CN110874599A - 一种基于图像识别的舰船检测方法 - Google Patents

一种基于图像识别的舰船检测方法 Download PDF

Info

Publication number
CN110874599A
CN110874599A CN201911118442.5A CN201911118442A CN110874599A CN 110874599 A CN110874599 A CN 110874599A CN 201911118442 A CN201911118442 A CN 201911118442A CN 110874599 A CN110874599 A CN 110874599A
Authority
CN
China
Prior art keywords
frequency
image
ship
feature
low
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
Application number
CN201911118442.5A
Other languages
English (en)
Inventor
李志杰
汤小剑
杨燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Lanhe Intelligent Technology Co Ltd
Original Assignee
Jiangsu Lanhe Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Lanhe Intelligent Technology Co Ltd filed Critical Jiangsu Lanhe Intelligent Technology Co Ltd
Priority to CN201911118442.5A priority Critical patent/CN110874599A/zh
Publication of CN110874599A publication Critical patent/CN110874599A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像识别的舰船检测方法，本发明的目的是运用数字图像处理技术在任务水域图像中实时检测舰船位置，为物体目标识别、跟踪算法提供有效的目标区域，缩小搜索范围，降低算法的复杂度和运算量，以提高水面航行体对目标侦查预警的能力。能够准确地实现复杂背景条件下舰船目标检测，具有良好的可靠性和稳定性，有效地提高了水面航行体对舰船目标侦查、打击能力，为各武器平台对舰船目标检测提供了算法依据，具有重要的参考价值；方便海事部门对其进行重点监管和事故行为预警，大大减轻海事部门的工作强度。进一步促进沿江经济持续稳定发展，提高水上运输能力与安全，在提升海事部门工作效率的同时，切实保障船舶安全，健全水运安全风险防控体系。

Description

一种基于图像识别的舰船检测方法
技术领域
本发明涉及舰船检测技术领域，具体为一种基于图像识别的舰船检测方法。
背景技术
国外目标检测领域研究起步较早，最早提出了用于静态图像目标检测的一般框架，随后又提出通过获取图像关键点附近的梯度信息来检测运动目标，提出了梯度直方图特征将其用于静态图像的行人检测。虽然目标检测算法在国外的研究较早，但在舰船检测领域的研究起步较晚。国内学者提出了一种复杂内河背景下对红外运动船舶目标检测和跟踪的方法；通过两次检测运动图像区域以确认实际船舶目标的检测方法。国内外关于舰船检测的研究较少，且大多集中于采用视频或者多帧图像的运动物体检测方法，该类方法在水面环境变化较大的区域难以做到准确检测舰船目标。
发明内容
本发明的目的在于提供一种基于图像识别的舰船检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于图像识别的舰船检测方法，包括以下步骤：
A、提取图像的高频、低频Gabor特征和H、S、V颜色特征，建立多类特征的多分辨率金字塔表示；
B、将各类特征金字塔形式存在的多尺度分量图像经过一个模拟人眼感受野特性的“中央－周边”算子运算后，形成多尺度特征图；
C、将各类特征的多尺度特征图经过跨尺度组合和归一化形成相应的颜色、亮度和方向的分量显著图；
D、将3张不同特征的显著图线性融合为1张用来表征图像中各区域显著度的总显著图；
E、采用直方图阈值分割方法，最后获得任务水域图像中舰船目标所在区域。
优选的，所述步骤A中Gabor特征提取方式为：首先将图像转换为灰度图像，然后对灰度图像先“逐行”做小波变换，分解为低频L和高频H两个分量，在“逐列”做一维小波变换，分解为LL1、LH1、HL1和HH1四个分量，其中LL1包含图像的低频数据，LH1、LH1和HH1分别代表水平、垂直和对角线方向细节的高频数据，此为第一层小波变换；第二层小波分解是在前一层低频子图LL1上进行的，重复可得多层小波分解子图；第3层小波分解求得的LH3，HL3，HH3三个方向的高频分量进行线性叠加、插值得到图像的高频Gabor特征，LL3进行插值得到原图的低频Gabor特征。
优选的，所述步骤A中HSV特征提取方式为：将RGB图像的颜色值归一化到[0,1]，RGB到HSV的转换公式如下：
V＝max(R,G,B)
Figure BDA0002274722850000021
Figure BDA0002274722850000022
5.优选的，特征融合方式包括以下步骤：
a、构造任务水域视频图像的高频、低频、色调、饱和度和明度特征的Gauss金字塔，分别为PL(σ),PH(σ),H(σ),S(σ),V(σ),其中σ∈[0,8],表示Gauss金字塔级数，共8级；
b、对高频、低频、色调、饱和度和明度特征的Gauss金字塔进行“中央－周边”运算，求得各特征的多尺度特征图，以色调Gauss金字塔H(σ)为例，计算公式为
H(c,s)＝|H(c)ΘH(s)|，其中c为中心度；c∈{2,3,4}；s为边缘区域的尺度,s＝c+ζ；ζ∈{3，4}；Θ为一个跨尺度的差减算子，将粗尺度图像差值到细尺度上再逐个像素做减法.由于c和s之间有3×2＝6种组合，因此每个特征均可以求得6张多尺度特征图；
c、对高频、低频、色调、饱和度和明度的多尺度特征图进行归一化处理，首先计算特征图的全局最大值Mmax，将特征图归一化到[0，Mmax]区间内，计算特征图除Mmax之外的所有局部最大值的平均值
Figure BDA0002274722850000031
用
Figure BDA0002274722850000032
乘以特征图，最后对特征图进行插值、叠加运算，求得与原图像尺寸相同的各特征的分量显著图；
d、将高频、低频、色调、饱和度和明度特征的分量显著图进行叠加，并采用直方图阈值分割方法，最后获得任务水域图像中舰船目标所在区域。
与现有技术相比，本发明的有益效果是：本发明的目的是运用数字图像处理技术在任务水域图像中实时检测舰船位置，为物体目标识别、跟踪算法提供有效的目标区域，缩小搜索范围，降低算法的复杂度和运算量，以提高水面航行体对目标侦查预警的能力。能够准确地实现复杂背景条件下舰船目标检测，具有良好的可靠性和稳定性，有效地提高了水面航行体对舰船目标侦查、打击能力，为各武器平台对舰船目标检测提供了算法依据，具有重要的参考价值；方便海事部门对其进行重点监管和事故行为预警，大大减轻海事部门的工作强度。进一步促进沿江经济持续稳定发展，提高水上运输能力与安全，在提升海事部门工作效率的同时，切实保障船舶安全，健全水运安全风险防控体系。
附图说明
图1为本发明流程图；
图2为本发明中三层小波变换示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种基于图像识别的舰船检测方法，包括以下步骤：
A、提取图像的高频、低频Gabor特征和H、S、V颜色特征，建立多类特征的多分辨率金字塔表示；
B、将各类特征金字塔形式存在的多尺度分量图像经过一个模拟人眼感受野特性的“中央－周边”算子运算后，形成多尺度特征图；
C、将各类特征的多尺度特征图经过跨尺度组合和归一化形成相应的颜色、亮度和方向的分量显著图；
D、将3张不同特征的显著图线性融合为1张用来表征图像中各区域显著度的总显著图；
E、采用直方图阈值分割方法，最后获得任务水域图像中舰船目标所在区域。
本发明中，步骤A中Gabor特征提取方式为：首先将图像转换为灰度图像，然后对灰度图像先“逐行”做小波变换，分解为低频L和高频H两个分量，在“逐列”做一维小波变换，分解为LL1、LH1、HL1和HH1四个分量，其中LL1包含图像的低频数据，LH1、LH1和HH1分别代表水平、垂直和对角线方向细节的高频数据，此为第一层小波变换；第二层小波分解是在前一层低频子图LL1上进行的，重复可得多层小波分解子图；三层小波变换示意图如下图2所示，第3层小波分解求得的LH3，HL3，HH3三个方向的高频分量进行线性叠加、插值得到图像的高频Gabor特征，LL3进行插值得到原图的低频Gabor特征。
本发明中，步骤A中HSV特征提取方式为：将RGB图像的颜色值归一化到[0,1]，RGB到HSV的转换公式如下：
V＝max(R,G,B)
Figure BDA0002274722850000051
Figure BDA0002274722850000052
6.此外，本发明中，特征融合方式包括以下步骤：
a、构造任务水域视频图像的高频、低频、色调、饱和度和明度特征的Gauss金字塔，分别为PL(σ),PH(σ),H(σ),S(σ),V(σ),其中σ∈[0,8],表示Gauss金字塔级数，共8级；
b、对高频、低频、色调、饱和度和明度特征的Gauss金字塔进行“中央－周边”运算，求得各特征的多尺度特征图，以色调Gauss金字塔H(σ)为例，计算公式为H(c,s)＝|H(c)ΘH(s)|，其中c为中心度；c∈{2,3,4}；s为边缘区域的尺度,s＝c+ζ；ζ∈{3，4}；Θ为一个跨尺度的差减算子，将粗尺度图像差值到细尺度上再逐个像素做减法.由于c和s之间有3×2＝6种组合，因此每个特征均可以求得6张多尺度特征图；
c、对高频、低频、色调、饱和度和明度的多尺度特征图进行归一化处理，首先计算特征图的全局最大值Mmax，将特征图归一化到[0，Mmax]区间内，计算特征图除Mmax之外的所有局部最大值的平均值
Figure BDA0002274722850000061
用
Figure BDA0002274722850000062
乘以特征图，最后对特征图进行插值、叠加运算，求得与原图像尺寸相同的各特征的分量显著图；
d、将高频、低频、色调、饱和度和明度特征的分量显著图进行叠加，并采用直方图阈值分割方法，最后获得任务水域图像中舰船目标所在区域。
综上所述，本发明的目的是运用数字图像处理技术在任务水域图像中实时检测舰船位置，为物体目标识别、跟踪算法提供有效的目标区域，缩小搜索范围，降低算法的复杂度和运算量，以提高水面航行体对目标侦查预警的能力。能够准确地实现复杂背景条件下舰船目标检测，具有良好的可靠性和稳定性，有效地提高了水面航行体对舰船目标侦查、打击能力，为各武器平台对舰船目标检测提供了算法依据，具有重要的参考价值；方便海事部门对其进行重点监管和事故行为预警，大大减轻海事部门的工作强度。进一步促进沿江经济持续稳定发展，提高水上运输能力与安全，在提升海事部门工作效率的同时，切实保障船舶安全，健全水运安全风险防控体系。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于图像识别的舰船检测方法，其特征在于：包括以下步骤：
A、提取图像的高频、低频Gabor特征和H、S、V颜色特征，建立多类特征的多分辨率金字塔表示；
B、将各类特征金字塔形式存在的多尺度分量图像经过一个模拟人眼感受野特性的“中央－周边”算子运算后，形成多尺度特征图；
C、将各类特征的多尺度特征图经过跨尺度组合和归一化形成相应的颜色、亮度和方向的分量显著图；
D、将3张不同特征的显著图线性融合为1张用来表征图像中各区域显著度的总显著图；
E、采用直方图阈值分割方法，最后获得任务水域图像中舰船目标所在区域。
2.根据权利要求1所述的一种基于图像识别的舰船检测方法，其特征在于：所述步骤A中Gabor特征提取方式为：首先将图像转换为灰度图像，然后对灰度图像先“逐行”做小波变换，分解为低频L和高频H两个分量，在“逐列”做一维小波变换，分解为LL1、LH1、HL1和HH1四个分量，其中LL1包含图像的低频数据，LH1、LH1和HH1分别代表水平、垂直和对角线方向细节的高频数据，此为第一层小波变换；第二层小波分解是在前一层低频子图LL1上进行的，重复可得多层小波分解子图；第3层小波分解求得的LH3，HL3，HH3三个方向的高频分量进行线性叠加、插值得到图像的高频Gabor特征，LL3进行插值得到原图的低频Gabor特征。
3.根据权利要求1所述的一种基于图像识别的舰船检测方法，其特征在于：所述步骤A中HSV特征提取方式为：将RGB图像的颜色值归一化到[0,1]，RGB到HSV的转换公式如下：
V＝max(R,G,B)
Figure FDA0002274722840000021
Figure FDA0002274722840000022
4.根据权利要求1所述的一种基于图像识别的舰船检测方法，其特征在于：特征融合方式包括以下步骤：
a、构造任务水域视频图像的高频、低频、色调、饱和度和明度特征的Gauss金字塔，分别为PL(σ),PH(σ),H(σ),S(σ),V(σ),其中σ∈[0,8],表示Gauss金字塔级数，共8级；
b、对高频、低频、色调、饱和度和明度特征的Gauss金字塔进行“中央－周边”运算，求得各特征的多尺度特征图，以色调Gauss金字塔H(σ)为例，计算公式为
H(c,s)＝|H(c)ΘH(s)|，其中c为中心度；c∈{2,3,4}；s为边缘区域的尺度,s＝c+ζ；ζ∈{3，4}；Θ为一个跨尺度的差减算子，将粗尺度图像差值到细尺度上再逐个像素做减法.由于c和s之间有3×2＝6种组合，因此每个特征均可以求得6张多尺度特征图；
c、对高频、低频、色调、饱和度和明度的多尺度特征图进行归一化处理，首先计算特征图的全局最大值Mmax，将特征图归一化到[0，Mmax]区间内，计算特征图除Mmax之外的所有局部最大值的平均值
Figure FDA0002274722840000023
用
Figure FDA0002274722840000024
乘以特征图，最后对特征图进行插值、叠加运算，求得与原图像尺寸相同的各特征的分量显著图；
d、将高频、低频、色调、饱和度和明度特征的分量显著图进行叠加，并采用直方图阈值分割方法，最后获得任务水域图像中舰船目标所在区域。
CN201911118442.5A 2019-11-15 2019-11-15 一种基于图像识别的舰船检测方法 Pending CN110874599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911118442.5A CN110874599A (zh) 2019-11-15 2019-11-15 一种基于图像识别的舰船检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911118442.5A CN110874599A (zh) 2019-11-15 2019-11-15 一种基于图像识别的舰船检测方法

Publications (1)

Publication Number Publication Date
CN110874599A true CN110874599A (zh) 2020-03-10

Family

ID=69718081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911118442.5A Pending CN110874599A (zh) 2019-11-15 2019-11-15 一种基于图像识别的舰船检测方法

Country Status (1)

Country Link
CN (1) CN110874599A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937157A (zh) * 2022-07-26 2022-08-23 北京千尧新能源科技开发有限公司 一种海上风电运维船靠泊定位方法及系统
CN115578553A (zh) * 2022-11-22 2023-01-06 河南知微生物工程有限公司 一种基于时序图像序列的甲醛的快速检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方晶;冯顺山;冯源;: "水面航行体对舰船目标的图像检测方法" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937157A (zh) * 2022-07-26 2022-08-23 北京千尧新能源科技开发有限公司 一种海上风电运维船靠泊定位方法及系统
CN115578553A (zh) * 2022-11-22 2023-01-06 河南知微生物工程有限公司 一种基于时序图像序列的甲醛的快速检测方法

Similar Documents

Publication Publication Date Title
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
Cao et al. Ship recognition method combined with image segmentation and deep learning feature extraction in video surveillance
Li et al. Road lane detection with gabor filters
CN112215074A (zh) 基于无人机视觉的实时目标识别与检测追踪系统及方法
CN104200437A (zh) 一种图像去雾处理方法
CN110458160A (zh) 一种基于深度压缩神经网络的无人艇水面目标识别算法
CN104574324A (zh) 一种对地建筑群遥感图像频谱特性约束的去噪方法
CN111881725A (zh) 一种融合空频域特征的光学遥感图像船舶目标检测方法
CN105741276A (zh) 一种船舶水线提取方法
CN109993744B (zh) 一种海上逆光环境下的红外目标检测方法
CN110874599A (zh) 一种基于图像识别的舰船检测方法
Hsieh et al. Fast and robust infrared image small target detection based on the convolution of layered gradient kernel
CN111311503A (zh) 一种夜晚低亮度图像增强系统
Yaohua et al. A SAR oil spill image recognition method based on densenet convolutional neural network
CN108921147A (zh) 一种基于动态纹理和变换域时空特征的黑烟车识别方法
Yang et al. Sea-sky-line Detection Based on Improved YOLOv5 Algorithm
CN111476233A (zh) 一种车牌号码的定位方法和装置
Shi et al. Ship targets detection based on visual attention
CN114219996A (zh) 一种sar图像停泊舰船目标检测方法
Li et al. [Retracted] The Key Technologies of Marine Multiobjective Ship Monitoring and Tracking Based on Computer Vision
Bi et al. A survey of ship target feature extraction based on video surveillance
Shuaishuai et al. Research on License Plate Recognition Algorithm Based on OpenCV
Zhangyuan et al. Detection of infrared dim and small targets based on saliency and grayscale morphological reconstruction
Zhang et al. Lightweight in-harbor ship detection based on UAV aerial images

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: 20200310

RJ01 Rejection of invention patent application after publication