论文部分内容阅读
内河航运和海洋航运的迅速发展,促进了经济的增长,但也使得船舶碰撞、船舶触礁等事故发生的频率越来越高,非法捕捞、非法船舶停放等现象也时常发生,因此,实现水上船舶目标的自动检测对于水面船舶的管理具有重要的意义。首先,对于复杂的水面环境、船舶的运动以及相机的抖动等因素造成船舶图像的质量下降的问题,本文对船舶视频图像进行了预处理,经过与传统的图像去模糊算法对比,本文采用图像去模糊效果更好的基于深度学习的参数选择性共享和嵌套跳跃连接(Parameter Selective Sharing and Nested Skip Connections,PSS-NSC)算法,以提高船舶图像的质量。由于缺乏开源的船舶数据集,本文参照常用开源的Pascal VOC数据集格式制作船舶数据集,以便后续的船舶目标检测网络模型的使用。其次,使用本文制作的船舶数据集分别对基于区域更快的卷积神经网络(Faster Region-based Convolutional Neural Network,Faster R-CNN)、单点多盒探测器(Single Shot Multi Box Detector,SSD)、YOLOv3(You Only Look Once v3)进行了训练和测试,对比了三种算法的精确度、检测速度等性能指标,进而选择了兼具速度与精度的YOLOv3网络模型用于后续的船舶目标检测研究。然后,本文提出了改进型的YOLOv3算法,以Darknet-53为特征提取网络,创新性地融入基于频率调整的显著性区域检测(Frequency-Tuned(FT)Salient Region)算法得到的显著性区域特征,FT获得的显著性区域特征经过CBL(Conv+BN+Leaky Re LU)组件网络处理后与Darknet-53网络模型提取的深度特征连接到批3规?3范化(Batch Normalization,BN)层上,采用Concat方法进行特征融合,最后经过的卷积核对融合后的特征进行卷积操作得到最终的特征图,使得网络具有更强的描述能力和鲁棒性,实现更高的目标区分度;使用软非极大值抑制(Soft Non-Maximum Suppression,Soft-NMS)方法替换YOLOv3算法原有的非极大值(Non-Maximum Suppression,NMS)方法,降低了边框误删、目标漏检与误检的风险,从而提高了模型的检测率。实验结果表明,改进后的YOLOv3算法提升了视频船舶目标检测的精度,提高了视频船舶目标检测的速度。最后,利用微软基础类库(Microsoft Foundation Classes,MFC)框架设计了基于视频的水上船舶目标检测系统,通过对系统的整体性能测试表明系统能够准确地、实时地对复杂的水面船舶视频进行检测。