基于特征的船舶快速識別方法技術

本發明專利技術涉及一種圖像識別技術，尤其涉及基于特征的船舶快速識別方法，包括如下步驟：步驟一：手動標注船舶特征并建立船舶特征庫；步驟二：通過船舶特征庫的正負樣本學習訓練基于船舶特征的決策樹分類器；步驟三：通過航道沿岸前端攝像頭拍攝獲得具航道船舶信息的視頻采集圖像，由分割器對視頻采集圖像進行圖像分割，過濾非航道信息，保留有效的識別區域的圖像信息；步驟四：將有效的識別區域的圖像信息進行分塊特征提取；步驟五：采用決策樹分類器將提取的分塊特征與船舶特征庫對比。本發明專利技術能夠快速的從航道中將船舶識別處理，便于后臺智能分析和統計分析，系統對識別的結果迅速分析，以便于糾正識別錯誤。

【技術實現步驟摘要】
基于特征的船舶快速識別方法
本專利技術涉及一種圖像識別技術，尤其涉及船舶識別方法，屬于智能航運管理

技術介紹
國內外常用的內河船舶檢測方法，是利用計算機圖像視覺分析技術、紅外技術、射頻識別技術和傳感器技術。由于基于視頻檢測的計算機視覺技術具有檢測范圍大、提供信息豐富、安裝維修方便等優點，被認為是最有發展前景的檢測方式之一。目前，在陸上交通領域的智能視頻分析技術已有廣泛而較為成熟的應用，例如：對車牌的識別、車輛的跨線行駛、逆向行駛、車輛密度的監控、違章停車等。而在水上交通領域，特別是船舶檢測，不能簡單套用車輛識別的方式和算法，其主要原因在于水面各種光線反射和水紋變化等造成的復雜背景的剔除，以及船舶這樣的低速物體運動軌跡的跟蹤。同時攝像頭拍攝的信息無效信息比較多，導致在識別過程中過濾無效信息浪費比較多的時間，如何能夠快速定位船舶并將船舶識別出來，是本專利技術的一個關鍵技術難點。已有的專利技術有：同比技術{I}，中國專利公開號CN102147859A，公開日2011年8月10日，專利技術名稱為《一種船舶監控方法》，該申請公開了目標識別方法和目標跟蹤方法，目標識別方法截取實時視頻圖像與背景圖像做差分運算并進行二值化后使用區域生長算法得到船舶目標，對識別到的船舶目標進行目標跟蹤及鎖定。其采用的背景差法首先選取背景中的一幅或幾幅圖像的平均作為背景圖像，然后把以后的序列圖像當前幀和背景圖像相減，進行背景消去。若所得到的像素數大于某一閾值，則判定被監視場景中有運動物體，從而得到運動目標。這種差分法對于復雜背景下的運動物體檢測效果較好，一般能夠提供最完整的特征數據，計算量小，實用價值大。缺點是受光線、天氣等外界條件的影響較大，而且只能識別運動中物體，對于靜止或運動速度過慢的物體識別效果不好。
技術實現思路
本專利技術的目的在于提出一種通過船舶特征能夠快速的從航道中將船舶識別處理、便于后臺智能分析、進行統計分析、系統對識別的結果迅速分析的基于特征的船舶快速識別方法。為了實現上述目的，本專利技術采用的技術方案為：基于特征的船舶快速識別方法，其特征在于，包括如下步驟：步驟一：手動標注船舶特征并建立船舶特征庫；步驟二：通過船舶特征庫的正負樣本學習訓練基于船舶特征的決策樹分類器；步驟三：通過航道沿岸前端攝像頭拍攝獲得具航道船舶信息的視頻采集圖像，對視頻采集圖像進行圖像分割，過濾非航道信息，保留有效的識別區域的圖像信息；步驟四：將有效的識別區域的圖像信息進行分塊特征提取；步驟五：采用決策樹分類器將提取的分塊特征與船舶特征庫對比。前述的基于特征的船舶快速識別方法，其特征在于上述第一步建立船舶特征庫的具體過程如下：步驟一：從視頻中取一幀圖像，對圖像進行分塊，塊大小設定為16*16；步驟二：對于每個圖像塊的類型進行手動標注，以得到訓練樣本的監督信息；用紅色圖像塊標注為船的部分，綠色圖像塊標注為水面部分，藍色圖像塊標注為其他部分，不參與計算；步驟三：將手動標注的結果分別保存為船舶和非船舶的正負樣本文件。前述的基于特征的船舶快速識別方法，其特征在于：設定4種航道的亮度等級，分別為“晴天”、“陰天”、“最暗”和“最亮”，用以概括一天中所有的光照條件；根據光照條件的不同，需要建立不同光照條件的船舶特征庫，并由此訓練得出不同光照情況下的決策樹分類器。前述的基于特征的船舶快速識別方法，其特征在于：在自動識別過程中，定期的根據航道的亮度等級進行分類器選擇；統計獲取航道河面區域內的32維灰度直方圖，直方圖歸一化，獲取直方圖中最大柱值的位置，根據直方圖最大柱值的位置L，來判斷光照條件是否合適和選擇不同的分類器；當5<L<=10時，選擇加載“最暗”天氣的分類器；當10<L<=15時，選擇加載“陰天”天氣的分類器；當15<L<=20時，選擇加載“晴天”天氣的分類器；當20<L<=25時，選擇加載“最亮”天氣的分類器；當L<=5或者L>25時，則光照太暗或太亮，條件不滿足識別要求。前述的基于特征的船舶快速識別方法，其特征在于：在步驟五中，當分塊特征滿足和水特征相似比例超過50%，判定為水，反之繼續和船舶特征進行比對；當分塊特征滿足和船舶特征相似比例超過50%，判斷為船舶并將船舶特征存儲入船舶特征庫，反之即為噪點。本專利技術能夠快速的從航道中將船舶識別處理，便于后臺智能分析和統計分析，系統對識別的結果迅速分析，以便于糾正識別錯誤。附圖說明圖1是決策樹方式進行船舶特征匹配示意圖；圖2是快速船舶識別方法流程圖。具體實施方式下面結合附圖對本專利技術作進一步描述。基于特征的船舶快速識別方法，其特征在于，包括如下步驟：步驟一：手動標注船舶特征并建立船舶特征庫；步驟二：通過船舶特征庫的正負樣本學習訓練基于船舶特征的決策樹分類器；步驟三：通過航道沿岸前端攝像頭拍攝獲得具航道船舶信息的視頻采集圖像，對視頻采集圖像進行圖像分割，過濾非航道信息，保留有效的識別區域的圖像信息；步驟四：將有效的識別區域的圖像信息進行分塊特征提取；步驟五：采用決策樹分類器將提取的分塊特征與船舶特征庫對比。上述第一步建立船舶特征庫的具體過程如下：步驟一：從視頻中取一幀圖像，對圖像進行分塊，塊大小設定為16*16；步驟二：對于每個圖像塊的類型進行手動標注，以得到訓練樣本的監督信息；用紅色圖像塊標注為船的部分，綠色圖像塊標注為水面部分，藍色圖像塊標注為其他部分，不參與計算；步驟三：將手動標注的結果分別保存為船舶和非船舶的正負樣本文件。對于普通的攝像頭，光照的變化其實是一個非常苛刻的條件，特別是水面各種光線反射和水紋變化等原因造成的復雜背景剔除，應該說處理起來是更加困難的。為了減少光照變化所帶來的困難，我們設定4種光照條件，分別為“晴天”、“陰天”、“最暗”和“最亮”，用以概括一天中所有的光照條件。根據光照條件的不同，我們往往需要建立不同光照條件的船舶特征庫；并由此訓練得出不同光照情況下的決策樹分類器。在自動識別過程中，定期的根據航道的亮度等級進行分類器選擇；統計獲取航道河面區域內的32維灰度直方圖，直方圖歸一化，獲取直方圖中最大柱值的位置，根據直方圖最大柱值的位置L，來判斷光照條件是否合適和選擇不同的分類器；當5<L<=10時，選擇加載“最暗”天氣的分類器；當10<L<=15時，選擇加載“陰天”天氣的分類器；當15<L<=20時，選擇加載“晴天”天氣的分類器；當20<L<=25時，選擇加載“最亮”天氣的分類器；當L<=5或者L>25時，則光照太暗或太亮，條件不滿足識別要求。基于特征的快速船舶識別方法的步驟一、步驟四需要進行船舶特征提取。步驟三涉及圖像分割和識別區域過濾，步驟五采用決策樹分類器將提取的分塊圖像特征與船舶特征庫對比。下面詳述這三種過程。1船舶特征提取方法圖像特征是從一副數字圖像中的有區別度的原始特征或屬性。由圖像的視覺外形定義的特征稱為自然特征，人工特征則是由圖像的特定操作得到的。自然特征包括像素區域的亮度和紋理區域的灰度。而圖像的幅度直方圖及空間頻譜則屬于人工特征。圖像特征在圖像分割（將圖像劃分為具有相同屬性的區域）和圖像分類（圖像分割后對區域的標識）技術上有非常大本文檔來自技高網...

【技術保護點】
基于特征的船舶快速識別方法，其特征在于，包括如下步驟：步驟一：手動標注船舶特征并建立船舶特征庫；步驟二：通過船舶特征庫的正負樣本學習訓練基于船舶特征的決策樹分類器；步驟三：通過航道沿岸前端攝像頭拍攝獲得具航道船舶信息的視頻采集圖像，對視頻采集圖像進行圖像分割，過濾非航道信息，保留有效的識別區域的圖像信息；步驟四：將有效的識別區域的圖像信息進行分塊特征提取；步驟五：采用決策樹分類器將提取的分塊特征與船舶特征庫對比。

【技術特征摘要】
1.基于特征的船舶快速識別方法，其特征在于，包括如下步驟：步驟一：手動標注船舶特征并建立船舶特征庫；步驟二：通過船舶特征庫的正負樣本學習訓練基于船舶特征的決策樹分類器；步驟三：通過航道沿岸前端攝像頭拍攝獲得具有航道船舶信息的視頻采集圖像，對視頻采集圖像進行圖像分割，過濾非航道信息，保留有效的識別區域的圖像信息；步驟四：將有效的識別區域的圖像信息進行分塊特征提取；步驟五：采用決策樹分類器將提取的分塊特征與船舶特征庫對比；在步驟一之前還包括：設定4種航道的亮度等級，分別為“晴天”、“陰天”、“最暗”和“最亮”，用以概括一天中所有的光照條件；根據光照條件的不同，在步驟一中建立不同光照條件的船舶特征庫，并由步驟二訓練得出不同光照情況下的決策樹分類器；在識別過程中，定期的根據航道的亮度等級進行分類器選擇；統計獲取航道河面區域內的32維灰度直方圖，直方圖歸一化，獲取直方圖中最大柱值的位置，根據直方圖最大柱值的位置L，來判斷光照條件是否合適和選擇不...

【專利技術屬性】
技術研發人員：王迅，趙云飛，趙筠，
申請(專利權)人：南京思創信息技術有限公司，
類型：發明
國別省市：