[发明专利]基于双向自适应语义融合的水下目标识别方法

说明书

本发明涉及一种基于双向自适应语义融合的水下目标识别方法，主要解决现有水下目标识别方法依赖于声纳系统，易受复杂水下环境干扰，难以获得较好水下目标识别精度的问题。方法包括以下步骤：1)构建深层的卷积神经网络，学习水下图像的语义特征；2)构建双向自适应语义特征融合模块；3)构建回归模型；4)预测水下图像中目标位置及其类别。本发明建立基于双向自适应语义融合的卷积神经网络，得到对不同尺度目标均具有判别性的混合语义特征，提高水下目标识别准确率，可用于水下目标识别、水下军事侦察等领域。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于双向自适应语义融合的水下目标识别方法。

背景技术

水下成像是人类认识海洋、开发海洋和保护海洋的重要手段，但由于水体的吸收作用和散射作用会损耗水下成像系统光能量，并改变光能量在水下的空间分布，使得水下图像呈现模糊、虚化等问题，给水下图像的目标检测、识别任务带来了很大的困难。

现有文献中水下目标识别大多是基于声纳系统的水下目标识别方法。声纳系统利用声波反射原理，不同目标具有不同的声波反射能力，可根据接收回波信号进行水下目标识别。但声纳反射易受水温温差、礁石、鱼群等影响，导致误识。Wang等人在文献“N.Wang,B.Zheng,H.Zheng,and Z.Yu,“Feeble object detection of underwater imagesthrough LSR with delay loop,”Optics Express,vol.25,no.19,pp.22490-22498,2017.”中通过利用噪音和非线性系统的相互作用增强微弱信号，提高水下微弱目标的检测精度。Huang等人在文献“B.Huang,T.Liu,H.Hu,J.Han,and Z.Yu,“Underwater imagerecovery considering polarization effects of objects,”Optics Express,vol.24,no.9,pp.9826-9838,2016.”中通过目标信号的偏振差分图像有效地增强水下图像的质量，提高水下目标检测精度。然而，水下信号传播易受到水体吸收和散射作用，使得系统接收声波质量较差，致使难以有效利用声纳系统进行水下目标识别。

综上所述，现有的水下目标识别方法依赖于声纳系统，易受复杂水下环境干扰，难以获得较好的水下目标识别精度。

发明内容

本发明的目的是解决现有水下目标识别方法依赖于声纳系统，易受复杂水下环境干扰，难以获得较好水下目标识别精度的问题，提出一种基于双向自适应语义融合的水下目标识别方法，主要针对水下图像质量较差、水下目标尺度多变的问题，提高水下目标检测识别精度。

本发明解决上述问题的技术方案是，

一种基于双向自适应语义融合的水下目标识别方法，包括以下步骤：

1)构建深层的卷积神经网络，学习水下图像的语义特征；

利用卷积模块搭建卷积神经网络框架，并使用带动量的随机梯度下降法优化卷积神经网络，让卷积神经网络学习出水下图像的语义特征；

2)构建双向自适应语义特征融合模块；

将卷积神经网络不同卷积层的语义特征进行双向地自适应融合，得到对不同尺度目标均具有判别性的混合语义特征；

3)构建回归模型；

对得到的混合语义特征构建回归模型，使用带动量的随机梯度下降法优化回归模型；

4)预测水下图像中目标位置及其类别；

输入水下图像至训练好的卷积神经网络中，得到水下图像所包含的目标位置信息以及类别信息。

进一步地，步骤1)具体为：