基于深度学习的海事雷达图像处理方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108197582A(43)申请公布日2018.06.22(21)申请号201810023451.5G06T7/254(2017.01)(22)申请日2018.01.10(71)申请人武汉理工大学地址430070湖北省武汉市洪山区珞狮路122号(72)发明人谢磊夏文涛薛双飞包竹陆楠楠(74)专利代理机构湖北武汉永嘉专利代理有限公司42102代理人王守仁(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06T5/00(2006.01)G06T7/187(2017.01)权利要求书2页说明书5页附图3页(54)发明名称基于深度学习的海事雷达图像处理方法(57)摘要本发明公开的基于深度学习的海事雷达图像处理方法，是一种利用图像处理算法和卷积神经网络结合识别海事雷达图像中船舶目标，具体是：先利用灰度化、中值滤波、连通域标记、双阈值连通域处理算法预处理海事雷达图像，再利用帧间相加和骨架细化算法得到船舶目标初始的运动矢量，通过隔帧差法得到船舶目标在不同帧数的运动矢量，根据这两个运动矢量得到隔帧差法的最佳帧数；然后利用帧间差异和船舶的形状、轮廓和运动特征提取船舶目标和非船舶目标；最后利用卷积神经网络对船舶目标和非船舶目标进行训练和测试，将训练的卷积神经网络用于海事雷达图像船舶目标识别。本发明充分利用船舶的运动特征对船舶目标的识别比传统的方法更加简便，效果更佳。CN108197582ACN108197582A权利要求书1/2页1.一种基于深度学习的海事雷达图像处理方法，其特征是一种利用图像处理算法和卷积神经网络结合识别海事雷达图像中船舶目标，具体是：首先利用灰度化、中值滤波、连通域标记、双阈值连通域处理算法预处理海事雷达图像，然后利用帧间相加和骨架细化算法得到船舶目标初始的运动矢量，通过隔帧差法得到船舶目标在不同帧数的运动矢量，根据这两个运动矢量得到隔帧差法的最佳帧数；再利用帧间差异和船舶的形状、轮廓和运动特征提取船舶目标和非船舶目标；然后利用卷积神经网络对船舶目标和非船舶目标进行训练和测试，将训练的卷积神经网络用于海事雷达图像船舶目标识别。2.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是对雷达图像灰度化，利用灰度化将RGB图转换成灰度图像，从而减少计算量，此过程中对R、G、B三值进行求和并取其平均作为新值，即：R＝G＝B＝(R+G+B)÷3，式中：R代表彩色图中红色的值，G代表彩色图中绿色的值，B代表彩色图中蓝色的值。3.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是利用中值滤波对图像平滑处理，中值滤波是一种非线性的信号处理方法，该方法采用以下的算法：(1)将含有若干个点的滑动窗口的滤波模板在图像中漫游，并将模板中心与图中某个像素位置重合；(2)读取模板中各对应像素的灰度值；(3)将这些灰度值从小到大排列；(4)取这一列数据的中间数据，将其赋给对应模板中心位置的像素；如果窗口中有奇数个元素，中值取元素按灰度值大小排序后的中间元素灰度值；如果窗口中有偶数个元素，中值取元素按灰度值大小排序后，中间两个元素灰度的平均值。4.根据权利要求1所述的基于深度学习的海事雷达图像处理方法，其特征是利用双阈值连通域处理算法，去除大连通区域和小连通区域，提取雷达图像中的船舶目标以及与船舶目标大小相近的虚假目标，该算法是：(1)利用基于像素点区域标记算法的顺序法对雷达图像连通区域标记，计算每个连通区域的大小S；(2)用双阈值方法提取船舶目标和虚假目标，选定两个阈值T1和T2(T1<T2)；(3)雷达图像中的连通域与阈值T2比较，去除大于T2的连通域，得到雷达图像I1；(4)雷达图像中的连通域与阈值T1比较，去除小于T1的连通域，得到雷达图像I2；(5)将雷达图像I1和雷达图像I2相加得到雷达图像I3。5.根据权利要求4所述的基于深度学习的海事雷达图像处理方法，其特征是在提取船舶目标和非船舶目标过程中，是利用自适应帧间差分算法强化船舶目标的运动特征，其中具体包括：(1)利用帧加法将该帧雷达图像与相邻帧绝对值相加得到新的连通域；(2)利用图像处理中的骨架抽取算法将连通域细化成线，以线的两个端点确定一条直线，该直线为船舶的船首方向即为船舶的初始运动矢量L；(3)基于隔帧差法处理，得到隔2、3、4…10帧的差分图，在隔帧差分图中获取目标两端的点群Q1、Q2；计算点群Q1、Q2的中心点q1、q2；(4)利用中心点q1、q2确定一条直线，该直线即为目标的运动矢量M；(5)计算运动矢量L和运动矢量M的夹角A1A2A3...A10，选择夹角最小的所在的帧数为隔2CN108197582A权利要求书2/2页帧差法的帧数；(6)