技术摘要：
本发明公开了一种船舶名称识别方法、系统、计算机设备及存储介质，所述方法包括：获取待识别船舶图像；将待识别船舶图像输入到训练好的船舶名称定位神经网络中进行检测；当检测到船舶名称区域时，通过船舶名称定位神经网络对船舶名称区域进行定位，输出得到船舶名称区  全部
背景技术：
目前针对水上航行的船舶，现有自然场景文字识别算法仍然存在几个亟需解决的 问题：1)船舶名称的位置因船而异，难以在自然场景下对船舶名称字符区域进行精确定位； 2)水面背景具有波动性，且对光照十分敏感，导致图像采集噪音较多；3)江面没有像路面一 样划定行驶线，船舶运动在江面呈现角度范围较车辆大得多，船舶船舶名称区域文字变形 严重；4)江面船舶行驶场景广阔，而船舶体积相差可以达到10倍以上(这在车辆方面一般是 不存在的)，而包含船舶名称区域的图像需要精确分析定位；5)不同于类似场景下面的车牌 文字识别，船舶名称由于没有严格统一的命名标准，导致船舶名称汉字种类多(包含生僻 字)，长度不定，为进一步在自然场景下进行文字识别提高了难度；6)船舶由于长时间在外 航行，构建名称的材质容易出现腐蚀等情况，导致缺字和严重的字体变形，难以对字形的图 像结构特征进行人为的分析。由于以上特点，智能视频图像分析在水上船舶监管上的应用 一直受限，传统船舶电子监管手段都是以雷达、AIS(Automatic  Identification  System， 船舶自动识别系统)相互补充来进行。 目前对于海事监管方面，主要是利用AIS系统和雷达系统，在直观程度上，AIS和雷 达系统并不能给管理人员一个直观的信息感知。而雷达及AIS监测系统在应用上也存在着 一定的不足：1)不能像视频一样直观监控水上船舶现场，而这个功能对水上交通事故调查 及搜救指挥来说十分重要；2)AIS系统是一个主动发送船舶信息的设备，船主可以随意修改 AIS信息，或关闭AIS设备，这样来逃避水上执法的监管。3)构建一个雷达系统的代价比较昂 贵，而且雷达检测对于环境的依赖也比较来严重，容易受到建筑物、高大的植物的影响。 另外，目前国内对于船舶名称识别的研究主要有钱江、张桂荣、姚江等的《基于连 通域分析和笔画宽度变换的船舶名称检测方法[J].珠江水运，2018，466(18):113-115.》， 该方法使用Retinex算法对船舶图像预处理，随后基于MSER获取文字候选区域，根据先验知 识和笔画宽度变换特征得到最终候选区域，最后使用级联分类器确定单字符区域，进而得 到船舶名称位置完成船舶名称检测。 综上所述，目前海事上的在自然场景下的船舶名称识别方案主要问题有以下两 点：1)采用的特征是十几年前的人工设计特征(如笔画宽度)，而这些特征不足以应对复杂 的海面情况，而且这些人工设计特征在一定程度上是机械性的；2)纯粹检测船舶名称存在 的区域并不能达到智能识别出对应字符的效果，导致了即使能检测出船舶名称对应的区域 也需要人工地去识别对应的区域的文字。
技术实现要素：
有鉴于此，本发明提供了一种船舶名称识别方法、系统、计算机设备及存储介质， 5 CN 111582182 A 说　明　书 2/12 页 其解决了水上船舶名称在视频监管中定位难、识别难的问题，采用了目前对于视觉感知具 有高效处理能力的深度神经网络，先对船舶名称区域进行检测，然后针对检测出的船舶名 称区域进行精确到字符级别的识别，实现了直接输入视频流然后通过判断视频中船舶名称 区域的特征，直接端到端地输出对应船舶名称，相对于目前在海事领域的现有技术在效率、 成本、准确率上具有明显的优势，为进一步对航行船舶的身份识别的自动化监控提供了技 术基础。 本发明的第一个目的在于提供一种船舶名称识别方法。 本发明的第二个目的在于提供一种船舶名称识别系统。 本发明的第三个目的在于提供一种计算机设备。 本发明的第四个目的在于提供一种存储介质。 本发明的第一个目的可以通过采取如下技术方案达到： 一种船舶名称识别方法，所述方法包括： 获取待识别船舶图像； 将待识别船舶图像输入到训练好的船舶名称定位神经网络中进行检测； 当检测到船舶名称区域时，通过船舶名称定位神经网络对船舶名称区域进行定 位，输出得到船舶名称区域对应的第一坐标位置； 根据第一坐标位置，对待识别船舶图像进行分割，得到第一船舶名称区域图像； 将第一船舶名称区域图像输入到训练好的船舶名称识别神经网络中进行识别，输 出得到船舶名称识别结果。 进一步的，所述获取待识别船舶图像之前，还包括： 建立自然场景的船舶名称区域训练数据集；其中，所述船舶名称区域训练数据集 包括多张第一样本图像； 根据船舶名称区域训练数据集，对船舶名称定位神经网络进行训练； 获取目标图像； 将目标图像输入到训练好的船舶名称定位神经网络中进行检测； 当检测到船舶名称区域时，通过船舶名称定位神经网络对船舶名称区域进行定 位，输出得到船舶名称区域对应的第二坐标位置； 根据第二坐标位置，对目标图像进行分割，得到第二船舶名称区域图像； 根据第二船舶名称区域图像，建立自然场景的船舶名称识别训练数据集；其中，所 述船舶名称识别训练数据集包括多张第二样本图像； 根据船舶名称识别训练数据集，对船舶名称识别神经网络进行训练。 进一步的，所述根据船舶名称区域训练数据集，对船舶名称定位神经网络进行训 练，具体包括： 对船舶名称区域训练数据集中每张第一样本图像的船舶位置进行标注； 对标注后的第一样本图像进行数据增强，得到不同批次的第一样本图像；其中，所 述数据增强包括高斯噪声、动态模糊和平移旋转缩放； 分批次将不同船舶名称区域的第一样本图像输入到船舶名称定位神经网络中进 行训练。 进一步的，所述根据第二船舶名称区域图像，建立自然场景的船舶名称识别训练 6 CN 111582182 A 说　明　书 3/12 页 数据集，具体包括： 从左到右对第二船舶名称区域图像的字符进行标注，并对第二船舶名称区域图像 的船舶名称进行标注； 将标注后的第二船舶名称区域图像作为第二样本图像，建立自然场景的船舶名称 识别训练数据集。 进一步的，所述根据船舶名称识别训练数据集，对船舶名称识别神经网络进行训 练，具体包括： 将船舶名称识别训练数据集中的第二样本图像缩放到统一大小； 分批次将不同船舶名称区域的第二样本图像输入到船舶名称识别神经网络中进 行训练。 进一步的，所述船舶名称识别神经网络包括相连的卷积神经网络和长短期记忆网 络，所述卷积神经网络包括七个卷积层、七个激活函数层和四个最大池化层。 进一步的，所述船舶名称定位神经网络的损失函数包括预测中心坐标损失函数、 预测边界框的宽高损失函数以及预测置信度损失函数； 所述预测中心坐标损失函数，如下式： 其中，λ为给定的常数；i为每个网格单元，i＝0,..,S2；j为每个网格单元的每个边 界框预测值，j＝0,..,B；(x,y)为预测边界框的位置； 为从训练数据中得到的实际位 置； 所述预测边界框的宽高损失函数，如下式： 其中，(w,h)为预测边界框的宽和高， 为从船舶名称识别训练数据集中得到 的实际宽和高； 所述预测置信度损失函数，如下式： 其中，C为置信度得分，为预测边界框与基本事实的交叉部分；当在一个单元格中 有对象时， 等于1，否则取值为0。 进一步的，所述船舶名称识别神经网络包括相连的卷积神经网络和长短期记忆网 络，所述卷积神经网络包括七个卷积层、七个激活函数层和四个最大池化层。 7 CN 111582182 A 说　明　书 4/12 页 本发明的第二个目的可以通过采取如下技术方案达到： 一种船舶名称识别系统，所述系统包括： 获取模块，用于获取待识别船舶图像； 检测模块，用于将待识别船舶图像输入到训练好的船舶名称定位神经网络中进行 检测； 定位模块，用于当检测到船舶名称区域时，通过船舶名称定位神经网络对船舶名 称区域进行定位，输出得到船舶名称区域对应的第一坐标位置； 分割模块，用于根据第一坐标位置，对待识别船舶图像进行分割，得到第一船舶名 称区域图像； 识别模块，用于将第一船舶名称区域图像输入到训练好的船舶名称识别神经网络 中进行识别，输出得到船舶名称识别结果。 本发明的第三个目的可以通过采取如下技术方案达到： 一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处 理器执行存储器存储的程序时，实现上述的船舶名称识别方法。 本发明的第四个目的可以通过采取如下技术方案达到： 一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的船舶名称识别 方法。 本发明相对于现有技术具有如下的有益效果： 1、本发明通过视频图像分析，利用训练好的船舶名称定位神经网络和船舶名称识 别神经网络，能够实现对视频流采集的船舶图像进行船舶名称的识别，即通过视频监控可 以全自动识别水上航行的船舶名称，解决在传统情况下船舶身份识别难的问题，对海事交 通管理、事故调查、水利打击非法采砂、航道船舶过闸收费、海关打击走私活动等都有智能 辅助作用，同时也是水上各监管部门迫切需求的一个智能水上船舶身份识别手段；此外，由 于船舶名称特征是利用深度神经网络提取，具备高层感知语义，具有高度的鲁棒性。 2、本发明的船舶名称识别神经网络包括卷积神经网络和长短期记忆网络，即采用 卷积神经网络与循环神经网络所结合的方法进行船舶名称识别，通过卷积神经网络提取图 像的特征，而通过循环神经网络关注船舶名称文本分布的特征，与现有方法只关心图像特 征相比具有根本性的不同，输出得到的识别结果更符合实际船舶名称分布的情况。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 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，下面描述中的附图仅仅是本 发明的一些实施例，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 根据这些附图示出的结构获得其他的附图。 图1为本发明实施例1的船舶名称识别方法的流程图。 图2为本发明实施例1的船舶名称识别方法的原理图。 图3为本发明实施例1的船舶名称定位神经网络的检测示意图。 图4为本发明实施例1的船舶名称定位神经网络的检测结果图。 图5为本发明实施例1的船舶名称识别神经网络的结构图。 8 CN 111582182 A 说　明　书 5/12 页 图6为本发明实施例1的船舶名称识别神经网络中卷积神经网络的结构图。 图7a～图7f为本发明实施例1的船舶名称识别的结果图。 图8为本发明实施例1的船舶名称定位神经网络和船舶名称识别神经网络的设计 流程图。 图9为本发明实施例1的船舶名称定位神经网络的训练流程图。 图10为本发明实施例1的船舶名称识别训练数据集的建立流程图。 图11为本发明实施例1的船舶名称识别神经网络的训练流程图。 图12为本发明实施例2的船舶名称识别系统的结构框图。 图13为本发明实施例2的连接的结构框图。 图14为本发明实施例2的第一训练模块的结构框图。 图15为本发明实施例2的第二建立模块的结构框图。 图16为本发明实施例2的第二训练模块的结构框图。 图17为本发明实施例3的计算机设备的结构框图。