[发明专利]基于深度学习网络和均值漂移的船只自动跟踪方法及系统

摘要

本发明涉及一种基于深度学习网络和均值漂移的船只自动跟踪方法及系统，包括监控视频数据采集，包括采集可见光下的沿海区域监控视频数据，提取每帧图像；进行预处理，提取船只目标的正样本和负样本；通过基于区域的卷积神经网络方式，输入视频里的船只目标样本到神经网络中，进行模型训练；提取视频初始帧数据，根据训练所得模型对初始时刻数据进行船只检测和概率密度计算；通过前一时刻的计算结果，确定当前时刻的船只跟踪结果。本发明对于复杂场景如云雾、阴天、下雨等情况具有较好的检测结果，方法鲁棒性高，同时稳定性更好，跟踪过程全自动化，神经网络方法的稳定性和准确性也为均值漂移方法的错误进行排除，并对新出现目标的跟踪打下基础。

主权项

1.一种基于深度学习网络和均值漂移的船只自动跟踪方法，包括以下步骤：步骤1，监控视频数据采集，包括采集可见光下的沿海区域监控视频数据，提取每帧图像；步骤2，基于步骤1得到的视频图像进行预处理，提取船只目标的正样本和负样本；步骤3，通过基于区域的卷积神经网络方式，输入视频里的船只目标样本到神经网络中，进行模型训练；步骤4，提取视频初始帧数据，根据步骤3训练所得模型对初始时刻数据进行船只检测和概率密度计算；所述概率密度计算实现方式为，对该目标所在区域进行灰度颜色空间划分，得到若干个相等区间构成的灰度直方图，根据目标区域中像素的灰度值所属直方图区间计算概率密度；步骤5，通过前一时刻的计算结果，确定当前时刻的船只跟踪结果，包括以下处理，步骤A，以t‑1时刻的跟踪到的ξ个船只位置作为初始位置，分别将每个船只位置的中心坐标f0作为t时刻船只跟踪的初始目标位置，以f0为搜索窗口的中心，得到相应的候选船只的中心位置坐标f，计算候选位置的区域直方图，进一步计算概率密度；步骤B，通过Bhattacharyya系数进行船只模型和候选船只之间的相似程度描述，计算区域中心的均值漂移迭代方程，使得模型向着颜色变化最大的方向不断移动，直到最后两次移动距离小于相应预设阈值，找到t时刻均值漂移结果获得的船只位置，设获得多个船只位置Boxm^t，将第id个船只位置表示为步骤C，通过基于区域的卷积神经网络方法，对t时刻的图像进行船只检测，设得到图像中多个船只的t时刻第num个检测坐标对于计算其与第id个船只位置的重叠度，记录每个与其重叠度最大的相应重叠度大小O_max，如果O_max小于相应阈值θ₁，则认为该船只位置为虚警，删除步骤D，通过步骤C的神经网络检测结果，对t时刻出现的新船只目标进行更新，包括对于每个计算其和所有分别得到的重叠度大小的最大值O'_max，如果O'_max小于相应阈值θ₂，则认为该船只目标为t时刻出现的船只，将其加入到t时刻跟踪结果中，得到完整的跟踪结果集合。