CN111368658A - 一种自主航行中智能船舶外部目标的自动检测方法及系统 - Google Patents
一种自主航行中智能船舶外部目标的自动检测方法及系统 Download PDFInfo
- Publication number
- CN111368658A CN111368658A CN202010111412.8A CN202010111412A CN111368658A CN 111368658 A CN111368658 A CN 111368658A CN 202010111412 A CN202010111412 A CN 202010111412A CN 111368658 A CN111368658 A CN 111368658A
- Authority
- CN
- China
- Prior art keywords
- features
- classification
- ship
- obstacle
- target
- 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
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自主航行中智能船舶外部目标的自动检测方法及系统,所述方法包括:采集智能船舶周边的外部图像;提取外部图像的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;将一级分类特征和二级分类特征输入预先训练好的障碍物目标检测模型,实现智能船舶周边的障碍物检测。本发明的方法基于图像提取特征进行障碍物以及周边船舶的检测,并对周边船舶进行定位,误差率低于10%。
Description
技术领域
本发明涉及自主航行领域,具体涉及一种自主航行中智能船舶外部目标的自动检测方法及系统。
背景技术
无人船的发展已是当今航运领域发展的必然趋势。随着大数据、人工智能、传感器、物联网等新型技术的迅速发展,无人船已进入高速发展阶段,作为无人船的主要关键技术之一,自主航行功能的实现对于无人船则是重中之重。
在无人船的自主航行中,对周围是否存在其它船只或障碍物的检测非常关键,能够有效指导船只航线的规划和驾驶行为的决策。但是目前还未有有效的检测手段。
发明内容
本发明的目的在于克服上述技术缺陷,提出了一种自主航行中智能船舶外部目标的自动检测方法,该方法能够根据图像获取有效的信息,例如船航行时周围的障碍物、船只以及船的自身位置等。
为实现上述目的,本发明提出了一种自主航行中智能船舶外部目标的自动检测方法,所述方法包括:
采集智能船舶周边的外部图像;
提取外部图像的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
将一级分类特征和二级分类特征输入预先训练好的障碍物目标检测模型,实现智能船舶周边的障碍物检测。
作为上述方法的一种改进,所述障碍物目标检测模型采用Faster R-CNN,该模型使用感兴趣区域池化层,用以提取特征层上各个候选框的固定维度的特征表示;使用SoftMax非线性分类器,以多任务学习的方式同时进行分类和回归;通过构建区域建议网络提取候选框,采用区域提名、分类、回归操作一起共用的卷积特征。
作为上述方法的一种改进,所述方法还包括:对所述障碍物目标检测模型进行训练的步骤,具体包括:
建立训练样本集;所述训练样本集包括若干张带有标签的智能船舶周边的外部图片;
提取所有图片的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
以一级分类特征和二级分类特征为模型的输入,以该图片的标签为预期的输出,对模型进行训练。
作为上述方法的一种改进,所述方法还包括:当检测到障碍物目标为船舶时,采用双目摄像机对该船舶进行定位。
作为上述方法的一种改进,所述方法还包括:当检测到障碍物目标为船舶时,采用单目摄像机,结合视觉反馈出的障碍物的方向,通过雷达数据中获取智能船舶与障碍物的距离,实现周边船舶定位。
本发明还提供了一种自主航行中智能船舶外部目标的自动检测系统,所述系统包括:船只障碍物检测模型、特征提取模块和检测模块
所述特征提取模块,用于采集智能船舶周边的外部图像;提取外部图像的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
所述检测模块,用于将一级分类特征和二级分类特征输入预先训练好的目标检测模型,实现智能船舶周边的障碍物检测。
作为上述系统的一种改进,所述障碍物目标检测模型采用Faster R-CNN,该模型使用感兴趣区域池化层,用以提取特征层上各个候选框的固定维度的特征表示;使用SoftMax非线性分类器,以多任务学习的方式同时进行分类和回归;通过构建区域建议网络提取候选框,采用区域提名、分类、回归操作一起共用的卷积特征。
作为上述系统的一种改进,所述障碍物目标检测模型的训练,具体包括:
建立训练样本集;所述训练样本集包括若干张带有标签的图片;
提取所有图片的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
以一级分类特征和二级分类特征为模型的输入,以该图片的标签为预期的输出,对模型进行训练。
作为上述系统的一种改进,所述系统还包括双目摄像机,用于当检测到障碍物目标为船舶时,采用双目摄像机对该船舶进行定位。
作为上述系统的一种改进,所述系统还包括单目摄像机,用于当检测到障碍物目标为船舶时,结合视觉反馈出的障碍物的方向,通过雷达数据中获取智能船舶与障碍物的距离,实现周边船舶定位。
本发明的优势在于:
本发明的方法基于图像提取特征进行障碍物以及周边船只的检测,并对船只自身进行定位,误差率低于10%。
附图说明
图1为双目定位的示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细的说明。
本发明提出了一种一种自主航行中智能船舶外部目标的自动检测方法,能够实现根据图像信息的船只以及障碍物检测,包括:
1、障碍物船只检测
1.1传统的基于特征提取的视觉方法
首先,使用传统的基于图像。在传统的方法中,颜色、纹理和形状是外界物体的基本特征,目标识别就是描述和分析物体的独特性,借助颜色、纹理、边缘、形状等属性来表示物体的独特性。图像的特征是可以代表图像本质的一些属性,图像的特征提取目的是明确给出某一图像区别于其他图像的数学描述性特征。视觉图像目标识别中,经常要求对不同的目标物体完成识别分类,而分类的前提是提取不同目标所具有的不同特征。常用的图像特征提取方法可以分为三类:点特征提取、线特征提取和面特征提取。在此应用中,我们可以通过提取水面图像目标各种不变量,实现对水面目标的智能分类识别。
在进行颜色特征处理过程中,为了能正确的表示和使用颜色特征,需要建立颜色模型。颜色模型是三维颜色空间中的一个可见光子集,它能表示图像区域内的全部颜色。比较常用的模型有RGB和HSV两种颜色模型。纹理一般可以分为自然纹理和人工纹理。在自然界中存在着无数具有各种各样的纹理的场景,如礁石、岛屿、海上钻井平台和船舶等。纹理特征分析方法主要有结构分析方法、模型化方法、统计分析方法以及频谱分析方法。形状是由二值图像表示的目标范围,可以反映出物体边缘的内在属性,形状特征展现的一个关键特性就是能够在目标物体发生位移、旋转和缩放变化时保持稳定。
实验中可以采用首先从颜色特征、纹理特征和形状特征详细地分析图像目标的一级和二级分类特征,一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征。
提取出图像的特征后,可以使用自组织神经网络的学习矢量量化网络(LearningVector Quantization LVQ)。将提取出的图像特征作为训练数据输入网络进行训练。
1.2基于深度学习的目标检测的方法
由于无需进行人工的特征设计、良好的特征表达能力及优良的检测精度,目前,基于深度学习的目标检测算法已经超越传统检测方法,成为当前目标检测算法的主流。
基于深度学习的目标检测中的其中一种高效率的方法是区域提名方法,即针对图像中目标物体位置,预先提出候选区域的方法。主流的基于区域提名的目标检测算法主要包括:R-CNN,Fast R-CNN,Faster R-CNN等。
R-CNN:突破了传统的目标检测算法的思想,为深度学习在目标检测领域的首次成功突破。该算法主要包括区域提名、归一化处理、特征提取、分类及回归等步骤。首先,使用选择性搜索算法从原始图片中区域提取适量候选区域。然后,将候选区域进行尺度归一化,并通过预训练的CNN网络提取候选区域的目标特征表达,特征层之后是全连接层,并使用SVM作为分类器。R-CNN算法在目标检测精度上相较传统方法有了质的提升,但是也存在不少缺点。如候选框数量众多导致运算量庞大,效率低、占用硬盘空间大、SVM模型仍然有待优化等。
Fast-RCNN:在R-CNN的基础上,采用自适应尺度池化对整个网络进行优化,从而规避了R-CNN中冗余的特征提取操作,提高了网络识别的准确率。此外,使用感兴趣区域池化层,用以提取特征层上各个候选框的固定维度的特征表示;同时,使用SoftMax非线性分类器,以多任务学习的方式同时进行分类和回归。由于Fast R-CNN无需存储训练和测试过程产生的中间值,因此其速度相较于R-CNN大为提升。
Faster R-CNN:Faster R-CNN通过构建区域建议网络(Region ProposalNetwork,RPN)提取候选框,取代时间开销大的选择性搜索方法,区域提名、分类、回归等操作一起共用卷积特征,进一步提升了速度。
2、船只视觉定位
船只的视觉定位可以基于硬件定位和算法定位。当使用具有定位功能的硬件设施时,例如双目摄像机,即可方便的根据双目成像原理来进行对目标位置的判定。当船只相对于海岸,或者大桥等进行对其他物体定位时,可以通过相对位置推算出自己的位置。当在海上航行时,重要的是船只与障碍物之间的相对位置,通过带有距离测量的摄像装置可以测量出来。如图1所示。
当使用的是单目相机时,通过视觉可以进行辅助的定位,例如可以通过视觉反馈出的障碍物的方向,在雷达的数据中检测相近位置处的物体距离,这样就可以以更高的准确度定位物体。
3、频域、小波域特征提取
数字图像处理方法的重要性源于两个主要的应用领域:改善图示信息以便人们解释;为存储、传输和表示而对图像数据进行处理,以便于机器自动理解。
一幅数字图像可定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标,而在任何一对空间坐标(x,y)出的幅值f称为图像在该点处的灰度或强度。
当x,y和灰度值f是有限的离散值时,称该图像为数字图像。数字图像处理是指借助于数字计算机来处理数字图像。注意,数字图像是由有限数量的元素组成的,每个元素都有一个特定的位置和幅值,这些元素称为图画元素、图像元素或像素,像素是广泛用于表示数字图像的术语。
数字图像处理的应用领域多种多样。数字图像处理应用范围的一种最简单的方法是根据信息源来分类。在现在的应用中,最主要的图像能源是电磁能谱,其他主要图像能源包括声波、超声波和电子(以用于电子显微镜中的电子束形式)。用于建模和可视化的合成图像由计算机产生。以电磁波谱辐射为基础的图像有一下几种:伽马射线成像、X射线成像、紫外波段成像、可见光及红外波段成像、微波波段成像、图像处理分为空间域和频域、空间域处理方法主要是灰度变换和空间滤波、频域处理方法主要是频率域滤波。
图像的频率是表征图像中灰度变化剧烈程度的指标,是灰度在平面空间上的梯度。如:大面积的沙漠在图像中是一片灰度变化缓慢的区域,对应的频率值很低;而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域,对应的频率值较高。
对图像而言,图像的边缘部分是突变部分,变化较快,因此反应在频域上是高频分量;图像的噪声大部分情况下是高频部分;图像平缓变化部分则为低频分量。
也就是说,傅立叶变换提供另外一个角度来观察图像,可以将图像从灰度分布转化到频率分布上来观察图像的特征。
不同频率信息在图像结构中有不同的作用。图像的主要成分是低频信息,它形成了图像的基本灰度等级,对图像结构的决定作用较小;中频信息决定了图像的基本结构,形成了图像的主要边缘结构;高频信息形成了图像的边缘和细节,是在中频信息上对图像内容的进一步强化。
图像进行二维傅立叶变换得到频谱图,就是图像梯度的分布图,当然频谱图上的各点与图像上各点并不存在一一对应的关系,即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点,实际是上图像上某一点与邻域点差异的强弱,即梯度的大小,也即该点的频率的大小。
小波指的是一种能量在时域非常集中的波,它的能量有限,都集中在某一点附近,而且积分的值为零,这说明它与傅里叶波一样是正交波。在小波变换中,能量集中在x轴0值附近,以y轴的0值为基线,上下两个区域的波形面积相等。
图像的傅里叶变换是将图像信号分解为各种不同频率的正弦波。同样,小波变换是将图像信号分解为由原始小波位移和缩放之后的一组小波。
小波在图像处理里被称为图像显微镜,原因在于它的多分辨率分解能力可以将图片信息一层一层分解剥离开来。剥离的手段就是通过低通和高通滤波器。
4、监督、半监督学习
监督学习在上述的算法的过程中已经使用,本发明使用带有label的图片数据进行船只障碍物检测的模型的训练,这些有label的数据可以标注出障碍物和船只的信息,根据这些数据训练出合适的模型用于后续的识别过程。
半监督学习(Semi-Supervised Learning,SSL)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,将会要求尽量少的人员来从事工作,同时,又能够带来比较高的准确性,因此,半监督学习目前正越来越受到人们的重视。半监督学习方法中使用较多的是直推学习(Transductivelearning),没有标记的数据是测试数据,这个时候可以用test的数据进行训练。这里需要注意,这里只是用test数据中的feature而没有用label。通过半监督学习可以使用更大量的数据进行学习,这在有标签样本数据不足的情况下是一种好的学习方法。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种自主航行中智能船舶外部目标的自动检测方法,所述方法包括:
采集智能船舶周边的外部图像;
提取外部图像的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
将一级分类特征和二级分类特征输入预先训练好的障碍物目标检测模型,实现智能船舶周边的障碍物检测。
2.根据权利要求1所述的自主航行中智能船舶外部目标的自动检测方法,其特征在于,所述障碍物目标检测模型采用Faster R-CNN,该模型使用感兴趣区域池化层,用以提取特征层上各个候选框的固定维度的特征表示;使用SoftMax非线性分类器,以多任务学习的方式同时进行分类和回归;通过构建区域建议网络提取候选框,采用区域提名、分类、回归操作一起共用的卷积特征。
3.根据权利要求2所述的自主航行中智能船舶外部目标的自动检测方法,其特征在于,所述方法还包括:对所述障碍物目标检测模型进行训练的步骤,具体包括:
建立训练样本集;所述训练样本集包括若干张带有标签的智能船舶周边的外部图片;
提取所有图片的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
以一级分类特征和二级分类特征为模型的输入,以该图片的标签为预期的输出,对模型进行训练。
4.根据权利要求1所述的自主航行中智能船舶外部目标的自动检测方法,其特征在于,所述方法还包括:当检测到障碍物目标为船舶时,采用双目摄像机对该船舶进行定位。
5.根据权利要求1所述的自主航行中智能船舶外部目标的自动检测方法,其特征在于,所述方法还包括:当检测到障碍物目标为船舶时,采用单目摄像机,结合视觉反馈出的障碍物的方向,通过雷达数据中获取智能船舶与障碍物的距离,实现周边船舶定位。
6.一种自主航行中智能船舶外部目标的自动检测系统,其特征在于,所述系统包括:船只障碍物检测模型、特征提取模块和检测模块
所述特征提取模块,用于采集智能船舶周边的外部图像;提取外部图像的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
所述检测模块,用于将一级分类特征和二级分类特征输入预先训练好的目标检测模型,实现智能船舶周边的障碍物检测。
7.根据权利要求6所述的自主航行中智能船舶外部目标的自动检测系统,其特征在于,所述障碍物目标检测模型采用Faster R-CNN,该模型使用感兴趣区域池化层,用以提取特征层上各个候选框的固定维度的特征表示;使用SoftMax非线性分类器,以多任务学习的方式同时进行分类和回归;通过构建区域建议网络提取候选框,采用区域提名、分类、回归操作一起共用的卷积特征。
8.根据权利要求7所述的自主航行中智能船舶外部目标的自动检测系统,其特征在于,所述障碍物目标检测模型的训练,具体包括:
建立训练样本集;所述训练样本集包括若干张带有标签的图片;
提取所有图片的一级分类特征和二级分类特征,所述一级分类特征为代表性颜色特征和纹理特征,二级分类特征为几何特征、Hu不变矩特征和仿射不变矩特征组成的组合特征;
以一级分类特征和二级分类特征为模型的输入,以该图片的标签为预期的输出,对模型进行训练。
9.根据权利要求6所述的视觉特征定位目标感知系统,其特征在于,所述系统还包括双目摄像机,用于当检测到障碍物目标为船舶时,采用双目摄像机对该船舶进行定位。
10.根据权利要求6所述的视觉特征定位目标感知系统,其特征在于,所述系统还包括单目摄像机,用于当检测到障碍物目标为船舶时,结合视觉反馈出的障碍物的方向,通过雷达数据中获取智能船舶与障碍物的距离,实现周边船舶定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111412.8A CN111368658B (zh) | 2020-02-24 | 2020-02-24 | 一种自主航行中智能船舶外部目标的自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111412.8A CN111368658B (zh) | 2020-02-24 | 2020-02-24 | 一种自主航行中智能船舶外部目标的自动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368658A true CN111368658A (zh) | 2020-07-03 |
CN111368658B CN111368658B (zh) | 2023-07-18 |
Family
ID=71210066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111412.8A Active CN111368658B (zh) | 2020-02-24 | 2020-02-24 | 一种自主航行中智能船舶外部目标的自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368658B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797832A (zh) * | 2020-07-14 | 2020-10-20 | 成都数之联科技有限公司 | 一种图像感兴趣区域自动生成方法及系统及图像处理方法 |
CN113763484A (zh) * | 2021-09-17 | 2021-12-07 | 交通运输部水运科学研究所 | 基于视频图像分析技术的船舶目标定位及速度估算方法 |
CN114296443A (zh) * | 2021-11-24 | 2022-04-08 | 贵州理工学院 | 一种无人驾驶模块化联合收割机 |
CN114863374A (zh) * | 2022-05-05 | 2022-08-05 | 交通运输部水运科学研究所 | 一种船牌无法完整识别情况下的船舶识别方法 |
CN115082694A (zh) * | 2022-05-17 | 2022-09-20 | 交通运输部水运科学研究所 | 基于扁长形锚点和线段扩充技术的船舶检测方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016048743A1 (en) * | 2014-09-22 | 2016-03-31 | Sikorsky Aircraft Corporation | Context-based autonomous perception |
CN106960446A (zh) * | 2017-04-01 | 2017-07-18 | 广东华中科技大学工业技术研究院 | 一种面向无人艇应用的水面目标检测跟踪一体化方法 |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
CN109919113A (zh) * | 2019-03-12 | 2019-06-21 | 北京天合睿创科技有限公司 | 船舶监测方法和系统以及港口运营预测方法和系统 |
CN109934088A (zh) * | 2019-01-10 | 2019-06-25 | 海南大学 | 基于深度学习的海面船只辨识方法 |
CN109993163A (zh) * | 2019-03-19 | 2019-07-09 | 苏州大学 | 一种基于人工智能的非标铭牌识别系统及其识别方法 |
-
2020
- 2020-02-24 CN CN202010111412.8A patent/CN111368658B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016048743A1 (en) * | 2014-09-22 | 2016-03-31 | Sikorsky Aircraft Corporation | Context-based autonomous perception |
CN106960446A (zh) * | 2017-04-01 | 2017-07-18 | 广东华中科技大学工业技术研究院 | 一种面向无人艇应用的水面目标检测跟踪一体化方法 |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
CN109934088A (zh) * | 2019-01-10 | 2019-06-25 | 海南大学 | 基于深度学习的海面船只辨识方法 |
CN109919113A (zh) * | 2019-03-12 | 2019-06-21 | 北京天合睿创科技有限公司 | 船舶监测方法和系统以及港口运营预测方法和系统 |
CN109993163A (zh) * | 2019-03-19 | 2019-07-09 | 苏州大学 | 一种基于人工智能的非标铭牌识别系统及其识别方法 |
Non-Patent Citations (2)
Title |
---|
张伊辉: "水面无人艇视觉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》, no. 6, pages 13 * |
汤丽丹: "基于图像的无人船目标检测研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797832A (zh) * | 2020-07-14 | 2020-10-20 | 成都数之联科技有限公司 | 一种图像感兴趣区域自动生成方法及系统及图像处理方法 |
CN111797832B (zh) * | 2020-07-14 | 2024-02-02 | 成都数之联科技股份有限公司 | 一种图像感兴趣区域自动生成方法及系统及图像处理方法 |
CN113763484A (zh) * | 2021-09-17 | 2021-12-07 | 交通运输部水运科学研究所 | 基于视频图像分析技术的船舶目标定位及速度估算方法 |
CN114296443A (zh) * | 2021-11-24 | 2022-04-08 | 贵州理工学院 | 一种无人驾驶模块化联合收割机 |
CN114296443B (zh) * | 2021-11-24 | 2023-09-12 | 贵州理工学院 | 一种无人驾驶模块化联合收割机 |
CN114863374A (zh) * | 2022-05-05 | 2022-08-05 | 交通运输部水运科学研究所 | 一种船牌无法完整识别情况下的船舶识别方法 |
CN115082694A (zh) * | 2022-05-17 | 2022-09-20 | 交通运输部水运科学研究所 | 基于扁长形锚点和线段扩充技术的船舶检测方法和装置 |
CN115082694B (zh) * | 2022-05-17 | 2024-03-05 | 交通运输部水运科学研究所 | 基于扁长形锚点和线段扩充技术的船舶检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111368658B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368658B (zh) | 一种自主航行中智能船舶外部目标的自动检测方法及系统 | |
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
Cao et al. | Ship recognition method combined with image segmentation and deep learning feature extraction in video surveillance | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
Li et al. | Zero shot objects classification method of side scan sonar image based on synthesis of pseudo samples | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN111310622A (zh) | 一种面向水下机器人智能作业的鱼群目标识别方法 | |
Shahab et al. | How salient is scene text? | |
Bai et al. | Feature based fuzzy inference system for segmentation of low-contrast infrared ship images | |
CN115661622A (zh) | 一种基于图像增强和改进YOLOv5的陨石坑检测方法 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
Xue et al. | Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Tang et al. | Sonar image mosaic based on a new feature matching method | |
Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
CN114863189B (zh) | 一种基于大数据的图像智能识别方法 | |
CN115393734A (zh) | 基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Xu et al. | Automatic recognition of palaeobios images under microscope based on machine learning | |
Picard et al. | Seafloor description in sonar images using the monogenic signal and the intrinsic dimensionality | |
CN116597313B (zh) | 一种基于改进YOLOv7的舰船光学图像尾迹检测方法 | |
CN111222470A (zh) | 基于多元高斯分布与PCANet的可见光遥感图像舰船检测方法 | |
CN116342653A (zh) | 一种基于相关滤波器的目标跟踪方法、系统、设备及介质 | |
Wang et al. | Sonar image detection based on multi-scale multi-column convolution neural networks |
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 |