一种基于特征融合的水下静态小目标检测方法技术

本发明专利技术涉及水下静态目标检测领域，特别涉及一种基于特征融合的水下静态小目标检测方法。本发明专利技术方法包括：对声呐图像的回波数据依次进行预处理、分割与后处理，得到潜在目标区域；提取潜在目标区域的Hu矩特征，并通过卷积神经网络提取潜在目标区域的CNN深度特征；将提取的Hu矩特征和CNN深度特征拼接融合得到目标分类结果。本发明专利技术方法能够将声图中绝大多数目标提取出来，同时最大限度地保留目标的完整性；将目标低级形状特征Hu矩和CNN深度特征进行融合，形成形状特征表达能力更强的特征融合网络用于分类，有效提高了目标检测的精度；本发明专利技术适用于不同成像环境下的水下静态小目标检测，具有广泛的应用场景。具有广泛的应用场景。具有广泛的应用场景。

【技术实现步骤摘要】
一种基于特征融合的水下静态小目标检测方法


[0001]本专利技术涉及水下静态目标检测领域，特别涉及一种基于特征融合的水下静态小目标检测方法。

技术介绍

[0002]水下静态小目标检测是水声领域的热点研究方向之一，它通过自主检测算法对声呐图像进行有效识别与定位，这一研究也被广泛应用于水下打捞与搜救、石油勘探、可疑物探测等诸多方面，无论是对于提高我国国防科技实力还是挖掘海洋资源方面，都有着重要的研究意义与应用价值。
[0003]大量声呐数据用于水下静态小目标检测时，传统的人工判读方式效率低，不足以满足任务要求，如何实现自主、高效的水下静态小目标检测已成为当前亟需解决的问题之一。
[0004]由于水下成像环境复杂多变、声呐数据先验样本数较少、目标相较于海底背景较小，难以提取出较具表达力的特征，导致水下静态小目标的检测难度加剧。卷积神经网络(Convolutional Neural Networks，CNN)提取的深度特征是一种具有丰富特征表达的隐式特征，但它用于水下静态小目标检测分类时，其中的多层卷积和池化结构易导致部分底层特征信息丢本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的水下静态小目标检测方法，所述方法包括：对声呐图像的回波数据依次进行预处理、分割与后处理，得到潜在目标区域；提取潜在目标区域的Hu矩特征，并通过卷积神经网络提取潜在目标区域的CNN深度特征；将提取的Hu矩特征和CNN深度特征拼接融合得到目标分类结果。2.根据权利要求1所述的基于特征融合的水下静态小目标检测方法，其特征在于，所述预处理，包括：对声呐回波数据进行区域尺度校正和对声呐图像进行增强；所述后处理包括对分割后的声呐图像进行尺寸约束。3.根据权利要求2所述的基于特征融合的水下静态小目标检测方法，其特征在于，所述对声呐回波数据进行区域尺度校正，具体包括：按照x
′
ij
＝x
ij
/a
j
对声呐回波数据进行区域尺度校正，其中，第j列校正因子a
j
＝b
j
‑
b
min
/b
max
‑
b
min
，b
j
为第j列均值，b
max
和b
min
分别表示各列均值的最大值和最小值，x
′
ij
是校正后的第i行第j列的强度值，x
ij
为第i行第j列的强度值，x
ij
∈X，X为声呐图像原始回波数据。4.根据权利要求2所述的基于特征融合的水下静态小目标检测方法，其特征在于，所述对声呐图像进行增强，具体包括：利用分段伽马校正对声呐图像的回波数据进行变换；变换后的回波值I
′
计算如下：其中，γ1表示对CDF>95.44％的回波值进行拉伸的程度，γ2表示对CDF≤95.44％的回波值进行压缩的程度，CDF表示累计分布函数，I1表示CDF＞95.44％的回波值，I2表示CDF≤95.44％的回波值。5.根据权利要求2所述的基于特征融合的水下静态小目标检测方法，其特征在于，所述对声呐图像进行尺寸约束，具体包括：对分割后的声呐图像中形状尺寸不符合检测要求的区域进行删除，得到筛选后的潜在目标区域。6.根据权利要求5所述的基于特征融合的水下静态小目标检测方法，其特征在于，所述...

【专利技术属性】
技术研发人员：许枫，符书楠，刘佳，逄岩，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：