CN113139077B - 一种识别船舶身份的方法、装置、终端及存储介质 - Google Patents

一种识别船舶身份的方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN113139077B
CN113139077B CN202011214801.XA CN202011214801A CN113139077B CN 113139077 B CN113139077 B CN 113139077B CN 202011214801 A CN202011214801 A CN 202011214801A CN 113139077 B CN113139077 B CN 113139077B
Authority
CN
China
Prior art keywords
ship
identity information
image
feature
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.)
Active
Application number
CN202011214801.XA
Other languages
English (en)
Other versions
CN113139077A (zh
Inventor
程新红
王文涛
李宁鸟
韩雪云
杨润珊
张丽
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.)
Xi'an Tianhe Defense Technology Co ltd
Original Assignee
Xi'an Tianhe Defense 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 Xi'an Tianhe Defense Technology Co ltd filed Critical Xi'an Tianhe Defense Technology Co ltd
Priority to CN202011214801.XA priority Critical patent/CN113139077B/zh
Publication of CN113139077A publication Critical patent/CN113139077A/zh
Application granted granted Critical
Publication of CN113139077B publication Critical patent/CN113139077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于计算机技术领域，提供了一种识别船舶身份的方法、装置、终端及存储介质，包括：将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征；在船舶数据库中查找与所述船舶特征匹配的目标特征，并基于所述目标特征确定第一身份信息；对所述船舶图像进行身份识别处理，得到第二身份信息；基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息。上述方式，通过两方面验证船舶的身份信息，保证了监测得到的船舶身份信息的准确性，提高了识别船舶身份信息的效率，便于海上船舶的管理。

Description

一种识别船舶身份的方法、装置、终端及存储介质
技术领域
本申请属于计算机技术领域，尤其涉及一种识别船舶身份的方法、识别船舶身份的装置、识别船舶身份的终端及存储介质。
背景技术
我国拥有丰富的海洋资源，随着人们对海洋资源的进一步开发和利用，各类涉海、用海活动数量越来越多，规模越来越大，海上的各种安全事故、违法行为也越来越多，例如走私、非法移民、非法捕鱼等行为。因此，海上船舶的监测工作显得尤为重要。
现有的船舶监测方法是使用船舶自动识别系统(Automatic IdentificationSystem，AIS)进行船舶的身份识别，进而实现对船舶的监测管理。然而AIS系统中的数据信息容易被篡改，例如，AIS系统中的船舶的身份信息与实际该船舶的身份信息不相符，这会导致监测到的船舶的身份信息不准确，为海上船舶的管理带来不便。
发明内容
有鉴于此，本申请实施例提供了一种识别船舶身份的方法、识别船舶身份的装置、识别船舶身份的终端及存储介质，以解决现有的船舶的身份信息识别不准确，为海上船舶的管理带来不便的问题。
本申请实施例的第一方面提供了一种识别船舶身份的方法，包括：
将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征；
在船舶数据库中查找与所述船舶特征匹配的目标特征，并基于所述目标特征确定第一身份信息；所述第一身份信息用于唯一标识所述目标特征对应的船舶；
对所述船舶图像进行身份识别处理，得到第二身份信息；所述第二身份信息用于唯一标识所述船舶特征对应的船舶；
基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息。
本申请实施例，一方面终端通过已训练的特征提取模型提取船舶图像的船舶特征，在船舶数据库中查找与该船舶特征匹配的目标特征，基于该目标特征确定该目标特征对应的船舶的第一身份信息；另一方面，终端直接对该船舶图像进行身份识别处理，得到该船舶特征对应的船舶的第二身份信息；终端比较第一身份信息与第二身份信息是否相同，当第一身份信息与第二身份信息相同时，证明船舶数据库中存储的该船舶的身份信息与实际识别到的该船舶的身份信息相同，可将第一身份信息与第二身份信息任一信息作为该船舶特征对应的船舶的身份信息。通过两方面验证船舶的身份信息，保证了监测得到的船舶身份信息的准确性；即使船舶数据库中的船舶身份信息被篡改，也可以通过实际识别出来的船舶的身份信息确定该船舶最终的身份信息，且提高了识别船舶身份信息的效率，便于海上船舶的管理。
可选地，所述基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息，包括：
当检测到所述第一身份信息与所述第二身份信息相同时，将所述第一身份信息或所述第二身份信息标记为所述目标身份信息。
可选地，所述基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息，包括：
当检测到所述第一身份信息与所述第二身份信息不同时，获取所述目标特征对应的第一船舶类别；所述第一船舶类别用于标识所述目标特征对应的船舶所属的类别；
获取所述船舶特征对应的第二船舶类别；所述第二船舶类别用于标识所述船舶特征对应的船舶所属的类别；
当检测到所述第一船舶类别与所述第二船舶类别相同时，将所述第一身份信息标记为所述目标身份信息。
上述实现方式中，若检测到第一身份信息与第二身份信息不同时，可进一步检测船舶数据库中存储的目标特征对应的船舶所属的船舶类型，与终端直接识别船舶图像得到的船舶类型是否相同。当相同时，可将船舶数据库中存储的目标特征对应的船舶的第一身份信息作为目标身份信息。这样即使终端识别的第二身份信息有误，也可进一步确定出船舶的目标身份信息。
可选地，所述特征提取模型对所述船舶图像的处理包括：
对所述船舶图像进行预处理，得到目标图像；
对所述目标图像进行卷积和采样处理，得到所述船舶特征。
可选地，所述对所述船舶图像进行身份识别处理，得到第二身份信息，包括：
在所述船舶图像中确定文本区域；
对所述文本区域进行文字识别，得到所述第二身份信息。
可选地，所述将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征之前，所述方法还包括：
获取监控船舶得到的多个监控视频图像；
在所述多个监控视频图像中确定船舶图像域。
可选地，所述在所述多个监控视频图像中确定船舶图像，包括：
针对每个所述监控视频图像，当基于已训练的船舶分类模型检测到所述监控视频图像中包含船舶时，将所述监控视频图像标记为船舶图像。
本申请实施例的第二方面提供了一种识别船舶身份的装置，包括：
第一处理单元，用于将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征；
第一确定单元，用于在船舶数据库中查找与所述船舶特征匹配的目标特征，并基于所述目标特征确定第一身份信息；所述第一身份信息用于唯一标识所述目标特征对应的船舶；
第二处理单元，用于对所述船舶图像进行身份识别处理，得到第二身份信息；所述第二身份信息用于唯一标识所述船舶特征对应的船舶；
第二确定单元，用于基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息。
本申请实施例的第三方面提供了一种识别船舶身份的终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的识别船舶身份的方法的步骤。
本申请实施例的第四方面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有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的识别船舶身份的方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在识别船舶身份的终端上运行时，使得识别船舶身份的终端执行上述第一方面所述的识别船舶身份的方法的步骤。
本申请实施例提供的一种识别船舶身份的方法、识别船舶身份的装置、识别船舶身份的终端及存储介质，具有以下有益效果：
本申请实施例，一方面终端通过已训练的特征提取模型提取船舶图像的船舶特征，在船舶数据库中查找与该船舶特征匹配的目标特征，基于该目标特征确定该目标特征对应的船舶的第一身份信息；另一方面，终端直接对该船舶图像进行身份识别处理，得到该船舶特征对应的船舶的第二身份信息；终端比较第一身份信息与第二身份信息是否相同，当第一身份信息与第二身份信息相同时，证明船舶数据库中存储的该船舶的身份信息与实际识别到的该船舶的身份信息相同，可将第一身份信息与第二身份信息任一信息作为该船舶特征对应的船舶的身份信息。通过两方面验证船舶的身份信息，保证了监测得到的船舶身份信息的准确性；即使船舶数据库中的船舶身份信息被篡改，也可以通过实际识别出来的船舶的身份信息确定该船舶最终的身份信息，且提高了识别船舶身份信息的效率，便于海上船舶的管理。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种识别船舶身份的方法的示意流程图；
图2是本申请实施例提供的一种船舶图像身份识别示意图；
图3是本申请提供的文本检测网络示意图；
图4是本申请实施例提供的一种船舶分类示意图；
图5为本申请另一实施例提供的一种识别船舶身份的方法的示意流程图；
图6是本申请一实施例提供的一种识别船舶身份的装置的示意图；
图7是本申请另一实施例提供的一种识别船舶身份的终端的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
我国拥有丰富的海洋资源，随着人们对海洋资源的进一步开发和利用，各类涉海、用海活动数量越来越多，规模越来越大，海上的各种安全事故、违法行为也越来越多，例如走私、非法移民、非法捕鱼等行为。因此，海上船舶的监测工作显得尤为重要。
现有的船舶监测方法是使用船舶自动识别系统(Automatic IdentificationSystem，AIS)进行船舶的身份识别，进而实现对船舶的监测管理。AIS系统中可以存储船舶的静态信息(船舷号、所属公司等)、动态信息(行驶状态)、航次信息等。然而AIS系统中的数据信息容易被篡改，例如，AIS系统中的船舶的身份信息与实际该船舶的身份信息不相符，这会导致监测到的船舶的身份信息不准确，而采用人工查验的模式效率又太低，为海上船舶的管理带来不便。
有鉴于此，本申请提供了一种识别船舶身份的方法，该方法中，一方面终端通过已训练的特征提取模型提取船舶图像的船舶特征，在船舶数据库中查找与该船舶特征匹配的目标特征，基于该目标特征确定该目标特征对应的船舶的第一身份信息；另一方面，终端直接对该船舶图像进行身份识别处理，得到该船舶特征对应的船舶的第二身份信息；终端比较第一身份信息与第二身份信息是否相同，当第一身份信息与第二身份信息相同时，证明船舶数据库中存储的该船舶的身份信息与实际识别到的该船舶的身份信息相同，可将第一身份信息与第二身份信息任一信息作为该船舶特征对应的船舶的身份信息。通过两方面验证船舶的身份信息，保证了监测得到的船舶身份信息的准确性；即使船舶数据库中的船舶身份信息被篡改，也可以通过实际识别出来的船舶的身份信息确定该船舶最终的身份信息，且提高了识别船舶身份信息的效率，便于海上船舶的管理。
请参见图1，图1是本申请实施例提供的一种识别船舶身份的方法的示意流程图。本实施例中识别船舶身份的方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、计算机、个人数字助理(Personal Digital Assistant，PDA)等移动终端，还可以包括台式电脑等终端。如图1所示的识别船舶身份的方法可包括S101～S104，具体如下：
S101：将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征。
船舶图像指包含船舶的图像。船舶图像可以是终端预先获取监控视频，将该监控视频分割为多个单帧监控视频图像，在多个单帧监控视频图像中获取包含船舶的图像，得到船舶图像。其中，该监控视频可以是监控船舶得到的视频。船舶图像也可以是终端直接获取到的预先处理好的包含船舶的图像。船舶图像还可以是由用户上传至终端的包含船舶的图像。
在本实施例中，终端中预先存储有预先训练好的特征提取模型。该特征提取模型是基于人脸识别模型(FaceNet)进行改进得到。可以理解的是，该特征提取模型可以由终端预先训练好，也可以由其他设备预先训练好后将该特征提取模型对应的文件移植至本终端中。也就是说，训练该特征提取模型的执行主体与使用该特征提取模型的执行主体可以是相同的，也可以是不同的。
示例性地，任意获取一个传统的FaceNet模型，将其作为待训练的初始特征提取网络，此时，该初始特征提取网络的输入尺寸为160*160，宽高比为1:1，介于船舶图像大部分为长方形，为了可以使训练好的特征提取模型更好的提取船舶图像对应的船舶特征，对初始特征提取网络进行改进，将其的输入尺寸修改为640*160，宽高比为4:1。其次，将初始特征提取网络中的卷积层对应的卷积核由3*3修改为2*2；采用ArcFace/Insightface损失函数对初始特征提取网络进行训练；采用PReLU激活函数代替ReLU激活函数；对初始特征提取网络每一层输入的数据都进行标准化处理。
基于修改参数后的初始特征提取网络对训练样本集以及测试样本集进行训练，得到已训练的特征提取模型。具体地，终端获取训练样本集以及测试样本集。其中，训练样本集包括多个带有船舶特征标签的船舶图像，且每个船舶都有多个不同角度的船舶图像以及船舶特征，将同一艘船舶的图像存储至同一个文件夹中，文件夹可以用该船舶的身份信息进行命名，每个文件夹中的图像数量尽量保持均衡；测试样本集包括多张测试图像以及每张图像对应的船舶特征。
将训练样本集输入初始特征提取网络中进行训练，当训练次数达到预设阈值时，将测试样本集输入训练中的初始特征提取网络中进行处理，训练中的初始特征提取网络输出每张测试图像对应的船舶特征。根据每张测试图像对应的船舶特征，确定训练中的初始特征提取网络对应的准确率；当训练中的初始特征提取网络的损失函数以及准确率均收敛时，得到已训练的特征提取模型。当训练中的初始特征提取网络的损失函数以及准确率均未收敛时，调整初始特征提取网络的网络参数，并返回上述训练过程，直至初始特征提取网络的损失函数以及准确率均收敛，得到已训练的特征提取模型。具体的训练过程，即初始特征提取网络对图像进行特征提取的过程，可参考传统的神经网络模型提取图像特征的过程，此处不再赘述。
示例性地，可先对该船舶图像进行预处理，提取预处理后的图像中的特征向量，得到船舶图像对应的船舶特征。其中，预处理可以包括尺寸裁剪、归一化处理、去噪处理等。值得说明的是，当船舶图像中只包含一艘船舶时，提取到的船舶特征即为该船舶对应的船舶特征；当船舶图像中包含多艘船舶时，预处理可以包括船舶分割处理，即对该船舶图像进行划分，保证每次处理的船舶图像中只有一艘船舶，这样提取到的船舶特征即为船舶图像中的船舶对应的船舶特征；当船舶图像中包含多艘船舶时，也可以是直接提取到多个船舶特征，每个船舶特征对应船舶图像中的一艘船舶。
可选地，终端也可通过传统的图像特征提取方法提取船舶图像对应的船舶特征。例如，可采用哈尔特征(Haar-like features)、尺度不变特征变换(Scale-invariantfeature transform，SIFT)、边缘检测算子(Canny)、方向梯度直方图特征等方法提取船舶图像对应的船舶特征，此处仅为示例性说明，对此不做限定。
可选地，在一种可能的实现方式中，上述特征提取模型对船舶图像的处理包括可以包括S1011～S1012，具体如下：
S1011：对所述船舶图像进行预处理，得到目标图像。
预处理可以包括尺寸裁剪、归一化处理、去噪处理中的任意一种或多种组合。例如，将船舶图像的大小先裁剪为方便特征提取模型处理的预设尺寸，对裁剪尺寸后的船舶图像进行去噪处理，得到去噪图像，对去噪图像进行归一化处理，得到目标图像。具体地，获取该去噪图像中每个像素点对应的像素值，用每个像素点对应的像素值除以255，使各个像素点对应的像素值落入[0，1]中，对该去噪图像中的每个像素点都这样处理后，得到归一化处理后的目标图像。
S1012：对所述目标图像进行卷积和采样处理，得到所述船舶特征。
已训练好的特征提取模型中可包括输入层、多个卷积层、多个采样层、输出层(全连接层)。将目标图像传递至第一个卷积层，第一个卷积层对该目标图像进行卷积处理，提取该目标图像对应的特征，并基于提取的特征输出特征图。其中，该特征可以包括该目标图像中船舶的颜色特征、轮廓特征等。第一卷积层将特征图输入至第一个采样层，第一个采样层对特征图进行特征选择，去除多余特征，重构新的特征图，并将新的特征图传递至第二个卷积层。第二个卷积层对新的特征图进行二次特征提取，并基于提取的特征再次输出特征图，第二个卷积层将再次输出的特征图传递至第二个采样层，第二个采样层进行二次特征选择，重构特征图。以此类推，直至特征提取模型中的最后一个采样层对图像处理完成后，传递至输出层，即传递至全连接层。其中，每一层用到的激活函数可以为PReLU激活函数。由于在特征提取模型中各个特征均以向量的形式表现，也可理解为全连接层输出该船舶图像对应的船舶特征向量。
S102：在船舶数据库中查找与所述船舶特征匹配的目标特征，并基于所述目标特征确定第一身份信息；所述第一身份信息用于唯一标识所述目标特征对应的船舶。
船舶数据库中预先存储有多个船舶各自对应目标特征，以及每个船舶对应的AIS信息，例如静态信息(可以包括船舶的身份信息，如船舷号、船舶所属的类别；船舶安全安全状态)、动态信息(船舶行驶状态)、航次信息等。其中，目标特征可以理解为每个船舶对应的船舶特征。船舶数据库中存储的信息越全面，才能保证准确、快速地在船舶数据库中查找到与船舶特征匹配的目标特征。因此，对于每艘船舶可多存储一些该船舶对应的目标特征，例如，对于每艘船舶可存储50组对应的目标特征，此处仅为示例性说明，对此不做限定。
根据提取到的船舶特征在船舶数据库中查找与其匹配的目标特征。具体地，可以通过余弦距离公式计算船舶特征与船舶数据库中存储的每个目标特征之间的余弦相似度，当余弦相似度大于或等于预设相似度阈值时，证明查找到了与船舶特征匹配的目标特征。在船舶数据库中查找与该目标特征关联的船舶的第一身份信息，该第一身份信息用于唯一标识该目标特征对应的船舶。例如，在船舶数据库中查找与该目标特征关联的船舶的船舷号。
可选地，对于每艘船舶，在船舶数据库中可存储该船舶对应的50组目标特征，终端确定船舶特征分别与这50组目标特征之间的欧式距离，统计欧式距离小于阈值的目标个数，当目标个数大于或等于预设数量时，证明匹配成功，反之则匹配失败。可通过同样的方式确定船舶特征与船舶数据库中的哪个目标特征匹配。
S103：对所述船舶图像进行身份识别处理，得到第二身份信息；所述第二身份信息用于唯一标识所述船舶特征对应的船舶。
身份识别处理是指识别船舶图像中的船舶的身份信息。第二身份信息用于唯一标识提取到的船舶特征对应的船舶，第二身份信息可以为船舶的船舷号。
具体地，可通过基于图像分割模型的文本检测网络对船舶图像分割，得到第二身份信息所对应的文本区域，即得到船舷号所在的文本区域；通过注意力模型(AttentionLSTM)对文本区域进行识别，得到第二身份信息，即得到船舶特征对应的船舶的船舷号。可选地，也可通过文字识别技术(optical character recognition，OCR)对文本区域进行识别，得到第二身份信息。
上述实施方式中，并没有通过传统的方法直接识别图像中的文字信息，而是先确定第二身份信息所在的文本区域，再识别文本区域中的文字，得到第二身份信息。这样获取到的第二身份信息非常准确，避免了船舶中有其他文字信息，导致识别得到的第二身份信息不准确。有利于后续基于第一身份信息以及第二身份信息，确定船舶特征对应的船舶的目标身份信息。
图2是本申请实施例提供的一种船舶图像身份识别示意图，如图2所示，对该船舶图像进行身份识别处理，得到的第二身份信息为佛山港828。可选地，可将该第二身份信息佛山港828标记在该船舶图像中对应的船舶上。
可选地，在一种可能的实现方式中，上述S103可以包括S1031～S1032，具体如下：
S1031：在所述船舶图像中确定文本区域。
文本区域指第二身份信息所对应的区域，即船舷号所在的区域。通过基于图像分割模型的文本检测网络对船舶图像分割，得到该文本区域。如图3所示，图3是本申请提供的文本检测网络示意图。基于图像分割模型的文本检测网络主要由四个模块组成，负责计算船舶图像上多尺度卷积特征金字塔的主干网络；生成矩形文本建议区域的区域生成网络；对提取的文本区域进行分类并输出对应的四边形边界框的检测器(Fast R-CNN)；为输入建议预测文本掩码的Mask预测网络。
其中，主干网络主要由两个模块组成，分别是特征金字塔注意(Feature PyramidAttention,FPA)模块和全局注意上采样(Global Attention Upsample,GAU)模块。FPA模块以Res Net50中的res-4层的输出特征作为输入，在该网络层中分别执行3×3的放大卷积和采样率为3、6、12的采样，以使得更好地提取上下文特征；然后将得到的三个特征图连接起来，并通过1×1卷积层减小尺寸；FPA模块进一步对输入res-4层的特征执行1×1卷积，输出的结果以像素形式表示，并将输出的结果与上述上下文特征相乘。提取的特征与经过全局池化分支处理后输出的特征一起添加，以获得最终的金字塔关注特征。GAU模块对低级特征进行3×3卷积，以减少CNN的特征图通道。将上采样后得到的高阶特征与低阶特征相加，生成高斯特征。三个矩形文本建议区域连接到特征金字塔，每个矩形文本建议区域在相应的金字塔级别上密集滑动一个小网络，进行文本/非文本分类和边界框回归。三个小网络分别被实现为一个3×3的卷积层，以及两个1×1的卷积层，分别用于预测文本分数和矩形边界框位置。分别在三个金字塔层次上进行区域特征聚集(Rol Align)，并提取固定空间大小为7×7的三个特征描述符，这些特征描述符通过1×1的卷积层连接和降维来获得最终的感兴趣区域(Region of Interest，ROI)特征，将这些ROI特征输入网络头部，用于文本/非文本分类、四边形边界框回归和掩码预测。
示例性地，原始图像即为船舶图像，通过主干网络计算船舶图像上多尺度卷积特征金字塔，得到特征图；区域生成网络基于该特征图生成矩形文本建议区域；对矩形文本建议区域进行文字以及非文字分类，对分类结果为包含文字的矩形文本建议区域进行矩形框回归，得到合适的文本区域。Rol Align使生成的矩形文本建议区域映射产生固定大小的特征图；通过Fast R-CNN对提取的文本区域进行分类并输出对应的四边形边界框，对输出的四边形边界框进行文字以及非文字分类；通过Mask预测网络进行文本掩码预测。
S1032：对所述文本区域进行文字识别，得到所述第二身份信息。
示例性地，通过注意力模型对文本区域进行识别，得到第二身份信息。获取文本区域对应的深层卷积特征，该深层卷积特征在注意力模型的网络层中进行传播，每次传播都会根据之前单元隐变量与图像卷积特征的相似度，计算对于每一个卷积层像素点的注意力权值，并加权平均得到注意力语境变量。注意力模型利用注意力语境变量、上一单元的变量和输出，计算当前单元的变量和输出，并不断循环递归。最终输出向量是256维的字符嵌入向量，通过嵌入矩阵和softmax层得到每个字符的概率。将概率最大的字符输出，即得到第二身份信息，也就得到船舶的船舷号。
S104：基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息。
终端检测第一身份信息与第二身份信息是否相同，即检测船舶数据库中查询到的船舷号与识别船舶图像得到的船舷号是否相同。当检测到第一身份信息与第二身份信息相同时，可将第一身份信息、第二身份信息任一信息作为船舶特征对应的船舶的目标身份信息。当检测到第一身份信息与第二身份信息不同时，进一步获取目标特征对应的第一船舶类别，以及获取船舶特征对应的第二船舶类别，比较第一船舶类别与第二船舶类别是否相同。当第一船舶类别与第二船舶类别相同时，将第一身份信息记为船舶特征对应的船舶的目标身份信息。
当第一船舶类别与第二船舶类别不同时，可将获取到的船舶特征存储至船舶数据库中，用于更新船舶数据库，同时可通过人工检测等方式获取该船舶特征对应的船舶的静态信息、动态信息、航次信息等，将这些信息与该船舶特征关联，一并存储至船舶数据库中。当下次再遇到该船舶，需要对该船舶对应的船舶图像进行处理时，就可在船舶数据库中查找到与其匹配的目标特征。通过这样不断地完善船舶数据库，可保证以后准确地识别更多的船舶的身份信息。
可选地，在一种可能的实现方式中，当检测到第一身份信息与第二身份信息相同时，上述S104可以包括S1041，当检测到第一身份信息与第二身份信息不同时，上述S104可以包括S1042～S1044，下面将具体描述这两种情况。
S1041：当检测到所述第一身份信息与所述第二身份信息相同时，将所述第一身份信息或所述第二身份信息标记为所述目标身份信息。
终端检测第一身份信息与第二身份信息是否相同，即检测船舶数据库中查询到的船舷号与识别船舶图像得到的船舷号是否相同。当检测到第一身份信息与第二身份信息相同，即检测到这两个船舷号相同时，证明船舶数据库中存储的船舷号与实际识别出的船舷号标识的是同一艘船。此时可将第一身份信息、第二身份信息中的任一身份信息作为目标身份信息，用于标识船舶图像中的船舶的身份。例如，可通过船舶数据库中查询到的船舷号标识船舶图像中的船舶，也可通过识别船舶图像得到的船舷号标识船舶图像中的船舶。
S1042：当检测到所述第一身份信息与所述第二身份信息不同时，获取所述目标特征对应的第一船舶类别；所述第一船舶类别用于标识所述目标特征对应的船舶所属的类别。
第一船舶类别指目标特征对应的船舶所属的类别。第一船舶类别可以为渔船、货船、渡船、测量船、打捞船、驳船、客船、救生船、交通船、救火船、巡逻船、海船、补给舰等。
船舶数据库中预先存储有每个船舶所属的船舶类别，且每个船舶所属的船舶类别与每个船舶对应的目标特征相关联。当检测到第一身份信息与第二身份信息不同，即检测到船舶数据库中查询到的船舷号与识别船舶图像得到的船舷号不相同时，在船舶数据库中查找该目标特征对应的第一船舶类别。具体地，根据目标特征可直接在船舶数据库中查找与该目标特征相关联的第一船舶类别。
S1043：获取所述船舶特征对应的第二船舶类别；所述第二船舶类别用于标识所述船舶特征对应的船舶所属的类别。
第二船舶类别指船舶特征对应的船舶所属的类别。第二船舶类别也可以为渔船、货船、渡船、测量船、打捞船、驳船、客船、救生船、交通船、救火船、巡逻船、海船、补给舰等。可通过预先训练好的船舶分类模型对船舶图像进行分类处理，得到该船舶图像对应的船舶特征所对应的第二船舶类别。具体地，对船舶图像进行预处理，此处的预处理过程可参考S1011中的过程，此处不再赘述。对预处理后的船舶图像进行多次卷积操作，得到特征图；对特征图进行下采样，重构特征图。以此类推，直至船舶分类模型中的最后一个采样层对图像处理完成后，传递至输出层，即传递至全连接层。全连接层中的归一化指数函数(Softmax函数)对前一个采样层传递过来的特征进行分类，得到分类结果，即得到船舶特征对应的第二船舶类别。
可选地，在S1043之前还可通过机器学习算法预先训练船舶分类模型。具体地，预先采集不同天气、不同时间段、不同光照条件下的多个船舶图像；对这些船舶图像标记标签(即标记这些船舶图像中船舶所属的类别)，生成训练数据集；利用机器学习算法对训练数据集进行特征学习，对学习到的特征进行分类，得到船舶分类模型。具体的训练过程可参考现有技术，此处不再赘述。
图4是本申请实施例提供的一种船舶分类示意图，如图4所示，采用船舶分类模型对船舶图像进行分类处理后，可得到船舶图像中每个船舶对应的船舶类型。例如渔船、货船等。
S1044：当检测到所述第一船舶类别与所述第二船舶类别相同时，将所述第一身份信息标记为所述目标身份信息。
比较第一船舶类别与第二船舶类别是否相同。当第一船舶类别与第二船舶类别相同时，可将第一身份信息记为船舶特征对应的船舶的目标身份信息。即默认船舶数据库中存储的船舶的身份信息为正确的身份信息。例如，第一船舶类别为渔船，第二船舶类别也为渔船，获取该渔船在船舶数据库中的船舷号，将该船舷号记为船舶图像中船舶的船舷号。
可选地，在一种可能的实现方式中，当在船舶数据库中未查找到与船舶特征匹配的目标特征时，可将获取到的船舶特征存储至船舶数据库中，用于更新船舶数据库，同时可通过人工检测等方式获取该船舶特征对应的船舶的静态信息、动态信息、航次信息等，将这些信息与该船舶特征关联，一并存储至船舶数据库中。当下次再遇到该船舶，需要对该船舶对应的船舶图像进行处理时，就可在船舶数据库中查找到与其匹配的目标特征。通过这样不断地完善船舶数据库，可保证以后准确地识别更多的船舶的身份信息。
可选地，在确定船舶图像中船舶的目标身份信息后，可将船舶的目标身份信息显示在船舶图像中，还可在船舶数据库中获取该船舶的AIS信息，例如静态信息(可以包括船舶的身份信息，如船舷号、船舶所属的类别；船舶安全安全状态)、动态信息(船舶行驶状态)、航次信息等。
请参见图5，图5为本申请另一实施例提供的一种识别船舶身份的方法的示意流程图。如图3所示的识别船舶身份的方法可包括S201～S206，S203～S206可参考上述对S101～S104的描述，下面对S201～S202具体说明。
可选地，在一种可能的实现方式中，在S203之前还可包括S201～S202。
S201：获取监控船舶得到的多个监控视频图像。
终端预先获取监控视频，将该监控视频分割为多个单帧的监控视频图像。其中，该监控视频可以是监控船舶得到的视频。具体地，该监控视频可以是其他监控设备监控海上船舶得到的视频上传至本终端，也可以是终端在网络中获取到的监控视频，还可以是用户上传至终端的监控视频，对此不做限定。
S202：在所述多个监控视频图像中确定船舶图像。
针对每个监控视频图像，判断该监控视频图像中是否有船舶，将包含船舶的监控视频图像标记为船舶图像，剔除不包含船舶的监控视频图像，或者对不包含船舶的监控视频图像不进行任何处理。具体地，可通过上述S1043中涉及到的船舶分类模型确定船舶图像。例如，通过船舶分类模型对每个监控视频图像进行分类处理，当输出分类结果时，证明该监控视频图像中包含船舶，将该监控视频图像标记为船舶图像。
可选地，在一种可能的实现方式中，上述S202可包括：针对每个所述监控视频图像，当基于已训练的船舶分类模型检测到所述监控视频图像中包含船舶时，将所述监控视频图像标记为船舶图像。
对于每个监控视频图像，将该视频监控图像输入已训练的船舶分类模型中进行分类处理，当输出分类结果时，证明该监控视频图像中包含船舶，将该监控视频图像标记为船舶图像；当船舶分类模型输出为空时，证明该监控视频图像中未包含船舶，剔除该监控视频图像，或者对该监控视频图像不进行任何处理。为了进一步准确地筛选出船舶图像，避免由于船舶分类模型不准确，对某些包含船舶的监控视频图像不能准确分类而输出为空，导致遗漏掉一些船舶图像。可对未标记为船舶图像的监控视频图像进行二次筛选或者人工筛选。
在上述实施例中，预先对监控视频图像进行筛选，确定其中包含船舶的船舶图像，便于终端后续直接对船舶图像进行处理，识别船舶图像中船舶的身份信息，加快了船舶身份识别的速率，提升了船舶身份识别的准确性。
请参见图6，图6是本申请一实施例提供的一种识别船舶身份的装置的示意图。该装置包括的各单元用于执行图1、图5对应的实施例中的各步骤。具体请参阅图1、图5各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图6，包括：
第一处理单元310，用于将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征；
第一确定单元320，用于在船舶数据库中查找与所述船舶特征匹配的目标特征，并基于所述目标特征确定第一身份信息；所述第一身份信息用于唯一标识所述目标特征对应的船舶；
第二处理单元330，用于对所述船舶图像进行身份识别处理，得到第二身份信息；所述第二身份信息用于唯一标识所述船舶特征对应的船舶；
第二确定单元340，用于基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息。
可选地，所述第二确定单元340具体用于：
当检测到所述第一身份信息与所述第二身份信息相同时，将所述第一身份信息或所述第二身份信息标记为所述目标身份信息。
可选地，所述第二确定单元340具体用于：
当检测到所述第一身份信息与所述第二身份信息不同时，获取所述目标特征对应的第一船舶类别；所述第一船舶类别用于标识所述目标特征对应的船舶所属的类别；
获取所述船舶特征对应的第二船舶类别；所述第二船舶类别用于标识所述船舶特征对应的船舶所属的类别；
当检测到所述第一船舶类别与所述第二船舶类别相同时，将所述第一身份信息标记为所述目标身份信息。
可选地，所述特征提取模型对所述船舶图像的处理包括：
对所述船舶图像进行预处理，得到目标图像；
对所述目标图像进行卷积和采样处理，得到所述船舶特征。
可选地，所述第二处理单元330具体用于：
在所述船舶图像中确定文本区域；
对所述文本区域进行文字识别，得到所述第二身份信息。
可选地，所述装置还包括：
获取单元，用于获取监控船舶得到的多个监控视频图像；
第三确定单元，用于在所述多个监控视频图像中确定船舶图像。
可选地，所述第三确定单元具体用于：
针对每个所述监控视频图像，当基于已训练的船舶分类模型检测到所述监控视频图像中包含船舶时，将所述监控视频图像标记为船舶图像。
请参见图7，图7是本申请另一实施例提供的一种识别船舶身份的终端的示意图。如图7所示，该实施例的识别船舶身份的终端包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个识别船舶身份的方法实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器40执行所述计算机可读指令42时实现上述各实施例中各单元的功能，例如图6所示单元310至340功能。
示例性地，所述计算机可读指令42可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述识别船舶身份的终端4中的执行过程。例如，所述计算机可读指令42可以被分割为第一处理单元、第一确定单元、第二处理单元以及第二确定单元，各单元具体功能如上所述。
所述识别船舶身份的终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图7仅仅是识别船舶身份的终端4的示例，并不构成对识别船舶身份的终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述识别船舶身份的终端还可以包括输入输出终端、网络接入终端、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述识别船舶身份的终端的内部存储单元，例如识别船舶身份的终端的硬盘或内存。所述存储器41也可以是所述识别船舶身份的终端的外部存储终端，例如所述识别船舶身份的终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述识别船舶身份的终端的内部存储单元也包括外部存储终端。所述存储器41用于存储所述计算机可读指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种识别船舶身份的方法，其特征在于，包括：
将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征；
在船舶数据库中查找与所述船舶特征匹配的目标特征，并基于所述目标特征确定第一身份信息；所述第一身份信息用于唯一标识所述目标特征对应的船舶；
对所述船舶图像进行身份识别处理，得到第二身份信息；所述第二身份信息用于唯一标识所述船舶特征对应的船舶；
基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息；所述基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息，包括：当检测到所述第一身份信息与所述第二身份信息不同时，获取所述目标特征对应的第一船舶类别；所述第一船舶类别用于标识所述目标特征对应的船舶所属的类别；获取所述船舶特征对应的第二船舶类别；所述第二船舶类别用于标识所述船舶特征对应的船舶所属的类别；当检测到所述第一船舶类别与所述第二船舶类别相同时，将所述第一身份信息标记为所述目标身份信息。
2.如权利要求1所述的方法，其特征在于，所述基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息，包括：
当检测到所述第一身份信息与所述第二身份信息相同时，将所述第一身份信息或所述第二身份信息标记为所述目标身份信息。
3.如权利要求1所述的方法，其特征在于，所述特征提取模型对所述船舶图像的处理包括：
对所述船舶图像进行预处理，得到目标图像；
对所述目标图像进行卷积和采样处理，得到所述船舶特征。
4.如权利要求1所述的方法，其特征在于，所述对所述船舶图像进行身份识别处理，得到第二身份信息，包括：
在所述船舶图像中确定文本区域；
对所述文本区域进行文字识别，得到所述第二身份信息。
5.如权利要求1至4任一项所述的方法，其特征在于，所述将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征之前，所述方法还包括：
获取监控船舶得到的多个监控视频图像；
在所述多个监控视频图像中确定船舶图像。
6.如权利要求5所述的方法，其特征在于，所述在所述多个监控视频图像中确定船舶图像，包括：
针对每个所述监控视频图像，当基于已训练的船舶分类模型检测到所述监控视频图像中包含船舶时，将所述监控视频图像标记为船舶图像。
7.一种识别船舶身份的装置，其特征在于，包括：
第一处理单元，用于将船舶图像输入到已训练的特征提取模型中处理，得到所述船舶图像对应的船舶特征；
第一确定单元，用于在船舶数据库中查找与所述船舶特征匹配的目标特征，并基于所述目标特征确定第一身份信息；所述第一身份信息用于唯一标识所述目标特征对应的船舶；
第二处理单元，用于对所述船舶图像进行身份识别处理，得到第二身份信息；所述第二身份信息用于唯一标识所述船舶特征对应的船舶；
第二确定单元，用于基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息；所述基于所述第一身份信息以及所述第二身份信息，确定所述船舶特征对应的船舶的目标身份信息，包括：当检测到所述第一身份信息与所述第二身份信息不同时，获取所述目标特征对应的第一船舶类别；所述第一船舶类别用于标识所述目标特征对应的船舶所属的类别；获取所述船舶特征对应的第二船舶类别；所述第二船舶类别用于标识所述船舶特征对应的船舶所属的类别；当检测到所述第一船舶类别与所述第二船舶类别相同时，将所述第一身份信息标记为所述目标身份信息。
8.一种识别船舶身份的终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
CN202011214801.XA 2020-11-04 2020-11-04 一种识别船舶身份的方法、装置、终端及存储介质 Active CN113139077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011214801.XA CN113139077B (zh) 2020-11-04 2020-11-04 一种识别船舶身份的方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011214801.XA CN113139077B (zh) 2020-11-04 2020-11-04 一种识别船舶身份的方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN113139077A CN113139077A (zh) 2021-07-20
CN113139077B true CN113139077B (zh) 2023-03-10

Family

ID=76809862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011214801.XA Active CN113139077B (zh) 2020-11-04 2020-11-04 一种识别船舶身份的方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN113139077B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971543A (zh) * 2014-05-26 2014-08-06 浙江省嘉兴市港航管理局 一种融合多种数据源的船舶自动识别监控方法及监管系统
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
WO2018067080A1 (en) * 2016-10-07 2018-04-12 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi A marine vessel identification method
CN108806334A (zh) * 2018-04-27 2018-11-13 中船重工鹏力（南京）大气海洋信息系统有限公司 一种基于图像的智能船舶身份识别方法
CN111582182A (zh) * 2020-05-11 2020-08-25 广州创亿源智能科技有限公司 船舶名称识别方法、系统、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971543A (zh) * 2014-05-26 2014-08-06 浙江省嘉兴市港航管理局 一种融合多种数据源的船舶自动识别监控方法及监管系统
WO2018067080A1 (en) * 2016-10-07 2018-04-12 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi A marine vessel identification method
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
CN108806334A (zh) * 2018-04-27 2018-11-13 中船重工鹏力（南京）大气海洋信息系统有限公司 一种基于图像的智能船舶身份识别方法
CN111582182A (zh) * 2020-05-11 2020-08-25 广州创亿源智能科技有限公司 船舶名称识别方法、系统、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113139077A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
CN109598241B (zh) 基于Faster R-CNN的卫星图像海上舰船识别方法
CN105574550A (zh) 一种车辆识别方法及装置
CN110598693A (zh) 一种基于Faster-RCNN的船牌识别方法
CN109902618A (zh) 一种海面船只识别方法和装置
US20130223726A1 (en) Method and apparatus of classification and object detection, image pickup and processing device
CN111353491B (zh) 一种文字方向确定方法、装置、设备及存储介质
CN110008900B (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN107392221B (zh) 分类模型的训练方法、分类ocr识别结果的方法及装置
CN116596875B (zh) 晶圆缺陷检测方法、装置、电子设备及存储介质
Makantasis et al. Semi-supervised vision-based maritime surveillance system using fused visual attention maps
CN111695397A (zh) 一种基于yolo的船只识别方法及电子设备
CN115082781A (zh) 一种舰船图像检测方法、装置以及存储介质
Yildirim et al. Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4
CN111553183A (zh) 一种船只检测模型训练方法、船只检测方法及装置
CN103810487A (zh) 一种海洋航拍图像的目标检测与识别方法及系统
CN113901945A (zh) 一种基于Faster RCNN的海面溢油检测方法及系统
CN113139077B (zh) 一种识别船舶身份的方法、装置、终端及存储介质
Matasci et al. Deep learning for vessel detection and identification from spaceborne optical imagery
CN114612802A (zh) 基于mbcnn的舰船目标细粒度分类系统及方法
CN114898290A (zh) 一种海上船舶实时检测方法及系统
CN114463767A (zh) 信用证识别方法、装置、计算机设备和存储介质
Truong et al. Combining multi-threshold saliency with transfer learning for ship detection and information extraction from optical satellite images
CN112733686A (zh) 用于云联邦的图像中的目标物识别方法及装置
den Hollander et al. Vessel classification for naval operations

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