一种基于深度学习的水下定位方法及系统技术方案

本发明专利技术实施例提供一种基于深度学习的水下定位方法及系统，该方法包括：获取目标对象周围的参考图像，参考图像中包含目标对象周围的参照对象；根据参照对象在水下的深度位置信息、参照对象与目标对象的距离信息，获取目标对象在水下的位置信息。本发明专利技术实施例通过目标对象拍摄的周围环境的参考图像，利用周围环境中的海洋生物的生活范围或预先标定好的预设信标的位置，进行水下快速深度定位，为海洋作业及科学考察提供了一种快速便捷的定位辅助。并且本发明专利技术与现有技术相比具有高度的隐藏性，不需要依赖卫星定位系统，也不需要向目标对象发送任何信息，具有隐蔽性，基于深度识别算法，算法速度优，能比现有技术更快更隐蔽的实现定位。

【技术实现步骤摘要】
一种基于深度学习的水下定位方法及系统
本专利技术实施例涉及水下定位导航
，尤其涉及一种基于深度学习的水下定位方法及系统。
技术介绍
随着现代科学技术的飞速发展，定位技术在航空航天、海洋科考及勘探、交通等领域都得到了广泛应用并受到人们越来越多的关注。随着我国海洋强国战略的实施，对水下导航在精度和可靠性方面都提出了更高的要求，这也是当前水下导航技术的发展方向。许多水下设备应用惯性导航系统进行自主定位，但惯性导航系统一方面具有累积误差，另一方面受推算的位置与运动状态限制定位时间较长。由此可见，现有的惯性导航系统很难满足水下快速定位及垂直导航方面的要求，因此亟需一种快速便捷的水下定位技术。
技术实现思路
本专利技术实施例提供一种基于深度学习的水下定位方法及系统，用以解决现有技术中用户需要较长时间推算出目标的位置，实现快速的水下定位以及自主导航。本专利技术实施例提供一种基于深度学习的水下定位方法，包括：S1，获取目标对象周围的参考图像，所述参考图像中包含所述目标对象周围的参照对象；S2，根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息，获取所述目标对象在水下的位置信息。本专利技术实施例还提供一种基于深度学习的水下定位系统，包括：参考模块，用于获取目标对象周围的参考图像，所述参考图像中包含所述目标对象周围的参照对象；计算模块，用于根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息，获取所述目标对象在水下的位置信息。本专利技术实施例提供一种基于深度学习的水下定位设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行一种基于深度学习的水下定位方法。本专利技术实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行一种基于深度学习的水下定位方法。本专利技术实施例提供的一种基于深度学习的水下定位方法及系统，通过目标对象拍摄的周围环境的参考图像，利用周围环境中的海洋生物的生活范围或预先标定好的预设信标的位置，进行水下快速深度定位，为海洋作业及科学考察提供了一种快速便捷的定位辅助。并且本专利技术与现有技术相比具有高度的隐藏性，不需要依赖卫星定位系统，也不需要向目标对象发送任何信息，具有隐蔽性，基于深度识别算法，算法速度优，能比现有技术更快更隐蔽的实现定位。附图说明为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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获得其他的附图。图1为本专利技术实施例一种基于深度学习的水下定位方法的流程图；图2为本专利技术实施例一种基于深度学习的水下定位系统的结构示意图；图3为本专利技术实施例提供的一种基于深度学习的水下定位设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例一种基于深度学习的水下定位方法的流程图，如图1所示，该方法包括：S1，获取目标对象周围的参考图像，所述参考图像中包含所述目标对象周围的参照对象；S2，根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息，获取所述目标对象在水下的位置信息。首先获取目标对象周围的参考图像，该参考图像是目标用户通过图像传感器拍摄获得的，这里的图像传感器包括但不限于深度传感器、多目传感器和光谱成像传感器。通过深度传感器拍摄的参考图像，可以知道参考图像中每个像素点与目标对象的距离，从而就可以知道参照对象与目标对象的距离，当参照对象在水下的深度位置信息是已知的时候，就可以反推出目标对象在水下的深度位置信息。同样的，通过多目传感器也可以计算出参照对象与目标对象的距离，当参照对象在水下的深度位置信息是已知的时候，就可以反推出目标对象在水下的深度位置信息。当在深海处，可见光比较微弱的时候，就可以通过多光谱传感器来拍摄周围的参考图像。具体的，参照对象可以是预设信标或者是任意一种海洋生物。预设信标是预先投放设置好的，一般来说，不同深度、不同位置的水下都会投放大量的信标，并且记录每个信标的初始图像以及每个信标在水下的深度位置信息，以方便后面的匹配。其中，每个预设信标在水下的深度位置信息通过北斗、全球定位系统(GPS)、伽利略及格洛纳斯等卫星定位系统及回声探测仪等专业海洋深度测量设备对预设信标进行定位，得到每个预设信标在水下的深度位置信息。海洋生物包括海洋动物、海洋植物等，同样的，对通过多种传感器对每个种海洋动物、植物进行拍照，得到每个种海洋生物的初始图像，根据每个种海洋动物在水下的活动范围，得到每个动物在水下的深度位置信息，根据每个种海洋植物在水下的生存范围，得到每个种植物在水下的深度位置信息。其中，每个动物、每个植物在水下的深度位置信息是通过参考准确的海洋科考参考文献获得的。一般地，本专利技术实施例把这些预设信标的初始图像和预设信标在水下的位置深度信息、每个海洋生物的初始图像和每个海洋生物在水下的位置深度信息建成一个数据库，这些信息统统存在这个数据库中。接着通过深度学习算法识别参考图像中的参照对象，把该参照对象与数据库中的每幅初始图像进行匹配，将匹配程度最高的预设信标在水下的深度位置信息作为该参照对象在水下的深度位置信息，或者是，将匹配程度最高的海洋生物在水下的深度位置信息作为该参照对象在水下的深度位置信息。所使用的深度学习算法包括：深度信念网络、卷积神经网络、卷积深度信念网络、深度玻尔兹曼机等多种算法。接着根据参照对象在水下的深度位置信息、参照对象与目标对象的距离，反推得到目标对象在水下的深度位置信息。需要说明的是，由于预设信标在水下的深度位置信息是通过卫星定位系统及回声探测仪等专业海洋深度测量设备得到的，其深度位置信息是一个具体值，若参考图像中的参照对象是信标，最后得到的目标对象在水下的深度位置信息也是一个具体的值。而海洋生物在水下的深度位置信息是一个大概的范围，若参考图像中的参照对象是海洋生物，最后得到的目标对象在水下的深度位置信息也会是一个范围。因此，目标对象周围信标可见的情况下优先拍摄信标，信标不可见则选择具体海洋生物进行拍摄。优选地，当目标对象拍摄到参考图像后，通过网络将参考图像上传到局域网，在后台处理器对参考图像中的参照对象进行目标识别，并将识别出来的参照对象通过数据库查询，获得参照对象的深度位置信息，最后反馈给用户终端，也就是反馈给拍摄者。通过在后台对参考图像进行识别处理，减轻了用户终端的处理压力，并且一般后台处理器的处理能力较强，计算速度比较快。本专利技术实施例提供的一种基于深度学习的水下定位方法，通过目标对象拍本文档来自技高网...

【技术保护点】
1.一种基于深度学习的水下定位方法，其特征在于，包括：S1，获取目标对象周围的参考图像，所述参考图像中包含所述目标对象周围的参照对象；S2，根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息，获取所述目标对象在水下的位置信息。

【技术特征摘要】
1.一种基于深度学习的水下定位方法，其特征在于，包括：S1，获取目标对象周围的参考图像，所述参考图像中包含所述目标对象周围的参照对象；S2，根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息，获取所述目标对象在水下的位置信息。2.根据权利要求1所述方法，其特征在于，所述参照对象为预设信标或任一海洋生物。3.根据权利要求2所述方法，其特征在于，步骤S1之前还包括：获取每一预设信标的初始图像以及每一预设信标在水下的深度位置信息，获取每一海洋生物的初始图像以及每一海洋生物在水下的深度位置信息。4.根据权利要求3所述方法，其特征在于，步骤S2之前还包括：通过深度学习算法识别所述参考图像中的参照对象，将所述参照对象分别与每一预设信标的初始图像、每一海洋生物的初始图像进行匹配，将匹配程度最高的预设信标或匹配程度最高的海洋生物在水下的深度位置信息作为所述参照对象在水下的深度位置信息。5.根据权利要求3所述方法，其特征在于，所述每一预设信标在水下的深度位置信息通过卫星定位系统及回声探测仪等专业海洋深度测量设备获得。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：郝巍娜，李延坤，吴海涛，李大朋，崔萌萌，张烨，
申请(专利权)人：中国科学院光电研究院，
类型：发明
国别省市：北京,11