[发明专利]一种基于机器学习的水下目标识别方法

说明书

一种基于机器学习的水下目标识别方法，属于水下机器视觉检测处理技术领域。水下目标识别算法核心是SSD目标检测算法，采用前馈卷积网络结构，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，再根据特征图进行回归最终通过非极大值抑制算法得到结果，SSD算法采用多尺度及锚点方式解决区域建议的低精度问题，采用多尺度的特征向量，极大的提高了对小目标和大目标兼具的良好效果，对整体的识别准确率提高有很大帮助，能获得更加精准的位置信息。通过非极大值抑制算法不仅能实现目标物的检测，而且能够极大提高水下目标的识别准确度，为水下机器人进行水下目标观察和操作提供有效视觉信息，提高了水下目标的智能化识别能力。

技术领域

本发明属于水下机器视觉检测技术领域，具体涉及一种基于机器学习的水下目标识别方法。

背景技术

海洋覆盖地球绝大部分面积，拥有着极大的资源和奥秘。近现代以来，随着海洋装备研发技术的进步，人类开始进一步的认识和开发海洋资源，世界各个国家和地区都开始不遗余力的进行海洋装备的研发和水下资源开采。我国拥有近2万公里的海岸线，同时沿海经济海域有着丰富的海洋资源，拥有很好的海洋开发条件和很高的需求，计算机视觉设备作为水下传感设备之一，越来越多的被投入海洋探测当中。其完整的视觉体系涵盖光学、计算机科学控制理论等诸多学科及技术，已经广泛搭载于水下探测、作业和载人设备，其中基于视觉的水下跟踪识别技术有着非常重要的研究价值。

水下机器人配备视觉设备能更好的感知水下环境，同时单目的安装可以给水下设备节省更多空间，这为水下设备精密及机动作业提供有效的条件。本发明相关研究意在为水下设备作业，水下机器人避障、路径规划等提供目标和空间信息，因此水下单目视觉技术有着切实研究和实际应用价值。

目前水下目标识别算法的主要不足在于：

首先，目前的水下视觉检测的精度不够，传统的识别算法对于目标的定位精度不够，因此，就会对目标物检测造成很大的影响，在定位中发现，定位精度呈现震荡式收敛并贯穿整个过程，这就造成了水下成像的模糊，对目标物的识别精度产生影响。

现在基于机器学习的算法主要分为两种，一种为two-stage方法如R-CNN，一种为one-stage，SSD属于后者，相比于Yolo，SSD算法在准确度和速度上都比其好很多。相比Yolo，SSD采用CNN来直接进行检测，而不是像Yolo那样在全连接层之后做检测。其实采用卷积直接做检测只是SSD相比Yolo的其中一个不同点，另外还有两个重要的改变，一是SSD提取了不同尺度的特征图来做检测，大尺度特征图(较靠前的特征图)可以用来检测小物体，而小尺度特征图(较靠后的特征图)用来检测大物体；二是SSD采用了不同尺度和长宽比的先验框(Prior boxes,Default boxes，在Faster R-CNN中叫做锚，Anchors)。Yolo算法缺点是难以检测小目标，而且定位不准，但是这几点重要改进使得SSD在一定程度上克服这些缺点。

相比于传统CNN，神经网络,即有输入层、输出层和多个隐含层的网络,属于机器学习的一个子领域。主要的原理是将训练的数据,进入了输入层之后,经过多个隐含层的处理,经过大量的训练,以将输入的某些特征提取出来,并运用这个模型在实际中进行分类或者预测。传统的方法在水下目标识别中存在几个问题,如处理速度慢,识别率不高等。

引入了SSD，一种用于多个类别的单射探测器，它比以前用于单射探测器(yolo)等最先进的速度更快，与faster-Rcnn等识别网络相比有相似的准确度，但速度上更快。SSD的核心是使用应用于特征图的小卷滤波器来预测一组默认包围框的类别分数和框偏移量。这些设计特点导致了简单的端到端训练和高精度，即使在低分辨的输入图像，能够满足水下环境中图像不清晰，分辨率低的情况，进一步提高速度与准确性的权衡。

发明内容

本发明的目的在于提供一种基于机器学习的水下目标识别方法，能够更加精确的检测水下目标信息。

本发明的目的是这样实现的：