CN114463640A - 一种局部特征融合的多视角船舶身份识别方法 - Google Patents

一种局部特征融合的多视角船舶身份识别方法 Download PDF

Info

Publication number
CN114463640A
CN114463640A CN202210362998.4A CN202210362998A CN114463640A CN 114463640 A CN114463640 A CN 114463640A CN 202210362998 A CN202210362998 A CN 202210362998A CN 114463640 A CN114463640 A CN 114463640A
Authority
CN
China
Prior art keywords
ship
image
target
identity
panoramic image
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
Application number
CN202210362998.4A
Other languages
English (en)
Inventor
张笛
李玉立
范亮
马浩为
张金奋
万程鹏
吴达
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.)
Guangdong Inland River Port And Shipping Industry Research Co ltd
Wuhan University of Technology WUT
Original Assignee
Guangdong Inland River Port And Shipping Industry Research Co ltd
Wuhan University of Technology WUT
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 Guangdong Inland River Port And Shipping Industry Research Co ltd, Wuhan University of Technology WUT filed Critical Guangdong Inland River Port And Shipping Industry Research Co ltd
Priority to CN202210362998.4A priority Critical patent/CN114463640A/zh
Publication of CN114463640A publication Critical patent/CN114463640A/zh
Pending legal-status Critical Current

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
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种局部特征融合的多视角船舶身份识别方法，包括以下步骤：S1，采集多点位船舶船身局部高清图像，不同点位对应不同的拍摄视角；S2，将同一点位拍摄的多张船身局部高清图像进行拼接融合，得到船舶的全景图；S3，对船舶进行身份识别，将船舶的多点位全景图和身份信息绑定后录入船舶身份数据库中；S4，采集某一视角下目标船舶的多张局部高清图像进行拼接融合，得到目标船舶的全景图；S5，根据目标船舶的全景图，在船舶身份数据库中检索与目标船舶匹配的船舶身份信息。本发明通过对船舶局部高清图片的拼接融合，利用深度学习框架进行目标识别与检测，细节化多视角船舶全景图，丰富了船舶图像信息，大大提高船舶身份识别的准确度。

Description

一种局部特征融合的多视角船舶身份识别方法
技术领域
本发明属于视觉识别技术领域，具体涉及一种局部特征融合的多视角船舶身份识别方法。
背景技术
水路运输在所有运输方式中属于高风险行业，船舶重大水上交通事故和污染事故时有发生，不仅危及船员的生命、船公司的经济利益，而且对经济发展也产生一定影响。
当船舶发生重大交通事故时，往往不能及时确认肇事船舶身份，对有关部门来说具有较大困难。水上船舶身份识别与路上车辆识别相比技术难度更高，水上船舶感知主要依靠雷达和AIS，雷达能够助航，但雷达目标不够直观，无法判断目标物体种类。AIS可以感知船舶身份，不过AIS开机率不高，而且即使开了AIS，身份信息也经常被篡改，置信度低，AIS信号易丢失且受船载设备的影响，并且AIS无法获取到船舶船身细节图像信息。
针对确认船舶的身份存在不少困难这一情况，需要大力推进视觉识别技术在海事监管领域的应用。而视觉识别技术在船舶身份识别上的应用仍存在不少问题：摄像头远距离抓拍可以获得船舶的全景图像，但全景图像中包含航行环境，图像中船舶船体部分图像不清晰，较难显示船舶船体细节，不易体现船舶身份；摄像头近距离抓拍只能获得船舶局部的高清细节图，图片信息不全，也无法确认船舶身份。
公开号为CN108806334A的中国专利公开了一种基于图像的智能船舶身份识别方法，主要包含的步骤包括：1）对于首次经过航道的船舶建立基于图像的船舶信息数据库；2）抓拍航道区域，并判断是否存在船舶；3）船舶区域的定位与分割；4）船舶图像特征的提取；5）把抓拍区域的船舶特征与船舶数据库的船舶信息进行匹配，以判定船舶身份。该专利主要利用了深度学习的方法来对船舶进行定位和身份进行识别，并且在处理大规模船舶信息数据上采用了并行加速处理的方法，具有识别率高、响应速度快的有点，具有很广泛的应用前景。然而该专利仍未解决上述问题，当拍摄距离较远时，全景图中船舶细节部分无法清晰展示，当近距离拍摄时，图片信息不全，无法快速、准确识别船舶身份。
发明内容
本发明的目的是针对现有技术存在的远程拍摄船舶图片船舶细节不清晰以及近拍船舶图片信息不全等问题，提供一种局部特征融合的多视角船舶身份识别方法，大大提高了识别的精确性。
为实现上述目的，本发明采用的技术方案是：
一种局部特征融合的多视角船舶身份识别方法，包括以下步骤：
S1，采集多点位船舶船身局部高清图像，不同点位对应不同的拍摄视角；
S2，将同一点位拍摄的多张船身局部高清图像进行拼接融合，得到船舶的全景图；
S3，对船舶进行身份识别，将船舶的多点位全景图和身份信息绑定后录入船舶身份数据库中；
S4，采集某一视角下目标船舶的多张局部高清图像进行拼接融合，得到目标船舶的全景图；
S5，根据目标船舶的全景图，在船舶身份数据库中检索与目标船舶匹配的船舶身份信息；若目标船舶的身份信息未录入船舶身份数据库中，则采集目标船舶的多点位全景图和身份信息进行绑定，并录入船舶身份数据库中。
具体地，步骤S1中，采集船舶船身局部高清图像前，采用基于YOLOv5的目标检测算法识别图像中的船舶目标。
所述YOLOv5网络包括依次连接的输入端、Backbone主干网、Neck层和预测端四个部分；其中，
所述输入端用于数据增强、自适应锚框计算以及自适应图片缩放；
所述Backbone主干网包括Focus结构和CSP模块；
所述Neck层包括FPN结构和PAN结构；
所述预测端包括CIoU_Loss损失函数；
采集船舶图片时，YOLOv5网络的输入端对全景摄像头采集到的船舶图像自适应计算最佳锚框值后，输入到YOLOv5网络结构的Backbone主干网络中，在Focus结构进行切片操作，采用CSP模块先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并，在减少了计算量的同时可以保证准确率。FPN结构自顶向下，将高层的特征信息通过上采样的方式进行传递融合，得到进行预测的特征图。PAN结构在FPN层的后面还添加了一个自底向上的特征金字塔。这样FPN+PAN结构结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，从不同的主干层对不同的检测层进行参数聚合。
同时YOLOv5中的CSP2结构加强网络特征融合的能力。到YOLOv5的预测阶段，CIoU_Loss在DIoU_Loss基础上还增加了一个影响因子，将预测框和目标框的长宽比都考虑了进去。CIoU_Loss将目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比全都考虑到了。在目标检测的后处理过程中，针对很多目标框的筛选，通常需要NMS操作，从而提取分数最高的窗口。
目标检测到之后，通过PaddleOCR较轻量级的模型，通过DB和MobileNet来实现了良好的检测效果。PaddleOCR的全连接神经网络包含四层网络结构：输入层、两个隐含层和输出层，将通过YOLOv5定位的船名目标进行信息识别，分割出新的数据集。输入层将数据输入给神经网络，尺度为28×28的像素值。隐含层增加网络深度和复杂度，隐含层的节点数是可以调整的，节点数越多，神经网络表示能力越强，参数量也会增加。中间的两个隐含层为10×10的结构，通常隐含层会比输入层的尺寸小，以便对关键信息做抽象，激活函数使用常见的sigmoid函数。输出层输出网络计算结果，输出层的节点数是固定的。模型的输出是回归一个数字，输出层的尺寸为1。
具体地，步骤S2中，进行拼接融合前，对采集的图像进行筛选清洗，将不清晰的图像以及错拍、误拍图像进行剔除。
具体地，步骤S2中，将多张船身局部高清图像进行拼接融合的方法为：
采用ORB算法和SURF算法提取待拼接图像的特征点，通过KNN特征点匹配算法得到待拼接图像的匹配点集，通过匹配点进行图像配准，在拼缝计算的基础上完成图像融合，最终生成该视角的清晰的船舶全景图。
具体地，步骤S3中，采用基于深度学习的PaddleOCR文字识别网络识别船舶身份信息中的船名，并通过图像合成工具将识别到的船名与对应的全景图进行整合。
具体地，步骤S3中，采用AIS系统获取船舶的身份信息，用于辅助船舶的身份识别。
具体地，步骤S4中，采集目标船舶的图像所用的采集设备包括全景摄像头和高清摄像头，所述全景摄像头用于获取目标船舶的全景图，对目标船舶进行定位；所述高清摄像头用于对目标船舶进行动态捕捉，获取目标船舶的局部高清图像。
具体地，步骤S5中，在船舶身份数据库中检索与目标船舶匹配的船舶身份信息的方法为：
通过卷积神经网络对目标船舶的全景图进行特征提取，获取特征激活区域，形成图像掩模，通过图像掩模找出最大连通区域，将最大连通区域图像与船舶身份数据库中的全景图进行距离匹配，采用马氏距离相似度算法选出距离最小的图像对应的船舶身份信息即为目标船舶的身份信息。
与现有技术相比，本发明的有益效果是：（1）本发明通过采集多点位船舶船身局部高清图像，并对同一点位的多张船身局部高清图像进行拼接融合，得到船舶不同视角的清晰全景图，从而形成各类船舶的身份数据库；实际应用时，通过将目标船舶的图像与数据库中的图像进行匹配，可以迅速识别目标船舶的身份信息，准确率高且实时性好；（2）本发明通过采集多点位船舶船身局部高清图像，并经过拼接融合后得到不同拍摄角度的船舶全景图（有些拍摄角度看不到船名信息），这样构建的船舶身份数据库更加完整，便于识别时，无论船舶从哪个方向驶入摄像头覆盖区域，都能准确识别到船舶信息。
附图说明
图1为本发明一种局部特征融合的多视角船舶身份识别方法的流程示意图。
图2为本发明实施例中船舶身份识别效果图。
图3为本发明实施例中船舶某一视角下的图像拼接融合效果图。
图4为本发明实施例中船舶细粒度检索算法流程图。
具体实施方式
下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本实施例提供了一种局部特征融合的多视角船舶身份识别方法，包括以下步骤：
S1，采集多点位船舶船身局部高清图像，不同点位对应不同的拍摄视角；
S2，将同一点位拍摄的多张船身局部高清图像进行拼接融合，得到船舶的全景图；
S3，对船舶进行身份识别，将船舶的多点位全景图和身份信息绑定后录入船舶身份数据库中；
S4，采集某一视角下目标船舶的多张局部高清图像进行拼接融合，得到目标船舶的全景图；
S5，根据目标船舶的全景图，在船舶身份数据库中检索与目标船舶匹配的船舶身份信息；若目标船舶的身份信息未录入船舶身份数据库中（即目标船舶与身份数据库中的船舶不匹配），则采集目标船舶的多点位全景图和身份信息进行绑定，并录入船舶身份数据库中。
具体地，步骤S1中，采集船舶船身局部高清图像前，采用基于YOLOv5的目标检测算法识别图像中的船舶目标。
所述YOLOv5网络包括依次连接的输入端、Backbone主干网、Neck层和预测端四个部分；其中，
所述输入端用于数据增强、自适应锚框计算以及自适应图片缩放；
所述Backbone主干网包括Focus结构和CSP模块；
所述Neck层包括FPN结构和PAN结构；
所述预测端包括CIoU_Loss损失函数；
采集船舶图片时，YOLOv5网络的输入端对全景摄像头采集到的船舶图像自适应计算最佳锚框值后，输入到YOLOv5网络的Backbone主干网络中，在Focus结构进行切片操作，将4*4*3的图像切片后变成2*2*12的特征图，采用CSP模块先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并，在减少了计算量的同时可以保证准确率。在YOLOv5网络的Neck层，FPN结构自顶向下，将高层的特征信息通过上采样的方式进行传递融合，得到进行预测的特征图；PAN结构在FPN层的后面还添加了一个自底向上的特征金字塔；这样FPN+PAN结构结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，从不同的主干层对不同的检测层进行参数聚合。
YOLOv5 网络中不是只使用默认锚定框，在开始训练之前会对数据集中标注信息进行核查，计算此数据集标注信息针对默认锚定框的最佳召回率，当最佳召回率大于或等于0.98，则不需要更新锚定框；如果最佳召回率小于0.98，则需要重新计算符合此数据集的锚定框。
如果使用 YOLOv5 训练效果并不好（排除其他原因，只考虑 “预设锚定框” 这个因素）, YOLOv5在核查默认锚定框是否符合要求时，计算的最佳召回率大于0.98，没有自动计算锚定框；此时可以自己手动计算锚定框。
YOLOv5相对于YOLOv3、YOLOv4，在每次训练时，会自适应的计算不同训练集中的最佳锚框值。
同时YOLOv5中的CSP2结构加强网络特征融合的能力。到YOLOv5的预测端，CIoU_Loss在DIoU_Loss基础上还增加了一个影响因子，将预测框和目标框的长宽比都考虑了进去。
Figure 580042DEST_PATH_IMAGE001
其中，
Figure 778943DEST_PATH_IMAGE002
为真实框与预测框中心点的距离；v是衡量长宽比一致性的参数：
Figure 651084DEST_PATH_IMAGE003
IoU全称交并比，是“预测的边框”和“真实的边框”的交集和并集的比值，w是预测边界框宽度，h是预测边界框高度；
Figure 175606DEST_PATH_IMAGE004
是真实边界框宽度，
Figure 929935DEST_PATH_IMAGE005
是真实边界框高度；
IoU_Loss：主要考虑检测框和目标框重叠面积；
GIoU_Loss：在IoU的基础上，解决边界框不重合时的问题；
DIoU_Loss：在IoU和GIoU的基础上，考虑边界框中心点距离的信息；
CIoU_Loss：在DIoU的基础上，考虑到了预测框与真实框的重叠面积、中心点距离、长宽比。
CIoU_Loss将目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比全都考虑到了。在目标检测的后处理过程中，针对很多目标框的筛选，通常需要NMS操作，从而提取分数最高的窗口。
具体地，步骤S2中，进行拼接融合前，对采集的图像进行筛选清洗，将不清晰的图像以及错拍、误拍图像进行剔除。
具体地，如图3所示，步骤S2中，将多张船身局部高清图像进行拼接融合的方法为：
采用ORB算法和SURF算法提取待拼接图像的特征点，通过KNN特征点匹配算法得到待拼接图像的匹配点集，通过匹配点进行图像配准，在拼缝计算的基础上完成图像融合，最终生成该视角的清晰的船舶全景图。图3中，上半部分靠左边的全景图为全景摄像头拍摄到的图像，通过YOLOv5网络识别定位图像中船舶的方位；上半部分靠右边的两张图片为高清摄像头拍摄到的船舶局部高清图像；下半部分的图像为两张局部高清图像拼接融合后得到的船舶船身全景高清图像。
具体地，如图2所示，步骤S3中，采用基于深度学习的PaddleOCR文字识别网络识别船舶身份信息中的船名，并通过图像合成工具将识别到的船名与对应的全景图进行整合。
目标检测到之后，通过PaddleOCR较轻量级的模型，通过DB和MobileNet来实现了良好的检测效果。PaddleOCR的全连接神经网络包含四层网络结构：输入层、两个隐含层和输出层，将通过YOLOv5定位的船名目标进行信息识别，分割出新的数据集。输入层将数据输入给神经网络，尺度为28×28的像素值。隐含层增加网络深度和复杂度，隐含层的节点数是可以调整的，节点数越多，神经网络表示能力越强，参数量也会增加。中间的两个隐含层为10×10的结构，通常隐含层会比输入层的尺寸小，以便对关键信息做抽象，激活函数使用常见的sigmoid函数。输出层输出网络计算结果，输出层的节点数是固定的。模型的输出是回归一个数字，输出层的尺寸为1。
PaddleOCR网络使用交叉熵作为损失函数：
Figure 807893DEST_PATH_IMAGE006
Figure 331278DEST_PATH_IMAGE007
是交叉熵公式；
p(x)为某一事件发生的概率，其信息量表示为I(x)；
信息熵H（X）表示为
Figure 462920DEST_PATH_IMAGE008
Figure 704545DEST_PATH_IMAGE009
为KL散度（相对熵），用来衡量同一个随机变量X的两个单独概率分布P(x)和Q(x)两个概率分布之间的差异；KL散度=交叉熵-信息熵。
具体地，步骤S3中，采用AIS系统获取船舶的身份信息，用于辅助船舶的身份识别。
具体地，步骤S4中，采集目标船舶的图像所用的采集设备包括全景摄像头和高清摄像头，所述全景摄像头用于获取目标船舶的全景图，对目标船舶进行定位；所述高清摄像头用于对目标船舶进行动态捕捉，获取目标船舶的局部高清图像。
具体地，如图4所示，步骤S5中，在船舶身份数据库中检索与目标船舶匹配的船舶身份信息的方法为：
通过卷积神经网络对目标船舶的全景图进行特征提取，获取特征激活区域，形成图像掩模，通过图像掩模找出最大连通区域，将最大连通区域图像与船舶身份数据库中的全景图进行距离匹配，采用马氏距离相似度算法选出距离最小的图像对应的船舶身份信息即为目标船舶的身份信息。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种局部特征融合的多视角船舶身份识别方法，其特征在于，包括以下步骤：
S1，采集多点位船舶船身局部高清图像，不同点位对应不同的拍摄视角；
S2，将同一点位拍摄的多张船身局部高清图像进行拼接融合，得到船舶的全景图；
S3，对船舶进行身份识别，将船舶的多点位全景图和身份信息绑定后录入船舶身份数据库中；
S4，采集某一视角下目标船舶的多张局部高清图像进行拼接融合，得到目标船舶的全景图；
S5，根据目标船舶的全景图，在船舶身份数据库中检索与目标船舶匹配的船舶身份信息；若目标船舶的身份信息未录入船舶身份数据库中，则采集目标船舶的多点位全景图和身份信息进行绑定，并录入船舶身份数据库中。
2.根据权利要求1所述的一种局部特征融合的多视角船舶身份识别方法，其特征在于，步骤S1中，采集船舶船身局部高清图像前，采用基于YOLOv5的目标检测算法识别图像中的船舶目标。
3.根据权利要求1所述的一种局部特征融合的多视角船舶身份识别方法，其特征在于，步骤S2中，进行拼接融合前，对采集的图像进行筛选清洗，将不清晰的图像以及错拍、误拍图像进行剔除。
4.根据权利要求1所述的一种局部特征融合的多视角船舶身份识别方法，其特征在于，步骤S2中，将多张船身局部高清图像进行拼接融合的方法为：
采用ORB算法和SURF算法提取待拼接图像的特征点，通过KNN特征点匹配算法得到待拼接图像的匹配点集，通过匹配点进行图像配准，在拼缝计算的基础上完成图像融合，最终生成该视角的船舶全景图。
5.根据权利要求1所述的一种局部特征融合的多视角船舶身份识别方法，其特征在于，步骤S3中，采用基于深度学习的PaddleOCR文字识别网络识别船舶身份信息中的船名，并通过图像合成工具将识别到的船名与对应的全景图进行整合。
6.根据权利要求1所述的一种局部特征融合的多视角船舶身份识别方法，其特征在于，步骤S3中，采用AIS系统获取船舶的身份信息，用于辅助船舶的身份识别。
7.根据权利要求1所述的一种局部特征融合的多视角船舶身份识别方法，其特征在于，步骤S4中，采集目标船舶的图像所用的采集设备包括全景摄像头和高清摄像头，所述全景摄像头用于获取目标船舶的全景图，对目标船舶进行定位；所述高清摄像头用于对目标船舶进行动态捕捉，获取目标船舶的局部高清图像。
8.根据权利要求1所述的一种局部特征融合的多视角船舶身份识别方法，其特征在于，步骤S5中，在船舶身份数据库中检索与目标船舶匹配的船舶身份信息的方法为：
通过卷积神经网络对目标船舶的全景图进行特征提取，获取特征激活区域，形成图像掩模，通过图像掩模找出最大连通区域，将最大连通区域图像与船舶身份数据库中的全景图进行距离匹配，采用马氏距离相似度算法选出距离最小的图像对应的船舶身份信息即为目标船舶的身份信息。
CN202210362998.4A 2022-04-08 2022-04-08 一种局部特征融合的多视角船舶身份识别方法 Pending CN114463640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210362998.4A CN114463640A (zh) 2022-04-08 2022-04-08 一种局部特征融合的多视角船舶身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210362998.4A CN114463640A (zh) 2022-04-08 2022-04-08 一种局部特征融合的多视角船舶身份识别方法

Publications (1)

Publication Number Publication Date
CN114463640A true CN114463640A (zh) 2022-05-10

Family

ID=81417400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210362998.4A Pending CN114463640A (zh) 2022-04-08 2022-04-08 一种局部特征融合的多视角船舶身份识别方法

Country Status (1)

Country Link
CN (1) CN114463640A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117953408A (zh) * 2024-01-30 2024-04-30 亿海蓝（北京）数据技术股份公司 船舶识别方法、装置及系统、电子设备和可读存储介质
CN118334693A (zh) * 2024-06-07 2024-07-12 摩派空间(天津)有限公司 一种根据快递面单预测用户信息的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630117A (zh) * 2008-07-15 2010-01-20 上海虚拟谷数码科技有限公司 多摄像机同步获取360°高清全景系统及其应用
CN108664983A (zh) * 2018-05-21 2018-10-16 天津科技大学 一种尺度与特征强度自适应的surf特征点匹配方法
CN108718403A (zh) * 2018-06-08 2018-10-30 重庆交通职业学院 用于多旋翼无人热气飞艇的影像全景系统
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
CN108933899A (zh) * 2018-08-22 2018-12-04 Oppo广东移动通信有限公司 全景拍摄方法、装置、终端及计算机可读存储介质
CN111523465A (zh) * 2020-04-23 2020-08-11 中船重工鹏力（南京）大气海洋信息系统有限公司 基于摄像机标定及深度学习算法的船舶身份识别系统
CN112565608A (zh) * 2020-12-07 2021-03-26 武汉理工大学 一种船舶全景图像自动拼接系统
KR20210050868A (ko) * 2019-10-29 2021-05-10 대우조선해양 주식회사 선박용 원거리 물체 인식 시스템 및 방법
CN112967527A (zh) * 2021-02-05 2021-06-15 武汉理工大学 一种渡船碰撞风险评估方法、系统、装置及介质
CN113269073A (zh) * 2021-05-19 2021-08-17 青岛科技大学 一种基于yolo v5算法的船舶多目标追踪方法
CN114241377A (zh) * 2021-12-16 2022-03-25 海南大学 基于改进yolox的船舶目标检测方法、装置、设备及介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630117A (zh) * 2008-07-15 2010-01-20 上海虚拟谷数码科技有限公司 多摄像机同步获取360°高清全景系统及其应用
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
CN108664983A (zh) * 2018-05-21 2018-10-16 天津科技大学 一种尺度与特征强度自适应的surf特征点匹配方法
CN108718403A (zh) * 2018-06-08 2018-10-30 重庆交通职业学院 用于多旋翼无人热气飞艇的影像全景系统
CN108933899A (zh) * 2018-08-22 2018-12-04 Oppo广东移动通信有限公司 全景拍摄方法、装置、终端及计算机可读存储介质
KR20210050868A (ko) * 2019-10-29 2021-05-10 대우조선해양 주식회사 선박용 원거리 물체 인식 시스템 및 방법
CN111523465A (zh) * 2020-04-23 2020-08-11 中船重工鹏力（南京）大气海洋信息系统有限公司 基于摄像机标定及深度学习算法的船舶身份识别系统
CN112565608A (zh) * 2020-12-07 2021-03-26 武汉理工大学 一种船舶全景图像自动拼接系统
CN112967527A (zh) * 2021-02-05 2021-06-15 武汉理工大学 一种渡船碰撞风险评估方法、系统、装置及介质
CN113269073A (zh) * 2021-05-19 2021-08-17 青岛科技大学 一种基于yolo v5算法的船舶多目标追踪方法
CN114241377A (zh) * 2021-12-16 2022-03-25 海南大学 基于改进yolox的船舶目标检测方法、装置、设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DI ZHANG ET AL.: "Identifying important ports in maritime container shipping networks networks along the maritime shipping networks along the maritime silk road", 《OCEAN COASTAL MANAGEMENT》 *
PENGYU LI ET AL.: "Backend service system of ship detection and plate recognition system based on deep learning", 《OPTICAL SENSING AND IMAGING TECHNOLOGY》 *
张宏群 等: "基于YOLOv5的遥感图像舰船的检测方法", 《电子测量》 *
方一程: "由粗到细的全景视觉定位技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
高宏伟 等: "《电子制造装备技术》", 30 September 2015, 西安电子科技大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117953408A (zh) * 2024-01-30 2024-04-30 亿海蓝（北京）数据技术股份公司 船舶识别方法、装置及系统、电子设备和可读存储介质
CN118334693A (zh) * 2024-06-07 2024-07-12 摩派空间(天津)有限公司 一种根据快递面单预测用户信息的方法

Similar Documents

Publication Publication Date Title
US11410002B2 (en) Ship identity recognition method based on fusion of AIS data and video data
WO2021142902A1 (zh) 基于DANet的无人机海岸线漂浮垃圾巡检系统
CN100538723C (zh) 多视觉传感器信息融合的内河船舶自动识别系统
CN112257609B (zh) 一种基于自适应关键点热图的车辆检测方法及装置
CN114463640A (zh) 一种局部特征融合的多视角船舶身份识别方法
CN108830199B (zh) 识别交通灯信号的方法、装置、可读介质及电子设备
CN108806334A (zh) 一种基于图像的智能船舶身份识别方法
CN109255350B (zh) 一种基于视频监控的新能源车牌检测方法
CN115147594A (zh) 一种基于船艏向识别的船舶图像轨迹跟踪与预测方法
CN109145747A (zh) 一种水面全景图像语义分割方法
CN109919026B (zh) 一种水面无人艇局部路径规划方法
CN112215074A (zh) 基于无人机视觉的实时目标识别与检测追踪系统及方法
CN115908442A (zh) 一种无人机海洋监测用图像全景分割方法及模型搭建方法
WO2018000252A1 (zh) 高分辨遥感海洋图像的海背景建模与抑制的方法及系统
CN114926747A (zh) 一种基于多特征聚合与交互的遥感图像定向目标检测方法
CN109800714A (zh) 一种基于人工智能的船舶检测系统及方法
CN116524414A (zh) 一种打架行为识别方法、系统及计算机可读存储介质
CN115546763A (zh) 基于视觉测距的交通信号灯识别网络训练方法及测试方法
CN115346155A (zh) 一种面向视觉特征非连续性干扰的船舶图像航迹提取方法
CN115171336A (zh) 一种海滩监控溺水防护系统
CN114049478A (zh) 基于改进Cascade R-CNN的红外船舶图像快速识别方法及系统
CN111103977B (zh) 一种船舶辅助驾驶数据的处理方法和系统
JP4686773B2 (ja) 動体認識方法および動体認識装置
CN114332682B (zh) 一种海上全景去雾目标识别方法
CN115880590A (zh) 基于无人机机器视觉的轨道异物入侵检测方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220510