CN103034870B - 基于特征的船舶快速识别方法 - Google Patents
基于特征的船舶快速识别方法 Download PDFInfo
- Publication number
- CN103034870B CN103034870B CN201210543644.6A CN201210543644A CN103034870B CN 103034870 B CN103034870 B CN 103034870B CN 201210543644 A CN201210543644 A CN 201210543644A CN 103034870 B CN103034870 B CN 103034870B
- Authority
- CN
- China
- Prior art keywords
- ship
- particulars
- image
- storehouse
- navigation channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明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,***对识别的结果迅速分析,以便于纠正识别错误。
Description
技术领域
本发明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领域。
背景技术
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,是本发明的一个关键技术难点。
已有的发明有:
同比技术{I},中国专利公开号CN 102147859A,公开日2011年8月10日,发明名称为《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。
发明内容
本发明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、***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,本发明采用的技术方案为: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。
本发明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,***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
下面结合附图对本发明作进一步描述。
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)技术上有非常大的作用。
目前有两种图像特征的定量的方法:原型性能和品质因数。在图像分类的原型性能方法中,分类程序将使用各种接受评估的特征来分类一副原型图像(图像中的区域已被独立归类)。这样就可以测量出每个特征集的分类错误,其中分类错误最少的特征集合即是最好的。图像分割的原型性能方法大体相同,分割程序将使用一系列的测试特征集来对原型图像(图像中区域已被独立标识)进行分割。将分割结果与已知的分割进行比较即可得到分割错误。原型数据的完整性以及性能指标不仅与特征的质量相关,也取决于分类器或分割器的性能,这些都是特征评估的原型性能存在的问题。
特征评估的品质因数方法包含了在图像特征征集间进行一些功能性的距离测度,距离越大则表明低分类错误率越低,反之亦然。
2识别区域过滤方法
通过航道沿岸前端摄像头拍摄的航道船舶行驶图像信息中包含大量的非航道信息,即:两侧沿岸的树木、道路、行驶的车辆、行走的行人已经周边的建筑等信息都会影响到识别结果;因此,通过有效的方法快速将无用的信息过滤掉,从而不干扰识别结果。
首先将有效的识别区域从图像中分离出来,过滤掉影响识别结果的区域数据;保留下来的区域为需要识别的最终区域。
识别结果的分离主要采用图像分割算法,通过水流、沿岸等不同的特征信息,将航道即河流区域分离处理;在分离过程中需要考虑河流流动、沿岸树木倒影、不同的光照情况、摄像头拍摄的角度等诸多因素的影响。
同时,分离的后结果在不完全满足最终的结果的情况下,后期的识别过程中需要对前期的分离结果不断纠正,纠正后的结果被实时进行存储,直到最终形成准确的识别区域过滤结果。
对于标清的视频图像(704*576),帧率为25帧/秒;使用图像分离技术,一般可以过滤到无效的识别区域为40%以上。
3船舶特征匹配方法
首先将有效的识别区域的图像信息进行分块特征提取,并将提取后的结果与船舶特征进行对比;特征对比采用决策树方式。
决策树判断层次由船舶特征库决定,决策树层次越高,针对船舶识别的准确率越高,但是会导致识别效率的效率下降。
决策分类树等级在6级的情况下,针对单一分块16X16区域,识别时间为50微妙以下;一张视频图像(704*576),一般识别时间为70毫秒以下。
如果在识别过程中将无效的识别区域过滤后,船舶快速识别时间会被控制在40毫秒以下;这样,针对标清的视频图像(704*576),帧率为25帧/秒,船舶的识别结果看起来非常流畅。
实施例1
如图1所示,将有效的识别区域的图像信息进行分块特征提取,并将提取后的结果在船舶特征库中进行比对,当该分块特征满足和水特征相似比例超过50%,即为水,反之继续和船舶特征进行比对;当该分块特征满足和船舶特征相似比例超过50%,即为船舶,反之即为噪点。
实施例2
如图2所示检测流程如下:视频航道图像首先需要提取船舶特征并建立船舶特征库,船舶特征库的容量取决于光照、摄像头位置、识别准确等相关信息;船舶特征库建立完成后,就可以完成船舶识别。
视频采集图像首先经过图像分割,将无效的视频信息从待识别图像中分类后,然后针对有效信息进行识别船舶特征提取,提取后的信息与船舶特征库进行对比,如果判断是船舶,则进行船舶特征存储;如果不是,则进行下一步图像分析,同时船舶特征提取后,也进行下一步图像分析。
上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围。
Claims (1)
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;
步骤一建立船舶特征库的具体过程如下:
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;
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;
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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210543644.6A CN103034870B (zh) | 2012-12-14 | 2012-12-14 | 基于特征的船舶快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210543644.6A CN103034870B (zh) | 2012-12-14 | 2012-12-14 | 基于特征的船舶快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103034870A CN103034870A (zh) | 2013-04-10 |
CN103034870B true CN103034870B (zh) | 2016-11-23 |
Family
ID=48021748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210543644.6A Active CN103034870B (zh) | 2012-12-14 | 2012-12-14 | 基于特征的船舶快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103034870B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
CN104239885B (zh) * | 2014-09-05 | 2017-11-28 | 北京航天控制仪器研究所 | 一种基于无人机航拍的地震灾害损毁度评估方法 |
CN106980861A (zh) * | 2017-03-31 | 2017-07-25 | 上海电机学院 | 一种基于融合特征的船舶快速识别方法 |
CN107230390A (zh) * | 2017-06-26 | 2017-10-03 | 山东中创软件工程股份有限公司 | 一种船舶***方法及装置 |
CN108334859B (zh) * | 2018-02-28 | 2022-07-08 | 上海海洋大学 | 一种基于细粒度特征的光学遥感舰船型号识别众包*** |
CN108566534A (zh) * | 2018-04-23 | 2018-09-21 | Oppo广东移动通信有限公司 | 基于视频监控的报警方法、装置、终端及存储介质 |
CN110111519A (zh) * | 2018-07-23 | 2019-08-09 | 李苏宁 | 基于视频图像识别技术的长江河道禁采执法工作*** |
CN109460740B (zh) * | 2018-11-15 | 2020-08-11 | 上海埃威航空电子有限公司 | 基于ais与视频数据融合的船舶身份识别方法 |
CN111156968A (zh) * | 2020-01-09 | 2020-05-15 | 杭州魔象智能科技有限公司 | 一种水生动物水面捕食波纹特性监测方法及其装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101305913A (zh) * | 2008-07-11 | 2008-11-19 | 华南理工大学 | 一种基于视频的人脸美丽评价方法 |
CN102147859A (zh) * | 2011-04-06 | 2011-08-10 | 浙江浙大华是科技有限公司 | 一种船舶监控方法 |
CN102768804A (zh) * | 2012-07-30 | 2012-11-07 | 江苏物联网研究发展中心 | 基于视频的交通信息采集方法 |
-
2012
- 2012-12-14 CN CN201210543644.6A patent/CN103034870B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101305913A (zh) * | 2008-07-11 | 2008-11-19 | 华南理工大学 | 一种基于视频的人脸美丽评价方法 |
CN102147859A (zh) * | 2011-04-06 | 2011-08-10 | 浙江浙大华是科技有限公司 | 一种船舶监控方法 |
CN102768804A (zh) * | 2012-07-30 | 2012-11-07 | 江苏物联网研究发展中心 | 基于视频的交通信息采集方法 |
Non-Patent Citations (1)
Title |
---|
《基于区域分类的视频运动对象的分割算法》;李天平,魏冬梅,李海腾;《自动化技术与应用》;20051231;第24卷(第11期);第13-15页,第18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103034870A (zh) | 2013-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103034870B (zh) | 基于特征的船舶快速识别方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN101814149B (zh) | 一种基于在线学习的自适应级联分类器训练方法 | |
CN102968625B (zh) | 基于轨迹的船舶识别与跟踪方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN104183127B (zh) | 交通监控视频检测方法和装置 | |
CN107330373A (zh) | 一种基于视频的违章停车监控*** | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
CN105389567A (zh) | 基于稠密光流直方图的群体异常检测方法 | |
CN106446926A (zh) | 一种基于视频分析的变电站工人安全帽佩戴检测方法 | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN102880863B (zh) | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和*** | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN106778833A (zh) | 一种复杂背景下小目标丢失故障的自动识别方法 | |
CN103366190A (zh) | 一种识别交通标志的方法 | |
CN103035013A (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN102163278B (zh) | 一种公交车道非法车辆闯入检测方法 | |
CN106339677B (zh) | 一种基于视频的铁路货车洒落物自动检测方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN109003290A (zh) | 一种监控***的视频跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20130410 Assignee: Thinvent Digital Technology Co., Ltd. Assignor: Nanjing Strong Information Technology Co., Ltd. Contract record no.: 2018320000125 Denomination of invention: Ship fast identification method based on features Granted publication date: 20161123 License type: Common License Record date: 20180621 |