郭延华 孙 磊 马世超 何 宏

(天津理工大学电气电子工程学院 天津 300384)

0 引 言

随着经济全球化的发展，海上运输日益繁忙，交通事故时常发生，因此能否对船舶进行有效识别是一个极具挑战性的问题。随着目标检测技术日益完善，船舶识别[1]技术领域得到快速发展，已然成为目标检测[2]方向的一个研究热点。但是海上识别环境较为复杂，输入数据前/背景可辨识度较小且含有大量极小船舶目标，导致目标检测器不能对船舶进行有效识别，为识别任务增加了难度。

目前，基于计算机视觉的深度学习算法[3]在目标识别领域取得了较好的效果。Krizhevsky等[4]首次将ReLU、Dropout和CUDA等技术应用到卷积神经网络中，极大地提高了图像分类的正确率，并掀起了深度学习研究的热潮。Girshick等相继提出基于区域问题的选择性搜索算法[5]、感兴趣池化结构[6]以及区域候选网络[7]，将目标特征与整个网络进行权值共享，减少了网络计算成本，极大地提高了识别速度和精度，但是对于船舶实时检测仍是巨大的挑战。为平衡识别速率和准确率的问题，Redmon等[8-10]提出基于回归的快速检测算法，直接回归预测出船舶目标的边界框坐标及类别，且满足实时性的要求，但对于船舶目标相邻较近且目标极小时，易出现漏检、错检、重复识别的问题。黄于欣[11]利用OpenCV结合智能算法提取船舶运动轨迹，挖掘潜在特征，实现船舶轨迹的监控与跟踪。朱广华[12]将BP神经网络与卡尔曼滤波算法结合，通过估计船舶运动参数来自适应识别船舶坐标，但是由于海上环境复杂，图像像素较低，不能够对极小船舶目标进行良好的识别。……