一种基于视觉的水下机器人目标自主识别方法技术

本发明专利技术涉及水下机器人目标识别技术领域，提出了一种水下机器人对水下特定目标的自主识别方法。首先，进行综合的图像增强与预处理，对水下机器人摄像头采集图像预先进行红色通道补偿和直方图均衡的增强处理，减少环境中的散射引起的模糊、对比度降低等因素对原始图像的影响；其次，采用并行卷积层的复合结构加快对图片中特征数据的提取，并在池化层后添加BN层进行批归一化提高模型的泛化能力；最后，基于LASSO回归进行通道剪枝移除掉一部分非重要剪枝单元并对网络进行重新训练，以降低算法的复杂性加快运行速度，并提高对水下目标进行识别的准确性。别的准确性。别的准确性。

【技术实现步骤摘要】
一种基于视觉的水下机器人目标自主识别方法


[0001]本专利技术涉及水下机器人
，具体地说是一种用于水下目标自主识别的方法。

技术介绍

[0002]水下目标识别技术在开发与利用水下资源的过程中,无论是在军事领域还是民用领域都能够起到至关重要的作用。
[0003]首先，在目标识别的图像处理方面，由于在成像过程中由于前向散射使得成像弥散，图像模糊，而后向散射使得水下机器人摄像头获取的图像对比度较低且存在雾状模糊，而水下机器人所在水底环境对光有很大的衰减特性，造成得到的水下图像存在非均匀色彩投射问题，随着下潜深度的增加，所得到的图像颜色逐渐失真，在水下机器人上安装人工照明设备虽然可以增加图像获取距离，但由于人工光源所发出的光线同样会造成非均匀照射和周围环境的散射作用，摄像头最终所获取的图像存在被暗区域包围的亮斑。除此以外，成像系统、光源色温都对水下彩色图像的质量产生影响。综上所述，受到环境影响，所得到的水下图像大多存在对比度较差、整体亮度偏低、低对比度、亮斑、图像颜色失真、雾状模糊和环境噪点。在应用高级视觉分析方法处理水下图像的过程中将面临上述这些问题，因此研究一种能够提高对于所获取的图像的对比度与饱和度，并补偿图像颜色失真提高清晰度的图像预处理方法，对于水下机器人实现水下目标识别的是非常有必要的。
[0004]另一方面，传统的识别算法对所预处理后的图像中待识别目标的定位情况不理想，往往表现为对目标物检测的定位精度不高且需要花费较多的时间，对水下目标的识别造成较大的影响，定位精度呈现震荡式收敛并贯穿整个过程，这就造成了水下成像的模糊，对目标物的识别精度产生影响。由于传统的识别算法在目标识别方面存在以上的种种问题，基于神经网络的特征提取进行目标识别是该领域当前比较热门的一个研究方向，利用神经网络对光学目标极强的表征能力，建立基于生物神经元网络的抽象网络模型，将水下机器人搭载的摄像头获取到的图像作为输入，引入卷积特征的概念，也就是经过卷积神经网络得到的图像的特征信息，包括通过前级的卷积层得到的浅层信息和后级的卷积层卷积得到深层信息，在输出层回归得到最终判断的结果，即水下机器人拍摄图像中目标的所属类别和检测位置。基于神经网络的特征提取的优点是可以最大程度地保留水下机器人获取的图像的特征。然而传统的卷积神经网络仅仅会忽略采集数据样本的局部信息，且对于计算机的硬件要求较高。

技术实现思路

[0005]为了提高水下机器人对于水下目标的检测与识别精度，解决传统水下光学目标识别中存在的不足，本专利技术提供一种基于神经网络的水下目标识别方法，包括以下步骤：
[0006]步骤1、对图像集合的预处理改进：对RGB空间的色彩通道进行补偿，采用暗通道先验理论降低后向散射造成的影响；
[0007]步骤2、将预处理后的图像集合分为训练集和测试集，并将训练集图像进行处理制作图像矩阵数据集；
[0008]步骤3、建立网络模型、优化模型：
[0009]采用并行卷积层的复合结构神经网络，通过双通道卷积提取特征用于降低训练网络的时间成本，并在池化层后添加BN层进行批归一化用于提高模型的泛化能力；输入图像矩阵数据集训练该网络结构；
[0010]基于LASSO回归对图像矩阵数据集所训练出网络结构进行通道剪枝并进行重训练，从而获取识别速度更快的优化的网络结构；
[0011]步骤4、对测试集数据进行识别：测试集图像输入优化的网络结构，对水下目标进行识别。
[0012]所述原始图像为摄像头采集后经过人工标识并分类的图像。
[0013]所述制作图像矩阵数据集包括：将训练集图像进行翻转，放缩变换后进行裁剪，得到神经网络模型训练数据集。
[0014]所述对原始图像的预处理改进为：
[0015]①
参考Jaffe
‑
McGlamery模型建立成像数学模型：
[0016][0017]其中J(x,λ)为待恢复的实际图像，E
T
(x,λ)为水下空间中摄像头检测到的图像，x为像素点，λ∈{R,G,B}，t(x,λ)为传输函数，B
∞
为水下环境中的后向散射；
[0018]对水下空间中摄像头检测到的图像进行归一化，使得E
T
(x,λ)∈(0,1)；
[0019]②
基于蓝绿通道对获取的图像的红通道进行补偿；
[0020]③
基于暗通道先验理论对RGB三通道传输函数进行估计，代入成像数学模型得到复原扭曲颜色后的图像J(x,λ)。
[0021]是基于RGB空间中蓝绿通道的灰度值对图像的R通道进行补偿：
[0022][0023]其中，分别为图像中红色、绿色和蓝色分量的均值，E
R
(x)、E
G
(x)、E
B
(x)为各个通道在像素点x的值，E
R
(x)
′
为红色通道补偿后的值，β
G
与β
B
为绿色与蓝色补偿系数。
[0024]还包括：对复原扭曲颜色后的图像J(x,λ)分别对RGB三个通道进行直方图均衡化提高图像的对比度。
[0025]所述改进后的网络结构包括：
[0026]数据输入层—单卷积层C1—最大池化层P1—复合卷积层C2—最大池化层P2—批归一化层BN1—复合卷积层C3—最大池化层P3—批归一化层BN2—全局平均池化层P4—全连接层F1—全连接层F2—联合损失函数层。
[0027]①
所述单卷积层结构采用并行的2层卷积层结构，所述复合卷积层结构采用双通道卷积提取特征，用于降低训练网络的时间成本；
[0028]②
所述全局平均池化层，用于通过对整个网路在结构上做正则化避免所设计的模
型出现过拟和现象，并降低神经网络训练和测试计算量；
[0029]③
经全连接层将所选样本的分布式特征映射到样本空间后，经过数据预处理后的训练样本输入到构建的该网络结构中的数据输入层进行训练；
[0030]④
联合损失函数：类间特征距离采用Softmax函数，同时加入CenterLoss和Hing损失用于使得类内的特征距离最小的联合优化，并进行L1、L2正则化，通过多个损失函数的联合应用提高表征能力。
[0031]是采用随机梯度下降法对网络进行循环迭代训练使损失函数不断收敛于稳定数值，直到完成设定的迭代次数。
[0032]所述基于LASSO回归对图像矩阵数据集所训练出网络结构进行通道剪枝，包括：
[0033]针对输入图像矩阵数据集所训练出网络结构中冗余的特征通道基于LASSO回归进行通道剪枝，将卷积核操作中的部分权值归零，删除模型中冗余的连接通道，得到稀疏化的网络。
[0034]本专利技术具有以下有益效果及优点：
[0035]由于对水下机器人摄像头采集图像预先进行了红色通道补偿和直方图均衡的增强处理，减少了环境中的散射引起的模糊、对比度降低等因素本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向目标探测的自主遥控水下机器人路径规划方法，其特征在于，包括以下步骤：步骤1、对图像集合的预处理改进：对RGB空间的色彩通道进行补偿，采用暗通道先验理论降低后向散射造成的影响；步骤2、将预处理后的图像集合分为训练集和测试集，并将训练集图像进行处理制作图像矩阵数据集；步骤3、建立网络模型、优化模型：采用并行卷积层的复合结构神经网络，通过双通道卷积提取特征用于降低训练网络的时间成本，并在池化层后添加BN层进行批归一化用于提高模型的泛化能力；输入图像矩阵数据集训练该网络结构；基于LASSO回归对图像矩阵数据集所训练出网络结构进行通道剪枝并进行重训练，从而获取识别速度更快的优化的网络结构；步骤4、对测试集数据进行识别：测试集图像输入优化的网络结构，对水下目标进行识别。2.根据权利要求1所述的一种面向目标探测的自主遥控水下机器人路径规划方法，其特征在于，所述原始图像为摄像头采集后经过人工标识并分类的图像。3.根据权利要求1所述的一种面向目标探测的自主遥控水下机器人路径规划方法，其特征在于，所述制作图像矩阵数据集包括：将训练集图像进行翻转，放缩变换后进行裁剪，得到神经网络模型训练数据集。4.根据权利要求1所述的一种面向目标探测的自主遥控水下机器人路径规划方法，其特征在于，所述对原始图像的预处理改进为：
①
参考Jaffe
‑
McGlamery模型建立成像数学模型：其中J(x,λ)为待恢复的实际图像，E
T
(x,λ)为水下空间中摄像头检测到的图像，x为像素点，λ∈{R,G,B}，t(x,λ)为传输函数，B
∞
为水下环境中的后向散射；对水下空间中摄像头检测到的图像进行归一化，使得E
T
(x,λ)∈(0,1)；
②
基于蓝绿通道对获取的图像的红通道进行补偿；
③
基于暗通道先验理论对RGB三通道传输函数进行估计，代入成像数学模型得到复原扭曲颜色后的图像J(x,λ)。5.根据权利要求4所述的一种面向目标探测的自主遥控水下机器人路径规划方法，其特征在于，是基于RGB空间中蓝绿通道的灰度值对图像的R通道进行补偿：其中，分别为图像中红色、绿色和蓝色分量的均值，E
R
(x)、E
G
(x)...

【专利技术属性】
技术研发人员：韩毅，曾俊宝，裘天佑，徐高朋，李一平，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：