摘要
船舶身份的准确识别对船舶进出港管理、违规船舶检测、水路交通安防等有着重要的应用价值。随着深度学习技术的不断发展，船名检测与识别问题取得了许多研究成果，其工作主要为借鉴文本检测与识别、车牌检测与识别等相关领域的经验，从清晰图像中检测与识别出船名。然而，复杂场景船舶图像中存在的低分辨率、模糊、倾斜等问题，严重损害了检测与识别任务的性能。因此直接将相关领域的模型应用于船名检测与识别问题，存在一定的局限性。为此，针对复杂场景，本文将船名检测与识别问题划分为两个子任务，船名检测与船名识别，分别进行研究。主要研究工作如下： （1）针对船名在船舶图像中占比小、背景复杂问题，提出了基于注意力优化模块的船名检测方法ARMSND。ARMSND模型总共由四部分组成：特征提取层、注意力优化模块、特征融合层和输出层。针对骨干网络提取的深层和浅层特征，分别设计两个注意力优化模块，提升对不同尺寸船名的检测效果。其中在注意力优化模块中引入注意力机制，采用动态卷积核进行不同通道间特征权重的计算，引导模型关注有益的特征通道信息，从而提升船名检测的效果。在特征融合层进一步融合特征，融合后的特征馈入输出层，输出针对每个像素的得分图和船名边界框。 （2）针对船名区域字符存在一定的模糊、文字方向不定的问题，提出了特征增强的船名识别方法FESNR。FESNR模型总共由四部分组成：卷积层、增强块、循环层以及转录层。其中，针对模糊问题，在增强块中引入双匹配滤波器，对船名字符管状区域进行特征增强；针对文字方向不定问题，将双匹配滤波器进行旋转，以滤波器组的形式对不同方向的字符管状区域进行特征增强，从而提高船名识别的效果。此外，在卷积层中，对第四层和第六层池化窗口的宽和高设置不同的步长和填充值，以此产生更长的特征图，生成更长的特征序列，使模型更适用于船名字符的识别。经卷积层提取后的特征序列被送入到循环层，在循环层中采用双向长短期记忆网络预测每个帧的标签分布，最终转录层将每帧的预测翻译成船名标签序列。 （3）针对船名检测子任务，在真实数据集上进行了相关实验，并调整不同的交并比阈值，采用多种评估标准，验证了ARMSND模型的有效性。针对船名识别子任务，在真实数据集、生成数据集和仿真数据集上分别进行了相关实验，与其他基线模型进行对比，验证了FESNR模型能更准确的识别船名。
NETL