CN116580056B 一种船舶检测与跟踪方法、装置、电子设备及存储介质 （武汉理工大学）

JP2019164521A,2019.09.26US11640705B1,2023.05.02US2023022221A1,2023.01.26本发明涉及一种船舶检测与跟踪方法、装预设数量的高速运动物体数据集对yolov5s网络二预设数量的船舶数据集输入至过渡船舶检测2LightweightAlgorithmforImproveEngineering,BigDataandAlgorithmsEichhorniacrassipes.2023,1-23.3通过第一预设数量的高速运动物体数据集对yolov5s网络模型进行预训练得到初始船基于迁移学习策略，将标注的第二预设数量的船舶数据集输入至所将标注的第二预设数量的船舶数据集输入至所述过渡船舶检测模型进行训练得到目标船解冻所述过渡船舶检测模型的特征提取层，进行第二预设次数的迭代通过卡尔曼滤波算法根据所述位置信息对所述待跟踪船舶的位置进基于级联匹配方式，将所述待跟踪船舶轨迹集与检测框进根据所述第二匹配结果更新所述待跟踪船舶轨迹集，并进行下一帧船舶视频图像跟通过卡尔曼滤波算法根据所述位置信息判断待跟踪船舶的轨迹是否存若待跟踪船舶的轨迹存在，通过卡尔曼滤波算法对待跟踪船舶基于预设匹配方法，根据所述第一代价矩阵将所述待跟踪船舶轨根据所述第一匹配结果计算待匹配的轨迹和未匹配上的检基于所述预设匹配方法，根据所述第二代价矩阵将待匹配的轨迹和未4将未匹配的检测框转换为未匹配轨迹，并将匹配成功的轨迹加入所对所述待跟踪船舶轨迹集进行更新，并进行下一帧船舶视频图像预训练模块，用于通过第一预设数量的高速运动物体数据集对yolov5s网络模型进行预训练得到初始船舶检测模型，所述高速运动物体的运动特征与所述船舶的运动特征相注意力模块，用于加入预设注意力机制至所述初始船舶检测模迁移训练模块，用于基于迁移学习策略，将标注的第二预设数量的所述过渡船舶检测模型进行训练得到目标船舶位置检测模块，用于将原始船舶视频帧输入至所述目标船跟踪模块，用于基于预设跟踪算法，根据所述位置信息对所述权利要求1至7中任一项所述船舶检测与跟踪方法中的步5[0002]随着人工智能技术和高速处理器的飞速发展，自主导航技术的发展已初具规[0003]在现有技术中，船舶目标检测跟踪技术一般先采集船舶然后需要建立并训练船舶识别模型，之后再对采集的船舶航行的图像或视频数据进行标[0008]通过第一预设数量的高速运动物体数据集对yolov5s网络模型进行预训练得到初6[0027]基于预设匹配方法，根据第一代价矩阵将待跟踪船舶轨[0028]在一些可能的实现方式中，基于IOU匹配策略，根据第一匹配结果进行匹配并筛[0037]预训练模块，用于通过第一预设数量的高速运动物体数据集对yolov5s网络模型7入至过渡船舶检测模型进行训练得到目标船舶型进行预训练得到初始船舶检测模型，高速运动物体的运动特征与船舶的运动特征相似；8[0058]请参阅图1，图1为本发明提供的船舶检测与跟踪方法的[0059]S101、通过第一预设数量的高速运动物体数据集对yolov5s网络模型进行预训练注意力机制的初始船舶检测模型进行训练得到目的图像大小。所以选用UA_DETRAC高速数据集的进行特征提取网络(即初始船舶检测模型)在于在BackBone的最后一层SPPF模块前面加入ShuffleAttention注意结构，以融合空间9精度的船舶目标检测模型。完成船舶检测训练之后，将需要检测的跟踪船舶视频使用Deepsort跟踪算法，完成对目标船舶的稳定跟踪。结合上述方法，采用迁移学习策略在一预设数量的高速运动物体数据集对yolov5s网络模型进行预训练得到初始船舶检测模在小样本任务数据集下获得具有一定检测精度和鲁棒性的概率Pr(object)，表明当前box内只是个背景(backgroud)还是有某个物体(object)IOU表示当前的box有对象时，网络自己预测的box与物体真实的box可能的重叠的面积其中c:表示第i个图像栅格的第j个检测框的置信度。k是Kalman增益。[0094]基于预设匹配方法，根据第一代价矩阵将待跟踪船舶轨[0104]预设匹配方法为匈牙利匹配算法，匈牙利匹配算法主要通过对于轨迹track与检测框detection进行匹配，输入代价矩阵即可完成匹配。最后得到初步的匹配结果(matches)以及未匹配上的track(unmatchedtrack)和未匹配上的检测框(unmatched[0106]S401、根据第一匹配结果计算待匹配的轨迹和未匹配上的检测框的第二代价矩匹配上的检测框(unmatcheddetection)以及基于第k_1时刻由卡尔曼滤波算法预测到的为元素构建到IOU匹配的代价矩阵(第二代价矩阵)中，计算要匹配的轨迹和未匹配上的检[0110]需要说明的是，IOU匹配策略的部分计算过程与级联匹配类型，本发明不进行赘[0116]在对本发明提出的船舶检测与跟踪方法的精度评判上，引入mAP(MeanAverage[0122]在使用迁移学习的训练策略与加入ShuffleAttention注意力机制之后，在船舶输入至过渡船舶检测模型进行训练得到目标船[0133]这里需要说明的是：上述实施例提供的装置600可实现上述各方法实施例中描述[0135]存储器720在一些实施例中可以是船舶检测与跟踪设备的内部存储单元，例如船舶检测与跟踪设备的硬盘或内存。存储器720在另一些实施例中也可以是船舶检测与跟踪存储器720还可以既包括船舶检测与跟踪设备的内部存储单元也包括外部存储设备。存储器720用于存储安装于船舶检测与跟踪设备的应用软件及各类数据，例如安装船舶检测与[0136]处理器710在一些实施例中可以是一中央处理器(CentralProcessingUnit,[0138]在一实施例中，当处理器710执行存储器720中船舶检测与跟踪程序740时实现如[0139]本实施例还提供了一种计算机可读存储介质，其上存储[0140]通过第一预设数量的高速运动物体数据集对yolov5s网络模型进行预训练得到初方法包括：通过第一预设数量的高速运动物体数据集对yolov5s网络模型进行预训练得到要少量标注的船舶数据就可以对改进的初始船舶检测模型训练得到泛化能力好的目标船在标注的船舶数据较少时