基于深度学习的复杂环境下海面目标检测与跟踪算法研究.pdfVIP

基于深度学习的复杂环境下海面目标检测与跟踪算法研究

摘要

随着我国水面智能无人系统的高速发展，水面智能船舶需要自主执行越来越复杂

的任务，因此水面智能船舶系统的环境感知迎来了新的挑战。基于视觉图像的海面目

标检测与跟踪是实现无人船自主环境感知的重要技术支撑。然而海面环境有着复杂多

变的天气状况、目标尺度变化极大、镜头抖动等难题，如何在恶劣海面环境下实现目

标检测与跟踪是一个亟待解决的问题。本文开展了面向智能船舶环境感知的海面目标

检测与跟踪算法研究，主要研究内容如下：

首先在海面目标检测模型的网络结构部分，选择了YOLOX作为目标检测模型基线

算法，提出了一种基于改进特征融合网络的智能船舶海面目标检测算法，结合CA和

PSA结构，设计并加入CPSA注意力机制模块减少通道和位置信息的损失；在不同尺度

的特征图融合的过程中引入FAM特征对齐模块，学习像素的变换偏移，以对齐特征图

上采样的更高级别特征，同时引入FSM特征选择模块，用于强调具有丰富空间细节的

低层特征；在低级特征融合上采样的过程中，在高级特征图引入RFA残差结构，增强

提取比例不变的上下文信息，以减少最高金字塔级特征图的信息损失。

其次在海面目标跟踪算法数据关联部分，以DeepSort算法为基线，针对海面运动

目标遮挡以及运动模糊等场景，对DeepSort算法的数据关联策略提出改进，采用了

Byte数据关联策略，不以置信度为唯一标准筛选检测框，对于高置信度检测框，优先

进行关联匹配，对于置信度低于阈值的检测框，会进行二次匹配，充分有效的利用低

置信度检测框的背景信息，利用它们与轨迹的相似性来恢复真实对象并过滤掉背景检

测，减少了因遮挡导致的目标跟踪ID切换次数过多的问题，提高了海面目标跟踪的精

度。

最后在开源的新加坡海事数据集和华为海事数据集上进行了海面目标检测与跟踪

的消融实验以及检测与跟踪系统界面制作。实验测试结果表明，本文提出的方法在各

种天气状况下对不同尺度的海面目标均取得了良好的检测效果。同时在新加坡海事数

据集跟踪视频上进行跟踪效果的验证，实验结果表明，采用Byte数据关联策略的Deep

Sort算法提高了海面目标跟踪的精度以及减少了因目标遮挡导致的目标追踪ID切换次

数过多的问题。

关键词：海面目标检测；海面目标跟踪；深度学习；YOLOX；DeepSort

基于深度学习的复杂环境下海面目标检测与跟踪算法研究

Abstract

WiththerapiddevelopmentofintelligentunmannedsystemsonwatersurfacesinChina,

intelligentshipsneedtocompleteindependentlyincreasinglycomplextasksonwatersurface.

Therefore,theenvironmentalperceptionofintelligentshipsystemsonwatersurfacefacesnew

challenges.Theobjectdetectionandtrackingbasedonvisualimagesonseasurfaceisan

importanttechnicalsupportforachievingautonomousenvironmentalperceptionofunmanned

vessels.However,theseaenvironmenthascomplexandever-changingweatherconditions,

significantchangesinobjectscale,camerajitter,andotherchallenges.Howtoachieveobject

detectionandtrackinginharshseaenvironmentsisanurgentproblemtobesolved.Thisarticle

c