基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法

• Published in: 工程科学与技术 Vol. 55; no. 4; pp. 119 - 129
• Main Authors: 陈任飞, 彭勇, 吴剑, 李昱, 岳廷秀
• Format: Journal Article
• Language: Chinese
• Published: 大连理工大学 水利工程学院,辽宁 大连 116024%大连理工大学 水利工程学院,辽宁 大连 116024 01.07.2023; 大连理工大学 人工智能大连研究院,辽宁 大连 116000%大连理工大学 人工智能大连研究院,辽宁 大连 116000
• Subjects: deep learning; 特征融合; feature fusion; floating objects on the water surface; 深度学习; 水面漂浮物; detection and tracking; 检测跟踪
• ISSN: 2096-3246
• DOI: 10.15961/j.jsuese.202200033

TN911.73%TP391.4; 水面漂浮物严重破坏河道景观和水生态环境,通过摄像头实施河湖可视化监管以改善河湖面貌,已成为积极落实"河湖长制"政策的重要技术手段.但由于河流环境复杂多样,存在水波扰动、动态光影和强光反射等诸多噪声问题,现有方法难以满足水面漂浮物实际管理需求.本文结合单帧检测与多帧滤波,提出了一种基于深度学习的水面漂浮物目标智能检测跟踪方法.在单帧检测中,删除5×5及以下低分辨率特征图,通过特征求和方式增强76×76高分辨率特征图以提升单步多框目标检测(single shot multibox detector,SSD)在小尺度漂浮物目标的检测精度;在多帧滤波中,基于时空相关性和运动信息构建自适应滤波(adaptive filter,AF)算法框架,计算视频帧中帧与帧之间的关联性,根据漂浮物目标的空间位置变化幅度自适应删除偏离运动轨迹的漂浮物目标检测结果,以降低漂浮物跟踪漂移;在信息融合阶段,通过特征对比融合检测和滤波信息,实现检测信息和跟踪信息动态互补,并以不同检测跟踪场景数据集进行训练与验证.结果表明:在简单水面场景下中心位置误差为8个像素点时,该方法的检测跟踪精度达到100%,成功率面积为0.94,平均速度达到17.27 fps,计算复杂度为7.18×109;在复杂水面场景下中心位置误差为10个像素点时,该方法的跟踪精度和成功率面积分别为93.24%和0.81,平均速度和计算复杂度分别为15.02 fps和8.76×109,在复杂环境下兼顾了检测跟踪精度和效率.