面向航运船舶的检测与跟踪方法研究

发布时间：2020-06-14 21:21

【摘要】：海上运输长期受到以海盗犯罪为代表的海上安全问题的严重威胁。针对该问题,本课题结合船载智能视觉型水炮,对航运船舶监控技术展开了相关的研究。针对船舶检测问题,本文提出一种基于Faster R-CNN与KCF算法的船舶检测与跟踪方法,实现对可疑船舶的实时监控。该算法将Faster R-CNN算法与基于天空区域分割的暗通道先验去雾算法结合,确保检测模型对遭遇雨、雾等恶劣天气仍具有较好的稳定性和有效性。实验结果表明,本文船舶检测算法在雨、雾天干扰下仍具有良好的效果。然后,根据Faster R-CNN算法获取的船舶信息建立外观模型,引入KCF跟踪算法,通过外观模型和视频序列中相邻帧之间目标运动状态的联系,实现对目标船舶的稳定跟踪。其结果表明,KCF算法能有效实现实时船舶跟踪,同时,确保了跟踪精度。本文提出一种基于数据扩增和难负样本挖掘(Hard Negative Mining)的船舶检测方法,旨在提升船舶检测模型的精度。该方法结合难负样本挖掘的思想,提出一种自助采样法(Bootstrap Sampling),加强Faster R-CNN算法对数据集中难负样本的学习。同时,引入裁剪、翻转和增加噪声等方法,实现各类船舶样本数量均衡化。通过实验验证,该方法能显著提升船舶检测模型的精度。
【学位授予单位】：武汉科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U698;TP391.41;TP183
【图文】：

武汉科技大学硕士学位论文度。文献[39]提出一种结合图像多层卷积特征的视觉跟踪器，该跟踪器将不同网络层的提取特征相结合，来提高跟踪精度，文中指出神经网络不同层提取的特征具有不同的特点，浅层特征和深层特征分别包含较多的位置信息和语义信息[40]。1.3 研究创新点文章主要研究内容为基于计算机视觉的船舶检测与跟踪算法，本文研究思路如图 1.1 所示。

(a) 电机控制水炮 (b) 消防车载水炮图 2.1 电动水炮图 2.2 船载水炮示范2.2 深度学习在目标视觉检测中的应用进展目标检测通过利用图像处理和机器学习等领域知识，从视频或图像中获得感

【相似文献】

相关期刊论文 前10条

1 贾蓓;李敬华;肖飞;;基于复杂电磁环境的信号检测模型构建分析[J];信息技术与信息化;2015年09期

2 蔡静;;考虑检测影响的贮存-检测模型及其参数估计[J];湖北民族学院学报(自然科学版);2012年02期

3 董斯维;郭斌;余力;;个性化推荐攻击检测模型研究[J];农业网络信息;2006年12期

4 任涵;李勇;吕天雯;;基于自适应遗传算法的猕猴桃组培检测模型[J];计算机与应用化学;2016年12期

5 李一男;刘永平;王汝琳;;一种矿用红外瓦斯传感器的检测模型[J];工矿自动化;2010年01期

6 张强;;一种利用特征选择改进的行人检测模型[J];微型机与应用;2016年02期

7 杨浩;谢昕;李卓群;章玲玲;;网络中隐蔽信道数据安全检测模型研究与仿真[J];计算机仿真;2016年10期

8 严侃;雷江涛;;基于时频分析的水声目标被动检测模型研究[J];鱼雷技术;2015年01期

9 李世淙;云晓春;张永铮;;一种基于分层聚类方法的木马通信行为检测模型[J];计算机研究与发展;2012年S2期

10 孙飞帆;施勇;薛质;;基于权重分析的网页木马检测模型[J];信息安全与通信保密;2012年12期

相关会议论文 前10条

1 刘俊荣;王文槿;刘宝旭;;一种基于网络行为分析的木马检测模型[A];第十六届全国核电子学与核探测技术学术年会论文集（下册）[C];2012年

2 王建平;张自立;魏华;;战术空域冲突检测模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

3 李京鹏;杨林;刘世栋;;防火墙状态检测模型研究[A];第十八次全国计算机安全学术交流会论文集[C];2003年

4 孙璐;马兆丰;黄勤龙;;基于权限分析的安卓应用程序风险检测模型[A];第十届中国通信学会学术年会论文集[C];2014年

5 范渊;凌霄;;Android程序安全检测模型[A];第28次全国计算机安全学术交流会论文集[C];2013年

6 武照东;刘英凯;刘春;吴秀峰;;Overlay网络的链路故障检测模型[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

7 刘赛娥;;基于ARP欺骗的以太网检测模型的设计与实现[A];《教师教学能力发展研究》科研成果集（第六卷）[C];2017年

8 周双娥;熊国平;;基于Petri网的故障检测模型的设计与分析[A];第六届中国测试学术会议论文集[C];2010年

9 廖鹏;;基于异常特征的DDoS检测模型[A];经济发展方式转变与自主创新——第十二届中国科学技术协会年会（第四卷）[C];2010年

10 王心觉;;应用LabVIEW的建筑结构健康检测模型和预警系统实验[A];2015年上海-西安声学学会第四届声学学术交流会论文集[C];2015年

相关重要报纸文章 前3条

1 赛迪出版传媒首席记者 郭涛;预见性安全“又快又好”[N];中国计算机报;2018年

2 中联绿盟、李群;IDS的关键：解决好误报和漏报[N];中国计算机报;2002年

3 ;文化力是决定成败的关键因素[N];常州日报;2009年

相关博士学位论文 前10条

1 周晓飞;基于机器学习的视觉显著性检测研究[D];上海大学;2018年

2 王燕;基于用户感知与业务特征的电信网络性能监控与检测模型研究[D];西安电子科技大学;2018年

3 邓涛;基于视觉注意的驾驶场景显著性检测模型研究[D];电子科技大学;2018年

4 赵静;网络协议异常检测模型的研究与应用[D];北京交通大学;2010年

5 唐赫;基于生物启发和统计分析相结合的图像显著性检测模型研究[D];华中科技大学;2017年

6 蒋鹏;图像内容显著性检测的理论和方法研究[D];山东大学;2016年

7 李涛;基于上下文的目标检测研究[D];电子科技大学;2016年

8 陈林洁;褪黑激素受体MT1活化的信号转导机制研究及内含肽介导的新型GPCR活化检测模型构建[D];浙江大学;2013年

9 王颖;僵尸网络对抗关键技术研究[D];北京邮电大学;2014年

10 高洪燕;生菜生长信息快速检测方法与时域变量施肥研究[D];江苏大学;2015年

相关硕士学位论文 前10条

1 梁跃;基于机器学习的电力用户用电异常检测技术研究[D];北京邮电大学;2019年

2 阚泽亮;基于深度学习的PC恶意代码检测技术的研究与实现[D];北京邮电大学;2019年

3 左雯;基于深度学习的恶意URL检测算法研究与设计[D];北京邮电大学;2019年

4 李艳;基于抗混淆技术的JavaScript恶意代码检测模型研究[D];北京邮电大学;2019年

5 张圣昌;基于深度学习的异常检测模型研究[D];河北大学;2019年

6 李辉;面向航运船舶的检测与跟踪方法研究[D];武汉科技大学;2019年

7 邢召龙;基于深度学习的肺癌检测模型[D];吉林大学;2018年

8 许友昌;云环境下面向智能运维的KPI异常检测研究[D];广西大学;2018年

9 孙冠雄;人体关键点检测模型及其向心脏关键点定位的迁移研究[D];哈尔滨工业大学;2018年

10 张瑜;基于Powerlink协议解析的异常检测方法研究[D];沈阳理工大学;2018年

本文编号：2713377