System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理领域,尤其是一种基于水下目标的固有属性特征进行检测的方法及装置。
技术介绍
1、在水下目标识别中,识别水下目标的准确性和有效性对于海洋勘测、海底资源开发等领域具有重要意义。水下目标识别的关键在于对水下环境中的目标进行有效的检测和分类。例如,现有技术中公开了一种基于机器学习的水下目标识别方法、一种面向小样本水下图像的目标识别系统、一种基于yolov4的水下目标识别方法 、一种多特征融合的水下目标识别方法、一种基于多模态融合的水下目标识别方法等。
2、水下目标识别技术的方案主要可以分为深度学习算法和传统视觉算法两大类:
3、(1)深度学习算法:深度学习算法在水下目标识别中取得了显著的成果。主要包括卷积神经网络(cnn)和循环神经网络(rnn)等,以faster rcnn、yolo为主的目标检测算法。cnn适用于图像识别和分类,可以学习水下目标的特征,并进行准确的分类和识别。rnn适用于处理水下目标的时间序列数据,如声纳信号。
4、(2)传统视觉算法:传统视觉算法主要基于计算机视觉和图像处理技术。常见的方法包括边缘检测、纹理特征提取和模板匹配等。边缘检测通过检测图像中的边缘信息来定位和识别水下目标,如canny边缘检测算法。纹理特征提取算法通过提取水下目标的纹理、形状和颜色等特征信息,并使用纹理描述符进行目标识别。模板匹配通过将预定义的目标模板与水下图像进行匹配,从而实现目标的定位和识别。
5、但目前算法主要有以下几个缺点:
6、(1)深度学习检测、分类
7、(2)边缘检测算法对光照变化和噪声敏感,对于光照变化较大和存在噪声干扰的水下环境,可能会导致边缘检测的准确性下降。且边缘检测算法只能提供目标的边界信息,无法提供目标的具体形状、纹理等特征信息。
8、(3)纹理特征提取算法通常需要手工设计特征提取方法,这可能会导致特征提取的主观性,不同的算法和参数选择可能会导致不同的结果。
9、(4)模板匹配算法对目标变形和遮挡敏感,对于目标的变形和遮挡较多的水下环境,可能会导致匹配结果不准确。且模板匹配算法通常需要提供目标的初始位置,如果初始位置不准确,可能会导致匹配失败或者错误定位目标。
技术实现思路
1、本专利技术提出一种基于水下目标的固有属性特征进行检测的方法及装置,能够解决深度学习算法对数据质量和噪声敏感、光照变化和噪声干扰对边缘检测算法具有较大影响、手工设计特征提取方法导致的主观性、水下目标变形和遮挡对模板匹配算法的影响造成目标检测结果不准确的技术问题。
2、在本专利技术上述各方法实施例中,一种基于水下目标的固有属性特征进行检测的方法,包括:
3、步骤s1:获取涉及目标的图像,对所述涉及目标的图像进行预处理,所述涉及目标的图像包括声学图像和光学图像,所述光学图像为水面光学图像或水下光学图像;所述预处理包括对所述声学图像进行随机旋转,得到第一声学图像;若所述光学图像为水面光学图像,对所述水面光学图像使用训练完毕的反射区域检测模型去除水面反射区域,得到第一光学图像;对所述第一光学图像除雾、进行亮度调整、色彩还原,得到第二光学图像;若所述光学图像为水下光学图像,对所述光学图像除雾、进行亮度调整、色彩还原,得到第二光学图像;
4、步骤s2:基于所述第一声学图像、第一光学图像和/或第二光学图像构建训练样本集;
5、步骤s3:将所述第一声学图像输入训练完毕的前景区域分割网络模型,得到声学特征图;将所述第一光学图像和/或所述第二光学图像作为输入,输入目标深度估计网络模型,得到光学特征图;基于所述声学特征图及所述光学特征图,进行特征融合,得到融合后的光学图像特征;将所述融合后的光学图像特征输入待训练的多尺度水下目标识别模型,经过若干轮次训练后,得到第一阶段多尺度水下目标识别模型,获取所述第一阶段多尺度水下目标识别模型中各参数的权重信息;
6、步骤s4:对所述第一声学图像提取频谱特征,得到固有频谱特征;对水面光学图像,对所述第一光学图像、所述第二光学图像分别提取纹理、形状、颜色特征,得到固有光学特征;对水下光学图像,对所述第二光学图像提取纹理、形状、颜色特征,得到固有光学特征;对所述固有频谱特征,增加通道注意力,得到添加通道注意力的固有频谱特征;对所述固有光学特征,增加空间注意力,得到添加空间注意力的固有光学特征;将所述添加通道注意力的固有频谱特征及所述添加空间注意力的固有光学特征进行特征融合,得到固有融合特征;
7、步骤s5:基于所述固有融合特征对所述第一阶段多尺度水下目标识别模型进行训练,得到训练完毕的多尺度水下目标识别模型;
8、步骤s6:获取待检测水下图像,将所述待检测水下图像输入所述训练完毕的多尺度水下目标识别模型,得到水下目标的检测和识别结果。
9、可选地,所述对所述水面光学图像使用训练完毕的反射区域检测模型去除水面反射区域,得到第一光学图像,包括:
10、步骤s311:获取若干包含训练用水面光学图像和所述训练用水面光学图像的反射区域的标注信息,组成第一训练数据集;
11、步骤s312:基于所述第一训练数据集对所述反射区域检测模型进行训练,所述反射区域检测模型为faste r-cnn网络模型,得到训练完毕的反射区域检测模型;
12、步骤s313:将所述水面光学图像输入训练完毕的反射区域检测模型,得到所述水面光学图像的反射区域,从而在所述水面光学图像中去除所述反射区域,并将所述水面光学图像中反射区域对应的部分添加像素值,再将添加像素值的区域与该区域的周围像素进行融合,得到第一光学图像。
13、可选地,所述除雾、进行亮度调整、色彩还原,得到第二光学图像,包括:
14、步骤s321:获取若干包括不同水下环境、不同目标和不同光照条件下的训练用光学图像,组成第二训练数据集;
15、步骤s322:使用暗通道先验去雾算法去雾;
16、步骤s323:再对去雾后图像使用直方图均衡化方法调整亮度;
17、步骤s324:对调整亮度后的图像使用颜色调整算法进行色彩还原,得到第二光学图像。
18、可选地,所述将所述第一声学图像输入训练完毕的前景区域分割网络模型,得到声学特征图;将所述第一光学图像和/或所述第二光学图像作为输入,输入目标深度估计网络模型,得到光学特征图;基于所述声学特征图及所述光学特征图,进行特征融合,得到融合后的光学图像特征,包括:
19、步骤s31:将所述第一声学图像输入训练完毕的前景区域分割网络模型,所述前景区域分割网络模型为包括编码器和解码器的网络模型,由所述前景区域分割网络模型对所述第一声学图像中每个像素属于水下目标前景的概率进行预测,分割出所述第一声学图像对应的前景区域作为声学本文档来自技高网...
【技术保护点】
1.一种基于水下目标的固有属性特征进行检测的方法,其特征在于,所述方法包括如下步骤:
2.如权利要求1所述的方法,其特征在于,所述对所述水面光学图像使用训练完毕的反射区域检测模型去除水面反射区域,得到第一光学图像,包括:
3.如权利要求1所述的方法,其特征在于,所述除雾、进行亮度调整、色彩还原,得到第二光学图像,包括:
4.如权利要求1所述的方法,其特征在于,所述将所述第一声学图像输入训练完毕的前景区域分割网络模型,得到声学特征图;将所述第一光学图像和/或所述第二光学图像作为输入,输入目标深度估计网络模型,得到光学特征图;基于所述声学特征图及所述光学特征图,进行特征融合,得到融合后的光学图像特征,包括:
5.如权利要求4所述的方法,其特征在于,所述提取纹理、形状、颜色特征,得到固有光学特征,包括:
6.一种基于水下目标的固有属性特征进行检测的装置,其特征在于,包括:
7.一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如权利要求1-5中任一项所述的方法。
...
【技术特征摘要】
1.一种基于水下目标的固有属性特征进行检测的方法,其特征在于,所述方法包括如下步骤:
2.如权利要求1所述的方法,其特征在于,所述对所述水面光学图像使用训练完毕的反射区域检测模型去除水面反射区域,得到第一光学图像,包括:
3.如权利要求1所述的方法,其特征在于,所述除雾、进行亮度调整、色彩还原,得到第二光学图像,包括:
4.如权利要求1所述的方法,其特征在于,所述将所述第一声学图像输入训练完毕的前景区域分割网络模型,得到声学特征图;将所述第一光学图像和/或所述第二光学图像作为输入,...
【专利技术属性】
技术研发人员:张晓伟,王帅,肖龙斌,董文涛,高硕,崔伟,林媛媛,张士太,张雪鑫,孔紫宁,陈桐,栾新瑞,詹争光,李震宇,董玉才,肖涵,
申请(专利权)人:中国电子科技集团公司第十五研究所,
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。