基于深度学习的动态背景下航道船舶检测识别与跟踪研究

发布时间：2024-02-19 20:18

　　水上运输是我国综合运输体系中的重要组成部分,并正日益显示出它的巨大作用。在我国的内河每日都有大量船舶通航,但某些航道有时需要禁止或限制船舶通行,如水域跨设电缆、建桥施工期间以及其他需要对航道进行管控的时段,需要对过往船舶尽早警示甚至驱离以避免发生事故。为了尽早识别船舶以提前发出信号,常用具备长焦镜头的网络摄像机对航道指定水域周期性扫描监控,但受水面水纹、船舶行驶过程中引起的波浪及摄像机转动、震颤的影响,使得传统目标检测算法在船舶检测过程中出现准确率低、计算量大等问题。针对以上问题本文开发了基于深度学习的方法来对动态背景下的船舶目标进行检测识别,使检测效果得到了显著的改善。本文所作的主要工作总结如下:1)对比研究了Faster R-CNN、SSD及YOLOv3三种典型基于深度学习的目标检测网络结构、原理及效率,并对YOLOv3网络进行优化。在Ubuntu系统下利用Python编程语言以及Tensorflow深度学习框架搭建网络模型,后利用在航道实景采集、标注的船舶数据集进行训练分析。结果表明YOLOv3比Faster R-CNN的平均误检率低10%,推理速度更快且拥有相似的平均检测识别率...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
内容摘要
abstract
选题依据与意义
国内外文献资料综述
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文章节安排
2 卷积神经网络理论概述
    2.1 引言
    2.2 卷积神经网络基础结构
    2.3 典型卷积神经网络结构分析
    2.4 典型网络模型性能对比
    2.5 本章小结
3 动态背景下船舶检测识别网络搭建与优化
    3.1 引言
    3.2 实验数据准备
    3.3 Faster R-CNN检测网络分析与测试
    3.4 SSD检测网络分析与测试
    3.5 YOLOv3 检测网络分析与测试
    3.6 模型的性能评价
    3.7 基于YOLOv3 的船舶检测网络优化
    3.8 本章小结
4 目标的跟踪、计数与预警
    4.1 引言
    4.2 干扰排除
    4.3 目标特征建模
    4.4 目标匹配
    4.5 目标跟踪、计数与预警
    4.6 本章小结
5 系统设计与软件实现
    5.1 引言
    5.2 系统方案设计
    5.3 网络摄像机二次开发
    5.4 软件开发
    5.5 本章小结
6 总结与展望
    6.1 论文总结
    6.2 论文展望
参考文献
附录:攻读工程硕士学位期间发表的部分科研成果
    发表文章
    发表专利
    发表软件著作权
致谢



本文编号：3903261