CN113705505B - 一种面向海洋渔业的船舶目标检测方法和系统 - Google Patents

Abstract

本发明提供了一种面向海洋渔业的船舶目标检测方法和系统，提供的方法包括：S1，获取海洋环境图像；S2，对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像；S3，在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域；S4，对疑似存在船舶目标的区域进行角点检测，获取种子角点；S5，基于种子角点进行形态学处理，获得船舶目标。提供的系统则是用于实现该方法。本发能够避免由于需要对整幅海洋环境图像进行识别处理，导致耗时较长，未能及时发现船舶目标的这种情况的发生，有利于保证海洋渔业作业的安全。

Description

一种面向海洋渔业的船舶目标检测方法和系统

技术领域

本发明涉及检测领域，尤其涉及一种面向海洋渔业的船舶目标检测方法和系统。

背景技术

在海洋渔业的工作过程中，需要对渔船的安全进行保障，需要及时发现渔船周围的其它船舶目标，然后采取相应的措施保证作业安全。现有技术中，对船舶目标的检测一般是通过图像识别的方式来进行，但是现有的图像识别方式，一般采用不同大小的搜索窗口来对整幅图像进行识别，这种识别方式，耗时比较长，不利于及时发现船舶目标，从而不利于及时作出防碰撞的应对措施。

发明内容

鉴于上述问题，本发明的目的在于提供一种面向海洋渔业的船舶目标检测方法和系统，

一方面，本发明提供了一种面向海洋渔业的船舶目标检测方法，包括：

S1，获取海洋环境图像；

S2，对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像；

S3，在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域；

S4，对疑似存在船舶目标的区域进行角点检测，获取种子角点；

S5，基于种子角点进行形态学处理，获得船舶目标。

作为优选，所述对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像，包括：

对所述海洋环境图像进行图像滤波处理，获得滤波图像；

使用图像分割算法计算分割阈值，使用分割阈值将所述滤波图像转换为二值图像；

使用hough算法对所述二值图像进行直线检测，获得海天线；

基于海天线将海洋环境图像分为天空区域图像和海洋区域图像。

作为优选，所述在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域，包括：

将所述海洋区域图像转换为灰度图像；

以灰度图像的左下角为坐标原点建立直角坐标系；

将灰度图像中的像素点的Y轴坐标最大值记为Y_max；

第一次检测：

对于灰度图像中Y轴坐标处于(Y_max-c，Y_max]的区域，使用c×c大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

第n次检测，n大于等于2：

对于灰度图像中Y轴坐标处于的区域，使用cⁿ×cⁿ大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

n∈[2,N]，其中N为满足的最小正整数；

所述判断窗口中是否可能存在船舶目标，包括：

通过以下公式计算窗口中的目标检测指数：

式中，aimdx表示目标检测函数，α和β表示预设的权重参数，numw表示窗口中包含的像素点的数量，uw表示窗口中的所有像素点的集合，f_j表示uw中的像素点j的像素值，G_j表示uw中的像素点j的梯度幅值；

若aimdx大于预设的指数阈值，则表示窗口中可能存在船舶目标，否则，表示窗口中不可能存在船舶目标。

作为优选，所述对疑似存在船舶目标的区域进行角点检测，获取种子角点，包括：

使用角点检测算法对疑似存在船舶目标的区域中的像素点进行角点检测，获得角点集合corset；

使用以下公式计算corset中的角点的重要程度指数：

其中，zds(cor)表示corset中的角点cor的重要程度指数，numcor(cor)表示coru中包含的角点总数，coru表示以cor为圆心的，半径为R的区域内的像素点的集合，G_s表示coru中的像素点s的梯度幅值，G_cor表示角点cor的梯度幅值；

若zds(cor)大于预设的指数阈值，则cor为种子角点。

作为优选，所述基于种子角点进行形态学处理，获得船舶目标，包括：

采用以下方式在获取种子角点的目标区域像素点集合：

S11，将种子角点记为pixa，将pixa记为当前像素点pixnow；

S12，分别计算当前像素点pixnow与以pixnow为中心的3×3大小的窗口中的像素点之间的差异度：

difidx(pixnow,pixnow')＝max{f(u,v)-f(u+d,v+d)}-max{f(u_p,v_p)-f(u_p+d,v_p+d)}

其中，difidx(pixnow)表示pixnow与以pixnow为中心的3×3大小的窗口中的像素点pixnow'之间的差异度，(u,v)表示pixnow的坐标，(u_p,v_p)表示pixnow'的坐标，d∈[-1,1],d为整数，max表示取括号中的最大值；

S13，将最小差异度对应的像素点记为pixnow′_mi，若pixnow′_mi小于预设的比较阈值cmpthr，则将pixnow′_mi作为下一个当前像素点pixnow，将pixnow′_mi存入种子角点的目标区域像素点集合pixaimU中，进入S12，若pixnow′_mi大于等于预设的比较阈值cmpthr，则结束计算；

对pixaimU中的像素点进行膨胀处理，获得膨胀区域aimarea；

对aimarea进行凸包检测，获得aimarea的外接多边形；

根据所述外接多边形判断aimarea是否为船舶目标。

另一方面，本发明提供了一种面向海洋渔业的船舶目标检测系统，包括：获取模块、分割模块、区域检测模块、角点计算模块和目标检测模块；

所述获取模块用于获取海洋环境图像；

所述分割模块用于对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像；

所述区域检测模块用于在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域；

所述角点计算模块用于对疑似存在船舶目标的区域进行角点检测，获取种子角点；

所述目标检测模块用于基于种子角点进行形态学处理，获得船舶目标。

本发明通过先将图像划分为天空区域图像和海洋区域图像，然后再对海洋区域图像进行识别处理，获取船舶目标，这种处理方式能够避免由于需要对整幅海洋环境图像进行识别处理，导致耗时较长，未能及时发现船舶目标的这种情况的发生，有利于保证海洋渔业作业的安全。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1，为本发明一种面向海洋渔业的船舶目标检测方法的一种示例性实施例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明提供了一种面向海洋渔业的船舶目标检测方法和系统。

一方面，如图1所示的一种实施例，本发明提供了一种面向海洋渔业的船舶目标检测方法，包括：

S1，获取海洋环境图像；

S2，对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像；

S3，在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域；

S4，对疑似存在船舶目标的区域进行角点检测，获取种子角点；

S5，基于种子角点进行形态学处理，获得船舶目标。

本发明通过先将图像划分为天空区域图像和海洋区域图像，然后再对海洋区域图像进行识别处理，获取船舶目标，这种处理方式能够避免由于需要对整幅海洋环境图像进行识别处理，导致耗时较长，未能及时发现船舶目标的这种情况的发生，有利于保证海洋渔业作业的安全。

作为优选，所述对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像，包括：

对所述海洋环境图像进行图像滤波处理，获得滤波图像；

使用图像分割算法计算分割阈值，使用分割阈值将所述滤波图像转换为二值图像；

使用hough算法对所述二值图像进行直线检测，获得海天线；

基于海天线将海洋环境图像分为天空区域图像和海洋区域图像。

具体的，图像分割算法可以是otsu算法等。海天线即海平面和天空的交界线，通过对二值图像进行直线检测能够获取海天线。获得海天线后，在海天线上方的像素点就是天空区域图像的像素点，而剩余的像素点则为海洋区域图像。

作为优选，所述对所述海洋环境图像进行图像滤波处理，获得滤波图像，包括：

使用加权均值算法对海洋环境图像进行灰度化处理，获得处理图像；

S21，对于处理图像中的像素点t，将其像素值记为f_t

通过以下公式计算判断值：

其中，gh₁和gh₂表示高斯核函数的带宽参数；D表示预设的常数参数，s和r表示预设的指数参数；K表示非局部均值滤波函数，neitu表示像素点t的8邻域中的像素点的集合，f_g表示像素点g的像素值，jud(t)表示像素点t的判断值

neigu表示像素点g的8邻域中的像素点的集合，G_q和G_g分别表示g和q的梯度幅值，Q表示预设的指数系数，

S22，若jud(t)小于预设的判断值阈值，则将作为像素点t滤波后的像素值；若jud(t)大于等于预设的判断值阈值，则进入S23；

S23，用的更新换f_t的值，进入S21。

由于后续需要进行角点识别，因此图像中的边缘信息就变得极为重要，若采用传统的高斯滤波算法，则是很容易使得滤波后的图像中的像素点的边缘信息丢失。因此，本发明采用了迭代的方式进行计算，通过判断值与其对应的阈值之间的比较进行迭代是否进行的判断，使得jud(t)尽可能小，从而尽可能保持边缘信息。在判断值的计算上，通过设置带宽参数、指数参数等参数，使得f_t的替代值在计算时，也尽可能保留更多的边缘信息，使得滤波的结果更为准确。

作为优选，所述在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域，包括：

将所述海洋区域图像转换为灰度图像；

以灰度图像的左下角为坐标原点建立直角坐标系；

将灰度图像中的像素点的Y轴坐标最大值记为Y_max；

第一次检测：

对于灰度图像中Y轴坐标处于(Y_max-c，Y_max]的区域，使用c×c大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

第n次检测，n大于等于2：

对于灰度图像中Y轴坐标处于的区域，使用cⁿ×cⁿ大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

n∈[2,N]，其中N为满足的最小正整数；

所述判断窗口中是否可能存在船舶目标，包括：

通过以下公式计算窗口中的目标检测指数：

式中，aimdx表示目标检测指数，α和β表示预设的权重参数，numw表示窗口中包含的像素点的数量，uw表示窗口中的所有像素点的集合，f_j表示uw中的像素点j的像素值，G_j表示uw中的像素点j的梯度幅值；

若aimdx大于预设的指数阈值，则表示窗口中可能存在船舶目标，否则，表示窗口中不可能存在船舶目标。

现有技术中的检测一般是采用不同大小的窗口进行全局搜索，这种搜索方式耗时长，而且窗口的尺寸类型也不好控制。而本发明先建立坐标系，通过Y轴的坐标值将灰度图像分割多个区域，Y轴的坐标值越大，采用的检测窗口越小，从而在保证监测的准确率的同时有效的加快了监检测的速度。目标检测指数则是主要从像素值和梯度幅值两方面综合考虑船舶目标存在的可能性，若检目标测指数越大，则表示窗口内的像素点之间的差异越大，而由于海面区域的像素点之间的像素值差异一般比较小，因此，通过目标检测指数能够准确发现可能存在船舶目标的区域。

作为优选，所述对疑似存在船舶目标的区域进行角点检测，获取种子角点，包括：

使用角点检测算法对疑似存在船舶目标的区域中的像素点进行角点检测，获得角点集合corset；

使用以下公式计算corset中的角点的重要程度指数：

其中，zds(cor)表示corset中的角点cor的重要程度指数，numcor(cor)表示coru中包含的角点总数，coru表示以cor为圆心的，半径为R的区域内的像素点的集合，G_s表示coru中的像素点s的梯度幅值，G_cor表示角点cor的梯度幅值；

若zds(cor)大于预设的指数阈值，则cor为种子角点。

对于距离比较远的船舶目标，如果采用传统的角点检测算法结合凸包检测进行目标检测，由于噪点已经海洋光线反射的影响，容易导致识别出的角点为海浪的角点，从而导致后续的识别过程需要进行识别的目标数量过多。因此，本发明通过对识别出的角点再次进行筛选，选出种子角点，从而能够很好地避免这个问题。海洋的角点的周围包含的其它角点的数量比船舶目标的少的多，而像素点之间的梯度幅值差异也比较小，因此海浪角点的重要程度指数也比较小。所以通过重要程度指数能够对海洋的角点和疑似船舶目标的角点进行区分。

作为优选，所述基于种子角点进行形态学处理，获得船舶目标，包括：

采用以下方式在获取种子角点的目标区域像素点集合：

S11，将种子角点记为pixa，将pixa记为当前像素点pixnow；

S12，分别计算当前像素点pixnow与以pixnow为中心的3×3大小的窗口中的像素点之间的差异度：

difidx(pixnow,pixnow')＝max{f(u,v)-f(u+d,v+d)}-max{f(u_p,v_p)-f(u_p+d,v_p+d)}

其中，difidx(pixnow)表示pixnow与以pixnow为中心的3×3大小的窗口中的像素点pixnow'之间的差异度，(u,v)表示pixnow的坐标，(u_p,v_p)表示pixnow'的坐标，d∈[-1,1],d为整数，max表示取括号中的最大值；

S13，将最小差异度对应的像素点记为pixnow′_mi，若pixnow′_mi小于预设的比较阈值cmpthr，则将pixnow′_mi作为下一个当前像素点pixnow，将pixnow′_mi存入种子角点的目标区域像素点集合pixaimU中，进入S12，若pixnow′_mi大于等于预设的比较阈值cmpthr，则结束计算；

对pixaimU中的像素点进行膨胀处理，获得膨胀区域aimarea；

对aimarea进行凸包检测，获得aimarea的外接多边形；

根据所述外接多边形判断aimarea是否为船舶目标。

本发明上述实施例，获得种子角点后，通过计算差异度，将与种子角点之间差异度比较小的像素点加入到目标区域像素点集合中，然后再根据外接多边形的形状来判断目标区域像素点集合中的像素点组成的区域是否为船舶目标。只需要找到属于船舶目标的一个种子角点便能准确地将属于船舶目标的其他像素点也找出来，从而实现对船舶目标的高效准确检测。

另一方面，本发明提供了一种面向海洋渔业的船舶目标检测系统，包括：获取模块、分割模块、区域检测模块、角点计算模块和目标检测模块；

所述获取模块用于获取海洋环境图像；

所述分割模块用于对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像；

所述区域检测模块用于在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域；

所述角点计算模块用于对疑似存在船舶目标的区域进行角点检测，获取种子角点；

所述目标检测模块用于基于种子角点进行形态学处理，获得船舶目标。

需要说明的是，本系统用于实现上述方法的功能，装置中各模块与上述方法步骤相对应，并能够实施上述方法中的不同实施方式，具体可参见上述关于方法的描述，这里不再详细叙述。

尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种面向海洋渔业的船舶目标检测方法，其特征在于，包括：

S1，获取海洋环境图像；

S2，对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像；

S3，在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域；

S4，对疑似存在船舶目标的区域进行角点检测，获取种子角点；

S5，基于种子角点进行形态学处理，获得船舶目标；

所述在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域，包括：

将所述海洋区域图像转换为灰度图像；

以灰度图像的左下角为坐标原点建立直角坐标系；

将灰度图像中的像素点的Y轴坐标最大值记为Y_max；

第一次检测：

对于灰度图像中Y轴坐标处于(Y_max-c，Y_max]的区域，使用c×c大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

第n次检测，n大于等于2：

对于灰度图像中Y轴坐标处于的区域，使用cⁿ×cⁿ大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

n∈[2,N]，其中N为满足的最小正整数；

所述判断窗口中是否可能存在船舶目标，包括：

通过以下公式计算窗口中的目标检测指数：

式中，aimdx表示目标检测函数，α和β表示预设的权重参数，numw表示窗口中包含的像素点的数量，uw表示窗口中的所有像素点的集合，f_j表示uw中的像素点j的像素值，G_j表示uw中的像素点j的梯度幅值；

若aimdx大于预设的指数阈值，则表示窗口中可能存在船舶目标，否则，表示窗口中不可能存在船舶目标。

2.根据权利要求1所述的一种面向海洋渔业的船舶目标检测方法，其特征在于，所述对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像，包括：

对所述海洋环境图像进行图像滤波处理，获得滤波图像；

使用图像分割算法计算分割阈值，使用分割阈值将所述滤波图像转换为二值图像；

使用hough算法对所述二值图像进行直线检测，获得海天线；

基于海天线将海洋环境图像分为天空区域图像和海洋区域图像。

3.根据权利要求1所述的一种面向海洋渔业的船舶目标检测方法，其特征在于，所述对疑似存在船舶目标的区域进行角点检测，获取种子角点，包括：

使用角点检测算法对疑似存在船舶目标的区域中的像素点进行角点检测，获得角点集合corset；

使用以下公式计算corset中的角点的重要程度指数：

其中，zds(cor)表示corset中的角点cor的重要程度指数，numcor(cor)表示coru中包含的角点总数，coru表示以cor为圆心的，半径为R的区域内的像素点的集合，G_s表示coru中的像素点s的梯度幅值，G_cor表示角点cor的梯度幅值；

若zds(cor)大于预设的指数阈值，则cor为种子角点。

4.根据权利要求1所述的一种面向海洋渔业的船舶目标检测方法，其特征在于，所述基于种子角点进行形态学处理，获得船舶目标，包括：

采用以下方式获取种子角点的目标区域像素点集合：

S11，将种子角点记为pixa，将pixa记为当前像素点pixnow；

S12，分别计算当前像素点pixnow与以pixnow为中心的3×3大小的窗口中的像素点之间的差异度：

difidx(pixnow,pixnow')＝max{f(u,v)-f(u+d,v+d)}-max{f(u_p,v_p)-f(u_p+d,v_p+d)}

其中，difidx(pixnow)表示pixnow与以pixnow为中心的3×3大小的窗口中的像素点pixnow'之间的差异度，(u,v)表示pixnow的坐标，(u_p,v_p)表示pixnow'的坐标，d∈[-1,1],d为整数，max表示取括号中的最大值；

S13，将最小差异度对应的像素点记为pixnow’_mi，若pixnow’_mi小于预设的比较阈值cmpthr，则将pixnow’_mi作为下一个当前像素点pixnow，将pixnow’_mi存入种子角点的目标区域像素点集合pixaimU中，进入S12，若pixnow’_mi大于等于预设的比较阈值cmpthr，则结束计算；

对pixaimU中的像素点进行膨胀处理，获得膨胀区域aimarea；

对aimarea进行凸包检测，获得aimarea的外接多边形；

根据所述外接多边形判断aimarea是否为船舶目标。

5.一种面向海洋渔业的船舶目标检测系统，其特征在于，包括：获取模块、分割模块、区域检测模块、角点计算模块和目标检测模块；

所述获取模块用于获取海洋环境图像；

所述分割模块用于对海洋环境图像进行图像识别处理，将所述海洋环境图像分为天空区域图像和海洋区域图像；

所述区域检测模块用于在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域；

所述角点计算模块用于对疑似存在船舶目标的区域进行角点检测，获取种子角点；

所述目标检测模块用于基于种子角点进行形态学处理，获得船舶目标；

所述在海洋区域图像中进行船舶目标检测，获得疑似存在船舶目标的区域，包括：

将所述海洋区域图像转换为灰度图像；

以灰度图像的左下角为坐标原点建立直角坐标系；

将灰度图像中的像素点的Y轴坐标最大值记为Y_max；

第一次检测：

对于灰度图像中Y轴坐标处于(Y_max-c，Y_max]的区域，使用c×c大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

第n次检测，n大于等于2：

对于灰度图像中Y轴坐标处于的区域，使用cⁿ×cⁿ大小的窗口从左到右对所述区域进行目标检测，判断窗口中是否可能存在船舶目标，若是，则所述窗口所包含的像素点为疑似存在船舶目标的区域；

n∈[2,N]，其中N为满足的最小正整数；

所述判断窗口中是否可能存在船舶目标，包括：

通过以下公式计算窗口中的目标检测指数：

式中，aimdx表示目标检测函数，α和β表示预设的权重参数，numw表示窗口中包含的像素点的数量，uw表示窗口中的所有像素点的集合，f_j表示uw中的像素点j的像素值，G_j表示uw中的像素点j的梯度幅值；

若aimdx大于预设的指数阈值，则表示窗口中可能存在船舶目标，否则，表示窗口中不可能存在船舶目标。