【技术实现步骤摘要】
本专利技术涉及水上救援技术，尤其涉及一种机器视觉与动态定位相结合的水上救援方法及系统。
技术介绍
1、在现代水上救援领域，利用机器视觉技术与动态定位技术相结合已经成为一种创新的水上救援方法。机器视觉技术能够通过摄像头等传感器实时捕捉水面上的图像和视频，而动态定位技术能够准确追踪和定位救援目标的位置。将这两种技术融合，可以提供更快速、准确的水上救援响应，增加救援成功的概率。
2、cn201711231670.4，一种基于实时视频图像分析的落水检测方法，采用基于实时视频图像分析的落水检测装置实施落水检测，基于实时视频图像分析的落水检测装置包括ip摄像机、报警器、交换机及落水检测服务器，ip摄像机与报警器安装在检测区域内，且ip摄像机与交换机连接，交换机与落水检测服务器连接，落水检测服务器与报警器连接，并在落水检测服务器内设置有落水检测模块与人工一键式确认模块，在落水检测模块判定为落水事件时，操作人员通过人工一键式确认模块确认，并根据确认结果采取相应措施，有效节省大量的人力物力资源，提高报警精确度，减少误报率。
3、cn201910093453.6，水上大规模人命快速救援方法，救援中心通过卫星获取失事船舶的求救信号，通过救援直升机向事故所在地空投救援集结装置；同时救援船舶前往失事地点；获取每个救援集结装置传输回来的信息，并对信息进行储存并分析，建立出落水人员的分布图；根据所统计的落水人数判断前往的所有救援船舶其总运载能力是否能够将所有落水人员救起，如不足则增派救援船舶；若满足则根据救援船舶的运载能力、落水人员的
4、而现有技术只能提供片面的技术方案，无法将落水检测与水上救援相结合。
技术实现思路
1、本专利技术实施例提供一种机器视觉与动态定位相结合的水上救援方法及系统，能够至少解决现有技术中部分问题。
2、本专利技术实施例的第一方面，
3、提供一种机器视觉与动态定位相结合的水上救援方法，包括：
4、通过视觉传感器获取目标区域的监控视频，提取所述监控视频中每一帧监控图像的纹理特征和频谱特征，并将所述纹理特征和所述频谱特征融合为多个监控特征；
5、根据所述多个监控特征，通过预设的落水识别模型随机选择任意监控特征作为初始聚类中心，基于自适应聚类半径确定所述监控特征对应的聚类结构，并根据所述聚类结构与水面波动的映射关系确定水面波动类型；
6、当水面波动类型与人员落水对应的波动类型相匹配时，确定所述监控特征对应的正向隐藏特征和反向隐藏特征，结合自适应编码器确定人员的行为类型，若行为类型与落水行为相匹配，则确定落水位置并通过路径规划算法确定救援路径。
7、在一种可选的实施方式中，
8、提取所述监控视频中每一帧监控图像的纹理特征和频谱特征包括：
9、初始化图像滤波器的滤波波长、滤波方向和相位偏移以及椭圆比例因子，基于初始化后的图像滤波器对每一帧监控图像进行滤波处理，确定滤波处理后每一帧监控图像的特征方差，将所述特征方差作为每一帧监控图像的纹理特征；
10、通过快速傅里叶变换算法将所述每一帧监控图像转换为频域信号，从所述频域信息中确定不同频率成分的振幅和相位信息作为频谱信息；
11、对所述频谱信息通过平均滑动窗口进行平滑处理，结合希尔伯特变换将平滑处理后的频谱信息转换为解析信息，提取所述解析信息的振幅作为包络信息，将所述包络信息作为频谱特征。
12、在一种可选的实施方式中，
13、根据所述多个监控特征，通过预设的落水识别模型随机选择任意监控特征作为初始聚类中心，基于自适应聚类半径确定所述监控特征对应的聚类结构，并根据所述聚类结构与水面波动的映射关系确定水面波动类型包括：
14、随机选择任意监控特征作为初始聚类中心，计算其他监控特征到所述初始聚类中心的空间距离；对于每个监控特征，计算其到最近的若干个邻居的平均距离，将该距离作为自适应聚类半径；
15、根据所述自适应聚类半径，将监控特征分配到对应的簇中，形成基础聚类簇；对于每个基础聚类簇，将其内部的监控特征作为新的监控特征，重新计算自适应聚类半径，进行嵌套层次聚类，形成多层次聚类簇；
16、基于所述多层次聚类簇与水面波动的映射关系，确定水面波动类型。
17、在一种可选的实施方式中，
18、确定自适应聚类半径包括：
19、
20、其中，ri表示自适应聚类半径，k表示最近邻居树，dist(xi,xj)表示空间距离，f(feature\_similarity(xi,xj))表示特征相似度，wij表示权重。
21、在一种可选的实施方式中，
22、当水面波动类型与人员落水对应的波动类型相匹配时，确定所述监控特征对应的正向隐藏特征和反向隐藏特征，结合自适应编码器确定人员的行为类型包括：
23、通过双向lstm模型，分别确定融合特征对应的正向隐藏特征和反向隐藏特征；
24、将正向隐藏特征和反向隐藏特征输入自适应编码器中，得到低维度的隐藏特征；
25、解码器将低维度的隐藏特征还原为与原始融合特征尽可能靠近的特征，并且根据特征的维度差为输出特征分配自编码权重；
26、将正向隐藏特征和反向隐藏特征，以及自编码权重和自编码输出结果，一起输入激活函数中，确定特征映射后的类别概率，将超过分类阈值的类别概率作为异常，将低于分类阈值的类别概率作为正常。
27、在一种可选的实施方式中，
28、若行为类型与落水行为相匹配，则确定落水位置并通过路径规划算法确定救援路径包括：
29、将起始点加入开放列表，并将其初始代价设置为0，将闭合列表设置为空，进行循环搜索，当开放列表不为空时，从开放列表中选择代价最小的节点；
30、如果当前节点是目标节点，路径搜索结束，回溯路径；将当前节点从开放列表移入闭合列表，对当前节点的相邻节点进行遍历；
31、如果该相邻节点在闭合列表中，跳过；如果该相邻节点不在开放列表中，将其加入开放列表；如果该相邻节点已经在开放列表中，检查当前路径是否更优；从目标节点开始，按照每个节点的父节点信息逆序回溯，直到回溯到起始节点，构建出最短路径。
32、在一种可选的实施方式中，
33、所述方法还包括在路径规划算法中引入启发式函数：
34、h(n)＝(1-w1)·hstatic(n)+w1·w2·hcurrent(n)+w1·(1-w2)·hwind(n)；
35、其中，hstatic(n)表示静态启发式函数，hcurrent(n)表示考虑水流影响的启发式函数，hwind(n)表示考虑风向影响的启发式函数，w1、w2表示权重因子。
36、本专利技术实施例的第二方面，
37、提供一种机器视觉与动本文档来自技高网...
【技术保护点】
1.一种机器视觉与动态定位相结合的水上救援方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，提取所述监控视频中每一帧监控图像的纹理特征和频谱特征包括：
3.根据权利要求1所述的方法，其特征在于，根据所述多个监控特征，通过预设的落水识别模型随机选择任意监控特征作为初始聚类中心，基于自适应聚类半径确定所述监控特征对应的聚类结构，并根据所述聚类结构与水面波动的映射关系确定水面波动类型包括：
4.根据权利要求3所述的方法，其特征在于，确定自适应聚类半径包括：
5.根据权利要求1所述的方法，其特征在于，当水面波动类型与人员落水对应的波动类型相匹配时，确定所述监控特征对应的正向隐藏特征和反向隐藏特征，结合自适应编码器确定人员的行为类型包括：
6.根据权利要求1所述的方法，其特征在于，若行为类型与落水行为相匹配，则确定落水位置并通过路径规划算法确定救援路径包括：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括在路径规划算法中引入启发式函数：
8.一种机器视觉与动态定位相结合的水上救援
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种机器视觉与动态定位相结合的水上救援方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，提取所述监控视频中每一帧监控图像的纹理特征和频谱特征包括：
3.根据权利要求1所述的方法，其特征在于，根据所述多个监控特征，通过预设的落水识别模型随机选择任意监控特征作为初始聚类中心，基于自适应聚类半径确定所述监控特征对应的聚类结构，并根据所述聚类结构与水面波动的映射关系确定水面波动类型包括：
4.根据权利要求3所述的方法，其特征在于，确定自适应聚类半径包括：
5.根据权利要求1所述的方法，其特征在于，当水面波动类型与人员落水对应的波动类型相匹配时，...
【专利技术属性】
技术研发人员：宋梦迪，陈刚，方戍，刘力涛，董非，杨德山，朱荷蕾，
申请(专利权)人：浙江丞士机器人有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。