融合图像显著性的YOLOv3船舶目标检测算法研究
发布时间：2021-10-17 12:06
针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。
【文章来源】：软件导刊. 2020,19(10)
【文章页数】：6 页
【部分图文】：
NMS算法过程传统非极大值抑制算法原理是：在检测到的图片中生
第10期果集D中。同时，大于设定重叠阈值Nt的部分：集合B中任何与检测框M的重叠部分会被移除。非极大值抑制算法中将相邻检测框的分数均强制归零，这就是最大问题所在［18］。此时，如果重叠区域出现目标，则存在目标漏检情况，甚至导致检测失败，从而降低了算法平均检测率AP（AveragePrecision）。如图4所示，本文在YOLOv3网络中加入Soft-NMS算法。该算法是在非极大值抑制算法上作出改进，设置了衰减函数，使得重叠部分相邻检测框的分数不会置零。如果检测框与M重叠部分较大，则得分低；如果检测框与M重叠部分较小，则此部分原始得分不会发生改变。在标准数据集PASCALVOC2016和MS-COCO2018等标准数据集上，加入Soft-NMS的目标检测算法在目标有重叠部分时检测平均准确率显著提升。图4算法流程传统NMS方法可通过分数重置函数（RescoringFunction）表达，如式（10）所示。si=ìísi,iou(),bi<Nt0,iou(),bi≥Nt（10）通过NMS设置的硬阈值判断相邻检测框是否应被保留。若检测框bi与检测框M高度重叠，易出现漏检情况；若检测框bi中所包含的目标是不同于检测框M中的目标，则即使在检测阈值较低情况下，该目标也不会被漏检；若检测框bi中不包含任何目标，则在衰减过后，会产生假阳性效果并且检测框bi的得分会很高。通过较低的NMS重叠阈值设置，以达到移除所有相邻检测框的效果，这种做法显然不是最优解，并且极易出现误检、漏检等情况，尤其是在目标高度重叠的部分［19］。Soft-NMS中的分数重置函数：衰减与检测框M有重叠相邻检测?
）所示。si=sie-iou()M,b12σ（12）如图4所示，权重函数f（iou（M，bi））是基于检测框的重叠程度。算法中每一步的复杂度用O(N)表示，表示图片中有N个检测框，Soft-NMS算法复杂度为O(N2)，与传统NMS算法有一定相同之处。如图5所示，相对于传统NMS算法，Soft-NMS算法能够提高模型检测与分类效果，且不增加额外计算量。Soft-NMS对重叠和小目标有较好检测效果，能很好地融入本文算法，降低漏检率，加快运算速度。图5Soft-NMS算法过程3训练算法检测速率快慢、准确率高低取决于数据集是否兼具数量与质量。由于目前没有公共的开源船舶数据库，因此将小组成员制作的船舶数据集作为训练数据集。小组成员经过省内多地实地考察，最终选择长江作为数据采集地。采集20000张船舶目标图片，选取6000张多目标图片与3000张单目标图片，利用LabelImg工具进行标注，记录船舶图像左上右下位置及类别，生成xml格式［21］，本文将船舶类别分为3类，分别为“xunluochuan、kechuan、huochuan”。本文实验仿真环境：ThinkStation，内存为128GB，GPU处理器为RTX2080Ti，软件环境为Python3.7.3、VS2015、Opencv3.4.2、JetBrainsPyCharm2019.1.2、Anaconda3.4.1、CUDA10.0、CUDNNv7.1，TensorFlow1.2.1。本文选择的特征提取网络为Darknet-53，权重初始值是在通用目标训练集上训练而来，具有一定普适性。本文选取的训练图片为5000张，测试图片为2000张，学习率为0.001，Momentum设置为0.9，WeightDecay设置为0.0005。陈连
【参考文献】：
期刊论文
[1]基于改进型YOLO v3的蔬菜识别算法[J]. 魏宏彬,张端金,杜广明,肖文福. 郑州大学学报(工学版). 2020(02)
[2]基于改进型YOLO算法的遥感图像舰船检测[J]. 王玺坤,姜宏旭,林珂玉. 北京航空航天大学学报. 2020(06)
[3]改进YOLOV3算法在行人识别中的应用[J]. 葛雯,史正伟. 计算机工程与应用. 2019(20)
[4]一种基于深度学习的夜间车流量检测方法[J]. 张海玉,陈久红. 软件导刊. 2019(09)
[5]基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数[J]. 张银松,赵银娣,袁慕策. 中国农业大学学报. 2019(05)
[6]基于深度学习的复杂背景雷达图像多目标检测[J]. 周龙,韦素媛,崔忠马,房嘉奇,杨小婷,杨龙. 系统工程与电子技术. 2019(06)
[7]结合深度学习的多目标跟踪算法[J]. 王春艳,刘正熙. 现代计算机(专业版). 2019(06)
[8]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞. 计算机系统应用. 2019(02)
[9]嵌入SENet结构的改进YOLOV3目标识别算法[J]. 刘学平,李玙乾,刘励,王哲,刘宇. 计算机工程. 2019(11)
[10]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
硕士论文
[1]舰船视觉系统海空多目标识别与跟踪技术研究[D]. 李慧欣.哈尔滨工程大学 2019
[2]一个改进的YOLOv3目标识别算法研究[D]. 谭俊.华中科技大学 2018
本文编号：3441739
【文章来源】：软件导刊. 2020,19(10)
【文章页数】：6 页
【部分图文】：
NMS算法过程传统非极大值抑制算法原理是：在检测到的图片中生
第10期果集D中。同时，大于设定重叠阈值Nt的部分：集合B中任何与检测框M的重叠部分会被移除。非极大值抑制算法中将相邻检测框的分数均强制归零，这就是最大问题所在［18］。此时，如果重叠区域出现目标，则存在目标漏检情况，甚至导致检测失败，从而降低了算法平均检测率AP（AveragePrecision）。如图4所示，本文在YOLOv3网络中加入Soft-NMS算法。该算法是在非极大值抑制算法上作出改进，设置了衰减函数，使得重叠部分相邻检测框的分数不会置零。如果检测框与M重叠部分较大，则得分低；如果检测框与M重叠部分较小，则此部分原始得分不会发生改变。在标准数据集PASCALVOC2016和MS-COCO2018等标准数据集上，加入Soft-NMS的目标检测算法在目标有重叠部分时检测平均准确率显著提升。图4算法流程传统NMS方法可通过分数重置函数（RescoringFunction）表达，如式（10）所示。si=ìísi,iou(),bi<Nt0,iou(),bi≥Nt（10）通过NMS设置的硬阈值判断相邻检测框是否应被保留。若检测框bi与检测框M高度重叠，易出现漏检情况；若检测框bi中所包含的目标是不同于检测框M中的目标，则即使在检测阈值较低情况下，该目标也不会被漏检；若检测框bi中不包含任何目标，则在衰减过后，会产生假阳性效果并且检测框bi的得分会很高。通过较低的NMS重叠阈值设置，以达到移除所有相邻检测框的效果，这种做法显然不是最优解，并且极易出现误检、漏检等情况，尤其是在目标高度重叠的部分［19］。Soft-NMS中的分数重置函数：衰减与检测框M有重叠相邻检测?
）所示。si=sie-iou()M,b12σ（12）如图4所示，权重函数f（iou（M，bi））是基于检测框的重叠程度。算法中每一步的复杂度用O(N)表示，表示图片中有N个检测框，Soft-NMS算法复杂度为O(N2)，与传统NMS算法有一定相同之处。如图5所示，相对于传统NMS算法，Soft-NMS算法能够提高模型检测与分类效果，且不增加额外计算量。Soft-NMS对重叠和小目标有较好检测效果，能很好地融入本文算法，降低漏检率，加快运算速度。图5Soft-NMS算法过程3训练算法检测速率快慢、准确率高低取决于数据集是否兼具数量与质量。由于目前没有公共的开源船舶数据库，因此将小组成员制作的船舶数据集作为训练数据集。小组成员经过省内多地实地考察，最终选择长江作为数据采集地。采集20000张船舶目标图片，选取6000张多目标图片与3000张单目标图片，利用LabelImg工具进行标注，记录船舶图像左上右下位置及类别，生成xml格式［21］，本文将船舶类别分为3类，分别为“xunluochuan、kechuan、huochuan”。本文实验仿真环境：ThinkStation，内存为128GB，GPU处理器为RTX2080Ti，软件环境为Python3.7.3、VS2015、Opencv3.4.2、JetBrainsPyCharm2019.1.2、Anaconda3.4.1、CUDA10.0、CUDNNv7.1，TensorFlow1.2.1。本文选择的特征提取网络为Darknet-53，权重初始值是在通用目标训练集上训练而来，具有一定普适性。本文选取的训练图片为5000张，测试图片为2000张，学习率为0.001，Momentum设置为0.9，WeightDecay设置为0.0005。陈连
【参考文献】：
期刊论文
[1]基于改进型YOLO v3的蔬菜识别算法[J]. 魏宏彬,张端金,杜广明,肖文福. 郑州大学学报(工学版). 2020(02)
[2]基于改进型YOLO算法的遥感图像舰船检测[J]. 王玺坤,姜宏旭,林珂玉. 北京航空航天大学学报. 2020(06)
[3]改进YOLOV3算法在行人识别中的应用[J]. 葛雯,史正伟. 计算机工程与应用. 2019(20)
[4]一种基于深度学习的夜间车流量检测方法[J]. 张海玉,陈久红. 软件导刊. 2019(09)
[5]基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数[J]. 张银松,赵银娣,袁慕策. 中国农业大学学报. 2019(05)
[6]基于深度学习的复杂背景雷达图像多目标检测[J]. 周龙,韦素媛,崔忠马,房嘉奇,杨小婷,杨龙. 系统工程与电子技术. 2019(06)
[7]结合深度学习的多目标跟踪算法[J]. 王春艳,刘正熙. 现代计算机(专业版). 2019(06)
[8]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞. 计算机系统应用. 2019(02)
[9]嵌入SENet结构的改进YOLOV3目标识别算法[J]. 刘学平,李玙乾,刘励,王哲,刘宇. 计算机工程. 2019(11)
[10]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
硕士论文
[1]舰船视觉系统海空多目标识别与跟踪技术研究[D]. 李慧欣.哈尔滨工程大学 2019
[2]一个改进的YOLOv3目标识别算法研究[D]. 谭俊.华中科技大学 2018
本文编号：3441739
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3441739.html
