[发明专利]水下机器人的目标检测方法、系统及相关设备

说明书

本发明涉及机器人视觉、模式识别与机器学习领域，具体涉及一种水下机器人的目标检测方法、系统及相关设备。旨在提升目标检测技术对水下目标遮挡、变形、光照变化的鲁棒性。本发明的目标检测方法包括：获取原始的待检测图像；对原始的待检测图像进行像素值归一化，得到预处理后的待检图像；将预处理后的待检测图像输入目标检测网络进行检测，得到感兴趣区域的包围框和属于各目标类别的概率；根据感兴趣区域的包围框和属于各目标类别的概率，采用改进的非极大值抑制算法得到目标物体的包围框和所属类别。其中，目标检测网络中采用可变形卷积神经网络提取特征图，基于候选区域法进行目标检测。本发明的检测方法在保证速度的情况下提升了检测的精度。

技术领域

本发明涉及机器人视觉、模式识别与机器学习领域，具体涉及一种水下机器人的目标检测方法、系统及相关设备。

背景技术

目标检测是一种从包含目标的序列图像中检测、识别目标的技术。机器人的场景目标检测是实现机器人与环境交互以及在未知环境中完成复杂智能任务的关键环节。实际应用中，由于目标所处场景的复杂性，遮挡、变形、光照以及尺度的变化等等都提升了检测任务的难度。目标检测在机器人视觉的许多领域都有应用，包括机器人在特定环境下的抓取任务、装配任务、探测任务等，一种鲁棒的机器人特定场景目标检测技术对该类任务有着重要的实际意义。

传统的目标检测方法的一般流程为：

(1)扫描图像。使用滑窗法，在待检测的窗口中不断移位滑动。这是一种穷举的策略，计算量巨大，而且在目标多尺度、多长宽比的情况下得到的效果较差。

(2)特征提取。如Haar特征、局部二值模式(Local Binary Pattern，LBP)特征、方向梯度直方图(Histogram of Oriented Gradient，HOG)特征和SIFT特征等。每种特征的适用情况各有不同，特征的选取要视检测的目标而定。

(3)使用分类器进行分类。一般使用支持向量机或AdaBoost算法对目标的特征进行分类。

近年来，深度学习方法兴起，基于卷积神经网络的方法在简单视觉问题如分类问题上取得了优异的表现。由图像分类等问题中取得的大幅进展可知，卷积神经网络具有很强的图像特征提取能力，其内在的层次结构在一定程度上模仿了人类的视觉认知机制，体现了变量间的组合关系。2014年，Ross Girshick等人首次将卷积神经网络引入目标检测任务，得到的结果效果较传统的目标检测方法得到了很大提升。

目前，基于卷积神经网络的目标检测流程大致分为两类：

(1)基于候选区域的方法，如Faster RCNN，一般流程为：a)计算候选区域。候选区域(region proposal)是利用图像的特征，预先计算出最有可能出现目标的位置，提高了召回率，大大降低了后续计算的复杂度。b)分类网络为每个候选区域计算出分类和回归值。这一步一般使用卷积神经网络，并共享图像特征以提高处理速度。c)进行后处理，过滤包围框。这一步通常使用非极大值抑制(NMS)算法进行处理，目前最广泛使用的方法为Greedy-NMS。目前常用的候选区域的计算策略主要分为：Selective Search、Edge Boxes、RPN等。其中，候选区域网络(RPN)技术，可以提高候选区域的计算速度，并将多步骤处理任务融合到一个网络中，使网络可以端到端训练。

(2)基于回归的方法，如YOLO、SSD，一般流程为：a)卷积神经网络提取特征和预测；b)过滤包围框。

基于回归的方法速度较快，但检测精度较低，并且对某些小物体的检测效果不好。基于候选区域的方法检测精度较高，但由于候选区域所需计算较多，速度较慢。

发明内容

为了解决现有技术中的上述问题，即为了解决现有的检测系统不够高效精准、在海洋环境中适应性不强的问题，本发明提出了一种水下机器人的目标检测方法、系统及相关设备，提高了检测结果的精度，并明显提升了训练和检测过程的速度。