[发明专利]基于赋范梯度特征与卷积神经网络的水下目标检测方法

说明书

本发明提供了一种基于赋范梯度特征与卷积神经网络的水下目标检测方法，该方法首先利用二值化的赋范梯度特征对水下目标特征进行描述，并通过二值化编码简化特征描述，降低后续分类器计算复杂度；再利用两级级联的排序SVM(Ranking SVM)算法对目标候选窗口进行逐级筛选，提供含有目标可能性较大的候选区域位置，实现对目标的粗略定位。其次，为了能够对目标区域的种类进行判断以及获得目标区域更加准确的位置描述，采用卷积神经网络和SVM分类器对水下目标进行分类并表示出目标属于某个物体类别的得分，最后使用线性回归模型得到每个类别的位置修正后的目标建议窗口。本发明的方法加速了水下目标候选区域的提取速度，提高了算法的准确性。

技术领域

本发明涉及图像处理领域，尤其是一种水下图像目标区域检测方法。

背景技术

海洋中蕴藏着丰富的生物、矿产、可再生能源及空间资源，目前我国在海洋开发、海上石油开采以及军事领域中对水下机器人的需要日益迫切。水下机器人可以代替人类完成各种恶劣的水下任务，同时水下机器人也将成为未来水下战争中的重要设备之一，受到了人们广泛的关注。水下机器人完成水下任务的第一步必须先检测到水下场景中目标的存在，但是由于水下环境的复杂性，水下目标检测系统面临着一系列挑战。目前在水下目标检测的方法中，主要是基于水下目标的颜色或纹理等特征，但是由于水及水中颗粒等介质对光的散射、吸收以及光照不均匀等因素影响，使得光线存在着严重的衰减和散射效应，水下图像通常呈现颜色衰减、模糊、低对比度等现象，图像也总是突出绿色或蓝色，这个问题使得传统的基于颜色或纹理特征的水下目标检测有效性不高。

传统的水下目标检测算法中，通常采用滑动窗口策略搜索候选目标区域，通过设置不同尺度与长宽比的固定窗口，对一整幅图像进行遍历，这种方法搜索效率较低。同时，这种穷举法虽然包含了图像中目标可能出现的位置，但是相对应的其时间复杂度也很高，同时也可能出现冗余窗口太多的问题，这些问题都会影响到后续特征提取和分类的性能。

发明内容

为了克服现有技术的不足，本发明提供一种基于赋范梯度特征与卷积神经网络的水下目标检测方法，研究如何建立一个用于水下机器人的实时性目标检测系统。对于水下图像中颜色、纹理等特征无法作为目标的鲁棒性特征，以及水下现有的水下目标检测算法实时性差的问题，给出了一种快速、准确、通用性强的水下目标检测方法。首先，对于水下目标的颜色及纹理特征鲁棒性差的问题，利用二值化的赋范梯度特征对水下目标特征进行描述，并通过二值化编码简化特征描述，降低后续分类器计算复杂度；再利用两级级联的排序SVM(Ranking SVM)算法对目标采样窗口进行逐级筛选，提供含有目标可能性较大的候选区域位置，实现对目标的粗略定位。其次，为了能够对目标区域的种类进行判断以及获得目标区域更加准确的位置描述，采用卷积神经网络和SVM分类器对水下目标进行分类并表示出目标属于某个物体类别的得分，最后使用线性回归模型得到每个类别的位置修正后的目标建议窗口。

为达到上述目的，本发明提供的一种基于赋范梯度特征与卷积神经网络的水下目标检测方法，包括以下步骤：

步骤1：实现基于赋范梯度特征的水下目标候选区域提取：

步骤1-1：用矩形将水下目标图像训练数据集中每幅图像包含的目标框定，矩形的上边框与图像的上边缘平行，并与目标在图像中所处区域的最高像素点相交，矩形的下边框与目标在图像中所处区域的最低像素点相交，矩形的左边框与目标在图像中所处区域的最左像素点相交，矩形的右边框与目标在图像中所处区域的最右像素点相交；将该矩形框定的图像区域定义为目标采样窗口；

步骤1-2：将步骤1-1中得到的目标采样窗口中的目标按照物品种类分类，总类别数记为P；