CN116106899B - 一种基于机器学习的港口航道小目标识别方法 - Google Patents

Abstract

本发明属于港口航道技术领域，具体公开了一种基于机器学习的港口航道小目标识别方法，包括以下步骤，S1.搭载X‑波段雷达天线、采集航道小目标图像，建立原始图像数据库；S2.对采集数据进行预处理，优化了航道小目标数据集；S3.基于特征金字塔网络，引入改进的侧边融合路径网络，建立航道目标特征提取网络；S4.采用Faster RCNN模型作为港航小目标的识别模型，通过采用高斯分布建模，改进定位损失函数，优化目标识别框。其优点在于，采用高斯分布改进定位损失函数，减小定位误差，提高收敛速度，改善目标漏检、误检情况。

Description

一种基于机器学习的港口航道小目标识别方法

技术领域

本发明属于港口航道技术领域，具体公开了一种基于机器学习的港口航道小目标识别方法。

背景技术

近年来，我国的海运事业不断发展，在港口货物吞吐量和外贸货物吞吐量飞速增长的同时，港区规模也在不断扩大。与陆运环境相比，海运环境更加复杂，利用雷达技术进行海平面监测以及目标识别是保障船舶顺利航行的关键手段。但是单独使用雷达进行目标检测时，虽然在目标检测的同时能够测量出目标的速度，但是会导致角度分辨率低，信号损失大，目标分类能力差。

发明内容

基于上述问题，本申请基于航道小目标数据集，采用改进的回归损失函数进行Faster RCNN神经网络训练，构建深度学习模型。其技术方案为，

一种基于机器学习的港口航道小目标识别方法，包括以下步骤，

S1.搭载X-波段雷达天线、采集航道小目标图像，建立原始图像数据库；

S2.对采集数据进行预处理，优化了航道小目标数据集；

S3.基于特征金字塔网络，引入改进的侧边融合路径网络，建立航道目标特征提取网络；

S4.采用Faster RCNN模型作为港口航道小目标的识别模型，通过采用高斯分布建模，改进定位损失函数，优化目标框。

优选的，步骤S2数据预处理步骤如下：

S21.根据采集的长段视频数据，采用等距采样法做抽帧处理，然后采用结构相似性算法对数据做相似性分析，从对比度、亮度、结构三个方面过滤相似图像；

S22.筛选图像后，在图像中标注出目标物的类别和位置，其中class_category为类别名，X_min,Y_min为目标框左上角的坐标位置，目标框的宽度以及目标框的高度分别Width、Height，，目标框公式如下：

BoundingBox＝(class_category,X_min,Y_min,Width,Height)

S23.界定目标物的边界和形状，绘制目标框，涵盖目标数量、目标四角坐标、目标姿态信息，制作成数据集，用以作为神经网络的训练的输入。

优选的，步骤S3特征提取步骤如下：

S31.采用特征金字塔网络分阶段对图像执行卷积、池化操作，得到特征图{C₁，C₂，C₃，C₄，C₅}；

S32.采用自顶向下融合路径，用上采样法放大顶层小特征图，放大到上个阶段同尺寸，再对两阶段输出的特征图相加得到融合特征图{P₂，P₃，P₄，P₅}；

S33.引入侧边融合路径网络结构如图一，同一阶段同一尺度特征层之间，{C₁，C₅}保持不变，增加{C₂，C₃，C₄}到{N₂，N₃，N₄}的跳跃连接路径，侧边融合{PP₂，P₃，P₄}特征图，生成{N₁，N₂，N₃,N₄，N₅}特征图，特征图中包含了本层特征信息，并融合了顶层特征信息。

优选的，步骤S4目标识别优化步骤如下，

S41.采用两点表示法，将目标框用(x₁,y₁,x₂,y₂)参数化，进而计算出预测坐标和真实坐标相对锚点框的偏移量，

式中，(x₁,y₁,x₂,y₂)为目标框的信息，(x_1a,y_1a,x_2a,y_2a)为锚点框的信息，w_a、h_a分别是锚点框的宽度和高度，

为真实框的信息，/>

为预测框与锚点框的偏移量，/>

是真实框与锚点框的偏移量；

S42.采用概率分布表示预测框定位置信度，为了便于单变量高斯分布对候选框建模，统一用x表示目标框坐标信息(x₁,y₁,x₂,y₂)，表达公式为：

式中，x_e为预测框与锚点框的偏移量

σ为标准差。

优选的，步骤S4中，计算真实框定位置信度，方法如下，

S43.σ的大小描述定位预测的不确定程度，当σ越趋近0，预测框的位置越接近真实框位置，可转化为狄拉克函数表示真实框定位置信度：

P_D(x)＝δ(x-x_g)

式中，x_g是真实框与锚点框的偏移量

优选的，步骤S4中，计算定位损失函数，方法如下，

S44.采用高斯分布改进回归损失函数，对预测框和目标框建模，学习预测框和目标框的离散程度，进而提升模型定位精度，回归损失函数用L_reg表示，公式为：

式中，D_KL是预测框与目标框的分布拟合程度，P_Θ(x)是预测框的高斯分布，P_D(x)是目标框的狄拉克函数，log(2π)与H(P_D(x))为常量，回归损失函数可进一步简化为：

与现有技术相比，本申请存在以下优点，

1.改进特征提取网络，实现多尺度特征信息融合。

2.采用高斯分布改进定位损失函数，减小定位误差，提高收敛速度，改善目标漏检、误检情况。

附图说明

图1为本申请流程图。

图2为本申请侧边融合路径特征提取网络图。

图3为本申请Loss函数收敛曲线。

具体实施方式

以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。

图1-图2所示，一种基于雷达的港航小目标识别技术，包括以下步骤：

S1：搭载X-波段雷达天线、采集航道小目标图像，建立原始图像数据库；

S11.小目标雷达的组成主要有：显示器、控制面板、主机、雷达接口单元、X-波段雷达天线、光电摄像头、视频转换单元、软件、视频采集卡等；

S12.当可疑目标进入雷达扫描范围时，雷达能自动捕捉小目标(如：渔网、小渔船、海上漂浮杂物、落水人员等)图像，并对收到的信号进行计算，利用远高于导航雷达的视频采集卡(12bit)，将高清图像数据信息传输到控制中心储存，形成图像数据库；

S13.雷达天线安装使用防腐蚀胶垫，螺母及接地螺栓涂抹硅酮密封胶，线缆的屏蔽线过夹板均采用抹油灰、硅酮防腐设计，控制器、跟踪器、处理器等集成在一个操作台，安装在室内；

S14.本发明中设备防潮防腐，安装位置易于维护。该设备安全可靠，具备较强的抗干扰能力。

S2.对采集数据进行抽帧、去重、标注、增广操作，进一步优化了航道小目标数据集；

S21.根据采集的长段视频数据，采用等距采样法做抽帧处理，然后采用结构相似性算法对数据做相似性分析，从对比度、亮度、结构三个方面过滤相似图像；

S22.筛选图像后，在图像中标注出目标物的类别和位置，其中class_category为类别名，X_min,Y_min为目标框左上角的坐标位置，目标框的宽度以及目标框的高度分别Width,Height，目标框公式如下：

BoundingBox＝(class_category,X_min,Y_min,Width,Height)

S23.界定目标物的边界和形状，绘制目标框，涵盖目标数量、目标四角坐标、目标姿态等信息，制作成数据集，用以作为神经网络的训练的输入。

S3：基于特征金字塔网络，引入改进的侧边融合路径网络，建立航道目标特征提取网络；

S31.采用特征金字塔网络(FPN)分阶段对图像执行卷积、池化操作，得到特征图{C₁，C₂，C₃，C₄，C₅}；

S32.采用自顶向下融合路径，用上采样法放大顶层小特征图，放大到上个阶段同尺寸，再对两阶段输出的特征图相加得到融合特征图{P₂，P₃，P₄}；

S33.引入侧边融合路径网络结构如图一，同一阶段同一尺度特征层之间，{C₁，C₅}保持不变，增加{C₂，C₃，C₄}到{N₂，N₃，N₄}的跳跃连接路径，侧边融合{P₂，P₃，P₄}特征图，生成{N₁，N₂，N₃，N₄，N₅}特征图，特征图中包含了本层特征信息，并融合了顶层特征信息。

N₁＝C1+P2，N2＝N1+P2+C2，N3＝N2+P3+C3，N4＝N3+P4+C4，N5＝N4+C5。

S4:采用Faster RCNN模型作为港口航道小目标的识别模型，通过采用高斯分布建模，改进定位损失函数，优化目标识别框，改进识别模型，并使用航道小目标数据集加以训练，提高模型识别性能。

S41.本发明设计两点表示法，将目标框用(x₁,y₁,x₂,y₂)参数化，进而计算出预测坐标和真实坐标相对锚点框的偏移量

式中，(x₁,y₁,x₂,y₂)为目标框的信息，(x_1a,y_1a,x_2a,y_2a)为锚点框的信息，w_a、h_a分别是锚点框的宽度和高度，

为真实框的信息，/>

为预测框和锚点框的偏移量，/>

是真实框和锚点框的偏移量；

S42.采用概率分布表示预测框定位置信度，为了便于单变量高斯分布对候选框建模，统一用x表示目标框坐标信息(x₁,y₁,x₂,y₂)，表达公式为：

式中，x_e为预测框和锚点框的偏移量

σ为标准差。

S43.σ的大小描述定位预测的不确定程度，当σ越趋近0，预测框的位置越接近真实框位置，可转化为狄拉克函数表示真实目标框定位置信度：

P_D(x)＝δ(x-x_g)

式中，x_g是真实框和锚点框的偏移量

S44.采用高斯分布改进回归损失函数，对预测框和目标框建模，学习预测框和目标框的离散程度，进而提升模型定位精度，回归损失函数用L_reg表示，公式为：

式中，D_KL是预测框与目标框的分布拟合程度，P_Θ(x)是预测框的高斯分布，P_D(x)是目标框的狄拉克函数，log(2π)与H(P_D(x))为常量，回归损失函数可进一步简化为：

S45.基于航道小目标数据集，采用改进的回归损失函数进行Faster RCNN神经网络训练，构建深度学习模型。如图3所示，改进Loss函数后识别网络与改进前的Loss收敛曲线对比情况中，改进算法后，初始误差缩小，收敛速度加快，在175轮后逐渐平稳，最终损失值也明显缩小。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (2)

1.一种基于机器学习的港口航道小目标识别方法，其特征在于，包括以下步骤，

S1.搭载X-波段雷达天线、采集航道小目标图像，建立原始图像数据库；

S2.对采集数据进行预处理，优化了航道小目标数据集；

S3.基于特征金字塔网络，引入改进的侧边融合路径网络，建立航道目标特征提取网络；

S31.采用特征金字塔网络分阶段对图像执行卷积、池化操作，得到特征图{C₁，C₂，C₃，C₄，C₅}；

S32.采用自顶向下融合路径，用上采样法放大顶层小特征图，放大到上个阶段同尺寸，再对两阶段输出的特征图相加得到融合特征图{P₂，P₃，P₄，P₅}；

S33.引入侧边融合路径网络结构，同一阶段同一尺度特征层之间，{C₁，C₅}保持不变，增加{C₂，C₃，C₄}到{N₂，N₃，N₄}的跳跃连接路径，侧边融合{P₂，P₃，P₄}特征图，生成{N₁，N₂，N₃，N₄，N₅}特征图，特征图中包含了本层特征信息，并融合了顶层特征信息；

S4.采用Faster RCNN模型作为港口航道小目标的识别模型，通过采用高斯分布建模，改进定位损失函数，优化目标框；

目标框优化步骤如下，

S41.采用两点表示法，将目标框用(x₁,y₁,x₂,y₂)参数化，进而计算出预测坐标和真实坐标相对锚点框的偏移量，

式中，(x₁,y₁,x₂,y₂)为目标框的信息，(x_1a,y_1a,x_2a,y_2a)为锚点框的信息，w_a、h_a分别是锚点框的宽度和高度，

为真实框的信息，/>

为预测框与锚点框的偏移量，/>

是真实框与锚点框的偏移量；

S42.采用概率分布表示预测框定位置信度，为了便于单变量高斯分布对候选框建模，统一用x表示目标框坐标信息(x₁,y₁,x₂,y₂)，表达公式为：

式中，x_e表示预测框与锚点框的偏移量

σ为标准差；

计算真实框定位置信度，方法如下，

S43.σ的大小描述定位预测的不确定程度，当σ越趋近0，预测框的位置越接近真实框位置，可转化为狄拉克函数表示真实框定位置信度：

P_D(x)＝δ(x-x_g)

式中，x_g是真实框与锚点框的偏移量

计算定位损失函数，方法如下，

S44.采用高斯分布改进回归损失函数，对预测框和目标框建模，学习预测框和目标框的离散程度，进而提升模型定位精度，回归损失函数用L_reg表示，公式为：

式中，D_KL是预测框与目标框的分布拟合程度，P_Θ(x)是预测框的高斯分布，P_D(x)是目标框的狄拉克函数，log(2π)与H(P_D(x))为常量，回归损失函数可进一步简化为：

2.根据权利要求1所述的一种基于机器学习的港口航道小目标识别方法，其特征在于，步骤S2数据预处理步骤如下：

S21.根据采集的长段视频数据，采用等距采样法做抽帧处理，然后采用结构相似性算法对数据做相似性分析，从对比度、亮度、结构三个方面过滤相似图像；

S22.筛选图像后，在图像中标注出目标物的类别和位置，其中class_category为类别名，X_min,Y_min为目标框左上角的坐标位置，目标框的宽度以及目标框的高度分别Width、Height，目标框公式如下：

BoundingBox＝(class_category,X_min,Y_min,Width,Height)

S23.界定目标物的边界和形状，绘制目标框，涵盖目标数量、目标四角坐标、目标姿态信息，制作成数据集，用以作为神经网络的训练的输入。

Images