的运作方式可被看作是两名玩家之间的零和游戏，原论文的类比是，生成器就像一支造假币的团伙，试图用假币蒙混过关，而判别器就像是警察，目标是检查出假币。生成器想要骗过判别器，判别器想要不上当。当两组模型不断训练，生成器不断生成新的结果进行尝试，它们的能力互相提高，直到生成器生成的人造样本看起来与原始样本没有区别。

所述S2.1步骤所述离线自动跟踪包括，

背景建模与运动信息提取，可以提高跟踪的效果，需要先对视频进行相机运动情形下的背景建模和相机静止情形下的背景建模，以前后帧图像匹配和背景建模的基础，对运动目标进行预先提取；

算法系统自动选择目标进行跟踪，在背景建模和前景目标提取的基础上，进一步自动选择待跟踪目标，如果跟踪正确，样本采集人员就不需要对该目标对应的视频进行操作了，而只需要进行正确性监督即可；

基于深度学习框架的目标跟踪，利用GOTURN算法深度学习框架，在自动选定的候选目标上进行连续跟踪，得到非人工干预情形下的首批自动样本，利用GOTURN算法取代常规的跟踪算法，在自动选定的候选目标上进行连续跟踪；

后续视频帧的处理，根据已知当前帧和后续帧进行双向预测，再进行加权，因为是离线跟踪，没有实时跟踪的限制，离线跟踪的最大的优势，就是当前帧的后续帧，已经知道了，这是有别于实时跟踪的特殊之处。

如图4和图5所示，GOTURN算法是近两年新出现的一种跟踪算法，它利用深度学习网络进行目标的跟踪。该方案的一大特点，是能够根据上一帧目标位置和当前帧图像，直接预测下一帧目标位置。这样，就将目标跟踪的思路，从传统的搜索最优位置，变成了对位置和目标框的尺寸进行回归预测，从目标匹配的思路，变成了机器学习的思路。另外由于GOTURN采用了深度学习框架，能够提前利用海量图像对底层卷积层进行预训练，使得模型的表达能力能够得到较大的提升。

如图2所示，所述相机运动情形下的背景建模采用基于SIFT兴趣点的背景模型建立，提取当前帧的最低3个尺度层的SIFT兴趣点，SIFT兴趣点是计算机视觉领域中应用极为广泛的特征，经常被用于目标识别、图像匹配等任务；如图3所示，对前后帧图像中的SIFT兴趣点进行匹配，针对前一帧图像中的每一个兴趣点，在当前帧图像中找到与其最接近的兴趣点，利用RANSAC算法过滤匹配时的错误匹配；对所有兴趣点的匹配信息进行整理，利用兴趣点的匹配结果，得到全图范围内的所有兴趣点代表的运动信息，对所述运动信息进行整理，利用Markov随机场对不同像素位置的运动量进行建模，利用背景信息，可以分辨出当前帧图像中，哪些像素位置是目标，哪些像素位置是背景，

所述相机静止情形下的背景建模采用渐变加权方法背景建模，将第一帧图像作为背景的初始值，根据所述初始值对背景图像进行加权更新，米用如下算法，

B(x，y)＝(1-λ)*B(x，y)+λ*I(x，y)

其中，B(x，y)是背景图像中，位于(x，y)位置的像素的亮度值，

I(x，y)是当前图像中，位于(x，y)位置的像素的亮度值，

λ是学习率，一般取值为0.99；

对视频中正处于运动的前景图像进行检测，通过如下的算法，

其中，G(x，y)是背景图像中，位于(x，y)位置的像素的亮度值，

前景图是二值图像，白色像素表示运动目标，黑色像素表示背景，

th为计算前景图像时的二值化阈值，默认为10，

所述运动目标进行预先提取包括，计算背景的运动量，对所有像素的运动信息进行识别，出现频率最高的运动信息，认为所述运动信息是背景的运动量；对图像中所有像素的运动量进行对比，高于所述背景运动量的所述像素运动量，则是候选目标像素；对所述候选目标像素进行聚类，根据所述候选目标的运动信息和位置信息利用KMeans聚类算法进行聚类，每个聚类的子类是一个候选目标。这样后续跟踪部分就能够得到足够的信息，由于相邻帧之间，目标也存在运动流信息，这个信息与背景有差异，因此可以将运动目标从背景中提取出来。

所述算法系统自动选择目标进行跟踪包括，

对每个候选目标进行跟踪，在背景建模和前景目标提取的基础上，对前景目标提取的结果中第一次出现的所述候选目标，自动进行跟踪位置的初始化，然后展开跟踪；

对所述候选目标进行融合，运动方向和幅度一致的所述候选目标，进行融合为一个目标；

判断被融合的目标是否进行融合，被融合的目标，如果不相邻中间存在孤立区域，考察其运动规律，决定是否融合，如融合则重复本判断，如不融合则将融合之后的目标作为最终待跟踪目标，

如图6所示，所述后续视频帧的处理包括，根据视频前一帧中，所述跟踪目标的位置，预测视频当前帧的目标位置；

利用所述视频前一帧，直接预测视频当前帧的视频后一帧位置；

利用视频后一帧位置，反向预测视频当前帧位置；

对两个视频当前帧位置进行加权，所述视频前一帧结果的权重是0.7，所述视频后一帧的权重是0.3，获得最终的后果。

所述S2.2步骤所述人工对跟踪结果的修正包括，

目标位置手动初始化，对自动跟踪失败的目标，人工直接用鼠标在目标中心进行点击修正，多目标情形下初始位置的设置只需要按下键盘上的功能键，然后再单击目标中心，系统就自动增加一个待跟踪目标；

如图7所示，目标框大小的初始化，利用SLIC算法和手动结合的方式进行初始化，提取当前图像的超像素结果后，按下功能键，用鼠标在目标对应的几个超像素上进行点击，就可以选定目标的大致区域；

抽取整个视频中少数的帧点击目标的中心位置，每30秒钟对目标进行一次目标位置获取，在某些视频的帧跟踪效果不好时，要提高标注的密度进行标注，目标跟踪效果好的帧，不标注，多目标情形下用滚轮切换需要点击的目标，用红色高亮显示当前被操作的目标，点击目标，即可更新目标位置；

对跟踪结果进行离线验证，在算法运行结束之后，进行后续验证提高样本的质量，所述后续验证包括：从最后一帧开始进行反向跟踪，分析每一帧视频帧，从两个不同方向进行跟踪时所得到的定位结果的误差，统计所有图像帧总的误差，如果误差高于经验值，则说明跟踪有问题。将跟踪序列提取出来，随机挑选其中的若干帧，用GOTURN网络，计算其置信度，统计总的置信度，如果置信度低于经验值，则整个序列有异常，需要进行特殊标注。置信度阈值训练的方法，在GOTURN训练时，在真实目标位置的周边，挑选一系列样本提取特征值，计算它们与真实样本的欧式距离，然后将欧氏距离变成概率值，利用这种概率值，进行置信度阈值的训练；

对目标丢失情形进行处理，先设定跟踪信度阈值，当前目标的跟踪阈值低于所述信度阈值，样本不再采集并对这些样本添加特殊标记，在训练时，进行特殊处理。

为了进一步提高工作效率，一个标注人员可同时对多个视频进行操作，从而使样本的采集成本大幅度降低。

所述步骤S3包括以下步骤，

海面图像分割并提取目标，基于概率图模型和深度学习的海面图像语义分割对视频进行分割减少处理区域，提取海面目标；

目标识别，根据海绵图像分割得到的结果获取前景目标候选区域，利用A-Fast-RCNN算法对目标进行识别；

对不精准样本的修正和识别，利用MIL框架对样本尺寸的误差进行修正，采用协同训练的方法，逐步将疑似程度较高的噪声样本过滤。

所述概率图模型是一类利用图形模式表达基于概率相关关系的模型的总称，它在图论和概率论的基础上利用图来构建概率模型变量间的相互关系，并且提供了一种简单的概率模型可视化方法，有利于新模型的设计和开发。目前，概率图模型在计算机视觉、人工智能及统计物理学等领域得到了广泛的应用。

所述图像语义分割可以说是图像理解的基石性技术，在自动驾驶系统、无人机应用以及穿戴式设备应用中举足轻重。图像是由许多像素组成，语义分割就是将像素按照图像中表达语义含义的不同进行分组或者分割。卷积神经网络在图像分类和图像检测等方面取得了巨大的成就和广泛的应用，强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。利用深度学习方法对海面图像进行语义分割，可以有效地提取前景海面目标，从而有助于后续工作的展开。如图9所示，FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的卷积神经网络在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类，从而实现图像语义分割。

如图10所示，所述A-Fast-RCNN算法的基本原理：将对抗学习引入到目标检测问题中，通过对抗网络生成一下遮挡和变形的训练样本来训练检测网络，从而使得网络能够对遮挡和变形问题更加的鲁棒。使用对抗网络生成有遮挡和有形变的两种特征，两种网络分别为ASDN和ASTN。下图为A-Fast-RCNN算法的网络结构示意图

ASDN利用Fast R-CNN中ROI池化层之后的每个目标proposa卷积特征作为对抗网络的输入，给定一个目标的特征，ASDN尝试生成特征某些部分被dropout的掩码，导致检测器无法识别该物体。在前向传播过程中，首先使用ASDN在ROI池化层之后生成特征掩码，然后使用重要性采样法生成二值掩码，使用该掩码将特征对应部位值清零，修改后的特征继续前向传播计算损失，这个过程生成了困难的特征，用于训练检测器。

ASTN主要关注特征旋转，定位网络包含三层全连接层，前两层是ImageNet预训练的FC6和FC7，训练过程与ASDN类似，ASTN对特征进行形变，将特征图划分为4个block，每个block估计四个方向的旋转，增加了任务的复杂度。两种对抗网络可以相结合，使得检测器更鲁棒，ROI池化层提取的特征首先传入ASDN丢弃一些激活，之后使用ASTN对特征进行形变。

本技术从图像中预测物体的边界框和类别概率，将目标检测问题使用回归模型进行建模，该模型使用深度卷积网络实现特征提取，构建全卷积网络模型并结合逻辑斯谛回归模型实现目标识别，将区域提案、特征提取和物体识别进行了整合，由此在很大程度上保证了实时性的可行性。

如图11所示，测试所用网络模型使用卷积层、批规范化层、缩放层、修正线性单元层和最大池化层等基本网络层组成，模型第一部分的基本处理栈为卷积层、批规范化层、缩放层、激活层和最大池化层，其中卷积层、批规范化层、缩放层和激活层组合起来用于特征的提取，最大池化层用于降低特征维度增加卷积感受野，模型第二部分的基本处理栈为卷积层、批规范化层、缩放层和激活层，通过堆叠多个基本处理栈提取更加抽象和丰富的特征，同时使用1x1的卷积层代替全连接，结合二项逻辑斯谛回归和多项逻辑斯谛回归模型预测物体的目标框和类别概率。

设A是连续随机变量，X服从逻辑斯谛分布是指X具有下列分布函数和密度函数：

式中，μ为位置参数，γ＞0为形状参数。

①二项逻辑斯谛回归模型

二项逻辑斯谛回归模型是如下的条件概率分布：

这里，x∈Rn是输入，Y∈{0，1}是输出，w∈Rn和b∈R是参数，w称为权值向量，b称为偏置，w·x为w和x的内积。通过逻辑斯谛回归模型可以将线性函数w·x转换为概率。

②多项逻辑斯谛回归模型

多项逻辑斯谛回归模型如下式：

这里，x∈Rⁿ⁺¹，w_k∈Rⁿ⁺¹。多项逻辑斯谛回归模型用于多类分类。

模型预测图像中目标的中心位置，尺寸大小和类别概率，进行置信度计算，公式如下：

P＝P_obj·max P_i

其中，P表示目标的置信度，P_obj表示框内物体为前景的概率，max P_i表示类别概率。

如图12所示，网络模型的输出结果是一个三维矩阵，表示一组并列的检测器，每个检测器预测一组目标框的值，最后，通过非极大值抑制和阈值方法对预测结果进行融合，获取识别结果。

如图13所示，其中，单个检测器对中心检测器结果进行可视化后获得5个预测目标框，对于单个检测器的结果基于置信度计算公式使用阈值方法进行融合，多个检测器间进行非极大值抑制处理。

本技术使用简单缩放和均值削减方法对数据进行预处理，使用小批量梯度下降法进行模型训练，网络模型的损失函数直接与检测性能相关，训练过程中目标的各预测值进行协同训练。

MIL框架是近年来机器学习领域出现的一种优秀的弱监督学习方法。该框架解决了样本标注时，难免存在位置不精准的现象。MIL算法的关键思路如下：不知道真实样本的位置，但是可以在标注位置的周边，采集一系列样本，其中总有一个真实样本。训练时，保证这个小的样本集合中，置信度最高的那个样本，达到最好的分类效果。

所述海面图像分割并提取目标包括，

图像预处理，使用双边滤波算法对输入图像进行平滑去噪，然后再利用SLIC算法对滤波后的图像进行超像素分割；

图像分割，利用概率图模型将图像分割成天空区域，陆地与雾霾混合区域、海水区域以及障碍物目标区域；提取海水区域分界点，在图像上从左至右等距地划分32条竖直直线，然后利用梯度算子在每条直线上提取出海水区域与中间混合区域的分界点；

RANSAC直线拟合，利用RANSAC算法对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数；

生成障碍物掩膜图像，根据检测出的海天线位置信息，提取出海天线以下的障碍物目标区域，从而获得障碍物掩膜图像；

提取海面障碍物，根据障碍物掩膜图像，提取出海面障碍物目标。

所述对不精准样本的修正和识别包括，在标注样本位置的周边，设定一系列采样点；以所述采样点为中心进行多种尺寸的采样；参照标注样本的尺寸，在长、宽上进行一定幅度的变动；将覆盖了多种位置、多种尺寸的样本子集，输入到MIL框架进行训练；保证所述扩大的子集中置信度最高的样本分类效果最好；挑选一定比例的样本作为舰船样本，训练得到各个子类的学习结果；对剩下的样本进行分类过滤掉置信度较低的样本；利用当前的分类器进行筛选，得到置信度高的样本作为舰船数据；反复迭代此过程，直到没有样本改变标签为止。

一种基于人工智能图像处理的舰船目标识别系统，包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现任一项所述的方法的步骤。

本发明提供的这种基于人工智能图像处理的舰船目标识别系统及方法，能够有效处理四级海况下航速≥35节航行的小型艇平台的视频图像；能够实现四级海况条件下≤10m×5m×3m的小目标的有效识别；基于≥100组的样本数据，目标识别分类标定正确性≥80％；在周视场景下，能够对视场范围内距离≥300m内的小目标进行自动识别；识别响应时间≤5s；数据处理周期≤50ms。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于发明的保护范围。

Claims (10)

1.一种基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：包括以下步骤：

S1.在高动态水面环境下，基于岸基或海面动态平台的视频设备采集视频信息样本；

S2.对所述样本采用人工加自动跟踪算法进行标注，包括离线的自动跟踪，人工干预修正以及新样本的合成；

S3.在低质量的视频条件下，以所述合成的样本为基础对海面弱小目标的识别，主要为先对视频进行分割减少处理区域，在进行目标识别。

2.根据权利要求1所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述S2步骤中还包括以下分步骤，

S2.1.对所述样本视频文件进行离线自动跟踪，利用自动化算法实现稳定跟踪的视频片段；

S2.2.人工对跟踪结果的修正，对数据的标准，设计的软件在操作方式，以及数据的存储方式，进行特殊设计，对自动跟踪的结果进行修正；

S2.3.利用DCGANs原理自动合成一批新样本。

3.根据权利要求2所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述S2.1步骤所述离线自动跟踪包括，

背景建模与运动信息提取，需要先对视频进行相机运动情形下的背景建模和相机静止情形下的背景建模，以前后帧图像匹配和背景建模的基础，对运动目标进行预先提取；

算法系统自动选择目标进行跟踪，在背景建模和前景目标提取的基础上，进一步自动选择待跟踪目标；

基于深度学习框架的目标跟踪，利用GOTURN算法深度学习框架，在自动选定的候选目标上进行连续跟踪，得到非人工干预情形下的首批自动样本；

后续视频帧的处理，根据已知当前帧和后续帧进行双向预测，再进行加权。

4.根据权利要求3所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述相机运动情形下的背景建模采用基于SIFT兴趣点的背景模型建立，提取当前帧的最低3个尺度层的SIFT兴趣点；对前后帧图像中的SIFT兴趣点进行匹配，针对前一帧图像中的每一个兴趣点，在当前帧图像中找到与其最接近的兴趣点，利用RANSAC算法过滤匹配时的错误匹配；对所有兴趣点的匹配信息进行整理，利用兴趣点的匹配结果，得到全图范围内的所有兴趣点代表的运动信息，对所述运动信息进行整理，利用Markov随机场对不同像素位置的运动量进行建模，

所述相机静止情形下的背景建模采用渐变加权方法背景建模，将第一帧图像作为背景的初始值，根据所述初始值对背景图像进行加权更新，采用如下算法，

B(x，y)＝(1-λ)*B(x，y)+λ*I(x，y)

其中，B(x，y)是背景图像中，位于(x，y)位置的像素的亮度值，

I(x，y)是当前图像中，位于(x，y)位置的像素的亮度值，

λ是学习率，一般取值为0.99；

对视频中正处于运动的前景图像进行检测，通过如下的算法，

其中，G(x，y)是背景图像中，位于(x，y)位置的像素的亮度值，

前景图是二值图像，白色像素表示运动目标，黑色像素表示背景，

th为计算前景图像时的二值化阈值，默认为10，

所述运动目标进行预先提取包括，计算背景的运动量，对所有像素的运动信息进行识别，出现频率最高的运动信息，认为所述运动信息是背景的运动量；对图像中所有像素的运动量进行对比，高于所述背景运动量的所述像素运动量，则是候选目标像素；对所述候选目标像素进行聚类，根据所述候选目标的运动信息和位置信息利用KMeans聚类算法进行聚类，每个聚类的子类是一个候选目标。

5.根据权利要求3所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述算法系统自动选择目标进行跟踪所包括，对每个候选目标进行跟踪，在背景建模和前景目标提取的基础上，对前景目标提取的结果中第一次出现的所述候选目标，自动进行跟踪位置的初始化，然后展开跟踪；

对所述候选目标进行融合，运动方向和幅度一致的所述候选目标，进行融合为一个目标；

判断被融合的目标是否进行融合，被融合的目标，如果不相邻中间存在孤立区域，考察其运动规律，决定是否融合，如融合则重复本判断，如不融合则将融合之后的目标作为最终待跟踪目标，

所述后续视频帧的处理包括，根据视频前一帧中，所述跟踪目标的位置，预测视频当前帧的目标位置；

利用所述视频前一帧，直接预测视频当前帧的视频后一帧位置；

利用视频后一帧位置，反向预测视频当前帧位置；

对两个视频当前帧位置进行加权，所述视频前一帧结果的权重是0.7，所述视频后一帧的权重是0.3，获得最终的后果。

6.根据权利要求2所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述S2.2步骤所述人工对跟踪结果的修正包括，

目标位置手动初始化，对自动跟踪失败的目标，人工直接用鼠标在目标中心进行点击修正；

目标框大小的初始化，利用SLIC算法和手动结合的方式进行初始化，提取当前图像的超像素结果后，按下功能键，用鼠标在目标对应的几个超像素上进行点击，就可以选定目标的大致区域；

抽取整个视频中少数的帧点击目标的中心位置，每30秒钟对目标进行一次目标位置获取，在某些视频的帧跟踪效果不好时，要提高标注的密度进行标注，目标跟踪效果好的帧，不标注；

对跟踪结果进行离线验证，在算法运行结束之后，进行后续验证提高样本的质量；

对目标丢失情形进行处理，先设定跟踪信度阈值，当前目标的跟踪阈值低于所述信度阈值，样本不再采集并对这些样本添加特殊标记，在训练时，进行特殊处理。

7.根据权利要求1所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述步骤S3包括以下步骤，

海面图像分割并提取目标，基于概率图模型和深度学习的海面图像语义分割对视频进行分割减少处理区域，提取海面目标；

目标识别，根据海绵图像分割得到的结果获取前景目标候选区域，利用A-Fast-RCNN算法对目标进行识别；

对不精准样本的修正和识别，利用MIL框架对样本尺寸的误差进行修正，采用协同训练的方法，逐步将疑似程度较高的噪声样本过滤。

8.根据权利要求7所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述海面图像分割并提取目标包括，

图像预处理，使用双边滤波算法对输入图像进行平滑去噪，然后再利用SLIC算法对滤波后的图像进行超像素分割；

图像分割，利用概率图模型将图像分割成天空区域，陆地与雾霾混合区域、海水区域以及障碍物目标区域；提取海水区域分界点，在图像上从左至右等距地划分32条竖直直线，然后利用梯度算子在每条直线上提取出海水区域与中间混合区域的分界点；

RANSAC直线拟合，利用RANSAC算法对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数；

生成障碍物掩膜图像，根据检测出的海天线位置信息，提取出海天线以下的障碍物目标区域，从而获得障碍物掩膜图像；

提取海面障碍物，根据障碍物掩膜图像，提取出海面障碍物目标。

9.根据权利要求7所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：所述对不精准样本的修正和识别包括，在标注样本位置的周边，设定一系列采样点；以所述采样点为中心进行多种尺寸的采样；参照标注样本的尺寸，在长、宽上进行一定幅度的变动；将覆盖了多种位置、多种尺寸的样本子集，输入到MIL框架进行训练；保证所述扩大的子集中置信度最高的样本分类效果最好；挑选一定比例的样本作为舰船样本，训练得到各个子类的学习结果；对剩下的样本进行分类过滤掉置信度较低的样本；利用当前的分类器进行筛选，得到置信度高的样本作为舰船数据；反复迭代此过程，直到没有样本改变标签为止。

10.一种基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：该系统包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求1-9中任一项所述的方法的步骤。