文献类型：期刊文章

作　　者：刘博[1] 王胜正[1] 赵建森[1] 李明峰[1]

LIU Bo;WANG Shengzheng;ZHAO Jiansen;LI Mingfeng(Merchant Marine College,Shanghai Maritime University,Shanghai 201306,China)

机构地区：[1]上海海事大学商船学院

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(51379121,61304230);上海市曙光人才计划项目(15SG44)~~

年　　份：2019

卷　　号：39

期　　号：6

起止页码：1663-1668

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对我国沿海与内陆水域区域视频监控处理存在实际利用率低、误差率大、无识别能力、需人工参与等问题,提出基于Darknet网络模型结合YOLOv3算法的船舶跟踪识别方法实现船舶的跟踪并实时检测识别船舶类型,解决了重要监测水域船舶跟踪与识别问题。该方法提出的Darknet网络引入了残差网络的思想,采用跨层跳跃连接方式以增加网络深度,构建船舶深度特征矩阵提取高级船舶特征进行组合学习,得到船舶特征图。在此基础上,引入YOLOv3算法实现基于图像的全局信息进行目标预测,将目标区域预测和目标类别预测整合于单个神经网络模型中。加入惩罚机制来提高帧序列间的船舶特征差异。通过逻辑回归层作二分类预测,实现在准确率较高的情况下快速进行目标跟踪与识别。实验结果表明,提出的算法在30 frame/s的情况下,平均识别精度达到89.5%,与传统以及深度学习算法相比,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,而且可以识别多种船舶的类型及其重要部位。

关 键 词：海上交通 船舶监测 船舶跟踪  船舶类型识别  Darknet网络  YOLOv3算法  

分 类 号：TP391.41]