CN111027445B - 一种海上船舶目标识别方法 - Google Patents
一种海上船舶目标识别方法 Download PDFInfo
- Publication number
- CN111027445B CN111027445B CN201911227628.4A CN201911227628A CN111027445B CN 111027445 B CN111027445 B CN 111027445B CN 201911227628 A CN201911227628 A CN 201911227628A CN 111027445 B CN111027445 B CN 111027445B
- Authority
- CN
- China
- Prior art keywords
- ship
- target identification
- training
- sample set
- accuracy
- 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.)
- Active
Links
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种海上船舶目标识别方法,该方法具体包括如下步骤:S1、构建船舶目标的样本集,样本集包括训练样本集及测试样本集;S2、基于改进后的SSD网络模型对船舶数据训练集进行训练,获取船舶目标识别模型,改进后的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项,降低第七层的特征敏感度;S3、基于船舶测试数据集对船舶目标识别模型进行测试,当船舶目标识别的准确率大于准确率阈值,则输出所述船舶目标识别模型,若船舶目标识别的准确率小于等于准确率阈值,则执行步骤S2。在SSD网络模型的第七层增加正则化,使得第七层权重矩阵的值减小,从而降低第七层的障碍物特征,从而达到提高船舶目标识别准确度及识别置信度。
Description
技术领域
本发明属于目标识别领域,涉及一种海上船舶目标识别方法。
背景技术
在无人艇海上航行时,难免会遇到一些障碍物,比如正在航行的船舶,以及在海上作业的船舶。为了在无人艇海上航行时的安全,进行海上障碍物的检测也是必不可少的。
现有研究中,常见的传统目标检测算法有:Sobel算子、Isotropic Sobel算子、Roberts算子和Prewitt算子等。但是传统的目标检测算法只能进行边缘和轮廓的提取,并不能完成目标的分类,因此也无法将其应用于船舶的检测。使用 SSD(Single shotmultibox detector)提取图像深层特征信息从而实现物体具体内容的识别已经在无人驾驶领取得诸多进展,但是对于船舶目标识别,现有的SSD 存在识别准确率低以及置信度低的缺陷。
发明内容
本发明提供一种海上船舶目标的识别方法,基于改进后的SSD算法进行船舶目标的识别,提高船舶目标的识别精度。
本发明是这样实现的,一种海上船舶目标的识别方法,该方法具体包括如下步骤:
S1、构建船舶目标的样本集,样本集包括训练样本集及测试样本集;
S2、基于改进后的SSD网络模型对船舶数据训练集进行训练,获取船舶目标识别模型,改进后的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项,降低第七层的特征敏感度;
S3、基于船舶测试数据集对船舶目标识别模型进行测试,当船舶目标识别的准确率大于准确率阈值,则输出所述船舶目标识别模型,若船舶目标识别的准确率小于等于准确率阈值,则执行步骤S2。
进一步的,L2正则是基于L2范数实现的,即:
其中,C为正则化项,C0表示正则化项的训练样本误差,n是训练样本个数,λ是正则项系数,ωi为神经网络中第i个神经元的权重。
进一步的,收集包含船舶目标的船舶图像,对船舶图像中的船舶目标及背景进行类别及位置的标注,形成训练样本,放入训练样本集中,将包含有船舶目标的船舶图像作为测试样本,放入测试样本集。
进一步的,在tensorflow框架下,通过在配置为英特尔Core i7-8750H处理器、主频为2.20GHz、显卡为GTX1050Ti、显存为4G的主机上运行JetBrains PyCharm CommunityEdition 2018.3.4x64软件通过加载预训练好的VGG16模型和船舶目标的练样本集,并采用卷积步长为8进行改进后的SSD网络模型训练,获得船舶目标识别模型。
本发明在SSD网络模型的第七层增加正则化,使得第七层权重矩阵的值减小,从而降低第七层的障碍物特征,从而达到提高船舶目标识别的准确度及识别置信度。
附图说明
图1为本发明实施例提供的海上船舶目标识别方法的流程图;
图2为本法发明实施例提供的改进后的SSD算法的整体框架图;
图3为本法发明实施例提供基于传统SSD算法的海上船舶图片,其中(a)、 (b)、(c)及(d)为四张不同的海上船舶图片及其识别置信度;
图4为本法发明实施例提基于供传统SSD与9种改进方法的海上船舶图片识别置信度对比图;
图5本法发明实施例提基于方法1与传统SSD的的海上船舶图片识别置信度对比图;
图6本法发明实施例提基于方法1对图3中的(a)、(b)、(c)及(d)海上船舶图片进行识别,获取的识别置信度。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明的具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
图1为本发明实施例提供的海上船舶目标识别方法的流程图,该方法具体包括如下步骤:
S1、构建船舶目标的样本集,样本集包括训练样本集及测试样本集;
在本发明实施例中,收集包含船舶目标的船舶图像,对船舶图像中的船舶目标及背景进行类别及位置的标注,形成训练样本,放入训练样本集中,训练样本集中包括了大量已经标注的船舶图像,将包含有由船舶目标的船舶图像作为测试样本,放入测试样本集。船舶目标是指位于船舶本体的航线上,船舶目标视为船舶本体在航线上的障碍物。
S2、基于改进后的SSD网络模型对船舶数据训练集进行训练,获取船舶目标识别模型,改进后的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项,降低第七层的特征敏感度,如图2所示;
具有较小权重矩阵的神经网络会简化模型,正则化的目的是给第七层增加一个惩罚项,使得第七层权重矩阵的值减小,从而降低第七层的特征。为了防止船舶目标识别模型对第七层的特征特别敏感,在神经网络的第七层加入L2正则化,从而使所有特征的表达能力趋于均衡,在测试样本集上运行时,即使某个特征上有异常突出的噪声,并不会影响船舶目标识别模型的输出的准确度。 L2正则化也叫权重衰减,因为它强制权重朝着0衰减(但不会为0),L2正则是基于L2范数实现的,即:
其中,C为正则化项,C0表示正则化项的训练样本误差,n是训练样本个数,λ是正则项系数,ωi为神经网络中第i个神经元的权重。
S3、基于船舶测试数据集对船舶目标识别模型进行测试,当船舶目标识别的准确率大于准确率阈值,则输出所述船舶目标识别模型,若船舶目标识别的准确率小于等于准确率阈值,则执行步骤S2。
在tensorflow框架下,通过在配置为英特尔Core i7-8750H处理器、主频为2.20GHz、显卡为GTX1050Ti、显存为4G的主机上运行JetBrains PyCharm CommunityEdition 2018.3.4x64软件通过加载预训练好的VGG16模型和船舶目标的练样本集,并采用卷积步长为8进行改进后的SSD网络模型训练,最后获得船舶目标识别模型。
具有较小权重矩阵的神经网络会简化模型,正则化的目的是给第七层增加一个惩罚项,在训练和识别船舶目标时,由于图像内存在其他障碍物的特征噪声,这些噪声进入神经元,就会影响图像的识别与训练,所以使用正则化,使得第七层权重矩阵的值减小,从而降低第七层的障碍物特征。如果对第八层以及后续的层进行正则化,会导致船舶特征的权重减小,从而影响训练以及识别效果。在SSD网络模型的第七层增加正则化,使得第七层权重矩阵的值减小,从而降低第七层的障碍物特征,从而达到提高船舶目标识别的准确度及识别置信度。
在本发明中,通过视觉系统获取4张图片,并使用传统SSD算法对图片中的船舶进行识别,识别结果如图3所示。对SSD网络模型的第7层进行正则化的方法命名为方法1,对SSD网络模型的第8层进行正则化的方法命名为方法2,对SSD网络模型的第9层进行正则化的方法命名为方法3,对SSD网络模型的第10层进行正则化方法命名为方法4,对SSD网络模型的第11层进行正则化的方法命名为方法5,对SSD网络模型的第7、8层进行正则化的方法命名为方法6,对SSD网络模型的第7、8、9层进行正则化的方法命名为方法7,对SSD 网络模型的第7、8、9、10层进行正则化的方法命名为方法8,对SSD网络模型的第7、8、9、10、11层进行正则化的方法命名为方法9,对传统SSD以及上述9种方法分别做数据集训练以及对比测试实验。设置的置信度IOU为0.5,当置信度高于0.5时,船舶目标才能被识别成功,为正样本,在折线图中显示置信度大于0。反之,则为负样本,置信度小于0。将实验得出10种方法对应的数据绘制成折线图,如图3所示。可知,除方法9外,其余方法均优于传统SSD 算法,所以引入新的评价指标。由于本文研究的分类问题属于二分类,所以引入准确率来评价改进模型。准确率的含义是被分对的样本数除以所有的样本数,准确率越高,分类器越好,准确率是一个很好很直观的评价指标。准确率的计算公式如式(2)所示:
其中:正类预测为正类数的个数为TP,负类预测为负类数的个数为TN,负类预测为正类数误报的个数为FP,正类预测为负类数漏报的个数为FN。本文将TP和TN归为正样本,FP和FN归为负样本。
传统SSD算法与9种改进方法的正负样本的信息如表1所示,表中总样本为138,通过公式计算得到相应的准确率,由表中数据可知,改进后的算法除方法9以外,准确率均高于传统SSD算法,改进的方法中准确率最高的方法为方法1、方法3和方法5。
表1改进9种方法与传统SSD的准确率
SSD对大物体的检测效果比较好,所以为了验证最优方法,通过对138个对象中58个大物体进行传统SSD与3种改进方法进行识别,获取对应的正负样本,并进行准确率的计算,通过对比准确率获得最优改进方法,具体信息如表2 所示:
表2最优3种方法与传统SSD的准确率
由表知,方法1的准确率为0.931,大于传统SSD以及方法3和方法5,所以方法1为最优方法。将方法1与传统SSD单独进行138个样本的识别对比,识别结果的折线图如图4所示。由图3可知,改进后的算法对船舶障碍物的识别置信度更高。对图1中四张船舶图片重新使用改进SSD算法进行识别,识别结果如图6所示,其中,图(a)的识别置信度达到了0.524,图(b)的识别置信度达到了0.676(>0.590),高于传统SSD,的识别置信度。当海水颜色与船舶颜色差别较大时,图片(c)和(d)的识别置信度分别达到了0.712和0.751,高于传统SSD 的识别置信度。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (4)
1.一种海上船舶目标识别方法,其特征在于,所述方法具体包括如下步骤:
S1、构建船舶目标的样本集,样本集包括训练样本集及测试样本集;
S2、基于改进后的SSD网络模型对船舶数据训练集进行训练,获取船舶目标识别模型,改进后的SSD网络模型是指在神经网络的第七层加入L2正则化惩罚项,降低第七层的特征敏感度;
S3、基于船舶测试数据集对船舶目标识别模型进行测试,当船舶目标识别的准确率大于准确率阈值,则输出所述船舶目标识别模型,若船舶目标识别的准确率小于等于准确率阈值,则执行步骤S2。
3.如权利要求1或2所述海上船舶目标识别方法,其特征在于,收集包含船舶目标的船舶图像,对船舶图像中的船舶目标及背景进行类别及位置的标注,形成训练样本,放入训练样本集中,将包含有船舶目标的船舶图像作为测试样本,放入测试样本集。
4.如权利要求1或2所述海上船舶目标识别方法,其特征在于,在tensorflow框架下,通过在配置为英特尔Core i7-8750H处理器、主频为2.20GHz、显卡为GTX1050Ti、显存为4G的主机上运行JetBrains PyCharm Community Edition 2018.3.4 x64软件通过加载预训练好的VGG16模型和船舶目标的练样本集,并采用卷积步长为8进行改进后的SSD网络模型训练,获得船舶目标识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227628.4A CN111027445B (zh) | 2019-12-04 | 2019-12-04 | 一种海上船舶目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227628.4A CN111027445B (zh) | 2019-12-04 | 2019-12-04 | 一种海上船舶目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027445A CN111027445A (zh) | 2020-04-17 |
CN111027445B true CN111027445B (zh) | 2023-04-07 |
Family
ID=70207873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227628.4A Active CN111027445B (zh) | 2019-12-04 | 2019-12-04 | 一种海上船舶目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027445B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070803A (zh) * | 2020-09-02 | 2020-12-11 | 安徽工程大学 | 一种基于ssd神经网络模型的无人船路径跟踪方法 |
CN112711995A (zh) * | 2020-12-22 | 2021-04-27 | 中南大学 | 一种基于图像的海上目标识别方法 |
CN112614599A (zh) * | 2020-12-24 | 2021-04-06 | 聊城职业技术学院 | 一种快速发现早期病羊的智能化方法和系统 |
CN113537033A (zh) * | 2021-07-12 | 2021-10-22 | 哈尔滨理工大学 | 一种基于深度学习的建筑垃圾遥感影像识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165585A (zh) * | 2018-06-15 | 2019-01-08 | 沈阳理工大学 | 一种改进的基于yolo v2的船舶目标检测方法 |
CN109492674B (zh) * | 2018-10-19 | 2020-11-03 | 北京京东尚科信息技术有限公司 | 用于目标检测的ssd框架的生成方法及装置 |
AU2018102037A4 (en) * | 2018-12-09 | 2019-01-17 | Ge, Jiahao Mr | A method of recognition of vehicle type based on deep learning |
-
2019
- 2019-12-04 CN CN201911227628.4A patent/CN111027445B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111027445A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027445B (zh) | 一种海上船舶目标识别方法 | |
CN107423690B (zh) | 一种人脸识别方法及装置 | |
CN113554089B (zh) | 一种图像分类对抗样本防御方法、系统及数据处理终端 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
Yoon et al. | LFIQ: Latent fingerprint image quality | |
CN111967480A (zh) | 基于权重共享的多尺度自注意力目标检测方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
Zhang et al. | Boundary-based image forgery detection by fast shallow cnn | |
US7643674B2 (en) | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
Yu et al. | Ship detection in optical satellite images using Haar-like features and periphery-cropped neural networks | |
CN116452966A (zh) | 一种水下图像的目标检测方法、装置、设备及存储介质 | |
Zhu et al. | YOLOv7-CSAW for maritime target detection | |
Du et al. | Semisupervised SAR ship detection network via scene characteristic learning | |
Pires et al. | An efficient cascaded model for ship segmentation in aerial images | |
Kathiravan et al. | Ship detection from satellite images using deep learning | |
CN116665095B (zh) | 一种运动舰船检测方法、系统、存储介质和电子设备 | |
Zhou et al. | A fusion algorithm of object detection and tracking for unmanned surface vehicles | |
CN117115436A (zh) | 舰船姿态检测方法、装置、电子设备及存储介质 | |
CN114255385B (zh) | 基于感知向量的光学遥感图像舰船检测方法及系统 | |
Shen et al. | Optical prior-based underwater object detection with active imaging | |
Yuankui et al. | Automatic target recognition of ISAR images based on Hausdorff distance | |
CN112070803A (zh) | 一种基于ssd神经网络模型的无人船路径跟踪方法 | |
Huang et al. | Ship detection based on YOLO algorithm for visible 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |