基于超分辨可选择网络的多AUV的水下目标识别方法技术

本发明专利技术公开一种基于超分辨可选择网络的多AUV的水下目标识别方法，采集声学图像与光学图像信息，进行色彩恢复和数据重构，通过图像超分辨率提升图像质量，实现水下图像的超分辨率；目标特征提取以及目标特征相似度量：基于轻量级的卷积神经网络，融合多AUV收集的目标信息的特征，采用马氏距离计算特征之间的相似度；设定阈值，根据阈值与相似度之间的关系设计学习模型，分别进行不同情况下的目标识别；当相似度高于阈值时，采用改进的迁移学习进行识别，减少AUV计算能耗，保证算法的实时性。当相似度低于阈值时，则采用少样本学习对目标进行识别，对背景复杂造成的特征不明显的目标信息进行集中训练，提取有效特征，减少环境因素的干扰，实现实现多AUV的高效水下目标识别。识别。识别。

【技术实现步骤摘要】
基于超分辨可选择网络的多AUV的水下目标识别方法


[0001]本专利技术属于海底勘测
，具体涉及一种基于超分辨可选择网络的多AUV水下目标识别方法，用以实现AUV的海洋目标识别。

技术介绍

[0002]AUV可以广泛应用于科研调查、军事、民用等领域。其上搭载的声学与光学传感器采集的数据使用越来越广泛。传感器信息识别在海洋感知的研究领域中发挥着重要作用，例如障碍物检测以规避风险，水下结构安全检查，搜索感兴趣的目标。在水下成像系统中，声学传感器和光学传感器是用于水下探测的两种主要成像模式，声学图像和光学图像的在线识别是AUV自主能力的关键。
[0003]传统的水下目标识别大多是一个人为主动型活动，从收集的大量数据中线下人为推断目标是否存在于该区域，人为识别耗时且昂贵，并且识别率较低；水下环境多为背景，有效目标较少，若想实现全面识别，需要采集大量的水下目标进行识别，此途径需要大量的人力和物力去采集数据，代价较大；线下识别不能实现AUV的实时感知，自主性较差。以上原因限制了AUV感知水下环境，难以完成持续、自主、实时的任务。
[0004]目前，利用AUV实现海洋感知，主要采用深度学习方法，但是，对于AUV采集的低质数据往往未进行有效处理，因此，算法的识别精度不高；另外，水下目标较少，样本稀缺，深度神经网络会出现过拟合现象，总而言之，对于基于AUV的水下目标识别仍然存在以下问题：(1)水下图像具有高噪声，高模糊等特性，数据质量较差，不能进行很好的水下目标识别。(2)海洋目标采集困难，数据样本不足，获取有效数据较少，难以进行精确识别。(3)对未知目标不能进行准确识别，导致AUV的水下感知能力较弱

技术实现思路

[0005]本专利技术为解决水下图像分辨率低、样本缺少以及对于未知目标不能进行有效识别等缺陷而造成的识别率低等问题，提出一种基于超分辨可选择网络的多AUV水下目标识别方法。
[0006]本专利技术是采用以下的技术方案实现的：一种基于超分辨可选择网络的多AUV水下目标识别方法，包括以下步骤：
[0007]步骤A、采集声学图像与光学图像信息，进行色彩恢复和数据重构，实现图像超分辨率，提升图像质量；
[0008]步骤B、目标特征提取以及目标特征相似度量：基于轻量级的卷积神经网络，融合多AUV收集的目标信息的特征，采用马氏距离计算特征之间的相似度；
[0009]步骤C、设定阈值，根据阈值与相似度之间的关系设计学习模型，分别进行不同情况下的目标识别；
[0010]当相似度大于等于阈值时，采用改进的迁移学习对目标进行识别：基于改进型的mobilenetv2权重初始化deeplabv3+网络，对目标进行识别；
[0011]当相似度小于阈值时，采用少样本学习对目标进行识别，对背景复杂造成的特征不明显的目标信息进行集中训练，提取有效特征；
[0012]步骤D、通过多AUV从不同方位对目标进行识别，进而将每个方向的AUV识别信息进行融合得到更精确的识别结果。
[0013]进一步的，所述步骤A中，在进行色彩恢复和数据重构时，采用以下方式：
[0014](1)采集图像的色彩恢复处理：
[0015]原始图像表示为：
[0016]S(x,y)＝R(x,y)
·
L(x,y)
[0017]其中，L(x,y)表示亮度图像，R(x,y)表示图像的内在属性，S(x,y)为原始图像，则：
[0018][0019]其中，r(x,y)为输出图像，*为卷积操作，F(x,y)为中心环绕函数，表示为：
[0020][0021]其中，c为高斯环绕尺度，λ为尺度值；
[0022]色彩恢复的计算公式如下：
[0023][0024]其中，K为高斯中心环绕函数的个数；
[0025](2)基于CNN的数据重构：
[0026]首先获得输入图像X获得一系列特征图：
[0027]F1(X)＝max(0,W1*X+B1)
[0028]其中W1和B1表示滤波器的权重和偏置，max操作对应ReLU激活函数；
[0029]然后进行非线性映射：
[0030]F2(X)＝max(0,W2*F1(X)+B2)
[0031]最后进行图像重构：
[0032]Y＝F(X)＝W3*F2(X)+B3[0033]可以实现图像的超分辨率。
[0034]进一步的，所述步骤B具体包括以下步骤：
[0035]步骤B1、基于卷积神经网络CNN提取目标特征：
[0036](1)对卷积神经网络视觉上进行可视化解释：
[0037][0038]其中c表示类别，y
c
是该类别对应的输出结果，A表示卷积输出的特征图，k表示特征图的通道，i,j表示特征图的横纵坐标，Z表示特征图的尺寸；
[0039](2)得到权重后将特征图的通道线性加权融合在一起，公式如下：
[0040][0041]该过程只保留对于类别c有正作用的区域；
[0042]步骤B2、利用马氏距离来度量特征之间的相似性，计算目标特征的相似度：
[0043]设每个AUV共采集了m个样本，每个样本中包含了n个特征，则该AUV采集的数据矩阵用X来表示：
[0044]X＝[X1,X2,
…
,X
n
][0045]该样本的总体平均值为：
[0046]μ
X
＝[μ
X1
,μ
X2
,
…
,μ
Xn
][0047][0048]数据矩阵的协方差为则任意AUV特征向量与源域之间的马氏距离为：
[0049][0050]通过计算马氏距离，来确定每个AUV当前采集的样本特征是否与源域存储的特征相似。
[0051]进一步的，所述步骤C中，迁移学习主要采用以下方式实现：
[0052](1)初始训练：
[0053]设源域中的数据为其中为输入高分辨率图像，为迁移学习输出的识别图像；AUV采集的目标域数据为希望应用该网络预测出输入对应的结果P和Q分别为X
S
和X
T
的边缘分布，且P≠Q；迁移学习的目的主要是找到X
S
和X
T
的潜在的共同表示；令期望的非线性变换为其非线性表示为：
[0054][0055][0056]P和Q之间的距离表示为：
[0057][0058]通过迁移学习的方法，不断优化P和Q之间的距离，实现对目标域的准确识别；
[0059](2)通过反馈的方式对网络参数(W,b,L
c
)进行调整，以减少预测误差：
[0060]设Q是源任务的最优知识矩阵，向新任务知识矩阵的转移表示如下：
[0061]Q
i
＝f
i
(W,b,L
c
)i∈{1,2,
…
,N}
本文档来自技高网...

【技术保护点】

【技术特征摘要】
可以实现图像的超分辨率。3.根据权利要求1所述的基于超分辨可选择网络的AUV水下目标识别方法，其特征在于：所述步骤B具体包括以下步骤：步骤B1、基于卷积神经网络CNN提取目标特征：(1)对卷积神经网络视觉上进行可视化解释：其中c表示类别，y
c
是该类别对应的输出结果，A表示卷积输出的特征图，k表示特征图的通道，i,j表示特征图的横纵坐标，Z表示特征图的尺寸；(2)得到权重后将特征图的通道线性加权融合在一起，公式如下：该过程只保留对于类别c有正作用的区域；步骤B2、利用马氏距离来度量特征之间的相似性，计算目标特征的相似度：设每个AUV共采集了m个样本，每个样本中包含了n个特征，则该AUV采集的数据矩阵用X来表示：X＝[X1,X2,
…
,X
n
]该样本的总体平均值为：μ
X
＝[μ
X1
,μ
X2
,
…
,μ
Xn
]数据矩阵的协方差为则任意AUV特征向量与源域之间的马氏距离为：通过计算马氏距离，来确定每个AUV当前采集的样本特征是否与源域存储的特征相似。4.根据权利要求1所述的基于超分辨可选择网络的多AUV水下目标识别方法，其特征在于：所述步骤C中，迁移学习主要采用以下方式实现：(1)初始训练：设源域中的数据为其中为输入高分辨率图像，为迁移学习输出的识别图像；AUV采集的目标域数据为希望应用该网络预测出输入对应的结果P和Q分别为X
S
和X
T
的边缘分布，且P≠Q；迁移学习的目的主要是找到X
S
和X
T
的潜在的共同表示；令期望的非线性变换为其非线性表示为：
P和Q之间的距离表示为：通过迁移学习的方法，不断优化P和Q之间的距离，实现对目标域的准确识别；(2)通过反馈的方式对网络参数(W,b,L
c
)进行调整，以减少预测误差：设Q是源任务的最优知识矩阵，向新任务知识矩阵的转移表示如下：Q
i
＝f
i
(W,b,L
c
) i∈{1,2,
…
,N}Q
i
表示AUV
i
通过迁移学习获得一个新的知识矩阵，即基于迁移学习的AUV识别目标，f
i
为迁移学习方法，W为权重，b为偏置，L
c
表示对类别c有正作用的区域。5.根据权利要求1所述的基于超分辨可选择网络的多AUV水下目标识别方法，其特征在于：所述步骤C中，少样本学习采用以下方式实现：(a)基于原型学习模块对给定支持集的查询集进行分类，并学习原型；(b)利用查询图像和从(a)中学习的原型来输出预测的分割掩码，该分割模块采用了轻量级编码解码器来实现；(c)每个概率映射都与查询图像连接，尺寸与查询图像相同，然后输入原型分类器以生成一个特征向量，通过相似度度量函数d计算特征向量和原型相似度分数。6.根据权利要求5所述的基于超分辨可选择网络的多AUV水下目标识别方法，其特征在于：支持集用来表示，其中x
i
表示[H
i
,W
i
,3]，y
i
为x
i
对应的金标准，N
S
为支持集的个数；查询集用来表示，其中x
q
为不包含在S中的大小为[H
i
,W
i
,3]的图像，N<...

【专利技术属性】
技术研发人员：于菲，何波，
申请(专利权)人：青岛澎湃海洋探索技术有限公司，
类型：发明
国别省市：