文献类型：期刊文章

作　　者：段敬雅[1] 李彬[1] 董超[2] 田联房[1]

DUAN Jing-ya;LI Bin;DONG Chao;TIAN Lian-fang(School of Automation Science and Engineering,South China University of Technology,Guangzhou 510641,China;South China Sea Marine Engineering Surveying Center,State Oceanic Administrtion,Guangzhou 510300,China)

机构地区：[1]华南理工大学自动化科学与工程学院,广东广州510641 [2]国家海洋局南海调查技术中心,广东广州510300

出　　处：《计算机工程与设计》

基　　金：海洋公益性行业科研专项经费基金项目(201505002);国家自然科学基金项目(61305038、61273249);广东省科技计划基金项目(2017A020215164)。

年　　份：2020

卷　　号：41

期　　号：6

起止页码：1701-1707

语　　种：中文

收录情况：BDHX、BDHX2017、IC、JST、PROQUEST、RCCSE、ZGKJHX、核心刊

摘　　要：为克服传统船舶检测方法提取的特征在复杂多变的实际海域场景中泛化能力差而导致船舶检出率和识别率较低这一问题,提出一种基于YOLOv2和支持向量机(support vector machine,SVM)的船舶检测分类算法。基于YOLOv2网络检测船舶目标,通过卷积神经网络提取船舶区域的深度特征,特征全局池化后利用SVM分类器实现分类。实验结果表明,该算法在自建的船舶数据集上船舶检测的平均精确率达80.5%,船舶分类的准确率达90.87%,有效实现复杂海况下船舶目标的检测以及舰艇、货船、渔船的识别。

关 键 词：船舶检测 船舶分类  YOLOv2  特征提取 SVM分类器

分 类 号：TP391.41]