论文部分内容阅读
视频监控设备已被广泛应用于海事监管与服务领域,在船舶交通流量统计、船舶异常行为监控等任务中发挥着重要作用。在复杂天气条件下对运动船舶目标进行实时检测和智能跟踪,是促进海事监管效率提升的重要基础。但因光线变化和水面波动等因素的干扰,传统方法普遍存在计算速度慢和鲁棒性弱等问题,难以对运动船舶目标进行实时和高精度检测与跟踪,无法满足实际场景的应用需求。为解决该问题,本文将在分析原始YOLOv3算法不足的基础上,提出高精度检测船舶目标的增强YOLOv3算法,并进一步研究适用于运动船舶目标实时检测与跟踪的轻量YOLOv3算法,以促进提升海事监管的智能化水平。全文主要工作和研究成果概括如下:
首先,为提高原始YOLOv3算法针对不同类型船舶的目标检测精度,本文在分析原始YOLOv3算法结构特点的基础上,针对船舶形状重新设计先验锚框,引入对边界框预测的不确定性建模,融合更高输入图像分辨率的特征提取网络,优化设计损失函数,改进非极大值抑制算法,提出了船舶目标高精度检测的增强YOLOv3算法。实验结果表明,该算法在实时检测运动船舶目标的同时,可缓解目标重合时漏检测的问题,显著提升不同类型船舶目标的检测精度。
其次,为满足海事视频监控中对运动船舶目标的实时检测与跟踪需求,本文在增强YOLOv3算法的基础上,通过修剪网络中权重较低的特征通道,提出了可用于目标快速检测的轻量YOLOv3算法。针对该高效算法,进一步融合用于船舶目标匹配的匈牙利算法和用于船舶轨迹预测的卡尔曼滤波,实现了海事监控视频中运动船舶目标的实时检测和智能跟踪。实验结果表明,本文提出的轻量YOLOv3算法在船舶长时间遮挡情况下具有较强的鲁棒性,可同时满足海事监管部门对运动船舶目标检测与跟踪的准确率与实时性要求。
最后,为克服复杂天气条件对视频监控中运动船舶目标检测与跟踪的影响,本文构建了雾天、低照度和雨天等复杂天气条件下的船舶目标成像物理模型,并在此基础上分别研究复杂天气、图像复原和数据增强技术对船舶目标检测和跟踪性能的影响。实验结果发现:(1)复杂天气会对网络提取目标特征产生负面影响,降低船舶目标检测精度;(2)图像复原技术在一定程度上可提高复杂天气条件下船舶目标检测精度,但该预处理过程容易引起目标细节丢失或畸变, 导致部分船舶目标漏检,且无法满足海事监管部门对运动船舶目标实时检测的需求;(3)本文采用的数据增强技术可提高网络模型的鲁棒性与泛化能力,且未给网络模型引入额外计算量,在复杂天气条件下显著提升船舶目标检测准确率的同时,可实现运动船舶目标的实时检测与跟踪。
在分析原始YOLOv3目标检测算法的基础上,本文首先提出了增强YOLOv3算法,用于不同类型船舶目标的高精度检测;在此基础上提出的轻量YOLOv3算法,通过结合匈牙利算法和卡尔曼滤波,实现了运动船舶目标的实时检测和智能跟踪;最后采用的数据增强技术可保证本文算法成功地应用于不同的成像环境,满足海事监管部门对运动船舶目标检测与跟踪的准确率与实时性要求。
首先,为提高原始YOLOv3算法针对不同类型船舶的目标检测精度,本文在分析原始YOLOv3算法结构特点的基础上,针对船舶形状重新设计先验锚框,引入对边界框预测的不确定性建模,融合更高输入图像分辨率的特征提取网络,优化设计损失函数,改进非极大值抑制算法,提出了船舶目标高精度检测的增强YOLOv3算法。实验结果表明,该算法在实时检测运动船舶目标的同时,可缓解目标重合时漏检测的问题,显著提升不同类型船舶目标的检测精度。
其次,为满足海事视频监控中对运动船舶目标的实时检测与跟踪需求,本文在增强YOLOv3算法的基础上,通过修剪网络中权重较低的特征通道,提出了可用于目标快速检测的轻量YOLOv3算法。针对该高效算法,进一步融合用于船舶目标匹配的匈牙利算法和用于船舶轨迹预测的卡尔曼滤波,实现了海事监控视频中运动船舶目标的实时检测和智能跟踪。实验结果表明,本文提出的轻量YOLOv3算法在船舶长时间遮挡情况下具有较强的鲁棒性,可同时满足海事监管部门对运动船舶目标检测与跟踪的准确率与实时性要求。
最后,为克服复杂天气条件对视频监控中运动船舶目标检测与跟踪的影响,本文构建了雾天、低照度和雨天等复杂天气条件下的船舶目标成像物理模型,并在此基础上分别研究复杂天气、图像复原和数据增强技术对船舶目标检测和跟踪性能的影响。实验结果发现:(1)复杂天气会对网络提取目标特征产生负面影响,降低船舶目标检测精度;(2)图像复原技术在一定程度上可提高复杂天气条件下船舶目标检测精度,但该预处理过程容易引起目标细节丢失或畸变, 导致部分船舶目标漏检,且无法满足海事监管部门对运动船舶目标实时检测的需求;(3)本文采用的数据增强技术可提高网络模型的鲁棒性与泛化能力,且未给网络模型引入额外计算量,在复杂天气条件下显著提升船舶目标检测准确率的同时,可实现运动船舶目标的实时检测与跟踪。
在分析原始YOLOv3目标检测算法的基础上,本文首先提出了增强YOLOv3算法,用于不同类型船舶目标的高精度检测;在此基础上提出的轻量YOLOv3算法,通过结合匈牙利算法和卡尔曼滤波,实现了运动船舶目标的实时检测和智能跟踪;最后采用的数据增强技术可保证本文算法成功地应用于不同的成像环境,满足海事监管部门对运动船舶目标检测与跟踪的准确率与实时性要求。