[发明专利]一种基于机器学习的水下目标识别方法

权利要求书

1.一种基于机器学习的水下目标识别方法，其特征在于，包括：

步骤1、对水下目标图像进行预处理，对图像进行retinex复原得到输入图像；

步骤2、通过不同层之间采用不同大小尺度的卷积盒进行卷积得到不同尺度的特征图；

步骤3、根据步骤二得到的特征图进行回归，对每一个特征图进行归一化处理，再通过不同尺寸的检测器和分类器进而得到不同尺度和具有偏移量的defualt box；

步骤4、通过NMS抑制算法得到最终的结果。

2.根据权利要求1所述的一种基于机器学习的水下目标识别方法，其特征在于：所述的步骤2中采用区域选择算法中RPN计算得到的区域结果，根据不同的尺度进行划分得到不同尺寸的特征图，然后利用RPN卷积核对其上区域进行移动并得到该区域的置信度值，通过不断的移动不同尺度的defualt box得到一个具有置信度的矩阵。

3.根据权利要求1所述的一种基于机器学习的水下目标识别方法，其特征在于：所述的步骤3中defualt box的宽和高为：

其中和分别为defualt box的宽和高，尺度采用a_r∈{1,2,1/2,3,1/3}，为不同层的尺度，其中m为个数，默认的尺度是通过m个各不相同的尺度特征图预测来完成，S_min为最小的尺度，S_max为最大的特征图的尺度。

4.根据权利要求1所述的一种基于机器学习的水下目标识别方法，其特征在于：所述的步骤3中选择框的中心位置为：

其中x和y分别表示横框、纵轴中心点，|f_k|表示第k张特征图尺度，i.j∈[0,|f_k|]。

5.根据权利要求1所述的一种基于机器学习的水下目标识别方法，其特征在于：所述的步骤4中NMS抑制的方法包括

步骤4.1：将矩阵中元素根据conf大小进行排列；

步骤4.2：根据步骤4.1中计算的结果从大到小的顺序对所有交叉区域进行IoU计算，并设定Th值，按次序分别于IoU对比，根据其大小进行分类与划归；

步骤4.3：在列的第二大框位置重新回到步骤4.2执行；

步骤4.4：重复执行步骤4.3，至到此列所有defualt box执行完毕；

步骤4.5：执行完对矩阵的遍历，即执行了所有类别的NMS；

步骤4.6：进行进一步剩余筛选，将最后所有剩余类别进行根据置信度进行选择。

6.根据权利要求1所述的一种基于机器学习的水下目标识别方法，其特征在于：所述的步骤4中整个模型的损失函数为

其中x用来判断设计的特征抓取盒是否有对应的目标，表示第i个盒是否与第p类物体的第j个目标边框相匹配，匹配为1，反之为0；若表示对于第j个目标边界框至少有一个盒与之匹配；N表示匹配和的数量；用来衡量识别的性能；用来衡量边界框预测性能；其中表示第j个目标的真实目标边框与特征抓取盒的边框之间的偏差，m∈{cx,cy,w,h}，其中(cx,cy)表示边框中心点坐标，(w,h)表示边框的宽和高。