基于机器学习的复杂光照条件下的河道船舶自动识别算法

随着大数据时代的到来,尤其是在图像识别领域深度学习理论得到了迅速的发展和应用。与经典的主成分分析（PCA）等识别算法相比较,深度学习算法具有识别率高,鲁棒性强。基于卷积神经网络（CNN）原理,提出了一种在复杂环境条件下基于现场可编程门阵列（FPGA）的实时船舶识别算法,该方法提高了库区复杂环境条件下船舶自动识别的速度和准确性。该识别算法基于全面多节点的FPGA构建,实现船舶快速自动监测的目的。测试结果表明,该方法识别速度已达到360帧每秒（FPS）的传输速度,远远超过现有结果。识别率为85%。此外,该算法针对库区复杂光照环境具有很好的鲁棒性。