适用于复杂水下环境的端到端生物目标检测方法技术

本发明专利技术公开一种适用于复杂水下环境的端到端生物目标检测方法。包括以下步骤：S1，使用的水下数据集由水下机器人抓取，划分为训练集和测试集，先将水下图像通过上采样或下采样统一尺寸，然后进行归一化；S2，从已有水下数据集中挑选出成像质量较差的水下图像，通过直方图均衡的方法增强图像，形成增强网络的数据集；S3，将较差的水下图像作为增强网络的输入，增强后的图像作为真实值，训练水下图像增强网络；S4，使用全卷积网络提取经过网络增强后的水下训练集图像的特征，然后使用一阶段检测网络对水下图像的特征图进行目标识别和分类，得到已训练完的模型；S5，将处理后的水下测试集送入已经训练完的模型中测试。送入已经训练完的模型中测试。送入已经训练完的模型中测试。

【技术实现步骤摘要】
适用于复杂水下环境的端到端生物目标检测方法


[0001]本专利技术属于图像处理
，具体涉及一种适用于复杂水下环境的端到端生物目标检测方法。

技术介绍

[0002]随着计算机视觉和图像处理技术的发展，图像处理方法的应用以提高水下图像质量来满足人类视觉系统和机器识别的要求已逐渐成为热点。随着人工智能的发展，深度学习的方法逐渐被应用到了水下目标识别中。但是受到水下光线不均匀的影响，水下图像存在颜色失真和曝光不足等问题，传统的深度学习目标检测方法缺乏足够的能力来处理水下目标。在水下环境中，低质量图像的增强对于计算机视觉来说是必需的。
[0003]对于水下图像增强，传统的图像处理方法包括颜色校正算法和对比度增强算法，白平衡方法，灰色世界理论和灰色边缘理论是典型的颜色校正方法。但对于水下视觉而言，这些方法的处理结果并不令人满意。对于水下图像的目标检测任务还有待进一步研究。

技术实现思路

[0004]鉴于以上存在的技术问题，本专利技术用于提供一种适用于复杂水下环境的端到端生物目标检测方法，先对数据预处理，提高分类器准确性，再通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于复杂水下环境的端到端生物目标检测方法，其特征在于，包括以下步骤：S1，使用的水下数据集由水下机器人抓取，划分为训练集和测试集，水下数据集包括海参、海胆、扇贝和海星的水下目标，其中20％作为测试集，80％作为训练集，先将水下图像通过上采样或下采样统一尺寸，然后进行归一化；S2，从已有水下数据集中挑选出成像质量较差的水下图像，通过直方图均衡的方法增强图像，形成增强网络的数据集；S3，将较差的水下图像作为增强网络的输入，增强后的图像作为真实值，训练水下图像增强网络；S4，使用全卷积网络提取经过网络增强后的水下训练集图像的特征，然后使用一阶段检测网络对水下图像的特征图进行目标识别和分类，得到已训练完的模型；S5，将处理后的水下测试集送入已经训练完的模型中测试。2.如权利要求1所述的适用于复杂水下环境的端到端生物目标检测方法，其特征在于，S1进一步包括：假设x
i
是图像像素点值，min(x
i
)和max(x
i
)分别表示图像像素的最大值和最小值，归一化后的水下图像为:3.如权利要求1所述的适用于复杂水下环境的端到端生物目标检测方法，其特征在于，S2进一步包括：统计图像中各灰度级的像素数目n
k
，k的范围为[0,L
‑
1]，图像直方图初始概率密度函数为p(r
k
)，则变换函数为：通过变换函数即可得到均衡化后的概率密度函数p(S
k
)，应用到实际图像中获取成对的水下数据集。4.如权利要求1所述的一种适用于复杂水下环境的端到端生物目标检测方法，其特征在于，S3进一步包括：S301，使用生成对抗网络做图像增强，将经过质量较差水下图像的X输入到生成网络之中，每一层的卷积模块中包含了卷积，批处理归一化和ReLu三个过程，输入的X经过N个kernel_size为3*3的卷积核，得到输出N表示总的通道数，i表示第i个通道，提取到的特征为：式中表示卷积操作，一共通过5个卷积层，第3个卷积层的输出和第五个卷积层的输出叠加；S302，卷积层后的数据进一步处理，为了使模型易于收敛，网络训练过程更加稳定，在卷积之后加入了批归一化，通过计算每个批次中数据的均值和方差，假设一个小批次中有N
m
个样本，那么定义输出为其中F
n
表示第n个样本对应的卷积输出，在每个小批次
中，对中的数据进行批归一化得到中的数据进行批归一化得到表示为：其中，F
n
(k，l)表示批归一化之前的样本对应的卷积层输出中，第k个通道中的第l个元素，即为批归一化之后的数据，α
k
和ρ
k
为可训练的对应于第k个...

【专利技术属性】
技术研发人员：方笑海，章学挺，潘勉，于海滨，吕帅帅，彭时林，史剑光，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：