[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110991385A - 一种识别船只行驶轨迹的方法、装置及电子设备 - Google Patents

一种识别船只行驶轨迹的方法、装置及电子设备 Download PDF

Info

Publication number
CN110991385A
CN110991385A CN201911283921.2A CN201911283921A CN110991385A CN 110991385 A CN110991385 A CN 110991385A CN 201911283921 A CN201911283921 A CN 201911283921A CN 110991385 A CN110991385 A CN 110991385A
Authority
CN
China
Prior art keywords
ship
data
target
network
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911283921.2A
Other languages
English (en)
Inventor
邓练兵
薛剑
邹纪升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN201911283921.2A priority Critical patent/CN110991385A/zh
Publication of CN110991385A publication Critical patent/CN110991385A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种识别船只行驶轨迹的方法、装置及电子设备。包括：获取船只数据；其中，所述船只数据包括：训练船只图片和待识别船只图片；根据把所述训练船只图片输入预设网络中进行训练，获得目标船只检测网络；利用所述目标船只检测网络对待识别船只图片进行识别，利用分类器对所识别的相同目标船只进行归类，输出所述目标船只的行驶轨迹。利用深度学习网络构建训练模型，并通过训练模型获得目标船只的检测数据，并且通过对目标船只的检测数据进行分类，且获得相同目标船只的数据集合，并能够确定目标船只的行驶轨迹，以实现智能检测目标船只的行驶轨迹。

Description

一种识别船只行驶轨迹的方法、装置及电子设备
技术领域
本发明涉及图像识别技术领域，具体涉及一种识别船只行驶轨迹的方法、装置及电子设备。
背景技术
在进行海上巡逻和监控中，现有技术是利用海域远程监控系统进行海上船只监控，虽能够对海域范围的船只进行监控，但由于监控系统使用的是监控摄像头进行海域内的画面监控，其监控对象是处于监控画面下的所有船只，且在进行海域监控时，也是通过多个监控摄像头进行监控，如果想知道目标船只的行驶轨迹则需要同时观看多个监控视频才能获得目标船只的行驶轨迹。
发明内容
有鉴于此，本发明实施例提供了一种识别船只行驶轨迹的方法、装置及电子设备，以解决在传统技术中识别船只行驶轨迹时需要同时观看多个监控视频的问题。
根据第一方面，本发明实施例提供了一种识别船只行驶轨迹的方法，包括：
获取船只数据；其中，所述船只数据包括：训练船只图片和待识别船只图片；
根据所述训练船只图片输入预设网络中进行训练，获得目标船只检测网络；
利用所述目标船只检测网络对待识别船只图片进行识别，利用分类器对所识别的相同目标船只进行归类，输出所述目标船只的行驶轨迹。
利用深度学习网络构建训练模型，并通过训练模型获得目标船只的检测数据，并且通过对目标船只的检测数据进行分类，且获得相同目标船只的数据集合，并能够确定目标船只的行驶轨迹，以实现智能检测目标船只的行驶轨迹。
结合第一方面，在第一方面第一实施方式中，根据所述训练船只数据输入预设网络中进行训练，获得目标船只检测网络，包括：
利用RPN网络对训练船只数据进行训练，生成候选框；
利用Fast-RCNN网络对所生成候选的训练船只数据进行训练，识别出框选船只的位置和船只的类别；
通过调整所述Fast-RCNN网络的设置参数和所述RPN网络的设置参数，迭代所述Fast-RCNN网络和所述RPN网络，以获得目标船只的位置和类别数据，从而生成目标船只检测网络。
通过生成后选框，并利用Fast-RCNN网络对框选区内的船只数据进行船只位置和船只类别的识别，在通过调整网络参数从而保证能够快速识别目标船只，只提取检测的周边相关信息进行目标识别，从而保证能够快速识别目标船只。
结合第一方面，在第一方面第二实施方式中，RPN网络和所述Fast-RCNN网络共用卷积层。
通过共享卷积层，减少计算参数和计算量，从而提高船只识别的执行速度。
结合第一方面，在第一方面第三实施方式中，调整所述Fast-RCNN网络的设置参数和所述RPN网络的设置参数，包括：设置选框数量、预测范围以及损失函数。
通过调整网络参数，以保证所训练的网络能够快速准确的识别出目标船只，提高训练精度，并且保证训练网络的准确性。
结合第一方面，在第一方面第四实施方式中，对所识别出的相同目标船只数据进行融合，包括：
获取预设目标船只的类别数据和所述目标船只的类别数据集；
通过把所述目标船只的类别数据集与预设目标船只的类别数据进行对比，输出相同的目标船只的类别数据；
根据把所述输出相同的目标船只类别数据按时间顺序级联，以获得目标船只的行驶轨迹。
通过把相同目标船只数据进行级联，并按时间顺序进行排列，从而获得动态数据，实现目标船只的轨迹识别。
结合第一方面，在第一方面第五实施方式中，获得目标船只的行驶轨迹，包括目标船只的位置移动信息。
结合第一方面，在第一方面第六实施方式中，目标船只的行驶轨迹为视频影像。
通过所获得是我视频影像能够直观反应出目标船只行驶轨迹。
据第二方面，本发明实施例提供了一种识别船只行驶轨迹的装置，包括：
获取模块，用于获取待检测数据；其中，所述待检测数据包括：训练船只数据和待识别船只数据；
训练模块，用于通过把所述训练船只数据输入预设网络中进行训练，获得目标船只检测网络；
识别模块，用于利用所述目标船只检测网络对所述待识别船只数据进行识别，并对所识别出的相同目标船只数据进行融合，输出所述目标船只的行驶轨迹。
通过获取模块获取待检测数据，训练模块对待检测数据进行检测，识别模块通过训练模块训练好的网络对目标船只进行识别，在通过集合整理，获得目标船只的行驶轨迹，从而实现不同监测目标下在预设时间段的目标船只的行驶轨迹。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的识别船只行驶轨迹的方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的识别船只行驶轨迹的方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为本发明实施例提供的识别船只行驶轨迹方法的流程图；
图2为本发明实施例的识别船只行驶轨迹方法的流程图A；
图3为本发明实施例的识别船只行驶轨迹方法的流程图B；
图4为本发明实施例的识别船只行驶轨迹装置的结构框图；
图5为本发明实施例的电子设备的示意图；
附图标记
21-获取模块；22-训练模块；23-分类模块；
51-处理器；52-存储器；53-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的一种识别船只行驶轨迹的方法，如图1所示，包括：
S10，获取待检测数据；其中，所述待检测数据包括：训练船只数据和待识别船只数据；所获取的待检测数据可以是视频数据、图片数据，其中待检测数据可以利用海上监控系统进行获得的数据，也可以是预先手机的海上船只行驶数据。
S20，通过把所述训练船只数据输入预设网络中进行训练，获得目标船只检测网络；目标船只检测网络是把获得的待检测数据部分，或，全部放入预设网络中进行训练，其中预设网络是卷积神经网络，例如Faster RCNN。
S30，利用所述目标船只检测网络对所述待识别船只数据进行识别，并对所识别出的相同目标船只数据进行融合，输出所述目标船只的行驶轨迹。把需要进行检测的船只数据图片放入训练好的网络中，自动生成所检测到数据图片，其中数据拖中设置了框选去，把目标船只进行框选，并对相同类别的目标船只进行排列归类，通过归类的图片集合成动态影响，以获得目标船只的运动轨迹，并能够直观表示。
利用深度学习网络构建训练模型，并通过训练模型获得目标船只的检测数据，并且通过对目标船只的检测数据进行分类，且获得相同目标船只的数据集合，并能够确定目标船只的行驶轨迹，以实现智能检测目标船只的行驶轨迹。
本发明实施例提供的一种识别船只行驶轨迹的方法，具体的，如图2所示，把训练船只数据输入预设网络中进行训练包括：
S211，利用RPN网络对训练船只数据进行训练，生成候选框；例如：假设训练船只数据是Nx16x16图片，进入RPN训练，首训练船只数据先经过一个3x3的卷积，得到一个256x16x16的特征图，也可以看作16x16个256维特征向量，然后经过两次1x1的卷积，分别得到一个18x16x16的特征图，和一个36x16x16的特征图，也就是16x16x9个结果，在利用每个结果包含的2个分数和4个坐标，再结合预先定义的锚点经过后处理，就得到候选框。
S212，利用Fast-RCNN网络对所生成候选的训练船只数据进行训练，识别出框选船只的位置和船只的类别；
S213，通过调整所述Fast-RCNN网络的设置参数和所述RPN网络的设置参数，迭代所述Fast-RCNN网络和所述RPN网络，以获得目标船只的位置和类别数据，从而生成目标船只检测网络。对于存在误差或是存在不满足生成目标船只检测网络的条件时，通过调整网络满足条件，迭代输出所生成的船只检测数据，已得到最终或修正的目标船只检测网络。
通过生成后选框，并利用Fast-RCNN网络对框选区内的船只数据进行船只位置和船只类别的识别，在通过调整网络参数从而保证能够快速识别目标船只，只提取检测的周边相关信息进行目标识别，从而保证能够快速识别目标船只。
具体的，所述RPN网络和所述Fast-RCNN网络共用卷积层。
可选的，调整所述Fast-RCNN网络的设置参数和所述RPN网络的设置参数，包括：设置选框数量、预测范围以及损失函数。
此外，除对训练船只图片输入预设网络中进行训练外，本发明实施例还包括：对所识别出的相同目标船只数据进行融合，具体步骤如图3所示：
S311，获取预设目标船只的类别数据和目标船只的类别数据；其中，预设目标船只的类别数据可以是根据需求进行设置的类别数据，而目标船只的类别数据集通过目标船只检测网络中获得。
S312，通过把所述目标船只的类别数据与预设目标船只的类别数据进行对比，输出相同的目标船只的类别数据；利用预设目标船只的类别数据和目标船只的类别数据比较，如果目标船只的类别数据与预设目标船只的类别数据相同，输出目标船只的类别数据。
S313，根据把所述输出相同的目标船只类别数据按时间顺序级联，以获得目标船只的行驶轨迹。把所输出目标船只的类别数据按时间顺序进行排列，通过视频合成软件进行合成。并能观测到在某一时长内，目标船只在通过多个摄像头通过深度学习方法实现在一个屏幕上显示可监控范围内目标船只的运动轨迹。
具体的，获得目标船只的行驶轨迹包括目标船只的位置移动信息。
具体的，目标船只的行驶轨迹为视频影像。
通过把相同目标船只数据进行级联，并按时间顺序进行排列，从而获得动态数据，实现目标船只的轨迹识别。
本发明实施例提供可选的一种识别船只行驶轨迹的方法；可以是：从航拍器(无人机)，监控器中获得的海上船只监控视频的数据信息，对所获取的视频数据通过软件进行处理，拆解为多帧图片数据信息，把多帧图片数据分为训练船只图片进而待识别船只图片，把训练船只图片送入深度学习网络。
通过卷积等一些处理方法，在训练船只图片上进行了目标框选。并且还利用了Fast-RCNN网络进行训练船只图片的特征提取，在通过Fast-RCNN网络获取的训练船只特征和目标选框进行结合，从而获得框选出的目标船只和船只的类别信息，同时获得初次训练完后的目标船只检测网络，在通过迭代和参数调整从而得到最终的目标船只检测网络，其中迭代次数为最大值，参数调整是调整器训练的准确率和模型置信度，其中迭代次数和参数可根据实施变化的情况进行随时调整。
利用所获取的目标船只检测网络检测待识别船只数据，通过检测待识别船只图片，获得目标船只数据图片，其中需要随相同目标船只进行分类集合，分类包括分类器，之后再把相同框选的目标船只图片安时间顺序进行排列与合成，形成视频画面，从而实现在多监控设备下大范围内对目标船的轨迹进行检测，其执行效果速度快，精度高。
根据本发明实施例提供一种识别船只行驶轨迹的装置，如图4所示，包括：
获取模块21，用于获取船只数据；其中，所述船只数据包括：训练船只图片和待识别船只图片；利用获取模块对视频数据和图片数据进行获取，并进行预分配，区别待检测数据和训练数据。
训练模块22，用于根据把所述训练船只图片输入预设网络中进行训练，获得目标船只检测网络；把从获取模块中获取的训练数据送入训练模块，训练模块对训练数据进行深度学习，输出所识别的训练数据的目标船只及目标船只的位置种类信息。
分类模块23，用于利用所述目标船只检测网络对待识别船只图片进行识别，利用分类器对所识别的相同目标船只进行归类，输出所述目标船只的行驶轨迹。分类模块获取训练模块输出的数据信息，并对所输出的目标船只的种类信息进行归类，把相同的船只数据进行整合，通过把所提取的同类数据图片进行合成为视频数据，从而能够直观观测到目标船只的行驶轨迹。
通过获取模块获取待检测数据，训练模块对待检测数据进行检测，识别模块通过训练模块训练好的网络对目标船只进行识别，在通过集合整理，获得目标船只的行驶轨迹，从而实现不同监测目标下在预设时间段的目标船只的行驶轨迹。
本发明实施例还提供了一种识别船只行驶轨迹的装置，如图5所示，该识别船只行驶轨迹的装置可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图5中以通过总线53连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的识别船只行驶轨迹方法对应的程序指令/模块(例如，图4所示的获取模块21、训练模块22和分类模块23)。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的识别船只行驶轨迹的方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1-3所示实施例中的识别船只行驶轨迹方法。
上述车辆终端具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种识别船只行驶轨迹的方法，其特征在于，包括：
获取待检测数据；其中，所述待检测数据包括：训练船只数据和待识别船只数据；
根据所述训练船只数据输入预设网络中进行训练，获得目标船只检测网络；
利用所述目标船只检测网络对所述待识别船只数据进行识别，并对所识别出的相同目标船只数据进行融合，输出所述目标船只的行驶轨迹。
2.根据权利要求1所述的方法，其特征在于，所述根据所述训练船只数据输入预设网络中进行训练，获得目标船只检测网络，包括：
利用RPN网络对训练船只数据进行训练，生成候选框；
利用Fast-RCNN网络对所生成候选的训练船只数据进行训练，识别出框选船只的位置和船只的类别数据；
通过调整所述Fast-RCNN网络的设置参数和所述RPN网络的设置参数，迭代所述Fast-RCNN网络和所述RPN网络，以获得目标船只的位置和类别数据，从而生成目标船只检测网络。
3.根据权利要求2所述的方法，其特征在于，所述RPN网络和所述Fast-RCNN网络共用卷积层。
4.根据权利要求2所述的方法，其特征在于，所述调整所述Fast-RCNN网络的设置参数和所述RPN网络的设置参数，包括：设置选框数量、预测范围以及损失函数。
5.根据权利要求2所述的方法，其特征在于，所述对所识别出的相同目标船只数据进行融合，包括：
获取预设目标船只的类别数据和目标船只的类别数据；
通过把所述目标船只的类别数据集与预设目标船只的类别数据进行对比，输出相同的目标船只的类别数据；
根据把所述输出相同的目标船只类别数据按时间顺序级联，以获得目标船只的行驶轨迹。
6.根据权利要求5所述的方法，其特征在于，所述获得目标船只的行驶轨迹，包括目标船只的位置移动信息。
7.根据权利要求6所述的方法，其特征在于，所述目标船只的行驶轨迹为视频影像。
8.一种识别船只行驶轨迹的装置，其特征在于，包括：
获取模块，用于获取待检测数据；其中，所述待检测数据包括：训练船只数据和待识别船只数据；
训练模块，用于通过把所述训练船只数据输入预设网络中进行训练，获得目标船只检测网络；
识别模块，用于利用所述目标船只检测网络对所述待识别船只数据进行识别，并对所识别出的相同目标船只数据进行融合，输出所述目标船只的行驶轨迹。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的识别船只行驶轨迹的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的一种识别船只行驶轨迹的方法。
CN201911283921.2A 2019-12-13 2019-12-13 一种识别船只行驶轨迹的方法、装置及电子设备 Pending CN110991385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911283921.2A CN110991385A (zh) 2019-12-13 2019-12-13 一种识别船只行驶轨迹的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911283921.2A CN110991385A (zh) 2019-12-13 2019-12-13 一种识别船只行驶轨迹的方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN110991385A true CN110991385A (zh) 2020-04-10

Family

ID=70093496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911283921.2A Pending CN110991385A (zh) 2019-12-13 2019-12-13 一种识别船只行驶轨迹的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110991385A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016759A (zh) * 2020-09-03 2020-12-01 珠海大横琴科技发展有限公司 一种监控盲区的船只轨迹预测方法、装置及电子设备
CN112232295A (zh) * 2020-11-09 2021-01-15 珠海大横琴科技发展有限公司 一种新增目标船只的确认方法、装置及电子设备
CN112465856A (zh) * 2020-11-18 2021-03-09 珠海大横琴科技发展有限公司 基于无人机的船只轨迹修正方法、装置及电子设备
CN112907632A (zh) * 2021-03-11 2021-06-04 三亚海兰寰宇海洋信息科技有限公司 一种单拖船只目标的识别方法及装置
CN113650755A (zh) * 2021-06-09 2021-11-16 慧谷人工智能研究院（南京)有限公司 基于互联网信息的重要船只目标动态监测方法
CN113887678A (zh) * 2021-12-08 2022-01-04 南京瀚海星宇信息技术有限公司 一种基于海量图像数据的舰船轨迹生成方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN108182413A (zh) * 2017-12-29 2018-06-19 中国矿业大学(北京) 一种矿井移动目标检测与跟踪识别方法
CN108320296A (zh) * 2017-12-28 2018-07-24 新智数字科技有限公司 一种视频中目标对象的检测跟踪方法、装置及设备
CN109035204A (zh) * 2018-06-25 2018-12-18 华南理工大学 一种焊缝目标实时检测方法
CN109635667A (zh) * 2018-11-16 2019-04-16 中国计量大学 一种基于Guided Faster-RCNN的车辆检测系统
CN109934088A (zh) * 2019-01-10 2019-06-25 海南大学 基于深度学习的海面船只辨识方法
CN110070142A (zh) * 2019-04-29 2019-07-30 上海大学 一种基于yolo神经网络的海上船只目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN108320296A (zh) * 2017-12-28 2018-07-24 新智数字科技有限公司 一种视频中目标对象的检测跟踪方法、装置及设备
CN108182413A (zh) * 2017-12-29 2018-06-19 中国矿业大学(北京) 一种矿井移动目标检测与跟踪识别方法
CN109035204A (zh) * 2018-06-25 2018-12-18 华南理工大学 一种焊缝目标实时检测方法
CN109635667A (zh) * 2018-11-16 2019-04-16 中国计量大学 一种基于Guided Faster-RCNN的车辆检测系统
CN109934088A (zh) * 2019-01-10 2019-06-25 海南大学 基于深度学习的海面船只辨识方法
CN110070142A (zh) * 2019-04-29 2019-07-30 上海大学 一种基于yolo神经网络的海上船只目标检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016759A (zh) * 2020-09-03 2020-12-01 珠海大横琴科技发展有限公司 一种监控盲区的船只轨迹预测方法、装置及电子设备
CN112232295A (zh) * 2020-11-09 2021-01-15 珠海大横琴科技发展有限公司 一种新增目标船只的确认方法、装置及电子设备
CN112465856A (zh) * 2020-11-18 2021-03-09 珠海大横琴科技发展有限公司 基于无人机的船只轨迹修正方法、装置及电子设备
CN112907632A (zh) * 2021-03-11 2021-06-04 三亚海兰寰宇海洋信息科技有限公司 一种单拖船只目标的识别方法及装置
CN113650755A (zh) * 2021-06-09 2021-11-16 慧谷人工智能研究院（南京)有限公司 基于互联网信息的重要船只目标动态监测方法
CN113887678A (zh) * 2021-12-08 2022-01-04 南京瀚海星宇信息技术有限公司 一种基于海量图像数据的舰船轨迹生成方法及系统

Similar Documents

Publication Publication Date Title
CN110991385A (zh) 一种识别船只行驶轨迹的方法、装置及电子设备
US11195038B2 (en) Device and a method for extracting dynamic information on a scene using a convolutional neural network
EP3338248B1 (en) Systems and methods for object tracking
EP3605386B1 (en) Method and apparatus for obtaining vehicle loss assessment image, server and terminal device
US11182592B2 (en) Target object recognition method and apparatus, storage medium, and electronic device
CN109325933B (zh) 一种翻拍图像识别方法及装置
US11074470B2 (en) System and method for automatically improving gathering of data using a data gathering device
US11887318B2 (en) Object tracking
CN108447091B (zh) 目标定位方法、装置、电子设备及存储介质
CN111222395A (zh) 目标检测方法、装置与电子设备
KR102008290B1 (ko) 영상에서 객체의 행동을 인식하는 방법 및 그 장치
JP2018533805A (ja) 顔位置追跡方法、装置及び電子デバイス
CN112001375B (zh) 一种火焰检测方法、装置、电子设备及存储介质
US11704563B2 (en) Classifying time series image data
Jeeva et al. Survey on background modeling and foreground detection for real time video surveillance
WO2018161217A1 (en) A transductive and/or adaptive max margin zero-shot learning method and system
US10599949B2 (en) Automatic moving object verification
CN109255360B (zh) 一种目标分类方法、装置及系统
CN111639513A (zh) 一种船只遮挡识别方法、装置及电子设备
CN114724246A (zh) 危险行为识别方法及装置
CN113014876A (zh) 视频监控方法、装置、电子设备及可读存储介质
US12033347B2 (en) Image processing system for extending a range for image analytics
US20230386164A1 (en) Method for training an object recognition model in a computing device
CN111611836A (zh) 基于背景消除法的船只检测模型训练及船只跟踪方法
KR20220107494A (ko) 근적외선 카메라를 사용한 딥 러닝 기반 드론 감지 시스템

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200410

RJ01 Rejection of invention patent application after publication