System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于红外落水人员目标检测,尤其涉及一种基于深度学习的红外落水人员识别方法及系统。
技术介绍
1、红外落水人员识别通常是指使用红外摄像头监测水域,当检测到落水人员时,提供落水人员的位置。传统检测方法对环境变化较为敏感,其缺点:1)夜间光照条件差时,传统摄像头夜视效果较差,不能在夜间或光线暗弱的环境下正常工作;2)受气候环境影响大,雾霾、大雨等恶劣天气会严重影响视野和图像质量,导致检测失败。3)传统算法对红外小目标定位精度差。
技术实现思路
1、本专利技术解决的技术问题是:克服现有技术的不足,提供了一种基于深度学习的红外落水人员识别方法及系统,具有更强的识别能力及更高的检测精度。
2、本专利技术目的通过以下技术方案予以实现:一种基于深度学习的红外落水人员识别方法,包括:对落水人员进行拍照得到输入图像,对输入图像进行去噪处理得到去噪图像;对去噪图像进行特征提取得到特征图;对特征图进行判断得到中心点位置预测信息、目标尺寸预测信息和落水人员类别预测信息;根据中心点位置预测信息、目标尺寸预测信息和落水人员类别预测信息得到落水人员的位置、目标尺寸与类别。
3、上述基于深度学习的红外落水人员识别方法中,所述去噪处理包括:利用中值滤波与频域降噪去除输入图像中的脉冲噪声、椒盐噪声及预设频率成分的噪声。
4、上述基于深度学习的红外落水人员识别方法中,中心点位置预测信息通过如下公式得到:
5、c(i,j)loss=-c(i,j)gt*log(c(i
6、其中,c(i,j)loss为目标中心点像素的预测损失值,c(i,j)gt为目标中心像素心点的真实值,c(i,j)pred为目标中心点像素的预测值,i为像素在图像x轴的像素位置,j为像素在图像y轴的像素位置。
7、上述基于深度学习的红外落水人员识别方法中,目标尺寸预测信息通过如下公式得到:
8、sl=(1/n)*σ((wpred-wgt)2+(hpred-hgt)2);
9、其中,sl为目标尺寸损失值,n为数据集中所包含的样本数量,wpred为目标的预测宽度,wgt为目标的实际宽度,hpred为目标的预测宽度,hgt为目标的实际宽度。
10、上述基于深度学习的红外落水人员识别方法中,落水人员类别预测信息通过如下公式得到:
11、cl=-ygt*log(ypred)-(1-ygt)*log(1-ypred);
12、其中,cl为类别预测的损失值,ygt为落水人员真实类别信息,ypred为落水人员类别预测信息。
13、一种基于深度学习的红外落水人员识别系统,包括:第一模块,用于对落水人员进行拍照得到输入图像,对输入图像进行去噪处理得到去噪图像;第二模块,用于对去噪图像进行特征提取得到特征图;第三模块,用于对特征图进行判断得到中心点位置预测信息、目标尺寸预测信息和落水人员类别预测信息;第四模块,用于根据中心点位置预测信息、目标尺寸预测信息和落水人员类别预测信息得到落水人员的位置、目标尺寸与类别。
14、上述深度学习的红外落水人员识别系统中,所述去噪处理包括:利用中值滤波与频域降噪去除输入图像中的脉冲噪声、椒盐噪声及预设频率成分的噪声。
15、上述深度学习的红外落水人员识别系统中,中心点位置预测信息通过如下公式得到:
16、c(i,j)loss=-c(i,j)gt*log(c(i,j)pred)-(1-c(i,j)gt)*log(1-c(i,j)pred);
17、其中,c(i,j)loss为目标中心点像素的预测损失值,c(i,j)gt为目标中心像素心点的真实值,c(i,j)pred为目标中心点像素的预测值,i为像素在图像x轴的像素位置,j为像素在图像y轴的像素位置。
18、上述深度学习的红外落水人员识别系统中,目标尺寸预测信息通过如下公式得到:
19、sl=(1/n)*σ((wpred-wgt)2+(hpred-hgt)2);
20、其中,sl为目标尺寸损失值,n为数据集中所包含的样本数量,wpred为目标的预测宽度,wgt为目标的实际宽度,hpred为目标的预测宽度,hgt为目标的实际宽度。
21、上述深度学习的红外落水人员识别系统中,落水人员类别预测信息通过如下公式得到:
22、cl=-ygt*log(ypred)-(1-ygt)*log(1-ypred);
23、其中,cl为类别预测的损失值,ygt为落水人员真实类别信息,ypred为落水人员类别预测信息。
24、本专利技术与现有技术相比具有如下有益效果:
25、(1)识别能力强:本专利技术较传统方法,基于红外图像的深度网络识别方法可以从大量红外样本中学习到夜间落水人员的特征,在夜间情况下,具有更强的识别能力及更高的检测精度。解决了传统摄像头夜视效果较差,不能在夜间或光线暗弱的环境下正常工作的缺点;
26、(2)适应性强:本专利技术的深度模型通过持续训练可以适应新的落水场景,针对不同环境不断优化程序,提高识别能力;
27、(3)本专利技术通过对算法进行优化,增加强了损失函数,具备更强的对落水人员小目标的定位能力。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的红外落水人员识别方法,其特征在于包括:
2.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:所述去噪处理包括:利用中值滤波与频域降噪去除输入图像中的脉冲噪声、椒盐噪声及预设频率成分的噪声。
3.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:中心点位置预测信息通过如下公式得到:
4.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:目标尺寸预测信息通过如下公式得到:
5.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:落水人员类别预测信息通过如下公式得到:
6.一种基于深度学习的红外落水人员识别系统,其特征在于包括:
7.根据权利要求6所述的基于深度学习的红外落水人员识别系统,其特征在于:所述去噪处理包括:利用中值滤波与频域降噪去除输入图像中的脉冲噪声、椒盐噪声及预设频率成分的噪声。
8.根据权利要求6所述的基于深度学习的红外落水人员识别系统,其特征在于:中心点位置预测信息通过如下公式得到:
...【技术特征摘要】
1.一种基于深度学习的红外落水人员识别方法,其特征在于包括:
2.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:所述去噪处理包括:利用中值滤波与频域降噪去除输入图像中的脉冲噪声、椒盐噪声及预设频率成分的噪声。
3.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:中心点位置预测信息通过如下公式得到:
4.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:目标尺寸预测信息通过如下公式得到:
5.根据权利要求1所述的基于深度学习的红外落水人员识别方法,其特征在于:落水人员类别预测信息通过如下公式得到:
...【专利技术属性】
技术研发人员:蔡立明,李威,李蒙,胡常青,李清洲,丁胜男,谢家文,李晨昊,文龙贻彬,
申请(专利权)人:航天时代青岛海洋装备科技发展有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。