一种基于机器视觉的水下机器人目标检测方法技术

本发明专利技术公开了一种基于机器视觉的水下机器人目标检测方法，属于图像处理技术领域，本发明专利技术在拍摄水下图像后，分别提取多张水下图像的轮廓特征图，从而凸显出水下图像的特征，再以各张当前轮廓特征图中的轮廓几何中心为原点，重构各张当前轮廓特征图的像素点坐标，得到多张当前轮廓配准图，在重构后，当前轮廓配准图上轮廓的区别更容易比较，选取出特征量不同的当前轮廓配准图，从而避免处理相同内容的水下图像，解决冗余图像数据，减少目标提取神经网络需要处理的水下图像数量，再采用目标提取神经网络处理每张待处理特征图，得到目标区域；本发明专利技术中通过先提取轮廓特征图，从而大量减少水下环境中的干扰因素，提高目标检测的准确率。确率。确率。

【技术实现步骤摘要】
一种基于机器视觉的水下机器人目标检测方法


[0001]本专利技术属于图像处理
，具体而言，涉及一种基于机器视觉的水下机器人目标检测方法。

技术介绍

[0002]水下机器在水下行驶过程中，通过不断获取水下图像，从而进行目标识别，找到目标区域。但是现有的水下图像在处理时，需要对每一张水下图像进行处理，存在相同内容的水下图像，从而造成需要处理的图像数据多。
[0003]现有采用目标检测方法常采用卷积神经网络CNN对水下图像进行处理，但在水中有大量悬浮杂质，水下光线较暗，导致成像后的水下图像特征不明显，受水下自然环境影响较大，因此，直接采用卷积神经网络CNN对水下图像进行处理，存在特征不明显，目标检测的准确率不高的问题。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于机器视觉的水下机器人目标检测方法解决了以下技术问题：1、图像数据冗余；2、目标检测的准确率不高。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于机器视觉的水下机器人目标检测方法，包括以下步骤：S1、率定轮廓提取模型中分界阈值，得到率定后的轮廓提取模型；S2、通过水下机器人的机器视觉模块实时拍摄水下图像，得到当前多张水下图像；S3、采用率定后的轮廓提取模型对当前多张水下图像进行处理，得到多张当前轮廓特征图；S4、以各张当前轮廓特征图中的轮廓几何中心为原点，重构各张当前轮廓特征图的像素点坐标，得到多张当前轮廓配准图；S5、选出特征量不同的当前轮廓配准图作为待处理特征图；S6、采用目标提取神经网络，将每张待处理特征图进行处理，得到目标区域。
[0006]进一步地，所述S1和S3中轮廓提取模型包括：颜色增强子模型和轮廓点提取子模型；所述颜色增强子模型用于对水下图像进行颜色增强，得到颜色增强图；所述轮廓点提取子模型用于从颜色增强图中取满足轮廓条件的像素点，得到轮廓特征图。
[0007]上述进一步地方案的有益效果为：本专利技术中先对水下图像进行颜色增强处理，从而增强像素点的通道值之间的区分度，便于提取满足轮廓条件的像素点，轮廓特征图由满足轮廓条件的像素点构成。
[0008]进一步地，所述颜色增强子模型进行颜色增强的具体过程包括：从水下图像中选出最大通道值和最小通道值，计算通道增强系数；根据通道增强系数，对每个水下图像中每个像素点的R通道值、G通道值和B通道值进行颜色增强，得到颜色增强图；所述计算通道增强系数的公式为：，其中，θ为通道增强系数，th
max
为最大通道值，th
min
为最小通道值；所述颜色增强的具体公式为：，，，其中，th
f,R
为颜色增强后R通道值，th
f,G
为颜色增强后G通道值，th
f,B
为颜色增强后B通道值，th
R
为颜色增强前R通道值，th
G
为颜色增强前G通道值，th
B
为颜色增强前B通道值。
[0009]上述进一步地方案的有益效果为：本专利技术通道增强系数为通道值可以增强的倍数，对同一个像素点的R、G和B通道值进行相同倍数的增强，保持R、G和B通道值配比相同，保留住颜色特征，便于进行轮廓提取。
[0010]进一步地，所述轮廓条件为：且存在，其中，为颜色增强图上第i个通道均值，为颜色增强图上第i个通道均值的邻域范围内的第j个通道均值，为颜色增强图上第j个通道均值邻域范围内的第k个通道均值，T
h
为分界阈值，通道均值为一个像素点的R通道值、G通道值和B通道值的平均值。
[0011]上述进一步地方案的有益效果为：本专利技术在一个像素点的通道均值与邻域范围内其他像素点的通道均值的差值大于分界阈值时，证明该点的通道均值与邻域通道均值存在差距，可能为轮廓上的像素点和噪点，因此，考察邻域通道均值的邻域范围内像素点的通道均值的情况，排除噪点的可能性，进一步地确认其为轮廓上的像素点。
[0012]进一步地，所述S1包括以下分步骤：S11、采用轮廓提取模型对历史水下图像提取满足轮廓条件的像素点，得到历史轮廓特征图；S12、根据历史轮廓特征图和目标轮廓特征图，计算像素点数量差；S13、判断像素点数量差是否大于正阈值，若是，则对轮廓提取模型中分界阈值进行更新，得到更新后的轮廓提取模型，并跳转至步骤S11，若否，则跳转至步骤S14；S14、判断像素点数量差是否小于负阈值，若是，则对轮廓提取模型中分界阈值进行更新，得到更新后的轮廓提取模型，并跳转至步骤S11，若否，则当前的轮廓提取模型为率定后的轮廓提取模型。
[0013]上述进一步地方案的有益效果为：本专利技术中采用历史水下图像对轮廓提取模型进行率定，本专利技术中采用当前的轮廓提取模型对历史水下图像提取轮廓，得到历史轮廓特征图，计算出历史轮廓特征图与目标轮廓特征图上像素点数量差，在像素点数量差大于正阈值时，说明历史轮廓特征图上提取的满足轮廓条件的像素点过多，需要对分界阈值进行上调，在像素点数量差小于负阈值时，则说明历史轮廓特征图上提取的满足轮廓条件的像素点过少，需要对分界阈值进行下调，使得采用轮廓提取模型提取出的像素点与目标轮廓特征图上的像素点数量基本保持一致。
[0014]进一步地，所述S12中计算像素点数量差的公式为：，其中，d为像素点数量差，F1为历史轮廓特征图上像素点的数量，F2为目标轮廓特征图上像素点的数量；
所述S13中对轮廓提取模型中分界阈值进行更新的公式为：，其中，T
h,n+1
为第n+1次更新的分界阈值，T
h,n
为第n次更新的分界阈值，e为自然常数；所述S14中对轮廓提取模型中分界阈值进行更新的公式为：。
[0015]上述进一步地方案的有益效果为：本专利技术中步骤S13的上调过程中，像素点数量差越大，分界阈值涨幅越大，在步骤S14的下调过程中，像素点数量差负得越多，分界阈值降幅越大，从而快速逼近目标轮廓特征图上像素点数量。
[0016]进一步地，所述S5中特征量的计算公式为：，其中，X为特征量，x
m
为当前轮廓配准图上第m个像素点的横坐标，y
m
为当前轮廓配准图上第m个像素点的纵坐标，M为当前轮廓配准图上像素点的数量。
[0017]上述进一步地方案的有益效果为：本专利技术中在步骤S4中以轮廓几何中心为原点，进行了重构，从而便于进行对比，选出特征量不同的当前轮廓配准图，在描述特征量时，选择每个像素点到原点的距离，从而通过距离分布情况表征当前轮廓配准图上轮廓分布特征。
[0018]进一步地，所述S6中目标提取神经网络包括：第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元、第五特征提取单元、加法器A1、加法器A2、特征筛选单元和目标识别单元；所述第一特征提取单元的输入端作为目标提取神经网络的输入端，其输出端分别与第二特征提取单元的输入端和加法器A1的第一输入端连接；所述加法器A1的第二输入端与第二特征提取单元的输出端连接，其输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的水下机器人目标检测方法，其特征在于，包括以下步骤：S1、率定轮廓提取模型中分界阈值，得到率定后的轮廓提取模型；S2、通过水下机器人的机器视觉模块实时拍摄水下图像，得到当前多张水下图像；S3、采用率定后的轮廓提取模型对当前多张水下图像进行处理，得到多张当前轮廓特征图；S4、以各张当前轮廓特征图中的轮廓几何中心为原点，重构各张当前轮廓特征图的像素点坐标，得到多张当前轮廓配准图；S5、选出特征量不同的当前轮廓配准图作为待处理特征图；S6、采用目标提取神经网络，将每张待处理特征图进行处理，得到目标区域。2.根据权利要求1所述的基于机器视觉的水下机器人目标检测方法，其特征在于，所述S1和S3中轮廓提取模型包括：颜色增强子模型和轮廓点提取子模型；所述颜色增强子模型用于对水下图像进行颜色增强，得到颜色增强图；所述轮廓点提取子模型用于从颜色增强图中取满足轮廓条件的像素点，得到轮廓特征图。3.根据权利要求2所述的基于机器视觉的水下机器人目标检测方法，其特征在于，所述颜色增强子模型进行颜色增强的具体过程包括：从水下图像中选出最大通道值和最小通道值，计算通道增强系数；根据通道增强系数，对每个水下图像中每个像素点的R通道值、G通道值和B通道值进行颜色增强，得到颜色增强图；所述计算通道增强系数的公式为：，其中，θ为通道增强系数，th
max
为最大通道值，th
min
为最小通道值；所述颜色增强的具体公式为：，，，其中，th
f,R
为颜色增强后R通道值，th
f,G
为颜色增强后G通道值，th
f,B
为颜色增强后B通道值，th
R
为颜色增强前R通道值，th
G
为颜色增强前G通道值，th
B
为颜色增强前B通道值。4.根据权利要求2所述的基于机器视觉的水下机器人目标检测方法，其特征在于，所述轮廓条件为：且存在，其中，为颜色增强图上第i个通道均值，为颜色增强图上第i个通道均值的邻域范围内的第j个通道均值，为颜色增强图上第j个通道均值邻域范围内的第k个通道均值，T
h
为分界阈值，通道均值为一个像素点的R通道值、G通道值和B通道值的平均值。5.根据权利要求4所述的基于机器视觉的水下机器人目标检测方法，其特征在于，所述S1包括以下分步骤：S11、采用轮廓提取模型对历史水下图像提取满足轮廓条件的像素点，得到历史轮廓特征图；S12、根据历史轮廓特征图和目标轮廓特征图，计算像素点数量差；S13、判断像素点数量差是否大于正阈值，若是，则对轮廓提取模型中分界阈值进行更新，得到更新后的轮廓提取模型，并跳转至步骤S11，若否，则跳转至步骤S14；S14、判断像素点数量差是否小于负阈值，若是，则对轮廓提取模型中分界阈值进行更
新，得到更新后的轮廓提取模型，并跳转至步骤S11，若否，则当前的轮廓提取模型为率定后的轮廓提取模型。6.根据权利要求5所述的基于机器视觉的水下机器人目标检测方法，其特征在于，所述S12中计算像素点数量差的公式为：，其中，d为像素点数量差，F1为历史轮廓特征图上像素点的数量，F2为目标轮廓特征图上像素点的数量；所述S13中对轮廓提取模型中分界阈值进行更新的公式为：，其中，T
h,n+1
为第n+1次更新的分界阈值，T
h,n
为第n次更新的分界阈值，e...

【专利技术属性】
技术研发人员：刘大召，林培豪，万世杰，杨浩，沈炜轩，蔡林君，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：