【CN110147807A】一种船舶智能识别跟踪方法【专利】

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号
(43)申请公布日
(21)申请号 201910202874.8(22)申请日 2019.03.18(66)本国优先权数据201910007965.6 2019.01.04 CN(71)申请人 上海海事大学地址 201306 上海市浦东新区临港新城海港大道1550号(72)发明人 王胜正　刘博　(74)专利代理机构 上海互顺专利代理事务所(普通合伙) 31332代理人 成秋丽(51)Int.Cl.G06K 9/62(2006.01)G06K 9/46(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)

(54)发明名称
一种船舶智能识别跟踪方法
(57)摘要
本发明提出了一种船舶智能识别跟踪方法，
基于计算机视觉的深度学习算法，改进了传统深
度学习中的基础分类网络结构和目标的多尺度
预测方法，利用Darknet网络和YOLOv3算法结合
的方式实现船舶的跟踪并实时检测识别船舶类
型。该方法引入残差网络的思想，采用全卷积结
构，增加网络深度，提高了数据特征学习能力。利
用YOLOv3算法通过卷积核的方式实现特征图之
间的局部特征交互,进行目标的匹配定位，在此
基础上将目标区域预测和类别预测整合于单个
神经网络模型中，从而实现图像的全局信息进行
目标识别。实验结果表明，提出的算法与传统方
法相比，不仅具有更好的实时性、准确性，对各种
环境变化具有较好的鲁棒性。

权利要求书4页 说明书10页 附图3页
CN 110147807 A
2019.08.20

C
N
1
1
0
1
4
7
8
0
7
A
1.一种船舶智能识别跟踪方法，其特征在于包括以下步骤：
步骤一：收集不同类型船舶图片，作为船舶图像原始数据，进行标签预处理，为后续的
识别跟踪模型做初始化，步骤一包括数据预处理，具体实施步骤如下：
(一)数据预处理：
(1)下载Pascal voc2007标准化数据集，清空其原有数据，保留JPEGImages文件夹，
Annotations文件夹和ImageSets文件夹；
(2)将收集到的不同类型的船舶原始图像数据存放于JPEGImages文件夹中，包括训练
图片和测试图片，其中训练图片和测试图片数量比列为8：2；
(3)通过labelImg标记工具，生成模型可读的Xaml文件存放在Annotations文件夹中，
每一个Xaml文件都对应于JPEGImages文件夹中的一张图片；
(3)在ImageSets文件夹下建立Main文件夹，存放的是每一种船舶图片类型对应的图像
数据信息，包括训练数据集，检测数据集，验证数据集，训练和验证数据集；
步骤二：构建深层网络模型，对输入的船舶图像样本数据进行卷积操作提取相应特征，
进行组合学习，得到物体的特征图模型，在此基础上添加特征交互层，分为三个尺度，每个
尺度内，通过卷积核的方式实现特征图局部的特征交互，步骤二包括船舶特征提取网络结
构和特征交互层结构，具体实施步骤如下：
(一)船舶特征提取网络：
(1)输入预处理好的船舶图片，利用高分辨率分类器提高图像的分辨率，进行规范化处
理；
(2)通过32层卷积核，每个卷积核大小为3*3，步伐为1进行卷积操作，获得特征映射矩
阵；

(3)通过卷积层的船舶特征图矩阵提取出高度抽象的
船舶特征，其中是第r层卷积网络的第n个输出的特征映射，函数f表示第r层卷积神经网
络神经元的激活函数，是第r-1个网络层的第m个输入的船舶特征映射，是第n个网
络输出层的船舶特征映射和第m个输入特征映射的连接权重，参数是第r层卷积神经网
络的第n个特征映射的偏置量；

(4)在每一个卷积层后添加归一化层，通过函数进行批量标准化处理，
将卷积层输出的矩阵数据分布归一化为均值为0,方差为1的分布，其中xk表示输入数据的
第k维，E[xk]表示该维的平均值，表示标准差；
(5)引入修正线性单元g(x)＝Max(0,xr)作为激活函数，对于输入该层的数据进行单侧
抑制，把归一化层输出的数据作为激活函数的输入数据，当输入数据xr>0时，梯度恒为1，当
xr<0时，该层的输出为0；
(6)循环步骤(2)-(5)，构建层数为53层的基础网络结构；
(7)在此基础网络结构上，通过残差函数F(x)＝H(x)-x1来构建新的网络结构，当基础网
络中卷积层的输入与输出的维度一样时，采用跨层跳跃连接方式，在卷积层后添加残差层，
改变其原有基础网络结构，将深层神经网络结构的逐层训练改为逐阶段训练，把网络结构

权　利　要　求　书
1/4页

2
CN 110147807 A