留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

梯度纹理直方图与多层感知器船舶快速检测

董超 冯俊健 田联房 郑兵

董超, 冯俊健, 田联房, 郑兵. 梯度纹理直方图与多层感知器船舶快速检测[J]. 红外与激光工程, 2019, 48(10): 1026004-1026004(10). doi: 10.3788/IRLA201948.1026004
引用本文: 董超, 冯俊健, 田联房, 郑兵. 梯度纹理直方图与多层感知器船舶快速检测[J]. 红外与激光工程, 2019, 48(10): 1026004-1026004(10). doi: 10.3788/IRLA201948.1026004
Dong Chao, Feng Junjian, Tian Lianfang, Zheng Bing. Rapid ship detection based on gradient texture features and multilayer perceptron[J]. Infrared and Laser Engineering, 2019, 48(10): 1026004-1026004(10). doi: 10.3788/IRLA201948.1026004
Citation: Dong Chao, Feng Junjian, Tian Lianfang, Zheng Bing. Rapid ship detection based on gradient texture features and multilayer perceptron[J]. Infrared and Laser Engineering, 2019, 48(10): 1026004-1026004(10). doi: 10.3788/IRLA201948.1026004

梯度纹理直方图与多层感知器船舶快速检测

doi: 10.3788/IRLA201948.1026004
基金项目: 

国家自然科学基金-浙江两化融合联合基金(U180920009);全球变化与海气相互作用专项;海洋公益性行业科研专项(201305028)

详细信息
    作者简介:

    董超(1982-),男,副研究员,博士后,主要从事无人艇研制与应用、图像处理及模式识别方面的研究。Email:dongchaoxj888@126.com

  • 中图分类号: TP391.4

Rapid ship detection based on gradient texture features and multilayer perceptron

  • 摘要: 在动态的复杂环境中,受背景建模失效影响,传统船舶目标检测方法的精度较低。针对该问题,提出一种基于梯度纹理直方图特征与多层感知器的船舶快速检测算法。该算法利用多层感知器将目标的梯度与纹理的直方图进行特征融合,为船舶目标构建特征空间。首先,基于二值梯度的特征训练船舶候选区模型,以快速生成具有高召回率的少量船舶候选窗口,并在每个候选窗口提取梯度纹理直方图特征;其次,设计一个多层感知器作为船舶分类器,对提取到的梯度纹理直方图特征进行判别。实验结果表明,该算法在多个海上场景中船舶检测平均精确率达90.0%,平均执行时间为20.4 ms/frame,有效实现海上船舶精确与快速的检测。
  • [1] Wang Huili, Zhu Ming, Lin Chunbo, et al. Ship detection of complex sea background in optical remote sensing images[J]. Optical and Precision Engineering, 2018, 26(3):723-732. (in Chinese)王慧利, 朱明, 蔺春波, 等. 光学遥感图像中复杂海背景下的舰船检测[J]. 光学精密工程, 2018, 26(3):723-732.
    [2] Ding Peng, Zhang Ye, Jia Ping, et al. Ship detection on sea surface based on multi-feature and multi-scale visual attention[J]. Optical and Precision Engineering, 2017, 45(1):167-172. (in Chinese)丁鹏, 张叶, 贾平, 等. 基于多尺度多特征视觉显著性的海面舰船检测[J]. 光学精密工程, 2017, 45(1):167-172.
    [3] Zhang Zhongyu, Jiao Shuhong. Infrared ship target detection method based on multiple feature fusion[J]. Infrared and Laser Engineering, 2015, 44(S):29-34. (in Chinese)张仲瑜, 焦淑红. 多特征融合的红外舰船目标检测方法[J]. 红外与激光工程, 2015, 45(S):29-34.
    [4] Prasad D K, Prasath C K, Rajan D, et al. Object detection in a maritime environment:performance evaluation of background subtraction methods[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 20(5):1787-1802.
    [5] Zhang Yang, Li Qingzhong, Zang Fengni. Ship detection for visual maritime surveillance from non-stationary platforms[J]. Ocean Engineering, 2017, 141:53-63.
    [6] Li J, Tian Y, Huang T. Visual saliency with statistical priors[J]. International Journal of Computer Vision, 2014, 107(3):239-253.
    [7] Wang X, Han T X, Yan S. An HOG-LBP human detector with partial occlusion handling[C]//2009 IEEE 12th International Conference on Computer Vision. IEEE, 2010:32-39.
    [8] Cheng Quan, Fan Yu, Liu Yuchun, et al. Moving target detection method based on block projection matching[J]. Infrared and Laser Engineering, 2018, 47(10):1026004. (in Chinese)程全, 樊宇, 刘玉春, 等. 分块投影匹配的运动目标检测方法[J]. 红外与激光工程, 2018, 47(10):1026004.
    [9] Lu Fuxing, Chen Xin, Chen Guilin, et al. Dim and small target detection based on background adaptive multi-feature fusion[J]. Infrared and Laser Engineering, 2019, 48(3):0326002. (in Chinese)陆福星, 陈忻, 陈桂林, 等. 背景自适应的多特征融合的弱小目标检测[J]. 红外与激光工程, 2019, 48(3):0326002.
    [10] Wu Tianshu, Zhang Zhijia, Liu Yunpeng, et al. A lightweight small object detection algorithm based on improved SSD[J]. Infrared and Laser Engineering, 2018, 47(7):0703005. (in Chinese)吴天舒, 张志佳, 刘云鹏, 等. 基于改进SSD的轻量化小目标检测算法[J]. 红外与激光工程, 2018, 47(7):0703005.
    [11] Guliyev N J, Ismailov V E. On the approximation by single hidden layer feedforward neural networks with fixed weights[J]. Neural Networks, 2017, 98:296-304.
    [12] Hosang J, Benenson R, Dollr P, et al. What makes for effective detection proposals?[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 38(4):814-830.
    [13] Cheng M M, Zhang Z, Lin W Y, et al. BING:Binarized normed gradients for objectness estimation at 300 fps[C]//Computer Vision Pattern Recognition, 2014.
    [14] Friedman J, Hastie T, Tibshirani R. Regularization paths for generalized linear models via coordinate descent[J]. Journal of Statistical Software, 2010, 33(1):1.
    [15] Mdakane L, Bergh F V D. Extended local binary pattern features for improving settlement type classification of QuickBird images[J]. Comptes Rendus Des Sances De La Socit De Biologie Et De Ses Filiales, 2012, 148(21-22):1851-1852.
    [16] Vogl T P, Mangis J K, Rigler A K, et al. Accelerating the convergence of the back-propagation method[J]. Biological Cybernetics, 1988, 59(4-5):257-263.
    [17] Uijlings J R R, van de Sande K E A. Selective search for object recognition[J]. International Journal of Computer Vision, 2013, 104(2):154-171.
    [18] Alexe B, Deselaers T, Ferrari V. Measuring the objectness of image windows[J]. IEEE Transactions on Software Engineering, 2012, 34(11):2189-2202.
  • [1] 冯杰, 冯扬, 刘翔, 邓陈进, 喻忠军.  远距离监视激光雷达动目标快速检测 . 红外与激光工程, 2023, 52(4): 20220506-1-20220506-9. doi: 10.3788/IRLA20220506
    [2] 苏英蔚, 田震.  基于相位梯度光栅介电超表面的高效太赫兹波异常反射器 . 红外与激光工程, 2023, 52(2): 20220304-1-20220304-7. doi: 10.3788/IRLA20220304
    [3] 刘芬, 孙杰, 张帅, 桑宏强, 孙秀军.  基于YOLOv5的红外船舶目标检测算法 . 红外与激光工程, 2023, 52(10): 20230006-1-20230006-12. doi: 10.3788/IRLA20230006
    [4] 孙强, 戴鹭楠, 应恺宁, 倪辰荫.  二分搜索和压缩感知在激光超声内部缺陷快速检测技术的应用 . 红外与激光工程, 2022, 51(2): 20210810-1-20210810-13. doi: 10.3788/IRLA20210810
    [5] 张祥翔, 傅雨田, 陈永和.  基于光学滤波的水面弱纹理提取方法研究 . 红外与激光工程, 2021, 50(3): 20200215-1-20200215-9. doi: 10.3788/IRLA20200215
    [6] 曹海杰, 刘宁, 许吉, 彭杰, 刘宇昕.  红外图像自适应逆直方图增强技术 . 红外与激光工程, 2020, 49(4): 0426003-0426003-7. doi: 10.3788/IRLA202049.0426003
    [7] 范明明, 田少卿, 刘凯, 赵嘉鑫, 李云松.  基于梯度方向一致性和特征分解的红外小目标检测算法 . 红外与激光工程, 2020, 49(1): 0126001-0126001(12). doi: 10.3788/IRLA202049.0126001
    [8] 刘全喜, 任钢, 李轶国, 岳通, 王莉, 肖星, 邓翠, 李佳玲.  激光二极管端面抽运梯度浓度掺杂介质激光器热效应的有限元法分析 . 红外与激光工程, 2019, 48(11): 1105004-1105004(11). doi: 10.3788/IRLA201948.1105004
    [9] 曹文焕, 黄树彩, 赵炜, 黄达.  二维非重构压缩感知自适应目标检测算法 . 红外与激光工程, 2019, 48(1): 126001-0126001(8). doi: 10.3788/IRLA201948.0126001
    [10] 蔡怀宇, 武晓宇, 卓励然, 黄战华, 王星宇.  结合边缘检测的快速SIFT图像拼接方法 . 红外与激光工程, 2018, 47(11): 1126003-1126003(7). doi: 10.3788/IRLA201847.1126003
    [11] 杜恩宇, 张宁, 李艳荻.  基于Gabor滤波器的车道线快速检测方法 . 红外与激光工程, 2018, 47(8): 817008-0817008(8). doi: 10.3788/IRLA201847.0817008
    [12] 王中阳, 周燕飞, 张小伟, 沈灏, 李恩荣, 韩申生, 宓现强, 田立君, 彭玉峰.  基于随机采样的超高分辨率成像中快速压缩感知分析 . 红外与激光工程, 2017, 46(2): 201002-0201002(7). doi: 10.3788/IRLA201746.0201002
    [13] 刘峰, 奚晓梁, 沈同圣.  基于最大值投影和快速配准的空间小目标检测 . 红外与激光工程, 2016, 45(11): 1104002-1104002(6). doi: 10.3788/IRLA201645.1104002
    [14] 刘家琛, 唐鑫, 巨永林.  微型红外探测器组件快速冷却过程数值模拟分析 . 红外与激光工程, 2015, 44(3): 816-820.
    [15] 朱颖峰, 韩福忠, 李东升, 黄一彬, 毛京湘.  快速制冷启动的中波320×256红外焦平面探测器研究 . 红外与激光工程, 2014, 43(4): 1032-1036.
    [16] 王欢欢, 杨清平, 王向军.  物体特征的快速检测与识别方法 . 红外与激光工程, 2014, 43(3): 1002-1008.
    [17] 张红辉, 罗海波, 余新荣, 丁庆海.  采用特征直方图的红外焦平面阵列盲元检测方法 . 红外与激光工程, 2014, 43(6): 1807-1811.
    [18] 贺明, 王亚弟, 贺菁, 陈向军, 路建方, 寇广, 沈鹏.  双边滤波直方图均衡的非均匀性校正算法 . 红外与激光工程, 2013, 42(10): 2620-2624.
    [19] 吴明军, 许建铮, 周桢, 张亚涛.  针对运动摄像机的快速低存储开销运动目标检测算法 . 红外与激光工程, 2013, 42(8): 2275-2280.
    [20] 万磊, 曾文静, 张铁栋, 秦再白.  基于梯度信息融合的海面红外目标实时检测 . 红外与激光工程, 2013, 42(1): 41-45.
  • 加载中
计量
  • 文章访问数:  575
  • HTML全文浏览量:  140
  • PDF下载量:  57
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-06-05
  • 修回日期:  2019-07-15
  • 刊出日期:  2019-10-25

梯度纹理直方图与多层感知器船舶快速检测

doi: 10.3788/IRLA201948.1026004
    作者简介:

    董超(1982-),男,副研究员,博士后,主要从事无人艇研制与应用、图像处理及模式识别方面的研究。Email:dongchaoxj888@126.com

基金项目:

国家自然科学基金-浙江两化融合联合基金(U180920009);全球变化与海气相互作用专项;海洋公益性行业科研专项(201305028)

  • 中图分类号: TP391.4

摘要: 在动态的复杂环境中,受背景建模失效影响,传统船舶目标检测方法的精度较低。针对该问题,提出一种基于梯度纹理直方图特征与多层感知器的船舶快速检测算法。该算法利用多层感知器将目标的梯度与纹理的直方图进行特征融合,为船舶目标构建特征空间。首先,基于二值梯度的特征训练船舶候选区模型,以快速生成具有高召回率的少量船舶候选窗口,并在每个候选窗口提取梯度纹理直方图特征;其次,设计一个多层感知器作为船舶分类器,对提取到的梯度纹理直方图特征进行判别。实验结果表明,该算法在多个海上场景中船舶检测平均精确率达90.0%,平均执行时间为20.4 ms/frame,有效实现海上船舶精确与快速的检测。

English Abstract

参考文献 (18)

目录

    /

    返回文章
    返回