摘要
海洋在中华民族的崛起过程中维护着捍卫国家主权和领土完整、防御来自海上的敌对国家的袭击和入侵、支撑我国经济可持续发展等海洋利益。海上船舶检测与跟踪技术研究显得越来越重要，而传统的海上船舶目标检测与跟踪实时性不高，且精度不够，难以满足日益增长的海洋监控的需求，因此本文研究基于深度学习的海上船舶检测与跟踪方法，同时由于海面存在复杂天气例如海雾的干扰，因此对数据进行去雾预处理，再进行后续检测与跟踪研究。 首先，自建海上船舶目标数据集，通过网络上公开的数据集、海试图片以及网络搜索关键词得到，为了增加泛化能力和鲁棒性，加入了战斗机、浮标非船舶目标的类别，得到十个类别，总计3254张图片，借助labelImg工具对自建数据集进行标注，得到的数据集为VOC格式。 其次，复杂天气有诸多情况，主要对雾天情况进行深入研究，为了去除海雾对检测精度的干扰，首先主要阐述了多尺寸Retinex、直方图均衡化、暗通道去雾等算法，从实际海洋环境去雾结果的主观评判和客观评估指标，验证了AOD-Net去雾算法效果更好。 再次，针对YOLOv4对海上目标检测任务中小目标检测精度低、漏检率高等问题，提出一种改进的YOLOv4船舶目标检测算法。该方法添加了一个104×104特征尺度层，以提高小目标检测精度，利用K-means++算法对标签进行聚类，并在YOLOv4网络的基础上嵌入SE(Sequence-and-Excitation)模块，增强有益的权重，同时抑制无效的权重，最后利用Focalloss来优化损失函数，以克服正负样本不均匀问题。实验结果显示，改进后的YOLOv4的mAP50(meanAveragePrecision)提升了2.12％,mAP75提升2.20％,对于小目标、多目标、重叠目标检测效果更好。 最后，基于tracking-by-detection策略的deepsort跟踪算法的原理，在完成检测的基础上采用卡尔曼滤波算法预测跟踪轨迹，利用匈牙利匹配算法对跟踪轨迹和检测结果进行级联匹配和IoU匹配，最后利用卡尔曼滤波对估计值进行更新。实验结果表明deepsort跟踪算法在海雾下小目标，海雾下多目标以及重叠多目标三个场景下，能够实现海雾下小目标的有效跟踪以及实现一定程度遮挡下海雾下多目标以及重叠目标的跟踪。
NETL