原文传递
基于CRCNN的海上船舶视频目标检测
| 论文题名： | 基于CRCNN的海上船舶视频目标检测 |
| 关键词： | 船舶识别技术;多尺度特征检测;特征金字塔;CRCNN算法 |
| 摘要： | 随着近年来海洋经济的快速发展，海洋贸易也随之稳步增强。为了应对不断扩张的海上贸易线路，海上的船舶数量也随之增多，同时也带来了更高的海上船舶安全风险。为了降低风险，船舶自动检测技术应运而生：传统的船舶识别技术依靠手工设计特征进行识别，这样提取的特征只是船舶的部分特征；但是由于待识别船舶图像的复杂海况、待识别船舶的目标面积较小等因素，使船舶语义特征少、船舶信息不明显，导致传统船舶识别技术识别船舶的时候可能会出现问题，进而导致海上的船舶事故。基于这个问题，本文采用最近几年在识别领域表现良好的神经网络算法来进行改进。 目前在模式识别领域中，CVPR（国际计算机视觉与模式识别会议）在其中起着举足轻重的作用。CVPR提出不少经典的目标检测算法，例如RCNN算法、FastRCNN算法、SSD算法、YOLO算法以及最近两三年刚提出的CRCNN（CascadeRCNN）算法。CRCNN算法相比之前的算法带来了更快的检测速度以及更高的检测精度，能够很好的适应目前大部分的目标检测实验。通过对原始CRCNN算法研究，发现能够在深度特征提取与提升识别船舶特征精度方面进行改进，来进一步提升船舶识别的准确率。 针对原始CRCNN的不足之处，本文的改进方法如下：1.针对深度特征提取方面，应用ResNet50网络结构来解决网络的特征提取层数越深，网络准确度下降的问题；2.针对复杂海况下获取小目标船舶特征难的问题，应用多尺度特征检测与特征金字塔技术来解决，并通过合并多层的语义特征来拥有更准确的特征信息。 为了验证改进的算法的有效性，本文采取了几个步骤。首先，提出改进的电磁感应线圈理论通过船舶视频监控抓取相关图片；其次，采用了翻转、旋转、模糊等方式来实现样本的预处理，对船舶数据集进行扩充；最后，把改进后算法与改进之前的CRCNN算法进行对比实验论证，本文基于多尺度特征检测和特征金字塔改进的CRCNN神经网络算法与原始CRCNN神经网络目标识别算法相比，平均准确率提高了9.5%。改进的CRCNN在复杂海况下小目标船舶识别表现更加的优异，精度也更高。 |
| 作者： | 邬磊 |
| 专业： | 交通运输工程 |
| 导师： | 陈世才 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
