CN112395993A - 基于监控视频数据的遮挡船只检测方法、装置及电子设备 - Google Patents
基于监控视频数据的遮挡船只检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112395993A CN112395993A CN202011299636.2A CN202011299636A CN112395993A CN 112395993 A CN112395993 A CN 112395993A CN 202011299636 A CN202011299636 A CN 202011299636A CN 112395993 A CN112395993 A CN 112395993A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- detection
- preprocessed image
- data set
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于监控视频数据的遮挡船只检测方法、装置及电子设备,具体涉及图像识别领域。其方法包括:获取监控视频数据中的船只图像数据;基于船只图像数据进行预处理得到预处理图像;将预处理图像按船只类型进行分类及标注,获得船只检测数据集;基于船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取;将提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果。通过对预处理图像进行分类标注得到船只检测数据集,再对船只检测数据集进行遮挡船只检测以输出遮挡船只检测结果,从而实现了对遮挡船只进行检测的同时能够准确检测出船只及对应船只类型。
Description
技术领域
本发明涉及图像识别领域,具体涉及基于监控视频数据的遮挡船只检测方法、装置及电子设备。
背景技术
随着智能检测技术的发展,关于运动目标的检测与检测技术多应用的范围越来广。例如:在进行海上船只检测时,由于海上船只航道较宽,海上船只的类型复杂,容易产生不同类型的船只在航道行驶时存在船只遮挡问题,而对于现有的检测方法来说,仅能对单一船只进行检测,而对于被遮挡的船只,现有的船只检测方法的检测率较低,若两艘相近类型的船只相互遮挡时,船只检测方法也仅能检测出一艘船只,或是产生漏检或是检测不出船只的现象,因此,如何解决现有遮挡船只检测方法不能准确检测到船只及对应船只类型是亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于监控视频数据的遮挡船只检测方法、装置及电子设备,以解决解决现有遮挡船只检测方法不能准确检测到船只及对应船只类型的问题。
根据第一方面,本发明实施例提供了一种基于监控视频数据的遮挡船只检测方法,包括:
获取监控视频数据中的船只图像数据;基于所述船只图像数据进行预处理得到预处理图像;将所述预处理图像按船只类型进行分类及标注,获得船只检测数据集;基于所述船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取;将所述提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果。
本发明内容提供的基于监控视频数据的遮挡船只检测方法,获取船只图像数据,将船只图像数据进行预处理得到预处理图像,在将预处理图像进行分类标注得到船只检测数据集,最后对船只检测数据进行特征提取,最后将所提取的船只特征进行训练输出遮挡船只检测结果,通过对预处理图像进行分类标注得到船只检测数据集,再对船只检测数据集进行遮挡船只检测以输出遮挡船只检测结果,从而实现了对遮挡船只进行检测的同时能够准确检测出船只及对应船只类型。
结合第一方面,在第一方面第一实施方式中,基于所述船只图像数据进行预处理得到预处理图像,包括:基于所述船只图像数据进行船只图片筛选,保留所述船只图片中船只画面清晰及满足船只遮挡范围在预设范围内的船只图片。
结合第一方面,在第一方面第二实施方式中,将所述预处理图像按船只类型进行分类及标注,获得船只检测数据集,包括:获取预处理图像,将所述预处理图像送入分类检测模型中进行所述预处理图像的船只类型检测,输出带有船只类型标记的预处理图像;基于所述带有船只类型标记的预处理图像,使用标注工具对所述带有船只类型标记的预处理图像进行边界框标记,得到被标记的船只检测数据;分别采集所述被标记的船只检测数据和所述带有船只类型标记的预处理图像,生成被标记的船只检测数据集和船只类型标记的预处理图像集,其中所述被标记的船只检测数据集和船只类型标记的预处理图像集为船只检测数据集。
结合第一方面,在第一方面第三实施方式中,基于所述船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取,包括:基于所述至少一个卷积神经网络及所述船只检测数据集;将所述至少一个卷积神经网络进行级联,并将所述船只检测数据集送入级联后的卷积神经网络输出遮挡船只图像特征。
结合第一方面,在第一方面第四实施方式中,将所述提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果,包括:基于船只图像特征计算遮挡船只图像特征的权重;对所述遮挡船只图像特征的权重进行反向传播修正实际遮挡船只图像特征权重;并根据所述实际遮挡船只图像特征权重迭代训练所述船只检测数据集并输出船只检测数据集中遮挡船只图片。
根据第二方面,本发明实施例提供了一种基于监控视频数据的遮挡船只检测装置,包括:
获取模块,用于获取监控视频数据中的船只图像数据;预处理模块,用于基于所述船只图像数据进行预处理得到预处理图像;分类模块,用于将所述预处理图像按船只类型进行分类及标注,获得船只检测数据集;特征提取模块,用于基于所述船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取;输出模块,用于将所述提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果。
本发明内容提供的基于监控视频数据的遮挡船只检测装置,利用获取模块获取船只图像数据,将获取到的船只图像数据发送给预处理模块,经过预处理模块进行处理得到预处理图像,将预处理图像发送给分类模块,对预处理图像进行处理收集,得到船只检测数据集,将船只检测数据集中图片数据送入特征提取模块进行特征提取,之后将所提取的特征数据送入输出模块,输出遮挡船只检测结果。从而实现了对遮挡船只进行检测的同时能够准确检测出船只及对应船只类型。并且利用特征提取还能有效减少漏检以及防止船只误检测,进一步提高了遮挡船只的检测效率。
结合第二方面,在第二方面第一实施方式中,预处理模块,包括:筛选模块,用于基于所述船只图像数据进行船只图片筛选,保留所述船只图片中船只画面清晰及满足船只遮挡范围在预设范围内的船只图片。
结合第二方面,在第二方面第二实施方式中,分类模块,包括:
类型检测模块,用于获取预处理图像,将所述预处理图像送入分类检测模型中进行所述预处理图像的船只类型检测,输出带有船只类型标记的预处理图像;标记模块,用于基于所述带有船只类型标记的预处理图像,使用标注工具对所述带有船只类型标记的预处理图像进行边界框标记,得到被标记的船只检测数据;数据集生成模块,用于分别采集所述被标记的船只检测数据和所述带有船只类型标记的预处理图像,生成被标记的船只检测数据集和船只类型标记的预处理图像集,其中所述被标记的船只检测数据集和船只类型标记的预处理图像集为船只检测数据集。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的基于监控视频数据的遮挡船只检测方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于监控视频数据的遮挡船只检测方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1为根据本发明实施例提供的一种基于监控视频数据的遮挡船只检测方法的流程图;
图2为根据本发明实施例提供的一种基于监控视频数据的遮挡船只检测方法中S12的流程图;
图3为根据本发明实施例提供的一种基于监控视频数据的遮挡船只检测装置的结构框图;
图4为根据本发明实施例提供的一种电子设备的结构示意图。
附图标记
10-获取模块;11-预处理模块;12-分类模块;13-特征提取模块;14-输出模块;21-存储器;22-处理器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作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。
本实施例公开了一种基于监控视频数据的遮挡船只检测方法,参见图1为根据本发明实施例提供的一种基于监控视频数据的遮挡船只检测方法的流程图,如图1所示,包括:
S10,获取监控视频数据中的船只图像数据。
在本实施例中,监控视频数据包括了横琴岛西南方向部署的多台监控摄像头的影像数据,其船只图像数据为自然图像,并且为了便于后续的迭代训练以及保证能够准确识别出遮挡船只,该船只图像数据中需要包括:根据需求搜集不同遮挡程度的横琴岛船只图片,并根据其遮挡情况进行船只特征总结,例如:大船局部被小船所遮挡。
S11,基于船只图像数据进行预处理得到预处理图像。
在本实施例中,预处理是为了保证后续能够对遮挡船只进行检测,因此需要对所获取的船只数据进行限制,其中,预处理的方式可以是对船只图像数据进行船只遮挡筛选得到的图像。
S12,将预处理图像按船只类型进行分类及标注,获得船只检测数据集。
在本实施例中,为了能够获得船只检测数据集,实现对遮挡船只进行检测和船只类型识别,以及能够获得准确的检测结果,需要获取预处理图像通过分类器以及人工标注的方法对预处理图像进行船只类型划分,并将划分完成的的预处理图像进存储,得到船只检测数据集。
S13,基于船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取。
在本实施例中,为了能够提高遮挡船只的检测效率,以及遮挡船只检测的准确性,通过设置多个卷积网络,将船只检测数据集中的数据送入卷积神经网络中进行遮挡船只特征的提取以便于快速、高效的获取到遮挡船只特征。
S14,将提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果。
在本实施例中,将获取的遮挡船只特征进行迭代训练输出迭代训练的遮挡船只特征,在利用其迭代训练的遮挡船只特征和船只检测数据集进遮挡船只检测,以得到准确的遮挡船只检测图片,以及标记有遮挡船只类型的遮挡船只图片。
在本实施例公开的基于监控视频数据的遮挡船只检测方法中,获取船只图像数据,将船只图像数据进行预处理得到预处理图像,在将预处理图像进行分类标注得到船只检测数据集,最后对船只检测数据进行特征提取,最后将所提取的船只特征进行训练输出遮挡船只检测结果,通过对预处理图像进行分类标注得到船只检测数据集,再对船只检测数据集进行遮挡船只检测以输出遮挡船只检测结果,从而实现了对遮挡船只进行检测的同时能够准确检测出船只及对应船只类型。
作为本申请可选的实施方式,步骤S11包括:基于所述船只图像数据进行船只图片筛选,保留所述船只图片中船只画面清晰及满足船只遮挡范围在预设范围内的船只图片。
在本实施例中,预处理图像中存储的船只图片可能存在不符合遮挡算法要求的图片数据,例如:不存在遮挡,或者图片质量太差,因此需要通过预处理即图片筛选获得图片较为清晰,遮挡程度不同的图片船只图片。其中,满足船只遮挡范围在预设范围内的船只图片可以是预先设置遮挡范围的百分比,根据其百分比判断输入的遮挡船只图像中的船只遮挡中是否处于预先设置遮挡范围的百分比,以确定出预处理图像。
如图2所示,作为本申请可选的实施方式,步骤S12包括:
S121,获取预处理图像,将所述预处理图像送入分类检测模型中进行所述预处理图像的船只类型检测,输出带有船只类型标记的预处理图像。
S122,基于所述带有船只类型标记的预处理图像,使用标注工具对所述带有船只类型标记的预处理图像进行边界框标记,得到被标记的船只检测数据。
S123,分别采集所述被标记的船只检测数据和所述带有船只类型标记的预处理图像,生成被标记的船只检测数据集和船只类型标记的预处理图像集,其中所述被标记的船只检测数据集和船只类型标记的预处理图像集为船只检测数据集。
在本实施例中,将预处理图像送入分类器中进行船只类型检测,其中也可以在使用分类器时,进行船只类型识别的深度学习。从而实现自动识别船只类型,以便于提高遮挡船只的检测效率。当获取到分类完成后的图像数据后,还需要对分类后的图像数据进行标记,从而为实现准确检测遮挡船只提供优质的船只样本数据。
具体的,对预处理图像进行标记可以是使用已有的标记工具,在预处理图像上进行标记,其标记内容可以是船只的边界框和类别,之后将标记好的数据图像进行保存,以得到船只检测数据集,其中船只检测数据集可以是特定格式进行保存,例如:pascal voc,其保存的文件可以分为两个文件夹,分别为:图片文件夹和标记文件夹。
作为本申请可选的实施方式,步骤S13包括:
基于所述至少一个卷积神经网络及所述船只检测数据集;将所述至少一个卷积神经网络进行级联,并将所述船只检测数据集送入级联后的卷积神经网络输出遮挡船只图像特征。在本实施例中,卷积神经网络中可以包括卷积与非线性激活两个部分,以保证能够获检测出所需要的船只图像特征。船只图像特征,可以是船只遮挡特征,根据其船只图像特征从而确定出图像中船只遮挡情况。可选的,在卷积神经网络级联之前,需要对每个卷积神经网络进行船只图像的特征的检测测试,以便调整卷积神经网络之间的输出,保证单个神经网络之间输出的一致性,将满足一致性的单个神经网络进行级联,并对船只检测数据集进行遮挡船只图像特征提取,以保证能够准确获得遮挡船只检测结果。
作为本申请可选的实施方式,步骤S14包括:
基于船只图像特征计算遮挡船只图像特征的权重;
对所述遮挡船只图像特征的权重进行反向传播修正实际遮挡船只图像特征权重;其中,反向传播可以是反向传播算法。
并根据所述实际遮挡船只图像特征权重迭代训练所述船只检测数据集并输出船只检测数据集中遮挡船只图片。
由于在计算遮挡船只图像特征的权重时会因为遮挡特征的问题导致所计算的权重值产生偏差,因此需要对图像特征的权重进行修正,得到正实际遮挡船只图像特征权重,优选的,也可以获取多组实际权重求取多组实际权重的平均值,以使便能更加精准的获取遮挡船只图片。
在本实施例中,可以是基于传统遮挡船只预测方法,获得预测遮挡船只位置,在将预测遮挡船只位置与实际遮挡船只位置进行类比得到遮挡船只图像特征的权重。并基于所获取的遮挡船只图像特征的权重将其带入船只检测算法中对船只图像进行迭代检测,从而获得船只检测数据集中遮挡船只图片。
另外,本发明实施例还公开了一种基于监控视频数据的遮挡船只检测装置,如图3所示,根据本发明实施例提供的一种基于监控视频数据的遮挡船只检测方法装置的结构框图,包括:
获取模块10,用于获取监控视频数据中的船只图像数据,详细内容参考步骤S10所述。
预处理模块11,用于基于所述船只图像数据进行预处理得到预处理图像,详细内容参考步骤S11所述。
分类模块12,用于将所述预处理图像按船只类型进行分类及标注,获得船只检测数据集,详细内容参考步骤S12所述。
特征提取模块13,用于基于所述船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取,详细内容参考步骤S13所述。
输出模块14,用于将所述提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果,详细内容参考步骤S14所述。
在本实施例中,利用获取模块获取船只图像数据,将获取到的船只图像数据发送给预处理模块,经过预处理模块进行处理得到预处理图像,将预处理图像发送给分类模块,对预处理图像进行处理收集,得到船只检测数据集,将船只检测数据集中图片数据送入特征提取模块进行特征提取,之后将所提取的特征数据送入输出模块,输出遮挡船只检测结果。从而实现了对遮挡船只进行检测的同时能够准确检测出船只及对应船只类型。并且利用特征提取还能有效减少漏检以及防止船只误检测,进一步提高了遮挡船只的检测效率。
作为本申请可选的实施方式,预处理模块可以包括:筛选模块,用于基于所述船只图像数据进行船只图片筛选,保留所述船只图片中船只画面清晰及满足船只遮挡范围在预设范围内的船只图片,详细内容参考步骤S111所述。
作为本申请可选的实施方式,分类模块可以包括:
类型检测模块,用于获取预处理图像,将所述预处理图像送入分类检测模型中进行所述预处理图像的船只类型检测,输出带有船只类型标记的预处理图像详细内容参考步骤S121所述。
标记模块,用于基于所述带有船只类型标记的预处理图像,使用标注工具对所述带有船只类型标记的预处理图像进行边界框标记,得到被标记的船只检测数据详细内容参考步骤S122所述。
数据集生成模块,用于分别采集所述被标记的船只检测数据和所述带有船只类型标记的预处理图像,生成被标记的船只检测数据集和船只类型标记的预处理图像集,其中所述被标记的船只检测数据集和船只类型标记的预处理图像集为船只检测数据集详细内容参考步骤S123所述。
本发明实施例还提供了一种电子设备,如图4所示,该电子设备可以包括处理器22和存储器21,其中处理器22和存储器21可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器22可以为中央处理器(Central Processing Unit,CPU)。处理器22还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器21作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的基于监控视频数据的遮挡船只检测方法对应的程序指令/模块(例如,图3所示的获取模块10、预处理模块11、分类模块12、特征提取模块13及输出模块14)。处理器22通过运行存储在存储器21中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于监控视频数据的遮挡船只检测方法。
存储器21可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器22所创建的数据等。此外,存储器21可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器21可选包括相对于处理器22远程设置的存储器,这些远程存储器可以通过网络连接至处理器22。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器21中,当被所述处理器22执行时,执行如图1-3所示实施例中的基于监控视频数据的遮挡船只检测方法。
上述电子设备具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于监控视频数据的遮挡船只检测方法,其特征在于,包括:
获取监控视频数据中的船只图像数据;
基于所述船只图像数据进行预处理得到预处理图像;
将所述预处理图像按船只类型进行分类及标注,获得船只检测数据集;
基于所述船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取;
将提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述船只图像数据进行预处理得到预处理图像,包括:
基于所述船只图像数据进行船只图片筛选,保留所述船只图片中船只画面清晰及满足船只遮挡范围在预设范围内的船只图片。
3.根据权利要求1所述的方法,其特征在于,所述将所述预处理图像按船只类型进行分类及标注,获得船只检测数据集,包括:
获取预处理图像,将所述预处理图像送入分类检测模型中进行所述预处理图像的船只类型检测,输出带有船只类型标记的预处理图像;
基于所述带有船只类型标记的预处理图像,使用标注工具对所述带有船只类型标记的预处理图像进行边界框标记,得到被标记的船只检测数据;
分别采集所述被标记的船只检测数据和所述带有船只类型标记的预处理图像,生成被标记的船只检测数据集和船只类型标记的预处理图像集,其中所述被标记的船只检测数据集和船只类型标记的预处理图像集为船只检测数据集。
4.根据权利要求1所述的方法,其特征在于,所述基于所述船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取,包括:
基于所述至少一个卷积神经网络及所述船只检测数据集;
将所述至少一个卷积神经网络进行级联,并将所述船只检测数据集送入级联后的卷积神经网络输出遮挡船只图像特征。
5.根据权利要求1所述的方法,其特征在于,所述将提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果,包括:
基于船只图像特征计算遮挡船只图像特征的权重;
对所述遮挡船只图像特征的权重进行反向传播修正实际遮挡船只图像特征权重;
并根据所述实际遮挡船只图像特征权重迭代训练所述船只检测数据集并输出船只检测数据集中遮挡船只图片。
6.一种基于监控视频数据的遮挡船只检测装置,其特征在于,包括:
获取模块,用于获取监控视频数据中的船只图像数据;
预处理模块,用于基于所述船只图像数据进行预处理得到预处理图像;
分类模块,用于将所述预处理图像按船只类型进行分类及标注,获得船只检测数据集;
特征提取模块,用于基于所述船只检测数据集,构建至少一个卷积神经网络进行遮挡船只特征提取;
输出模块,用于将提取的遮挡船只特征进行迭代训练,输出遮挡船只检测结果。
7.根据权利要求6所述的装置,其特征在于,所述预处理模块,包括:
筛选模块,用于基于所述船只图像数据进行船只图片筛选,保留所述船只图片中船只画面清晰及满足船只遮挡范围在预设范围内的船只图片。
8.根据权利要求6所述的装置,其特征在于,所述分类模块,包括:
类型检测模块,用于获取预处理图像,将所述预处理图像送入分类检测模型中进行所述预处理图像的船只类型检测,输出带有船只类型标记的预处理图像;
标记模块,用于基于所述带有船只类型标记的预处理图像,使用标注工具对所述带有船只类型标记的预处理图像进行边界框标记,得到被标记的船只检测数据;
数据集生成模块,用于分别采集所述被标记的船只检测数据和所述带有船只类型标记的预处理图像,生成被标记的船只检测数据集和船只类型标记的预处理图像集,其中所述被标记的船只检测数据集和船只类型标记的预处理图像集为船只检测数据集。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-5中任一项所述的基于监控视频数据的遮挡船只检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的基于监控视频数据的遮挡船只检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299636.2A CN112395993A (zh) | 2020-11-18 | 2020-11-18 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299636.2A CN112395993A (zh) | 2020-11-18 | 2020-11-18 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395993A true CN112395993A (zh) | 2021-02-23 |
Family
ID=74607487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299636.2A Pending CN112395993A (zh) | 2020-11-18 | 2020-11-18 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953746A (zh) * | 2023-03-13 | 2023-04-11 | 中国铁塔股份有限公司 | 一种船只监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN103514448A (zh) * | 2013-10-24 | 2014-01-15 | 北京国基科技股份有限公司 | 船形识别方法和系统 |
CN105718878A (zh) * | 2016-01-19 | 2016-06-29 | 华南理工大学 | 基于级联卷积神经网络的第一视角空中手写和空中交互方法 |
CN105912990A (zh) * | 2016-04-05 | 2016-08-31 | 深圳先进技术研究院 | 人脸检测的方法及装置 |
CN109584507A (zh) * | 2018-11-12 | 2019-04-05 | 深圳佑驾创新科技有限公司 | 驾驶行为监测方法、装置、系统、交通工具和存储介质 |
CN111523558A (zh) * | 2019-12-27 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
-
2020
- 2020-11-18 CN CN202011299636.2A patent/CN112395993A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN103514448A (zh) * | 2013-10-24 | 2014-01-15 | 北京国基科技股份有限公司 | 船形识别方法和系统 |
CN105718878A (zh) * | 2016-01-19 | 2016-06-29 | 华南理工大学 | 基于级联卷积神经网络的第一视角空中手写和空中交互方法 |
CN105912990A (zh) * | 2016-04-05 | 2016-08-31 | 深圳先进技术研究院 | 人脸检测的方法及装置 |
CN109584507A (zh) * | 2018-11-12 | 2019-04-05 | 深圳佑驾创新科技有限公司 | 驾驶行为监测方法、装置、系统、交通工具和存储介质 |
CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
CN111523558A (zh) * | 2019-12-27 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
傅鹏 等: "基于级联卷积神经网络的车牌定位", 《计算机技术与发展》 * |
王焜: "基于视频的运动船只识别与跟踪技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953746A (zh) * | 2023-03-13 | 2023-04-11 | 中国铁塔股份有限公司 | 一种船只监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022033150A1 (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN109241985B (zh) | 一种图像识别方法及装置 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
US8792682B2 (en) | Method and system for identifying a license plate | |
US8792722B2 (en) | Hand gesture detection | |
US20200175062A1 (en) | Image retrieval method and apparatus, and electronic device | |
US20160004935A1 (en) | Image processing apparatus and image processing method which learn dictionary | |
CN112492343A (zh) | 一种视频直播监控方法及相关装置 | |
CN112906463A (zh) | 基于图像的火情检测方法、装置、设备及存储介质 | |
EP4035070B1 (en) | Method and server for facilitating improved training of a supervised machine learning process | |
CN111639513A (zh) | 一种船只遮挡识别方法、装置及电子设备 | |
CN114897806A (zh) | 缺陷检测方法、电子设备及计算机可读存储介质 | |
CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
CN114445768A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN110969213A (zh) | 一种基于Faster RCNN的船只检测方法、装置及电子设备 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN114663726A (zh) | 目标类别检测模型的训练方法、目标检测方法及电子设备 | |
CN112395993A (zh) | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 | |
CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
CN115311680A (zh) | 人体图像质量检测方法、装置、电子设备及存储介质 | |
CN112949494A (zh) | 灭火器位置检测方法、装置、设备及存储介质 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
CN112861836B (zh) | 文本图像处理方法、文本及卡证图像质量评价方法和装置 | |
CN111612028A (zh) | 一种基于深度学习的船只特征优化方法、装置和电子设备 |
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: 20210223 |
|
RJ01 | Rejection of invention patent application after publication |