论文部分内容阅读
本文介绍了一种可见光条件下的基于卷积神经网络的舰船识别和统计系统,该系统用来对于近海岸和港口的舰船进行检测和识别。卷积神经网络在图像识别领域有越来越广泛的应用,本文对卷积神经网络在舰船识别领域的可扩展性进行了研究,针对港口的云雾和海浪天气对于舰船图像识别的影响进行了研究和实验,目标是实现一个检测时间达到实时性要求,检测准确精准的一个舰船检测系统。本文的实验的场景是国内的一些港口环境和一些近海岸区域,对监测范围内的舰船进行识别和统计,同时设计一个基于卷积神经网络的舰船识别统计系统,为港口的管理部门提供可视化的界面,实现对港口和海岸舰船的智能管理,本文这篇论文的主要的工作有:(1)对于港口捕获的舰船图片中往往受云雾遮挡情况,提出了一种改进的暗通道先验去雾算法,通过计算暗通道值修正导致颜色畸变的透射率计算问题,然后进行二段式图像增强处理,从而提高图像的视觉效果。同时,通过降低3个颜色通道的高亮度值,用求均值的方法来对图片进行较好的去雾处理。在此基础上对不符合暗通道的明亮区域进行了改进,使得经过处理后的图片更加清晰自然,经过处理的舰船图片的特征更加明显,对于后续使用卷积神经网络对于舰船的识别和统计起到比较好的辅助的效果,这种预处理方法与卷积神经网络相结合的方法提高了舰船检测的精度。(2)基于舰船的形态学的特征,对于现有的卷积神将网络的结构进行了调整,使得调整后的网络结构更加适应舰船识别的场景。对现有的卷积神经网络进行调整后的特征融合舰船检测算法对于舰船的检测和识别较直接使用现有卷积神经网络算法在检测的精度上有比较大的提升。本文对于港口中最为常见的6种类型的舰船进行了实验,分别收集了港口摄像头采集的视频及无人机捕获的舰船图片进行检测和识别,都得到了比较好的效果。(3)一种可见光条件下的基于卷积神经网络的舰船识别统计系统的设计与实现。通过场景的识别提供不同的服务,对于港口视频和无人机航拍图片两种情况下进行舰船的识别和统计并进行了可视化显示并可以提供港口的舰船的实时检测统计功能。