本发明专利技术涉及一种图像识别技术,尤其涉及基于特征的船舶快速识别方法,包括如下步骤:步骤一:手动标注船舶特征并建立船舶特征库;步骤二:通过船舶特征库的正负样本学习训练基于船舶特征的决策树分类器;步骤三:通过航道沿岸前端摄像头拍摄获得具航道船舶信息的视频采集图像,由分割器对视频采集图像进行图像分割,过滤非航道信息,保留有效的识别区域的图像信息;步骤四:将有效的识别区域的图像信息进行分块特征提取;步骤五:采用决策树分类器将提取的分块特征与船舶特征库对比。本发明专利技术能够快速的从航道中将船舶识别处理,便于后台智能分析和统计分析,系统对识别的结果迅速分析,以便于纠正识别错误。
【技术实现步骤摘要】
基于特征的船舶快速识别方法
本专利技术涉及一种图像识别技术,尤其涉及船舶识别方法,属于智能航运管理
技术介绍
国内外常用的内河船舶检测方法,是利用计算机图像视觉分析技术、红外技术、射频识别技术和传感器技术。由于基于视频检测的计算机视觉技术具有检测范围大、提供信息丰富、安装维修方便等优点,被认为是最有发展前景的检测方式之一。目前,在陆上交通领域的智能视频分析技术已有广泛而较为成熟的应用,例如:对车牌的识别、车辆的跨线行驶、逆向行驶、车辆密度的监控、违章停车等。而在水上交通领域,特别是船舶检测,不能简单套用车辆识别的方式和算法,其主要原因在于水面各种光线反射和水纹变化等造成的复杂背景的剔除,以及船舶这样的低速物体运动轨迹的跟踪。同时摄像头拍摄的信息无效信息比较多,导致在识别过程中过滤无效信息浪费比较多的时间,如何能够快速定位船舶并将船舶识别出来,是本专利技术的一个关键技术难点。已有的专利技术有:同比技术{I},中国专利公开号CN102147859A,公开日2011年8月10日,专利技术名称为《一种船舶监控方法》,该申请公开了目标识别方法和目标跟踪方法,目标识别方法截取实时视频图像与背景图像做差分运算并进行二值化后使用区域生长算法得到船舶目标,对识别到的船舶目标进行目标跟踪及锁定。其采用的背景差法首先选取背景中的一幅或几幅图像的平均作为背景图像,然后把以后的序列图像当前帧和背景图像相减,进行背景消去。若所得到的像素数大于某一阈值,则判定被监视场景中有运动物体,从而得到运动目标。这种差分法对于复杂背景下的运动物体检测效果较好,一般能够提供最完整的特征数据,计算量小,实用价值大。缺点是受光线、天气等外界条件的影响较大,而且只能识别运动中物体,对于静止或运动速度过慢的物体识别效果不好。
技术实现思路
本专利技术的目的在于提出一种通过船舶特征能够快速的从航道中将船舶识别处理、便于后台智能分析、进行统计分析、系统对识别的结果迅速分析的基于特征的船舶快速识别方法。为了实现上述目的,本专利技术采用的技术方案为:基于特征的船舶快速识别方法,其特征在于,包括如下步骤:步骤一:手动标注船舶特征并建立船舶特征库;步骤二:通过船舶特征库的正负样本学习训练基于船舶特征的决策树分类器;步骤三:通过航道沿岸前端摄像头拍摄获得具航道船舶信息的视频采集图像,对视频采集图像进行图像分割,过滤非航道信息,保留有效的识别区域的图像信息;步骤四:将有效的识别区域的图像信息进行分块特征提取;步骤五:采用决策树分类器将提取的分块特征与船舶特征库对比。前述的基于特征的船舶快速识别方法,其特征在于上述第一步建立船舶特征库的具体过程如下:步骤一:从视频中取一帧图像,对图像进行分块,块大小设定为16*16;步骤二:对于每个图像块的类型进行手动标注,以得到训练样本的监督信息;用红色图像块标注为船的部分,绿色图像块标注为水面部分,蓝色图像块标注为其他部分,不参与计算;步骤三:将手动标注的结果分别保存为船舶和非船舶的正负样本文件。前述的基于特征的船舶快速识别方法,其特征在于:设定4种航道的亮度等级,分别为“晴天”、“阴天”、“最暗”和“最亮”,用以概括一天中所有的光照条件;根据光照条件的不同,需要建立不同光照条件的船舶特征库,并由此训练得出不同光照情况下的决策树分类器。前述的基于特征的船舶快速识别方法,其特征在于:在自动识别过程中,定期的根据航道的亮度等级进行分类器选择;统计获取航道河面区域内的32维灰度直方图,直方图归一化,获取直方图中最大柱值的位置,根据直方图最大柱值的位置L,来判断光照条件是否合适和选择不同的分类器;当5<L<=10时,选择加载“最暗”天气的分类器;当10<L<=15时,选择加载“阴天”天气的分类器;当15<L<=20时,选择加载“晴天”天气的分类器;当20<L<=25时,选择加载“最亮”天气的分类器;当L<=5或者L>25时,则光照太暗或太亮,条件不满足识别要求。前述的基于特征的船舶快速识别方法,其特征在于:在步骤五中,当分块特征满足和水特征相似比例超过50%,判定为水,反之继续和船舶特征进行比对;当分块特征满足和船舶特征相似比例超过50%,判断为船舶并将船舶特征存储入船舶特征库,反之即为噪点。本专利技术能够快速的从航道中将船舶识别处理,便于后台智能分析和统计分析,系统对识别的结果迅速分析,以便于纠正识别错误。附图说明图1是决策树方式进行船舶特征匹配示意图;图2是快速船舶识别方法流程图。具体实施方式下面结合附图对本专利技术作进一步描述。基于特征的船舶快速识别方法,其特征在于,包括如下步骤:步骤一:手动标注船舶特征并建立船舶特征库;步骤二:通过船舶特征库的正负样本学习训练基于船舶特征的决策树分类器;步骤三:通过航道沿岸前端摄像头拍摄获得具航道船舶信息的视频采集图像,对视频采集图像进行图像分割,过滤非航道信息,保留有效的识别区域的图像信息;步骤四:将有效的识别区域的图像信息进行分块特征提取;步骤五:采用决策树分类器将提取的分块特征与船舶特征库对比。上述第一步建立船舶特征库的具体过程如下:步骤一:从视频中取一帧图像,对图像进行分块,块大小设定为16*16;步骤二:对于每个图像块的类型进行手动标注,以得到训练样本的监督信息;用红色图像块标注为船的部分,绿色图像块标注为水面部分,蓝色图像块标注为其他部分,不参与计算;步骤三:将手动标注的结果分别保存为船舶和非船舶的正负样本文件。对于普通的摄像头,光照的变化其实是一个非常苛刻的条件,特别是水面各种光线反射和水纹变化等原因造成的复杂背景剔除,应该说处理起来是更加困难的。为了减少光照变化所带来的困难,我们设定4种光照条件,分别为“晴天”、“阴天”、“最暗”和“最亮”,用以概括一天中所有的光照条件。根据光照条件的不同,我们往往需要建立不同光照条件的船舶特征库;并由此训练得出不同光照情况下的决策树分类器。在自动识别过程中,定期的根据航道的亮度等级进行分类器选择;统计获取航道河面区域内的32维灰度直方图,直方图归一化,获取直方图中最大柱值的位置,根据直方图最大柱值的位置L,来判断光照条件是否合适和选择不同的分类器;当5<L<=10时,选择加载“最暗”天气的分类器;当10<L<=15时,选择加载“阴天”天气的分类器;当15<L<=20时,选择加载“晴天”天气的分类器;当20<L<=25时,选择加载“最亮”天气的分类器;当L<=5或者L>25时,则光照太暗或太亮,条件不满足识别要求。基于特征的快速船舶识别方法的步骤一、步骤四需要进行船舶特征提取。步骤三涉及图像分割和识别区域过滤,步骤五采用决策树分类器将提取的分块图像特征与船舶特征库对比。下面详述这三种过程。1船舶特征提取方法图像特征是从一副数字图像中的有区别度的原始特征或属性。由图像的视觉外形定义的特征称为自然特征,人工特征则是由图像的特定操作得到的。自然特征包括像素区域的亮度和纹理区域的灰度。而图像的幅度直方图及空间频谱则属于人工特征。图像特征在图像分割(将图像划分为具有相同属性的区域)和图像分类(图像分割后对区域的标识)技术上有非常大本文档来自技高网...
【技术保护点】
基于特征的船舶快速识别方法,其特征在于,包括如下步骤:步骤一:手动标注船舶特征并建立船舶特征库;步骤二:通过船舶特征库的正负样本学习训练基于船舶特征的决策树分类器;步骤三:通过航道沿岸前端摄像头拍摄获得具航道船舶信息的视频采集图像,对视频采集图像进行图像分割,过滤非航道信息,保留有效的识别区域的图像信息;步骤四:将有效的识别区域的图像信息进行分块特征提取;步骤五:采用决策树分类器将提取的分块特征与船舶特征库对比。
【技术特征摘要】
1.基于特征的船舶快速识别方法,其特征在于,包括如下步骤:步骤一:手动标注船舶特征并建立船舶特征库;步骤二:通过船舶特征库的正负样本学习训练基于船舶特征的决策树分类器;步骤三:通过航道沿岸前端摄像头拍摄获得具有航道船舶信息的视频采集图像,对视频采集图像进行图像分割,过滤非航道信息,保留有效的识别区域的图像信息;步骤四:将有效的识别区域的图像信息进行分块特征提取;步骤五:采用决策树分类器将提取的分块特征与船舶特征库对比;在步骤一之前还包括:设定4种航道的亮度等级,分别为“晴天”、“阴天”、“最暗”和“最亮”,用以概括一天中所有的光照条件;根据光照条件的不同,在步骤一中建立不同光照条件的船舶特征库,并由步骤二训练得出不同光照情况下的决策树分类器;在识别过程中,定期的根据航道的亮度等级进行分类器选择;统计获取航道河面区域内的32维灰度直方图,直方图归一化,获取直方图中最大柱值的位置,根据直方图最大柱值的位置L,来判断光照条件是否合适和选择不...
【专利技术属性】
技术研发人员:王迅,赵云飞,赵筠,
申请(专利权)人:南京思创信息技术有限公司,
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。