一种基于YOLO-V3算法的船只遮挡检测方法及装置

摘要

本发明公开了一种基于YOLO‑V3算法的船只遮挡检测方法及装置，用于在图像中搜索被遮挡船只的位置和方向，所述方法包括：构建样本数据集；对样本数据集进行聚类分析；构建YOLO‑V3网络，并对所述YOLO‑V3网络的输出框进行优化，以使得所述输出框包括整体边界框和局部边界框；将所述样本数据集输入所述YOLO‑V3网络中进行训练和测试，得到船只遮挡检测模型；将待检测的船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框。本发明通过优化YOLO‑V3网络的输出框使之能输出整体边界框和局部边界框，再对输出的整体边界框与局部边界框做交并比与面积比值之间的误差来判断检测是否正确，以此提高检测的准确性。

权利要求

1.一种基于YOLO‑V3算法的船只遮挡检测方法，其特征在于，包括如下步骤：构建样本数据集，将所述样本数据集中包含有被遮挡船只的整体区域或者局部区域标注信息，所述样本数据集分为训练集和测试集；

对所述样本数据集进行聚类分析，所述聚类分析为维度聚类分析，用于分析被遮挡船只的边界框；

构建YOLO‑V3网络，并对所述YOLO‑V3网络的输出框进行优化，以使得所述输出框包括整体边界框和局部边界框；

将经过维度聚类分析后的样本数据集输入所述YOLO‑V3网络中进行训练和测试，得到船只遮挡检测模型；

将待检测的被遮挡船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框；

在将待检测的被遮挡船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框之后，还包括：计算所述整体边界框和所述局部边界框的交并比；

计算所述局部边界框与所述整体边界框的面积比值；

判断所述交并比与所述面积比值误差是否处于预设范围；

当所述误差处于预设范围时，将所述整体边界框和所述局部边界框作为最终的输出结果。

2.根据权利要求1所述的基于YOLO‑V3算法的船只遮挡检测方法，其特征在于，在构建所述样本数据集时，需要对样本数据集进行分类标定，统一样本数据集的图像大小和像素处理，其中，所述样本数据集中包含无遮挡的船只标定数据、有遮挡的船只局部标定数据和有遮挡的船只整体标定数据。

3.根据权利要求2所述的基于YOLO‑V3算法的船只遮挡检测方法，其特征在于，还包括将待检测的船只影像进行预处理，所述预处理的具体步骤包括：将待识别图像进行随机水平或垂直翻转、裁剪；将所述待识别图像进行尺度变换。

4.根据权利要求1所述的基于YOLO‑V3算法的船只遮挡检测方法，其特征在于：所述YOLO‑V3网络使用逻辑回归预测每个边框的对象分数。

5.根据权利要求1所述的基于YOLO‑V3算法的船只遮挡检测方法，其特征在于：在预测每个边界框的对象分数时，判断当前边界框与任何其他边界框的重叠度，设置一定的阈值，当所述重叠度大于所述阈值，则忽略当前边界框，直到所有预测边界框都判断完成得到最佳的预测边界框；所述阈值为0.5。

6.根据权利要求1所述的基于YOLO‑V3算法的船只遮挡检测方法，其特征在于：所述样本数据集包含的被遮挡船只影像数据和待检测被遮挡的船只影像为无人机拍摄的船只影像。

7.一种基于YOLO‑V3算法的船只遮挡检测装置，其特征在于，包括：获取模块，用于获取待检测被遮挡船只的影像数据；

预处理模块，用于对待检测被遮挡船只影像进行随机水平或垂直翻转、裁剪及将所述待检测被遮挡船只影像进行尺度变换；

检测模块，用于将待检测的被遮挡船只影像输入通过YOLO‑V3网络训练得到的船只遮挡检测模型中进行检测，得到待检测的被遮挡船只的输出整体边界框和局部边界框；

判断模块，用于判断所述局部边界框与所述整体边界框的交并比与面积比的误差是否处于预设范围；

输出模块，用于输出当所述局部边界框与所述整体边界框的交并比和面积比的误差处于预设范围时的最终输出结果。

8.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1‑6任一项所述的基于YOLO‑V3算法的船只遮挡检测方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1‑6任一项所述的基于YOLO‑V3算法的船只遮挡检测方法。

说明书

一种基于YOLO‑V3算法的船只遮挡检测方法及装置

技术领域

[0001] 本发明涉及影像检测领域，具体涉及一种基于YOLO‑V3算法的船只遮挡检测方法及装置。

背景技术

[0002] 随着科技的发展，图像检测被广泛的运用于人脸识别、自动驾驶和行人检测。图像检测任务通常通过包括标记出所给图像中待检测物体的边界框，并判断边界框中的物体属
于那一类别。传统的检测方法可分为三个步骤：首先，选取感兴趣区域，考虑到待检测的物
体可能会出现在图像中的任一位置，同时其他大小比例具有不确定性，因此通常采用多尺
度、多长宽比的滑动窗口技术对图像进行输入。虽然这种技术可以较好的标记出可能出现
的待检测物体的位置，但是由于扫描时无差对待每一个区域，导致计算量巨大，并且会产生
错误匹配的窗口。其次，从标记的区域提取特征，常见的特征提取算法有SIFT、HOG、Haar‑
like等。但是由于外形、光照、拍摄角度和背景多样性等因素，以上特征提取算法的鲁棒性
较差，无法表征所有情况下的物体特征。最后，对提取的特征进行分类，识别出检测框中实
物的类别。

[0003] 在现有的对遮挡船只的检测技术中，大多采用简单的图像匹配方式例如灰度匹配或者基于神经网络模型进行匹配和检测。但由于被遮挡船只在检测时船只的数据不完整导
致无法进行精确的检测以至于船只跟踪出现错误。

发明内容

[0004] 因此，本发明提供一种基于YOLO‑V3算法的船只遮挡检测方法，以解决的现有技术中无法对被遮挡船只进行准确匹配检测的问题。

[0005] 根据第一方面，本发明提供了供一种基于YOLO‑V3算法的船只遮挡检测方法，包括以下步骤：

[0006] 构建样本数据集，将所述样本数据集中包含有被遮挡船只的整体区域或者局部区域标注信息，所述样本数据集分为训练集和测试集；

[0007] 对所述样本数据集进行聚类分析，所述聚类分析为维度聚类分析，用于分析被遮挡船只的边界框；

[0008] 构建YOLO‑V3网络，并对所述YOLO‑V3网络的输出框进行优化，以使得所述输出框包括整体边界框和局部边界框；

[0009] 将所述经过维度聚类分析后的样本数据集输入所述YOLO‑V3网络中进行训练和测试，得到船只遮挡检测模型；

[0010] 将待检测被遮挡船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框。

[0011] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测方法，构建的数据集为无人机拍摄的被遮挡船只的影像，对该数据集进行维度聚类分析被遮挡船只的边界框，对船
首、船身、船尾及船上的标杆等做维度分析，使构建的样本数据集进行分组，有利于后续的
计算。再对YOLO‑V3网络的输出框进行优化，以使得所述输出框包括整体边界框和局部边界
框，并对所述输出的整体边界框与局部边界框做交并比来判断检测是否正确，以此来提高
检测的准确性，从而对被遮挡船只的位置和方向进行准确的检测，提高了被遮挡船只检测
的准确性。

[0012] 根据第一方面，在第一方面第一实施式中，在构建所述样本数据集时，需要对对样本数据集进行分类标定，统一样本数据集的图像大小和像素等处理，其中，所述样本数据集
中包含无遮挡的船只标定数据、有遮挡的船只局部标定数据和有遮挡的船只整体标定数
据。

[0013] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测方法，在构建样本数据集的时候通过对样本数据集进行分类标定，对船只的标定是否被遮挡分为无遮挡船只标定、
有遮挡的船只局部标定和有遮挡的船只局部标定，构成三种不同的标定数据组，简化和归
类了船只被遮挡情况的数据，为后续输出的整体边界框和输出的局部边界框做准备。

[0014] 根据第一方面，在第一方面第二实施式中，还包括在将待检测的船只影像进行预处理，所述预处理的具体步骤包括：将待检测被遮挡船只影像进行随机水平或垂直翻转、裁
剪；将所述待检测被遮挡船只影像进行尺度变换。

[0015] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测方法，通过对待检测的船只影像进行预处理，以消除影像中无关的信息，恢复有用的真实信息，增强有关信息的可检
测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。

[0016] 根据第一方面，在第一方面第三实施式中，在将待检测的船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框之后，
还包括：计算所述整体边界框和所述局部边界框的交并比；计算所述局部边界框与所述整
体边界框的面积比值；判断所述交并比与所述面积比值误差是否处于预设范围；当所述误
差处于预设范围时，将整体边界框和局部边界框作为最终的输出结果。

[0017] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测方法，通过判断待检测船只通过训练好的船只遮挡模型的得到的局部编辑框和整体边界框的交并比与面积的比值
误差是否处于预设范围，来确定最终的输出结果，从而提高了整体边界框与局部边界框的
准确性，进而提高了对被遮挡船只检测的准确性。

[0018] 根据第一方面，在第一方面第四实施式中，所述YOLO‑V3网络使用逻辑回归预测每个边框的对象分数。

[0019] 在本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测方法中，主要是利用YOLO‑V3网络对数据进行训练得到船只遮挡检测模型，YOLO‑V3算法中，本发明实施例采用
逻辑回归来预测每个边框的对象分数。在对数据进行逻辑回顾预测时计算量仅仅和需要的
特性数目相关，提高了训练的速度，且适用于连续性和类别性自变量，因此使用逻辑回归预
测每个边框的对象分数是相对本发明实施例中对被遮挡船只数据进行聚类分析后相适宜
的边框对象分数预测方法。

[0020] 根据第一方面，在第一方面第五实施式中，在预测每个边界框的对象分数时，判断当前边界框与任何其他边界框的重叠度，设置一定的阈值，当所述重叠度大于所述阈值，则
忽略当前边界框，直到所有预测边界框都判断完成得到最佳的预测边界框；所述阈值为
0.5。

[0021] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测方法，在进行YOLO‑3网络模型的输出框进行优化之前还需要对预测边界框做重叠度的计算，选取最优的预测边界
框，设定阈值为0.5。当所述预测边界框与任何一个预测边界框的重叠度大于0.5时，则忽略
当前预测边界框，直到所有预测边界框都判断完成得到最佳的预测边界框。

[0022] 根据第一方面，在第一方面第一实施式中，所述样本数据集包含的被遮挡的船只影像数据为无人机拍摄的船只影像。

[0023] 根据第二方面，本发明提供了一种基于YOLO‑V3算法的船只遮挡检测装置，包括：

[0024] 获取模块，用于获取待检测被遮挡船只的影像数据；

[0025] 在本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测装置，待检测被遮挡船只的影像为无人机拍摄的被遮挡船只影像。

[0026] 预处理模块，用于对待识别被遮挡船只影像进行水平或垂直翻转、裁剪及将所述待识别被遮挡船只影像进行尺度变换；

[0027] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测装置，对无人机拍摄的被遮挡船只进行预处理。无人机飞行器具有飞行高度差异大、采集影像视角可变、飞行速度快
等特点，无人机拍摄的被遮挡船只影像具有尺度变化大等问题，因此对无人机拍摄的被遮
挡船只根据无人机拍摄时的状态对所述被遮挡船只影像进行水平或垂直翻转、剪裁及尺度
变换，以消除无人机拍摄的被遮挡船只影像具有尺度变化大等问题。

[0028] 检测模块，用于将待检测的被遮挡船只影像输入通过YOLO‑V3网络训练得到的船只遮挡检测模型中进行检测，得到待检测的被遮挡船只的输出整体边界框和局部边界框；

[0029] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测装置，在训练基于YOLO‑V3算法的船只遮挡检测模型时，需要先构建用于训练的被遮挡船只的数据集，所述被遮挡船
只的数据集为无人机拍摄的被遮挡船只的影像，所述被遮挡的船只影像还需要对被遮挡船
只的整体区域或局部区域标注信息，再将被遮挡船只影像分为训练集和测试集。选取维度
聚类分析用于对船首、船身、船尾及船只标杆等信息做分类，进行分类标定，统一样本数据
集的图像大小和像素等处理。采用逻辑回归和判断预测边界框重叠度是否大于0.5，剔除不
合格的预测框，得到最佳的预测边界框。最后再对YOLO‑V3网络的输出框进行优化，以使得
所述输出框包括整体边界框和局部边界框。

[0030] 判断模块，用于判断所述局部边界框与所述整体边界框的交并比与面积比的误差是否处于预设范围；

[0031] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测装置，通过训练好的船只遮挡检测模型得到的被遮挡船只的局部边界框和局部边界框先计算其交并比，再计算两者
的面积比。根据判断所述的交并比与面积比之间是否存在误差是否处于预设范围内，来确
定最终输整体边界框和局部边界框。在本发明实施例中，所述预设范围为±0.1。本发明实
施例通过判断所述整体边界框与局部边界框的交并比与面积比的误差，用于对经过船只遮
挡检测模型得到的整体边界框和局部边界框进行检查，提高输出的整体边界框和局部边界
框的准确性，进而提高被遮挡船只位置和方向检测。

[0032] 输出模块，用于输出当所述局部边界框与所述整体边界框的交并比与面积比的误差处于预设范围时的最终输出结果。

[0033] 本发明实施例提供的基于YOLO‑V3算法的船只遮挡检测装置，通过训练好的船只遮挡检测模型对无人机拍摄的待检测被遮挡船只进行检测，得到被遮挡船只影像的输出整
体边界框和局部边界框，再判断所述整体边界框和所述局部边界框的交并比与面积比的误
差是否处于预设的±0.1的范围内，当所述误差在±0.1时，将所述整体边界框和局部边界
框作为最终的输出结果。通过判断所述整体边界框与局部边界框的交并比与面积比的误
差，用于对经过船只遮挡检测模型得到的整体边界框和局部边界框进行一次检查，提高输
出的整体边界框和局部边界框的准确性，进而提高被遮挡船只位置和方向检测。

[0034] 根据第三方面，本发明提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行
所述计算机指令，从而执行上述基于YOLO‑V3算法的船只遮挡检测方法。

[0035] 根据第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述基于YOLO‑V3算法的船
只遮挡检测方法。

附图说明

[0036] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的
附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前
提下，还可以根据这些附图获得其他的附图。

[0037] 图1为本发明实施例1中基于YOLO‑V3算法的船只遮挡检测方法的流程图；

[0038] 图2为本发明实施例2中基于YOLO‑V3算法的船只遮挡检测装置的示意图；

[0039] 图3为本发明实施例3提供的一种电子设备的硬件结构示意图。

具体实施方式

[0040] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术
人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0041] 在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了
便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、
以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、
“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0042] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可
以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以
是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员
而言，可以具体情况理解上述术语在本发明中的具体含义。

[0043] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

[0044] 实施例1

[0045] 本实施例提供了一种基于YOLO‑V3算法的船只遮挡检测方法，如图1所示，包括：

[0046] S1，构建样本数据集；

[0047] 具体地，在本发明实施例中，所述样本数据集为无人机拍摄的船只遮挡影像，包含有被遮挡船只的整体区域或者局部区域标注信息，且将所述样本数据集分为了训练集和测
试集。

[0048] S2，对所述样本数据集进行维度聚类分析；

[0049] 具体地，本发明实施例中，对该数据集进行维度聚类分析被遮挡船只的边界框，对船首、船身、船尾及船上的标杆等做维度分析，使构建的样本数据集进行分组，有利于后续
的计算。

[0050] S3，构建YOLO‑V3网络，并对所述YOLO‑V3网络的输出框进行优化；

[0051] 具体地，本发明实施例中，对YOLO‑V3网络的输出框进行优化主要是通过对选取逻辑回归预测每个边框的对象分数，再通过重叠度计算得到最佳的预测边界框，从而提高最
后得到的输出边界框最佳，进而提高被遮挡船只检测的准确性。YOLO‑V3网络的输出框包括
整体边界框和局部边界框，通过输出的整体边界框和局部边界框再结合已知的船只数据，
能够准确的得出船只的位置和方向。

[0052] S4，将经过所述维度聚类分析后的样本数据集输入所述YOLO‑V3网络中进行训练和测试，得到船只遮挡检测模型；

[0053] S5，将待检测的被遮挡船只影像输入到训练好的船只遮挡检测模型中进行检测，输出被遮挡船只的整体边界框和局部边界框。

[0054] 可选地，在构建所述样本数据集时，需要对样本数据集进行分类标定，同一样本数据集的图像大小和像素等处理。

[0055] 具体地，在本发明实施例中，所述样本数据集为无人机拍摄的被遮挡船只的影像数据，具体包括无遮挡的船只标定数据、有遮挡的船只局部标定数据和有遮挡的船只整体
标定数据。无人机在拍摄被遮挡船只影像时受一些因素的干扰导致图像大小和像素不一致
等问题，因此需要统一所述无人机拍摄的被遮挡船只影像的图像大小和像素等，消除不必
要的影响，从一开始就减小数据的误差，从而保证得出被遮挡船只的检测结果的准确性。

[0056] 可选地，还需要对待检测的被遮挡船只影像进行预处理，具体包括对待检查的被遮挡船只影像进行水平或垂直翻转、剪裁及进行尺度变换等操作。

[0057] 具体地，在本发明实施例中，因无人机飞行器具有飞行高度差异大、采集影像视角可变、飞行速度快等特点，无人机拍摄的被遮挡船只影像具有尺度变化大等问题，因此对无
人机拍摄的被遮挡船只根据无人机拍摄时的状态对所述被遮挡船只影像进行水平或垂直
翻转、剪裁及尺度变换，以消除无人机拍摄的被遮挡船只影像具有尺度变化大等问题，从而
减小数据的误差，进而提高输出被遮挡船只的检测结果的准确性。

[0058] 可选地，在将待检测的船只影像输入到训练好的船只遮挡检测模型中进行检测，用以输出被遮挡船只的整体边界框和局部边界框之后，还包括：计算所述整体边界框和所
述局部边界框的交并比；计算所述局部边界框与所述整体边界框的面积比值；判断所述交
并比与所述面积比值误差是否处于预设范围；当所述误差处于预设范围时，将整体边界框
和局部边界框作为最终的输出结果。

[0059] 具体地，在本发明实施例中，设置误差范围为±0.1，当所述整体边界框与所述局部边界框的交并比和面积比之间的误差在±0.1的范围内时，则将整体边界框和局部边界
框作为最终输出结果。该判断所述交并比与所述面积比的误差，其目的在于检测通过所述
船只遮挡检测模型得到的整体边界框和局部边界框的准确性，进而提高被遮挡船只检测的
准确性。

[0060] 可选地，YOLO‑V3网络使用逻辑回归预测每个边框的对象分数。

[0061] 具体地，在本实施例中，采用逻辑回归来预测每个边框的对象分数。对象分数表示对象包含在边界框的概率。在本实施例中，对被遮挡船只影像中的对象分为船头、船身、船
尾、船只标杆等。通过逻辑回归预测船头、船身、船尾和船只标杆等对象在边界框之间的概
率，对其进行标定。此对被遮挡船只数据进行逻辑回顾预测时计算量仅仅和需要的特性数
目相关，提高了训练的速度，且适用于连续性和类别性自变量，因此使用逻辑回归预测每个
边框的对象分数是相对本发明实施例中对被遮挡船只数据进行聚类分析后相适宜的边框
对象分数预测方法。

[0062] 可选地，在预测每个边界框的对象分数时，判断当前边界框与任何其他边界框的重叠度，设置一定的阈值，当所述重叠度大于所述阈值，则忽略当前边界框，直到所有预测
边界框都判断完成得到最佳的预测边界框；所述阈值为0.5。

[0063] 具体的，在本实施例中，在进行YOLO‑3网络模型的输出框进行优化之前还需要对预测边界框做重叠度的计算，选取最优的预测边界框，设定阈值为0.5。当所述预测边界框
与任何一个预测边界框的重叠度大于0.5时，则忽略当前预测边界框，直到所有预测边界框
都判断完成得到最佳的预测边界框。

[0064] 可选地，所述样本数据集包含的被遮挡船只影像数据为无人机拍摄的船只影像。

[0065] 实施例2

[0066] 本实施例提供一种基于YOLO‑V3算法的船只遮挡检测装置，如图2所示，包括：

[0067] 获取模块11，用于获取待检测被遮挡船只的影像数据；

[0068] 预处理模块12，用于对待识别图像进行随机水平或垂直翻转、裁剪及将所述待识别图像进行尺度变换；

[0069] 检测模块13，用于将待检测的被遮挡船只影像输入通过YOLO‑V3网络训练得到的船只遮挡检测模型中进行检测，得到待检测的被遮挡船只的输出整体边界框和局部边界
框；

[0070] 判断模块14，用于判断所述局部边界框与所述整体边界框的交并比与面积比的误差是否处于预设范围；

[0071] 输出模块15，用于输出当所述局部边界框与所述整体边界框的交并比与面积比的误差处于预设范围时的最终输出结果。

[0072] 在本实施例中，获取的待检测被遮挡船只的影像数据为无人机拍摄的被遮挡船只的影像数据。用于YOLO‑V3网络中训练的样本数据集也为无人机拍摄的被遮挡船只的影像
数据。所述用于YOLO‑V3网络训练的无人机拍摄的被遮挡船只影像数据集包含有被遮挡船
只的整体区域或者局部区域标注信息，并将所述样本数据集分为训练集和测试集。在将所
述被遮挡船只影像样本数据集输入YOLO‑V3网络之前还需要对所述被遮挡船只影像进行预
处理，包括所述样本数据集进行按无遮挡的船只、有遮挡的船只局部和有遮挡的船只整体
进行分类标定，再对所述经过标定的样本数据集做统一图像大小和像素等处理。

[0073] 同时在构建用于检测被遮挡船只的船只遮挡检测模型时还需要构建YOLO‑V3网络。在本实施例中，YOLO‑V3网络使用逻辑回归预测每个边框的对象分数。对被遮挡船只影
像中的对象分为船头、船身、船尾、船只标杆等。通过逻辑回归预测船头、船身、船尾和船只
标杆等对象在边界框之间的概率，对其进行标定。对被遮挡船只数据进行逻辑回顾预测时
计算量仅仅和需要的特性数目相关，提高了训练的速度，且适用于连续性和类别性自变量，
因此使用逻辑回归预测每个边框的对象分数是相对本发明实施例中对被遮挡船只数据进
行聚类分析后相适宜的边框对象分数预测方法。最后，再依据预测边框之间重叠度的计算，
设置阈值为0.5，最后得到最佳的预测边界框用于预测船只可能存在的位置。

[0074] 在本实施例中，基于YOLO‑V3网络训练得到的船只遮挡检测模型的输出框包含整体边界框和局部边界框。整体边界框和局部边界框与已知的船只数据进行对比计算，最后
得到船只的位置和方向。在输出最终的结果之前，还需要对通过船只遮挡检测模型得出的
整体边界框和局部边界框做误差比对，主要是通过局部边界框与整体边界框的交并比和面
积比的误差来判断结果是否正确。本实施例中，设置的所谓误差的范围为±0.1，当所述局
部边界框与整体边界框的交并比和面积比的误差在±0.1的范围内时，该整体边界框和局
部边界框作为最终的输出结果。本实施例通过所述误差对训练好的船只遮挡检测模型计算
得到的结果进行判断，确保最终输出结果的准确性，从而提高了被遮挡船只影像检测的准
确性。

[0075] 实施例3

[0076] 本发明实施例提供了一种电子设备，如图3所示，该电子设备包括处理器21和存储器22，其中处理器21和存储器22可以通过总线或者其他方式连接。

[0077] 处理器21可以为中央处理器(CPU)。处理器21还可以为其它通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、
分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

[0078] 存储器22作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中用于地理影像拼接的灰度影像匹配方
法或装置对应的程序指令/模块。处理器21通过运行存储在存储器22中的非暂态软件程序、
指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中
基于YOLO‑V3算法的船只遮挡检测方法。

[0079] 存储器22还可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器21所创建的数据等。此外，
存储器22可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存
储器件、闪存器件、或者其他非暂态固态存储器件。在一些实施例中，存储器22可选包括相
对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至处理器21。上述网
络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0080] 所述存储器22中存储一个或者多个模块，当被所述处理器21执行时，执行如图1所示实施实例中的基于YOLO‑V3算法的船只遮挡检测方法。

[0081] 上述电子设备具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解。此处不再赘述。

[0082] 本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质
中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、
光盘、只读存储记忆体(Read‑Only Memory，ROM)、随机存储记忆体(Random Access 
Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘
(Solid‑State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

[0083] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或
变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或
变动仍处于本发明创造的保护范围之中。