基于YOLO算法移动轮船多目标实时检测.docVIP

基于YOLO算法移动轮船多目标实时检测 　　摘要：由于人工进行的特征提取存在很多不可控的个人主观偏见，为了降低人为因素对实时检测造成的影响问题，本文中将借鉴先进的深度学习研究成果，以YOLO网络结构为改进蓝本，将浅层神经网络提取的低层特征和高层神经网络提取的抽象特征进行融合，提出一种新的YOLO网络模型变种。改进后的方法在检测视频中的轮船时具有较高的精确度，并可对检测到的轮船进行定位和计数。同时检测速度达到46帧/s，满足实时性的要求。 　　关键词：轮船检测；YOLO；多目标；实时检测；神经网络 　　中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2018）10-0196-02 　　Abstract：In order to reduce the influence of human factors on real-time detection， there are many uncontrollable individual subjective prejudices in the feature extraction. In the target detection of the article， it will draw on the advanced research results of deep learning， take YOLO network structure as the blueprint for improvement ， The low-level features extracted by shallow neural network and the abstract features extracted by high-level neural network are fused， and a new variant of YOLO network model is proposed. The improved method can be applied to real-time detection of video-based multi-targets in ships， and it has a higher detection rate for ships in video The accuracy of the detected ship can be located and counted. At the same time detection speed of 46 frames/s， to meet the real-time requirements. 　　Key words： ship detection； YOLO； multi-target； real-time detection 　　1 引言 　　在?算机视觉研究领域中多目标检测技术一直是一个热门研究方向。在现有的检测目标技术方面如人脸检测[1]、行人检测[2]等已经有了非常成熟的应用方案，相较而言，在移动轮船检测上还没有十分成熟的应用方案。传统的基于卷积神经网络[3]的目标检测技术都会使用到滑动窗口，例如RCNN[4]、SPP-Net[5]、Fast-RCNN[6]、Faster-RCNN[7]方法。但这些方法难以满足基于视频的轮船多目标实时检测。直到YOLO[8]、SSD[9]的提出才从另一个思维角度解决了候选区域选择的问题，从此目标检测的精确度和速度进入一个新的不同高度的研究领域。 　　本文根据卷积神经网络在计算机视觉领域的研究，借鉴YOLO算法，将浅层神经网络提取的低层特征和高层神经网络提取的抽象特征进行融合，提出一种新的YOLO网络模型变种。在实施环境中对该算法进行真实测试，测验结果表明YOLO算法在移动轮船多目标检测领域能够提供较高的检测准确度且检测计算速度保证了实时性的性能要求。 　　2网络设计 　　本文所设计的网络以YOLO的网络为设计蓝本，根据轮船目标的多特征属性，使用浅层卷积神经网络提取轮船的低层特征，并采用卷积层将已提取的高层特征和低层特征进行特征融合，以进一步提高检测的准确度。 　　2.1轮船目标检测及定位 　　每一个网格都会预测B个边界框（bounding boxes），每个边界框都有相应的预测参数，这些参数总共有5个，它们分别是：X，Y，W，H，Config（Ship）。X代表边界框的中心横坐标；Y 代表边界框的中心纵坐标；W代表边界框的宽度；H代表边界框的高度；Config（Ship）代表存在轮船物体的可信度评分。这个可信度评分Config（Ship）用于反应根据当前的边界框模型内存在轮船目标的可能性Pr（Ship）和边界框预测目标轮船位置的