【CN109766830A】一种基于人工智能图像处理的舰船目标识别系统及方法【专利】

2
CN 109766830 A
权 利 要 求 书
2/3 页
其中，G(x，y)是背景图像中，位于(x，y)位置的像素的亮度值， 前景图是二值图像，白色像素表示运动目标，黑色像素表示背景， th为计算前景图像时的二值化阈值，默认为10， 所述运 动目 标进行预先提取包括 ，计算背景的 运 动量 ，对所有像素的 运 动信息进行识 别，出现频率最高的运动信息，认为所述运动信息是背景的运动量；对图像中所有像素的运 动量进行对比 ，高于所述背景运动量的所述像素运动量，则是候选目标像素；对所述候选目 标像素进行聚 类 ，根 据所述候选目 标的 运 动信息 和位置 信息 利 用KMea ns聚 类算法进行聚 类，每个聚类的子类是一个候选目标。 5 .根据权利要求3所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征 在于：所述算法系统自动选择目标进行跟踪所包括，对每个候选目标进行跟踪，在背景建模 和前景目 标提取的 基础上 ，对前景目 标提取的 结果中 第一次出现的 所述候选目 标 ，自 动进 行跟踪位置的初始化，然后展开跟踪； 对所述候选目 标进行融合 ，运 动方向 和幅 度一致的 所述候选目 标 ，进行融合为一个目 标； 判断被融合的目标是否进行融合，被融合的目标，如果不相邻中间存在孤立区域，考察 其运动规律 ，决定是否融合 ，如融合则重复本判断 ，如不融合则将融合之后的目标作为最终 待跟踪目标， 所述后续视频帧的处理包括 ，根据视频前一帧中 ，所述跟踪目标的位置 ，预测视频当前 帧的目标位置； 利用所述视频前一帧 ，直接预测视频当前帧的视频后一帧位置 ； 利用视频后一帧位置，反向预测视频当前帧位置； 对两个视频当前帧位置进行加权，所述视频前一帧结果的权重是0 .7，所述视频后一帧 的权重是0 .3，获得最终的后果。 6 .根据权利要求2所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征 在于：所述S2 .2步骤所述人工对跟踪结果的修正包括， 目 标位置手动初始化 ，对自 动跟踪失败的目 标 ，人工直接 用鼠 标在目 标中 心进行点击 修正； 目 标框大小的 初始化 ，利 用SLIC算法 和手动结合的 方式 进行初始化 ，提取当前图 像的 超像素结果后，按下功能键，用鼠标在目标对应的几个超像素上进行点击，就可以选定目标 的大致区域； 抽取整个视频中少数的帧点击目标的中心位置，每30秒钟对目标进行一次目标位置获 取 ，在某些视频的帧跟踪效果不好时 ，要提高标注的 密度进行标注 ，目标跟踪效果好的帧 ， 不标注； 对跟踪结果进行离线验证，在算法运行结束之后，进行后续验证提高样本的质量； 对目 标丢失情形进行处理 ，先设定跟踪信度阈值 ，当前目 标的 跟踪阈值低于所述信度 阈值，样本不再采集并对这些样本添加特殊标记，在训练时，进行特殊处理。 7 .根据权利要求1所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征
( 19 )中华人民 共和国国家知识产权局
(ຫໍສະໝຸດ Baidu12 )发明专利申请
(21)申请号 201910019556 .8
(22)申请日 2019 .01 .09
(71)申请人 深圳市芯鹏智能信息有限公司 地址 518000 广东省深圳市福田区福保街 道福保社区黄槐道3号深福保科技工 业园A栋3层323
(72)发明人 陈胜
(74)专利代理机构 深圳市科吉华烽知识产权事 务所(普通合伙) 44248
代理人 胡吉科
(51)Int .Cl . G06K 9/00(2006 .01) G06K 9/46(2006 .01) G06K 9/62(2006 .01)
(10)申请公布号 CN 109766830 A (43)申请公布日 2019.05.17
( 54 )发明 名称 一种基于人工智能图像处理的舰船目标识
别系统及方法 ( 57 )摘要
本发明提供的一种基于人工智能图像处理 的舰船目标识别系统及方法，采用高动态水面环 境下舰船视频设备采集视频信息样本；对所述样 本采用人工加自动跟踪算法进行标注；在低质量 的视频条件下，以所述合成的样本为基础对海面 弱小目 标的 识别 ，进行目 标识别的 方法 ，解决现 有技术中 只有 在 岸基上的 系统 对海上 弱目 标 识 别 ，并 且在海上恶劣 环境下使 用 ，准 确率 低的 技 术问题，实现一套系统能解决在岸基和水面移动 各 种平台下 ，进行双动态识别 ，对海上 弱小目 标 识别，准确高效的识别海上恶劣环境下舰船目标 的技术效果。
权利要求书3页 说明书10页 附图6页
CN 109766830 A
CN 109766830 A
权 利 要 求 书
1/3 页
1 .一种基于人工智能图像处理的舰船目标识别系统及方法，其特征在于：包括以下步 骤：
S1 .在高动态水面环境下，基于岸基或海面动态平台的视频设备采集视频信息样本； S2 .对所述样本采用人工加自动跟踪算法进行标注，包括离线的自动跟踪，人工干预修 正以及新样本的合成； S3 .在低质量的视频条件下，以所述合成的样本为基础对海面弱小目标的识别，主要为 先对视频进行分割减少处理区域，在进行目标识别。 2 .根据权利要求1所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征 在于：所述S2步骤中还包括以下分步骤， S2 .1 .对所述样本视频文件进行离线自动跟踪，利用自动化算法实现稳定跟踪的视频 片段； S2 .2 .人工对跟踪结果的修正，对数据的标准，设计的软件在操作方式，以及数据的存 储方式，进行特殊设计，对自动跟踪的结果进行修正； S2 .3 .利用DCGANs原理自动合成一批新样本。 3 .根据权利要求2所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征 在于：所述S2 .1步骤所述离线自动跟踪包括， 背景建模与运动信息提取，需要先对视频进行相机运动情形下的背景建模和相机静止 情形下的背景建模，以前后帧图像匹配和背景建模的基础，对运动目标进行预先提取； 算法 系统自 动选择目 标进行跟踪 ，在背景建模 和前景目 标提取的 基础上 ，进一步自 动 选择待跟踪目标； 基于深度学 习框架的目 标跟踪 ，利 用GOTURN算法深度学 习框架 ，在自 动选定的 候选目 标上进行连续跟踪，得到非人工干预情形下的首批自动样本； 后续视频帧的处理，根据已知当前帧和后续帧进行双向预测，再进行加权。 4 .根据权利要求3所述的基于人工智能图像处理的舰船目标识别系统及方法，其特征 在于 ：所述 相机运动情形下的 背景建模采 用基于SIFT兴趣点的 背景模型建立 ，提取当前帧 的最低3个尺度层的SIFT兴趣点；对前后帧图像中的SIFT兴趣点进行匹配，针对前一帧图像 中的 每一个兴趣点 ，在当前帧图 像中找到与其最接近的兴趣点 ，利 用RANSAC算法过滤匹配 时的错误匹配；对所有兴趣点的匹配信息进行整理，利用兴趣点的匹配结果，得到全图范围 内的所有兴趣点代表的 运动信息 ，对所述运动信息进行整理 ，利 用Markov随 机场对不同 像 素位置的运动量进行建模， 所述相机静止情形下的背景建模采用渐变加权方法背景建模，将第一帧图像作为背景 的初始值，根据所述初始值对背景图像进行加权更新，采用如下算法， B(x，y)＝(1-λ)*B(x，y)+λ*I(x，y) 其中，B(x，y)是背景图像中，位于(x，y)位置的像素的亮度值， I(x，y)是当前图像中，位于(x，y)位置的像素的亮度值， λ是学习率，一般取值为0 .99； 对视频中正处于运动的前景图像进行检测，通过如下的算法，