CN112101282B - 水上目标识别方法、装置及电子设备和存储介质 - Google Patents
水上目标识别方法、装置及电子设备和存储介质 Download PDFInfo
- Publication number
- CN112101282B CN112101282B CN202011022565.1A CN202011022565A CN112101282B CN 112101282 B CN112101282 B CN 112101282B CN 202011022565 A CN202011022565 A CN 202011022565A CN 112101282 B CN112101282 B CN 112101282B
- Authority
- CN
- China
- Prior art keywords
- water
- navigation equipment
- water navigation
- target
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 235000006506 Brasenia schreberi Nutrition 0.000 title claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 198
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 241001544487 Macromiidae Species 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种水上目标识别方法、装置及电子设备和存储介质，包括：将目标图像输入预先训练好的区域候选网络模型，以在目标图像中确定候选区域；对应每一个候选区域，若该候选区域内存在水上航行设备，获取水上航行设备的剪影，水上航行设备的大小，以及水上航行设备距离目标图像的采集设备的距离；将剪影、水上航行设备的大小以及距离输入预先训练好的目标识别模型，得到水上航行设备的型号；其中，训练目标识别模型使用的训练数据通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到，能够获取大量的训练样本，从而提高目标识别模型的识别精度。
Description
技术领域
本申请涉及图像处理技术领域，更具体地说，涉及一种水上目标识别方法、装置及电子设备和存储介质。
背景技术
在港口巡逻或水上航行过程中，有发现和识别水上航行设备(比如，航母、两栖装备、巡洋舰、驱逐舰、护卫舰、登陆舰、扫雷舰、潜艇、快艇，以及相关支援保障船等)的需求。传统的水上航行设备的发现与识别主要依靠人的经验，存在受环境影响大，发现距离小等问题，不符合现代舰船航行和作战的需要。
目前，有方案提出采用神经网络模型进行水上目标识别，但训练神经网络模型需要大量样本，而目前用于水上目标识别的样本数量非常少，导致训练得到的神经网络模型的识别准确率较低。
发明内容
本申请的目的是提供一种水上目标识别方法、装置及电子设备和存储介质，包括如下技术方案：
一种水上目标识别方法，包括：
将目标图像输入预先训练好的区域候选网络模型，以在所述目标图像中确定候选区域；
对应每一个候选区域，确定该候选区域内是否存在水上航行设备；
若该候选区域内存在水上航行设备，获取所述水上航行设备的剪影，以及所述水上航行设备的大小，以及所述水上航行设备距离所述目标图像的采集设备的距离；
将所述剪影、所述水上航行设备的大小以及所述距离输入预先训练好的目标识别模型，得到所述水上航行设备的型号；其中，训练所述目标识别模型使用的训练数据集通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。
上述方法，优选的，所述目标识别模型通过如下方式训练得到：
将训练样本、所述训练样本中的水上航行设备的大小以及所述训练样本中的水上航行设备距离训练样本的采集设备的距离输入待训练的目标识别模型，得到识别结果，所述识别结果表征所述训练样本中的水上航行设备的型号；
根据所述识别结果与所述训练样本的标签的差异，对所述待训练的目标识别模型的参数进行更新；所述标签表征所述训练样本中的水上航行设备的真实型号。
上述方法，优选的，所述确定该候选区域内是否存在水上航行设备，包括：
对该候选区域进行特征提取，得到区域特征；
将所述区域特征输入预先训练好的二分类器，得到分类结果，所述分类结果表征所述候选区域内是否存在水上航行设备。
上述方法，优选的，所述获取所述水上航行设备的剪影，包括：
对该候选区域依次进行增强反差、边缘增强和轮廓提取，得到所述水上航行设备的轮廓；
将所述轮廓包围的区域确定为所述水上航行设备的剪影。
上述方法，优选的，所述多角度至少包括：正前侧、正后侧、正左侧、正右侧、左前斜侧、右前斜侧、左后斜侧、右后斜侧。
一种水上目标识别装置，包括：
候选区域确定模块，用于将目标图像输入预先训练好的区域候选网络模型，以在所目标图像中确定候选区域；
设备确定模块，用于对应每一个候选区域，确定该候选区域内是否存在水上航行设备；
获取模块，用于若该候选区域内存在水上航行设备，获取所述水上航行设备的剪影，以及所述水上航行设备的大小，以及所述水上航行设备距离所述目标图像的采集设备的距离；
型号确定模块，用于将所述剪影、所述水上航行设备的大小以及所述距离输入预先训练好的目标识别模型，得到所述水上航行设备的型号；其中，训练所述目标识别模型使用的训练数据通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。
上述装置，优选的，还包括：
识别模块，用于将训练样本、所述训练样本中的水上航行设备的大小以及所述训练样本中的水上航行设备距离训练样本的采集设备的距离输入待训练的目标识别模型，得到识别结果，所述识别结果表征所述训练样本中的水上航行设备的型号；
更新模块，用于根据所述识别结果与所述训练样本的标签的差异，对所述待训练的目标识别模型的参数进行更新；所述标签表征所述训练样本中的水上航行设备的真实型号。
上述装置，优选的，所述设备确定模块包括：
特征提取模块，用于对该候选区域进行特征提取，得到区域特征；
二分类模块，用于将所述区域特征输入预先训练好的二分类器，得到分类结果，所述分类结果表征所述候选区域内是否存在水上航行设备。
一种电子设备，包括：
存储器，用于至少存储一组指令集；
处理器，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集实现如上任意一项所述的水上目标识别方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上任一项所述的水上目标识别方法的各个步骤。
通过以上方案可知，本申请提供的一种水上目标识别方法、装置及电子设备和存储介质，包括：将目标图像输入预先训练好的区域候选网络模型，以在目标图像中确定候选区域；对应每一个候选区域，确定该候选区域内是否存在水上航行设备；若该候选区域内存在水上航行设备，获取水上航行设备的剪影，以及水上航行设备的大小，以及水上航行设备距离目标图像的采集设备的距离；将剪影、水上航行设备的大小以及上述距离输入预先训练好的目标识别模型，得到水上航行设备的型号；其中，训练目标识别模型使用的训练数据通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。本申请中，训练目标识别模型所用的训练样本包括通过对各种模拟环境下的三维模型进行多角度多尺寸投影得到样本图像，因此，能够获取大量的训练样本，从而提高目标识别模型的识别精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的水上目标识别方法的一种实现流程图；
图2为本申请实施例提供的水上目标识别装置的一种结构示意图；
图3为本申请实施例提供的电子设备的一种结构示意图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，能够以除了在这里图示的以外的顺序实施。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供的水上目标识别方法及装置应用于电子设备中，该电子设备可以是用户终端，比如计算机，也可以是服务器。
本申请实施例提供的水上目标识别方法的一种实现流程图如图1所示，可以包括：
步骤S11：将目标图像输入预先训练好的区域候选网络模型，以在目标图像中确定候选区域。
目标图像是指图像采集设备(也可简称为采集设备)对水上区域进行图像采集得到的图像。目标图像可以是遥感影像，也可以是普通的数字图像。图像采集设备可以位于某个固定的位置，比如，岸边或桥梁上，也可以位于水上航行设备(承载图像采集设备的水上航行设备与目标图像中存在的水上航行设备是不同的水上航行设备)上。
由于目标图像中除了水域可能还存在其它区域(比如，岸边，岛屿，桥梁等)，因此，为了快速、准确的识别水上航行设备，本申请首先识别目标图像中的水域，将识别得到的水域区域作为候选区域。
训练区域候选网络模型所使用的训练数据集(为便于区分，记为第一数据集)中的样本图像，可以是图像采集设备采集的水上区域的图像，也可以是通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到图像，或者是两种图像都有。第一数据集中，样本图像的标签为候选区域在样本图像中的位置(比如，候选区域的中心坐标，或者，候选区域的左上角的坐标)以及候选区域的大小。每个样本图像中，包括至少一个候选区域。即一个样本图像中可能只有一个候选区域，也可能包含多个候选区域。
区域候选网络模型具体训练过程可以包括：将样本图像输入区域候选网络模型，得到所述样本图像中的候选区域的识别结果，该候选区域的识别结果为各个候选区域的位置和大小，根据该候选区域的识别结果与样本图像的标签的差异，对区域候选网络模型的参数进行更新。
步骤S12：对应每一个候选区域，确定该候选区域内是否存在水上航行设备。
可选的，可以通过二分类器确定各个候选区域内是否存在水上航行设备。
步骤S13：若该候选区域内存在水上航行设备，获取该水上航行设备的剪影，以及该水上航行设备的大小，以及该水上航行设备距离所述目标图像的采集设备的距离。
对于具有水上航行设备的候选区域，识别该候选区域内的水上航行设备的轮廓，将该轮廓内的区域确定为该水上航行设备的剪影。其中，将该轮廓内的区域确定为该水上航行设备的剪影时，可以将该轮廓上的像素以及位于该轮内的像素值置零，将置零后的区域作为水上航行设备的剪影，当然，本申请实施例中，该轮廓上的像素以及位于该轮内的像素值也可以设置为其它值，本申请不做具体限定，比如，可以将该轮廓上的像素以及位于该轮内的像素值均设置为预设的一个灰度值。
水上航行设备的大小可以是指可以包围该水上航行设备的最小矩形框的大小。
水上航行设备距离采集设备的距离利用已有的基于图像的距离测量方法计算得到，比如，采集设备是具有两个摄像头设备，可以利用双目测距原理计算得到水上航行设备距离采集设备的距离。可选的，水上航行设备上不同的点距离采集设备的距离不同，可以将距离采集设备最近的距离确定为水上航行设备距离采集设备的距离。
步骤S14：将获取的剪影、水上航行设备的大小以及距离输入预先训练好的目标识别模型，得到水上航行设备的型号；其中，训练目标识别模型使用的训练数据集中至少包括通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到的图像。
本申请实施例中，训练目标识别模型所使用的训练数据集(为便于区分，记为第二数据集)中的样本图像是通过对水上航行设备的三维模型进行投影得到的图像。本申请实施例中，预先统计水上航行设备的各种型号，对于每一种型号的水上航行设备，均给出该型号的水上航行设备在各种模拟环境(比如，不同程度的海浪，和/或，不同程度的雾汽，和/或，不同天气状况等)下的三维模型，对于该型号的水上航行设备在每一种模拟环境下的三维模型，进行多角度多尺寸的投影，在每一个角度和尺寸下的投影可以作为一个训练样本。
可选的，上述多角度投影至少可以包括如下几个角度的投影：正前侧、正后侧、正左侧、正右侧、左前斜侧、右前斜侧、左后斜侧、右后斜侧。其中，正前侧和正后侧是水上航行设备的三维模型的相对的两侧，正左侧和正右侧是水上航行设备的三维模型的相对的两侧，正前侧和正后侧的连线与正左侧和正右侧的连线是相互垂直的。
当然本申请实施例中，所述的多个角度并不限于以上列举的几种角度，为了得到更多的样本，还可以获取任意角度的不同尺寸的投影作为样本图像。
上述多个尺寸的投影可以是指在每个投影角度上均得到水上航行设备的三维模型的多个尺寸的投影。
本申请实施例提供的水上目标识别方法，将目标图像输入预先训练好的区域候选网络模型，以在目标图像中确定候选区域；对应每一个候选区域，确定该候选区域内是否存在水上航行设备；若该候选区域内存在水上航行设备，获取水上航行设备的剪影，以及水上航行设备的大小，以及水上航行设备距离目标图像的采集设备的距离；将剪影、水上航行设备的大小以及上述距离输入预先训练好的目标识别模型，得到水上航行设备的型号；其中，训练目标识别模型使用的训练数据通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。由于训练目标识别模型所用的训练样本包括通过对各种模拟环境下的三维模型进行多角度多尺寸投影得到样本，因此，能够获取大量的训练样本，从而提高目标识别模型的识别精度。
可选的，第二数据集中除了包括通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到的图像外，还可以包括采集设备采集的水上区域的图像。通过两种样本图像的混合，可以进一步提高训练得到的目标识别模型的识别精度。
在一可选的实施例中，上述目标识别模型可以通过如下方式训练得到：
将第二数据集中的训练样本(即样本图像)、训练样本中的水上航行设备的大小以及训练样本中的水上航行设备距离训练样本的采集设备的距离输入待训练的目标识别模型，得到训练样本对应的识别结果，该识别结果表征训练样本中的水上航行设备的型号；
根据训练样本对应的识别结果与训练样本的标签的差异，对待训练的目标识别模型的参数进行更新；训练样本的标签表征训练样本中的水上航行设备的真实型号。
可选的，待训练的目标识别模型可以为卷积神经网络。
可选的，在对待训练的目标识别模型的参数进行更新时，可以仅基于预置的更新算法对待训练的目标识别模型的参数进行更新；或者，可以在基于预置的更新算法对待训练的目标识别模型的参数进行更新的基础上，根据专家触发的调参指令对待训练的目标识别模型的参数进行微调，调参指令中包括目标参数(为便于区分，即为第一目标参数)，以及对该第一目标参数进行调节的调节量(为便于区分，即为第一调节量)。具体的，在获取到针对待训练的目标识别模型的第一目标参数的调参指令时，对以目标参数调节第一调节量。本申请实施例中，通过专家对待训练的目标识别模型的参数进行微调，提高了目标识别模型的识别精度。
在一可选的实施例中，上述确定该候选区域内是否存在水上航行设备的一种实现方式可以包括：
对该候选区域进行特征提取，得到区域特征。可选的，该区域特征可以是颜色特征、纹理特征和形状特征中的至少一种特征。具体各种特征如何提取可以参看已有的特征提取方法，这里不再详述。
将所述区域特征输入预先训练好的二分类器，得到分类结果，所述分类结果表征所述候选区域内是否存在水上航行设备。
可选的，在确定候选区域内存在水上航行设备时，还可以在候选区域中对水上航行设备进行标记，比如，利用矩形框对水上航行设备进行标记。该矩形框的长和宽即表征了水上航行设备的大小。
训练二分类器所使用的训练数据集(为便于区分，记为第三数据集)中的样本图像，可以是图像采集设备采集的水上区域的图像中的候选区域图像，也可以是通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到图像中的候选区域图像，或者是两种图像都有。第三数据集中，样本图像的标签为是否有水上航行设备。或者，样本图像的标签为是否有水上航行设备，以及有水上航行设备时，用于标记水上行设备的矩形框的大小和位置
二分类器的具体训练过程可以包括：将样本图像输入二分类器，得到所述样本图像中对应的分类结果，该分类结果表征样本图像中是否具有水上航行设备，根据该分类结果与样本图像的标签的差异，对二分类器的参数进行更新。
可选的，在对二分类器的参数进行更新时，可以仅基于预置的更新算法对二分类器的参数进行更新；或者，可以在基于预置的更新算法对二分类器的参数进行更新的基础上，根据专家触发的调参指令对二分类器的参数进行微调，调参指令中包括目标参数(为便于区分，即为第二目标参数)，以及对该第二目标参数进行调节的调节量(为便于区分，即为第二调节量)。具体的，在获取到针对二分类器中的第二目标参数的调参指令时，对该第二目标参数调节第二调节量。本申请实施例中，通过专家对二分类器的参数进行微调，提高了二分类器的分类精度。
可选的，上述识别该候选区域内的水上航行设备的轮廓的一种实现方式可以为：
对该候选区域依次进行增强反差、边缘增强和轮廓提取，得到水上航行设备的轮廓。即先对该候选区域进行增强反差处理，得到增强反差后的图像；对增强反差后的图像进行边缘增强处理，得到边缘增强后的图像；对边缘增强后的图像进行轮廓提取，得到水上航行设备的轮廓。
可选的，为了提高轮廓的提取精度，还可以根据专家触发的参数调节指令对增强反差处理所涉及的参数进行微调，参数调节指令中包括目标参数(为便于区分，即为第三目标参数)，以及对该第三目标参数进行调节的调节量(为便于区分，即为第三调节量)。具体的，在获取到针对增强反差处理所涉及的第三目标参数的参数调节指令时，对该第三目标参数调节第三调节量。本申请实施例中，通过专家对增强反差处理所涉及的参数进行微调，提高了轮廓的提取精度。
与方法实施例相对应，本申请实施例还提供一种水上目标识别装置，本申请实施例提供的水上目标识别装置的一种结构示意图如图2所示，可以包括：
候选区域确定模块21，设备确定模块22，获取模块23和型号确定模块24；其中，
候选区域确定模块21用于将目标图像输入预先训练好的区域候选网络模型，以在所目标图像中确定候选区域；
设备确定模块22用于对应每一个候选区域，确定该候选区域内是否存在水上航行设备；
获取模块23用于若该候选区域内存在水上航行设备，获取所述水上航行设备的剪影，以及所述水上航行设备的大小，以及所述水上航行设备距离所述目标图像的采集设备的距离；
型号确定模块24用于将所述剪影、所述水上航行设备的大小以及所述距离输入预先训练好的目标识别模型，得到所述水上航行设备的型号；其中，训练所述目标识别模型使用的训练数据通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。
本申请实施例提供的水上目标识别装置，将目标图像输入预先训练好的区域候选网络模型，以在目标图像中确定候选区域；对应每一个候选区域，确定该候选区域内是否存在水上航行设备；若该候选区域内存在水上航行设备，获取水上航行设备的剪影，以及水上航行设备的大小，以及水上航行设备距离目标图像的采集设备的距离；将剪影、水上航行设备的大小以及上述距离输入预先训练好的目标识别模型，得到水上航行设备的型号；其中，训练目标识别模型使用的训练数据通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。由于训练目标识别模型所用的训练样本包括通过对各种模拟环境下的三维模型进行多角度多尺寸投影得到样本图像，因此，能够获取大量的训练样本，从而提高目标识别模型的识别精度。
可选的，上述水上目标识别装置，还包括：
识别模块，用于将训练样本、所述训练样本中的水上航行设备的大小以及所述训练样本中的水上航行设备距离训练样本的采集设备的距离输入待训练的目标识别模型，得到识别结果，所述识别结果表征所述训练样本中的水上航行设备的型号；
更新模块，用于根据所述识别结果与所述训练样本对应的标签的差异，对所述待训练的目标识别模型的参数进行更新；所述标签表征所述训练样本中的水上航行设备的真实型号。
可选的，所述设备确定模块包括：
特征提取模块，用于对该候选区域进行特征提取，得到区域特征；
二分类模块，用于将所述区域特征输入预先训练好的二分类器，得到分类结果，所述分类结果表征所述候选区域内是否存在水上航行设备。
可选的，所述获取模块23具体可以用于：
对该候选区域依次进行增强反差、边缘增强和轮廓提取，得到所述水上航行设备的轮廓；
将所述轮廓包围的区域确定为所述水上航行设备的剪影。
可选的，所述多角度至少包括：正前侧、正后侧、正左侧、正右侧、左前斜侧、右前斜侧、左后斜侧、右后斜侧。
与方法实施例相对应，本申请还提供一种电子设备，该电子设备的一种结构示意图如图3所示，可以包括：
存储器31，用于至少存储一组指令集；
处理器32，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集进行以下操作：
将目标图像输入预先训练好的区域候选网络模型，以在所述目标图像中确定候选区域；
对应每一个候选区域，确定该候选区域内是否存在水上航行设备；
若该候选区域内存在水上航行设备，获取所述水上航行设备的剪影，以及所述水上航行设备的大小，以及所述水上航行设备距离所述目标图像的采集设备的距离；
将所述剪影、所述水上航行设备的大小以及所述距离输入预先训练好的目标识别模型，得到所述水上航行设备的型号；其中，训练所述目标识别模型使用的训练数据集通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。
可选的，所述指令集的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
将目标图像输入预先训练好的区域候选网络模型，以在所述目标图像中确定候选区域；
对应每一个候选区域，确定该候选区域内是否存在水上航行设备；
若该候选区域内存在水上航行设备，获取所述水上航行设备的剪影，以及所述水上航行设备的大小，以及所述水上航行设备距离所述目标图像的采集设备的距离；
将所述剪影、所述水上航行设备的大小以及所述距离输入预先训练好的目标识别模型，得到所述水上航行设备的型号；其中，训练所述目标识别模型使用的训练数据集通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。
可选的，所述指令集的细化功能和扩展功能可参照上文描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
应当理解，本申请实施例中，从权、各个实施例、特征可以互相组合结合，都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种水上目标识别方法，其特征在于，包括：
将目标图像输入预先训练好的区域候选网络模型，以在所述目标图像中确定候选区域，所述候选区域为目标图像中的水域区域；
对应每一个候选区域，确定该候选区域内是否存在水上航行设备；
若该候选区域内存在水上航行设备，获取所述水上航行设备的剪影，以及所述水上航行设备的大小，以及所述水上航行设备距离所述目标图像的采集设备的距离，所述获取所述水上航行设备的剪影，包括：对该候选区域依次进行增强反差、边缘增强和轮廓提取，得到所述水上航行设备的轮廓；将所述轮廓包围的区域确定为所述水上航行设备的剪影；
将所述剪影、所述水上航行设备的大小以及所述距离输入预先训练好的目标识别模型，得到所述水上航行设备的型号；其中，训练所述目标识别模型使用的训练数据集通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到。
2.根据权利要求1所述的方法，其特征在于，所述目标识别模型通过如下方式训练得到：
将训练样本、所述训练样本中的水上航行设备的大小以及所述训练样本中的水上航行设备距离训练样本的采集设备的距离输入待训练的目标识别模型，得到识别结果，所述识别结果表征所述训练样本中的水上航行设备的型号；
根据所述识别结果与所述训练样本的标签的差异，对所述待训练的目标识别模型的参数进行更新；所述标签表征所述训练样本中的水上航行设备的真实型号。
3.根据权利要求1所述的方法，其特征在于，所述确定该候选区域内是否存在水上航行设备，包括：
对该候选区域进行特征提取，得到区域特征；
将所述区域特征输入预先训练好的二分类器，得到分类结果，所述分类结果表征所述候选区域内是否存在水上航行设备。
4.根据权利要求1所述的方法，其特征在于，所述多角度至少包括：正前侧、正后侧、正左侧、正右侧、左前斜侧、右前斜侧、左后斜侧、右后斜侧。
5.一种水上目标识别装置，其特征在于，包括：
候选区域确定模块，用于将目标图像输入预先训练好的区域候选网络模型，以在所目标图像中确定候选区域，所述候选区域为目标图像中的水域区域；
设备确定模块，用于对应每一个候选区域，确定该候选区域内是否存在水上航行设备；
获取模块，用于若该候选区域内存在水上航行设备，获取所述水上航行设备的剪影，以及所述水上航行设备的大小，以及所述水上航行设备距离所述目标图像的采集设备的距离；
型号确定模块，用于将所述剪影、所述水上航行设备的大小以及所述距离输入预先训练好的目标识别模型，得到所述水上航行设备的型号；其中，训练所述目标识别模型使用的训练数据通过对若干个型号的水上航行设备在各种模拟环境下的三维模型进行多角度多尺寸的投影得到；
所述获取模块获取所述水上航行设备的剪影，包括：所述获取模块对该候选区域依次进行增强反差、边缘增强和轮廓提取，得到所述水上航行设备的轮廓；将所述轮廓包围的区域确定为所述水上航行设备的剪影。
6.根据权利要求5所述的装置，其特征在于，还包括：
识别模块，用于将训练样本、所述训练样本中的水上航行设备的大小以及所述训练样本中的水上航行设备距离训练样本的采集设备的距离输入待训练的目标识别模型，得到识别结果，所述识别结果表征所述训练样本中的水上航行设备的型号；
更新模块，用于根据所述识别结果与所述训练样本的标签的差异，对所述待训练的目标识别模型的参数进行更新；所述标签表征所述训练样本中的水上航行设备的真实型号。
7.根据权利要求5所述的装置，其特征在于，所述设备确定模块包括：
特征提取模块，用于对该候选区域进行特征提取，得到区域特征；
二分类模块，用于将所述区域特征输入预先训练好的二分类器，得到分类结果，所述分类结果表征所述候选区域内是否存在水上航行设备。
8.一种电子设备，包括：
存储器，用于至少存储一组指令集；
处理器，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集实现权利要求1-4中任意一项所述的水上目标识别方法的各个步骤。
9.一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-4中任一项所述的水上目标识别方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011022565.1A CN112101282B (zh) | 2020-09-25 | 2020-09-25 | 水上目标识别方法、装置及电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011022565.1A CN112101282B (zh) | 2020-09-25 | 2020-09-25 | 水上目标识别方法、装置及电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101282A CN112101282A (zh) | 2020-12-18 |
| CN112101282B true CN112101282B (zh) | 2024-04-26 |
Family
ID=73756193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011022565.1A Active CN112101282B (zh) | 2020-09-25 | 2020-09-25 | 水上目标识别方法、装置及电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101282B (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060024582A (ko) * | 2004-09-14 | 2006-03-17 | 주식회사 지오에스엠 | 선박 자동식별시스템 및 그의 선박정보 표시방법 |
| CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
| CN104658394A (zh) * | 2015-02-13 | 2015-05-27 | 苏州敏行医学信息技术有限公司 | 一种穿刺虚拟教学训练*** |
| WO2017024691A1 (zh) * | 2015-08-07 | 2017-02-16 | 合肥工业大学 | 一种模拟电路故障模式分类方法 |
| CN106446949A (zh) * | 2016-09-26 | 2017-02-22 | 成都通甲优博科技有限责任公司 | 一种车辆型号识别方法及装置 |
| CN107977945A (zh) * | 2017-12-18 | 2018-05-01 | 深圳先进技术研究院 | 一种图像增强方法、***及电子设备 |
| WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
| CN108303078A (zh) * | 2018-01-29 | 2018-07-20 | 哈尔滨工程大学 | 一种基于立体视觉的全方向船舶防撞预警与导航*** |
| CN108334859A (zh) * | 2018-02-28 | 2018-07-27 | 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*** |
| CN108681707A (zh) * | 2018-05-15 | 2018-10-19 | 桂林电子科技大学 | 基于全局和局部特征融合的大角度车型识别方法和*** |
| CN109359538A (zh) * | 2018-09-14 | 2019-02-19 | 广州杰赛科技股份有限公司 | 卷积神经网络的训练方法、手势识别方法、装置及设备 |
| CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
| KR20190068210A (ko) * | 2017-12-08 | 2019-06-18 | 정정조 | 차량 인식 장치 |
| CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
| CN110334703A (zh) * | 2019-06-14 | 2019-10-15 | 武汉科技大学 | 一种昼夜图像中的船舶检测和识别方法 |
| CN110345875A (zh) * | 2018-04-04 | 2019-10-18 | 灵动科技（北京）有限公司 | 标定及测距方法、装置、电子设备及计算机可读存储介质 |
| CN110490802A (zh) * | 2019-08-06 | 2019-11-22 | 北京观微科技有限公司 | 一种基于超分辨率的卫星影像飞机目标型号识别方法 |
| WO2019242222A1 (zh) * | 2018-06-21 | 2019-12-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN110619750A (zh) * | 2019-08-15 | 2019-12-27 | 重庆特斯联智慧科技股份有限公司 | 面向违停车辆的智能航拍识别方法及*** |
| CN110659545A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 |
| CN111079482A (zh) * | 2019-03-29 | 2020-04-28 | 新华三技术有限公司 | 一种信息获取方法及装置 |
| CN111199243A (zh) * | 2019-12-19 | 2020-05-26 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进决策树的空中目标识别方法及*** |
| CN111695398A (zh) * | 2019-12-24 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种小目标船只识别方法、装置及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106707293B (zh) * | 2016-12-01 | 2019-10-29 | 百度在线网络技术（北京）有限公司 | 用于车辆的障碍物识别方法和装置 |
| CN110096933B (zh) * | 2018-01-30 | 2023-07-18 | 华为技术有限公司 | 目标检测的方法、装置及*** |
-
2020
- 2020-09-25 CN CN202011022565.1A patent/CN112101282B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060024582A (ko) * | 2004-09-14 | 2006-03-17 | 주식회사 지오에스엠 | 선박 자동식별시스템 및 그의 선박정보 표시방법 |
| CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
| CN104658394A (zh) * | 2015-02-13 | 2015-05-27 | 苏州敏行医学信息技术有限公司 | 一种穿刺虚拟教学训练*** |
| WO2017024691A1 (zh) * | 2015-08-07 | 2017-02-16 | 合肥工业大学 | 一种模拟电路故障模式分类方法 |
| CN106446949A (zh) * | 2016-09-26 | 2017-02-22 | 成都通甲优博科技有限责任公司 | 一种车辆型号识别方法及装置 |
| WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
| KR20190068210A (ko) * | 2017-12-08 | 2019-06-18 | 정정조 | 차량 인식 장치 |
| CN107977945A (zh) * | 2017-12-18 | 2018-05-01 | 深圳先进技术研究院 | 一种图像增强方法、***及电子设备 |
| CN108303078A (zh) * | 2018-01-29 | 2018-07-20 | 哈尔滨工程大学 | 一种基于立体视觉的全方向船舶防撞预警与导航*** |
| CN108334859A (zh) * | 2018-02-28 | 2018-07-27 | 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*** |
| CN110345875A (zh) * | 2018-04-04 | 2019-10-18 | 灵动科技（北京）有限公司 | 标定及测距方法、装置、电子设备及计算机可读存储介质 |
| CN108681707A (zh) * | 2018-05-15 | 2018-10-19 | 桂林电子科技大学 | 基于全局和局部特征融合的大角度车型识别方法和*** |
| WO2019242222A1 (zh) * | 2018-06-21 | 2019-12-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN110659545A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 |
| CN109359538A (zh) * | 2018-09-14 | 2019-02-19 | 广州杰赛科技股份有限公司 | 卷积神经网络的训练方法、手势识别方法、装置及设备 |
| CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
| CN111079482A (zh) * | 2019-03-29 | 2020-04-28 | 新华三技术有限公司 | 一种信息获取方法及装置 |
| CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
| CN110334703A (zh) * | 2019-06-14 | 2019-10-15 | 武汉科技大学 | 一种昼夜图像中的船舶检测和识别方法 |
| CN110490802A (zh) * | 2019-08-06 | 2019-11-22 | 北京观微科技有限公司 | 一种基于超分辨率的卫星影像飞机目标型号识别方法 |
| CN110619750A (zh) * | 2019-08-15 | 2019-12-27 | 重庆特斯联智慧科技股份有限公司 | 面向违停车辆的智能航拍识别方法及*** |
| CN111199243A (zh) * | 2019-12-19 | 2020-05-26 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进决策树的空中目标识别方法及*** |
| CN111695398A (zh) * | 2019-12-24 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种小目标船只识别方法、装置及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| "Ship detection and recognition combing one-dimensional range profile with SAR image";Yang Li等;《IET International Radar Conference》;第6252-6254页 * |
| "卫星影像下的秦岭违建别墅";姜艳川等;《中国测绘》;第46-47页 * |
| "基于对称Gabor小波滤波的舰船目标识别方法";尚士泽等;《现代雷达》;第39卷(第10期);第43-48页 * |
| "记载预警雷达技术及信号处理方法综述";张良等;《电子与信息学报》;第38卷(第12期);第3298-3306页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101282A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105512683B (zh) | 基于卷积神经网络的目标定位方法及装置 | |
| CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、*** | |
| CN101609504B (zh) | 一种红外图像海面目标检测识别定位方法 | |
| CN106384344A (zh) | 一种光学遥感图像海面舰船目标检测与提取方法 | |
| US9031285B2 (en) | Detection of floating objects in maritime video using a mobile camera | |
| CN111324145B (zh) | 一种无人机自主着陆方法、装置、设备及存储介质 | |
| CN106803070A (zh) | 一种基于遥感图像的港口区域舰船目标变化检测方法 | |
| CN110728196A (zh) | 一种人脸识别的方法、装置及终端设备 | |
| CN105930852B (zh) | 一种气泡图像识别方法 | |
| CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
| CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
| CN110458160A (zh) | 一种基于深度压缩神经网络的无人艇水面目标识别算法 | |
| CN111126116A (zh) | 无人船河道垃圾识别方法及*** | |
| CN109816051B (zh) | 一种危化品货物特征点匹配方法及*** | |
| CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
| CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
| CN111928857B (zh) | 一种动态环境中实现slam定位的方法及相关装置 | |
| CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
| CN102999908A (zh) | 基于改进视觉注意模型的sar机场分割方法 | |
| Sablina et al. | An approach to the image superimposition problem in multispectral computer vision systems | |
| CN105139013B (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
| CN116883588A (zh) | 一种大场景下的三维点云快速稠密重建方法及*** | |
| CN108573280A (zh) | 一种无人船自主通过桥梁的方法 | |
| CN116152928A (zh) | 基于轻量级人体姿态估计模型的防溺水预警方法和*** | |
| CN112101282B (zh) | 水上目标识别方法、装置及电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |