一种基于小波分解与残差神经网络的船舶IMO的检测方法

技术特征：
1.一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于，包括以下步骤：1)利用小波技术对输入船舶imo图像进行小波分解并形成小波分解模块，获得输出特征图c0，
…
，c
j-1
；2)通过对步骤1)得出的特征图c0，
…
，c
j-1
中每一层进行卷积、加权平均等处理获得最终的特征图输出o0；同时形成残差神经网络模块；3)通过对步骤2)得出的o0进行反卷积，卷积，批标准化和激活操作完成输入图像船舶imo的检测识别。2.根据权利要求1所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：所述步骤1)采用如下公式获得输出特征图c0，
…
，c
j-1
::::::式中，l2(r)表示实数域上所有平方可积的函数集合，{{v
j
；j∈z}；φ(x)}是l2(r)上的
一个正交多分辨分析，{v
j
；j∈z}是l2(r)上的一列闭子空间的集合，φ(x)是l2(r)中满足正交多分辨分析的一个函数，k∈z}是空间v
j
的标准正交基，w
j
为v
j 1
中v
j
的正交补，k∈z}是空间w
j
的标准正交基，<
·
，
·
>表示两个函数在其定义域上的内积，h
j
(ω)和γ
j
(ω)为小波技术对信号分解时的低通滤波器lpf
j
和高通滤波器hpf
j
的频率响应，j为正整数表示小波分解的当前层次，和为h
j
(ω)和γ
j
(ω)的系数序列，和分别表示和的共轭复数，δ表示单位冲激函数，h
j
和γ
j
为两个系数矩阵，矩阵的尺寸为n/2
×
n，n表示输入图像信号的宽和高，本发明中输入图像的宽和高相等，和表示h
j
和γ
j
的共轭转置矩阵，ca
j
表示输入图像信号，ca
j-1
，ch
j-1
，cv
j-1
，cd
j-1
分别表示ca
j
经过小波分解的尺度分量、水平小波分量、垂直小波分量、对角小波分量，cat函数表示对矩阵进行拼接(或串联)，c
j-1
表示经过矩阵拼接后的输出。3.根据权利要求2根据权利要求1所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：所述步骤2)是对图像信号产生的小波分解c0，
…
，c
j-1
进行处理，对c
j-1
进行卷积，最大池化，批标准化和激活等操作获得一个特征图尺寸同c
j-2
相同但深度不同的输出o
j-1
，然后对c
j-2
进行卷积操作使其深度同o
j-1
相同，然后依照o
j-1
和c
j-2
在原图像信号中所占的比重对这两个输出进行加权平均，重复上述步骤直到输出o0。4.根据权利要求3所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：所述步骤2)采用的数学表达式如下：(n
in
×
n
in
×
m
in
)*(k
×
k
×
m
out
)
s，p
＝(n
out
×
n
out
×
m
out
)
ꢀꢀ
(7)n
out
＝floor[(n
in-k 2
×
p)/s 1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)(8)(8)式中，n
in
表示神经网络中当前输入特征图(隐层)的宽和高，m
in
表示输入特征图的深度，*表示卷积操作，k表示卷积核的尺寸，s表示卷积核对输入特征图进行卷积的步长，p表示对输入特征图的填充大小，n
out
表示神经网络中输出特征图的宽和高，函数floor表示向下取整，m
out
表示输出特征图的深度，x
i
表示第i个训练样本某个特征图中的某个神经元的取值，m表示训练样本数量，统计量和s2分别为该神经元在m个训练样本中取值的均值和方差的点估计，∈为一个大于零的常量避免分母为零，为x
i
标准正态化输出，为的修正输出，其中γ和β为修正中使用的超参数，relu为激活函数。5.根据权利要求1所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：所述步骤3)包括如下:采用步骤2)的输出进行上采样操作，获得特征图的宽高为n
in
/2，其n
in
表示原始图像的宽高，深度为m
out
，且不小于16m
in
，m
in
表示原始图像的深度的输出，从该输出引出三个并联
的特征图输入线路，第一条线路通过卷积，批标准化，激活等操作获得输出尺寸为n
in
/2
×
n
in
/2
×
1的特征图，特征图中的每一个神经元用于判断该神经元对应的图片位置内是否含有船舶imo，第二条线路通过卷积等操作获得输出尺寸为n
in
/2
×
n
in
/2
×
2的两层特征图，两层特征图中对应的神经元用于定位船舶imo所在原始图像的中心点位置，第三条线路通过卷积等操作获得输出尺寸为n
in
/2
×
n
in
/2
×
2的两层特征图，两层特征图中对应的神经元用于得出船舶imo在原始图像的宽度和高度，最后合并三条路线的信息来完成原始图像中船舶imo的定位。6.根据权利要求1所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：所述步骤3)采用的数学表达式如下实现：征在于：所述步骤3)采用的数学表达式如下实现：征在于：所述步骤3)采用的数学表达式如下实现：式中，为反卷积时输入特征图的宽高，为反卷积时输出特征图的宽高，
°
表示反卷积运算，sigmoid为激活函数，其他参数的定义同步骤2)。7.根据权利要求2所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：获得输出特征图c0，
…
，c
j-1
，具体包括以下步骤：1.1)根据公式(1)，可得以及v
j
分解后的各个正交子空间的标准正交基；1.2)根据公式(2)，可得v
j
分解为v
j-1
和w
j-1
所使用滤波器的频率响应分别为h
j
(ω)和γ
j
(ω)，且根据两个滤波器输出的频率成分，可将h
j
(ω)和γ
j
(ω)分别记为低通滤波器lpf
j
和高通滤波器hpf
j
的频率响应，同时得出两个频率响应的系数序列和1.3)根据公式(3)，可得系数序列和之间约束关系；1.4)根据公式(4)，可构造两个系数矩阵h
j
和γ
j
，矩阵的尺寸为n/2
×
n，n表示输入图像信号的宽和高，本发明中输入图像的宽和高相等；1.5)根据公式(5)，对输入图像信号ca
j
进行分解，易得系数矩阵h
j
和γ
j
的共轭转置和最后通过矩阵乘法运算即可获得ca
j
的尺度分量、水平小波分量、垂直小波分量和对角小波分量，分别记为ca
j-1
，ch
j-1
，cv
j-1
，cd
j-1
；1.6)根据公式(6)，当j>1时，对ch
j-1
，cv
j-1
，cd
j-1
进行矩阵拼接并输出c
j-1
，当j＝1时，对ca0，ch0，cv0，cd0进行矩阵拼接并输出c0，最终输出特征图c0，
…
，c
j-1
。8.根据权利要求4所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：在步骤2)中，通过对特征图c0，
…
，c
j-1
中每一层进行卷积、加权平均等处理获得最终的特征图输出o0；包括以下步骤：2.1)根据公式(7)(8)，对输入特征图c
j-1
进行卷积操作或者最大池化操作，卷积的次数
可根据实际情况自定义，但是最终输出的特征图的宽和高同c
j-2
相同，深度可根据实际情况自定义，但是不能小于c
j-2
的深度，并将最终输出特征图记为o
j-1
；2.2)根据公式(9)(10)(11)，对2.1)中每一次卷积结果进行批标准化和激活操作(默认为relu激活操作)；2.3)根据公式(7)(8)(9)(10)(11)，对c
j-2
进行卷积，批标准化和激活操作，输出的特征图尺寸同o
j-1
一样，然后根据c
j-1
和c
j-2
在原始输入图像中的比重对o
j-1
和经过操作后的c
j-2
进行加权平均；2.4)重复步骤2.1)2.2)2.3)直至输出o0。9.根据权利要求6所述的一种基于小波分解与残差神经网络的船舶imo的检测方法，其特征在于：在步骤3)中，通过对o0进行反卷积，卷积，批标准化和激活操作完成输入图像船舶imo的检测识别；包括以下步骤：3.1)根据公式(9)(10)(11)(12)(13)，对输入o0进行多次反卷积操作，反卷积的次数(记为k)可根据实际情况自定义，且每一次反卷积以后进行批标准化和激活操作，保证最终的输出特征图(记为o
j k-1
)的宽高为原图宽高的四分之一并向下取整，深度不小于原图深度的16倍；3.2)根据公式(7)(8)(9)(10)(11)(14)，对o
j k-1
引出三条并联的线路，对第一条进行卷积，批标准化和激活操作，卷积次数根据实际情况自定义，获得宽高不变，深度为1的特征图，并对该特征图中的每一个神经元进行sigmoid激活，则激活后的每一个神经元用于判断该神经元对应的图片位置内是否含有船舶imo，然后对另外两条线路进行卷积，批标准化和激活操作，卷积次数根据实际情况自定义，获得宽高不变，深度为2的特征图，分别用于预测船舶imo的中心点位置和宽高,对第一个特征图采用focal loss进行神经网络参数学习，对另外两个特征图可通过l1绝对损失函数或者l2平方损失函数进行参数学习。10.一种如权利要求1～9任一所述的一种基于小波分解与残差神经网络的船舶的识别方法，其特征在于：由一种基于小波分解与残差神经网络的船舶imo的检测方法形成的船舶登记号的检测识别方法。

技术总结
本发明公开了一种基于小波分解与残差神经网络的船舶IMO的检测方法，主要包括如下：步骤1)利用小波技术对输入船舶IMO图像进行小波分解并形成小波分解模块，获得输出特征图；步骤2)通过对步骤1)得出的特征图进行卷积，同时与残差神经网络模块执行中输出的相同尺寸特征图进行加权平均等处理获得最终的特征图输出；通过对步骤2)得出的特征图进行反卷积，卷积，批标准化和激活操作分离出三个用于检测IMO的特征图，并通过这三个特征图的特征信息检测出船舶的IMO，完成输入图像船舶IMO的检测识别。结合实际环境下采集的数据进行实验，实验结果显示本发明在平均准确率上、查准率上、查全率上、F1-Score上都有提高，非常适用于无人机或无人船对船舶的自动巡船监护。人机或无人船对船舶的自动巡船监护。人机或无人船对船舶的自动巡船监护。


技术研发人员：曹志波 吴佑军 国静萍
受保护的技术使用者：中国人民警察大学
技术研发日：2022.10.21
技术公布日：2023/1/13