一种船舶目标检测方法、终端设备及存储介质技术

本发明专利技术涉及一种船舶目标检测方法、终端设备及存储介质，该方法中包括：S1：采集船舶图像组成训练集；S2：构建基于改进CenterNet网络的船舶目标检测模型并进行训练；模型中首先采用ResNeXt

【技术实现步骤摘要】
一种船舶目标检测方法、终端设备及存储介质


[0001]本专利技术涉及目标检测领域，尤其涉及一种船舶目标检测方法、终端设备及存储介质。

技术介绍

[0002]随着水上航运的快速发展，往来船舶流量增加，水上交通监管难度增大，利用视觉目标检测技术弥补人力监管的局限性，完善船舶监管系统具有重要意义。传统目标检测方法如背景建模法难以准确检测出船舶目标，而卷积神经网络具备强大的特征表征能力，因此，基于卷积神经网络的船舶目标检测算法成为主要研究趋势。目前主流目标检测算法为基于锚框(Anchor
‑
based)的两级式Faster R
‑
CNN算法和单级式SSD算法、YOLOV3算法，并且大量应用在船舶目标检测领域，具有较好的检测效果。Anchor
‑
based检测算法主要通过预设anchors穷举图像中目标的潜在位置，再从中回归出目标的正确位置，但船舶数据集中目标形状和尺寸不同，设计合理的anchors比较困难，并且anchor机制会产生正负训练样本不均衡，训练难度大，计算冗余等问题。近年来，无锚框式(Anchor
‑
free)目标检测算法逐渐发展并受到广泛关注，如CornerNet、CenterNet(Object as point)和FCOS检测算法，anchor
‑
free检测算法优势在于不需要预设锚框，而是通过关键点—角点或中心点的检测对目标进行定位，同时对形状属性进行回归得到目标边界框。

技术实现思路

[0003]为了解决上述问题，本专利技术提出了一种船舶目标检测方法、终端设备及存储介质。
[0004]具体方案如下：
[0005]一种船舶目标检测方法，包括以下步骤：
[0006]S1：采集用于训练船舶目标检测模型的船舶图像组成训练集；
[0007]S2：构建基于改进CenterNet网络的船舶目标检测模型，并通过训练集对模型进行训练；
[0008]船舶目标检测模型中首先采用ResNeXt
‑
50网络进行下采样，并在32倍下采样得到的特征层后添加一个基于空洞残差卷积的空洞编码器DE；其次采用FPN网络进行上采样后得到4倍下采样的特征图；最后基于4倍下采样的特征图，通过回归预测网络进行回归预测，预测得到关键点热力图和对应的中心点偏移量及目标框尺寸两个属性；
[0009]S3：通过训练后的船舶目标检测模型对待检测图像进行船舶目标检测。
[0010]进一步的，空洞编码器的网络结构包含两个部分，分别是预处理层和空洞残差层，预处理层首先通过1
×
1卷积对输入通道进行降维，然后通过3
×
3卷积细化上下文信息，空洞残差层连续堆叠了4个扩张率依次为2、4、6、8的空洞残差块。
[0011]进一步的，采用FPN网络进行上采样时，在以32倍下采样到16倍下采样过程中，首先将32倍下采样特征图通过2倍最近邻插值进行上采样，然后通过1
×
1卷积调整32倍下采样层和16倍下采样层的特征图通道数，经相加后通过3
×
3卷积进行特征融合。
[0012]进一步的，用于得到关键点热力图、中心点偏移量和目标框尺寸的回归预测网络中的三个分支中均采用一个3
×
3卷积和一个1
×
1卷积进行。
[0013]进一步的，构建空洞编码器、FPN网络和回归预测网络时均采用LeakyRelu激活函数。
[0014]进一步的，船舶目标检测模型的损失函数L
det
的计算公式为：
[0015]L
det
＝L
kp
+L
offset
+γ
size
L
size
[0016]其中，L
kp
表示关键点热力图的损失函数，L
offset
表示中心点偏移量的损失函数，L
size
表示目标框尺寸的损失函数，γ
size
表示尺寸损失调节系数，用于抑制过大的目标框尺寸。
[0017]进一步的，关键点热力图的损失函数L
kp
的计算公式为：
[0018][0019][0020]其中，α和β均表示超参数，N表示图像中的关键点数量，K
xyc
表示高斯核，表示标签热力图，c表示船舶类别，分别表示目标映射在标签热力图中的中心点位置的x轴坐标和y轴坐标，x、y分别表示中心点附近负样本的x轴坐标和y轴坐标，δ
p
表示尺度自适应方差。
[0021]进一步的，中心点偏移量的损失函数L
offset
和目标框尺寸的损失函数L
size
采用L1损失函数。
[0022]一种船舶目标检测终端设备，包括处理器、存储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，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。
[0023]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本专利技术实施例上述的方法的步骤。
[0024]本专利技术采用如上技术方案，可以对各类别船舶检测平均精确率均有不同程度的提升，并且降低了船舶误识别、小目标船舶漏检概率，对于水上船舶监控应用具有重要意义。
附图说明
[0025]图1所示为本专利技术实施例一的流程图。
[0026]图2所示为该实施例中船舶目标检测模型的网络结构示意图。
[0027]图3所示为该实施例中ResNeXt
‑
50网络模块示意图，其中图3(a)表示ResNeXt基础模块，图3(b)表示ResNeXt简化基础模块。
[0028]图4所示为该实施例中空洞编码器的网络结构示意图。
[0029]图5所示为该实施例中FPN上采样网络多尺度特征融合过程示意图。
具体实施方式
[0030]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部
分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。
[0031]现结合附图和具体实施方式对本专利技术进一步说明。
[0032]实施例一：
[0033]本专利技术实施例提供了一种船舶目标检测方法，如图1所示，所述方法包括以下步骤：
[0034]S1：采集用于训练船舶目标检测模型的船舶图像组成训练集。
[0035]该实施例中采用公开的用于船舶目标检测的数据集，即SeaShips数据集，其主要针对内河环境下来往的船舶，其中有6类船舶，共7000张船舶图像，包含1750张训练集、1750张验证集和3500张测试集。
[0036]为了满足实际场景船舶目标检测应用，该实施例中使用相机和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶目标检测方法，其特征在于，包括以下步骤：S1：采集用于训练船舶目标检测模型的船舶图像组成训练集；S2：构建基于改进CenterNet网络的船舶目标检测模型，并通过训练集对模型进行训练；船舶目标检测模型中首先采用ResNeXt
‑
50网络进行下采样，并在32倍下采样得到的特征层后添加一个基于空洞残差卷积的空洞编码器DE；其次采用FPN网络进行上采样后得到4倍下采样的特征图；最后基于4倍下采样的特征图，通过回归预测网络进行回归预测，预测得到关键点热力图和对应的中心点偏移量及目标框尺寸两个属性；S3：通过训练后的船舶目标检测模型对待检测图像进行船舶目标检测。2.根据权利要求1所述的船舶目标检测方法，其特征在于：空洞编码器的网络结构包含两个部分，分别是预处理层和空洞残差层，预处理层首先通过1
×
1卷积对输入通道进行降维，然后通过3
×
3卷积细化上下文信息，空洞残差层连续堆叠了4个扩张率依次为2、4、6、8的空洞残差块。3.根据权利要求1所述的船舶目标检测方法，其特征在于：采用FPN网络进行上采样时，在以32倍下采样到16倍下采样过程中，首先将32倍下采样特征图通过2倍最近邻插值进行上采样，然后通过1
×
1卷积调整32倍下采样层和16倍下采样层的特征图通道数，经相加后通过3
×
3卷积进行特征融合。4.根据权利要求1所述的船舶目标检测方法，其特征在于：用于得到关键点热力图、中心点偏移量和目标框尺寸的回归预测网络中的三个分支中均采用一个3
×
3卷积和一个1
×
1卷积进行。5.根据权利要求1所述的船舶目标检测方法，其特征在于：构建空洞编码器、FPN网络和回归预测网络时均采用LeakyRelu激活函数。6.根...

【专利技术属性】
技术研发人员：周海峰，熊超，肖钟湧，王佳，宋佳声，罗成汉，张兴杰，郑东强，李寒林，林忠华，廖文良，陈鑫，
申请(专利权)人：集美大学，
类型：发明
国别省市：