基于SSD的船舶目标检测与跟踪算法研究

发布时间：2024-12-11 04:40

　　随着内河航运业的不断发展,内河货物吞吐量日趋增加,水上交通事故的风险也随之上升,内河监控系统的应用受到了大家的广泛关注。船舶检测、船舶跟踪作为内河监控系统的重要组成部分,检测算法从监控图像中获取船舶的坐标信息,并将其传递给跟踪算法,由它对检测到的船舶目标进行正确跟踪,为后续判断船舶的行为提供有效依据。传统的船舶检测方法对实际复杂的内河背景环境的鲁棒性普遍较差,难以满足实际场景的需求。目前,卷积神经网络凭借其高效的特征提取方式,相比于传统算法有着很大的优势,在图像领域取得了惊人的效果。针对内河航道上船舶目标检测问题,本文在各海事局的真实船舶监控视频的基础上制作了船舶标注数据集,并通过样本增强成倍增加了样本数量。在该数据集上,本文对基于卷积神经网络的目标检测算法Faster-RCNN、YOLO和SSD进行训练和测试,总结分析了三种算法的精确度、召回率和检测时间等性能指标。针对SSD目标检测算法网络模型上的不足,在不同模型上进行性能对比,最终选择MobileNet网络模型作为特征提取的主体框架。并对其进行了先验框的改进,使其更适合于船舶数据集的样本空间,改进后模型的平均精确度均值和检测时间等方...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 船舶目标检测研究现状
        1.2.2 船舶目标跟踪研究现状
        1.2.3 卷积神经网络研究现状
    1.3 本文的主要内容
2 传统船舶目标检测方法
    2.1 概述
    2.2 常用的传统船舶检测方法
        2.2.1 背景差分法
        2.2.2 光流法
        2.2.3 基于HOG特征及SVM分类方法
    2.3 传统船舶检测方法存在的问题
    2.4 本章小节
3 基于卷积神经网络的目标检测方法
    3.1 卷积神经网络基础理论
        3.1.1 卷积层
        3.1.2 池化层
        3.1.3 全连接层
        3.1.4 激活函数
    3.2 基于卷积神经网络的目标检测方法
        3.2.1 基于侯选区域的目标检测方法
        3.2.2 基于回归的的目标检测方法
    3.3 基于卷积神经网络的检测方法对比与分析
        3.3.1 训练过程
        3.3.2 船舶检测评价指标
        3.3.3 性能评价与分析
    3.4 本章小节
4 基于SSD目标检测的改进算法研究
    4.1 船舶目标检测中SSD的不足
    4.2 网络模型的改进
        4.2.1 网络模型介绍
        4.2.2 网络模型对比与分析
    4.3 先验框的改进
        4.3.1 先验框的定义
        4.3.2 先验框的设置
        4.3.3 实验对比及分析
    4.4 本章小节
5 船舶检测跟踪系统
    5.1 引言
    5.2 船舶跟踪模块
        5.2.1 KCF算法
        5.2.2 数据关联算法
        5.2.3 跟踪模块流程
    5.3 实验结果与分析
    5.4 本章小节
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：4016203