[发明专利]一种基于退化先验的水下目标检测方法

说明书

本发明公开了一种基于退化先验的水下目标检测方法。本发明方法针对目前基于卷积神经网络的通用目标检测算法在水下场景中检测精度下降严重这一现象而提出的。本发明是通过构建一个包含空间、通道注意力机制，并带有残差结构的特征增强模块对来自卷积神经网络浅层提取的水下图像退化特征做增强，从而提升通用目标检测算法在水下场景中的检测精度。本发明方法基于退化先验，将低质图像的退化特征尽可能映射到其对应清晰图像的特征，从可视化角度来看即，缩小两种特征的边距。本发明方法可以和目前主流的检测算法兼容，不需要专门设计网络结构。实验表明在少量数据时，检测效果尤为突出。

技术领域

本发明属于图像处理技术领域，涉及一种基于退化先验的水下目标检测方法。

背景技术

目标检测(Object Detection)需要检测并定位在图像或视频中存在的具有固定类别(如人、建筑、车等)的物体，其包括目标识别(Object Recognition)与目标定位(Object Localizing)两个目的。目标检测经常在视频处理中应用，这通常需要对其有实时性的要求。因此，目标识别成为了计算机视觉中最基本以及最具挑战性的问题之一。

随着Alex Krizhevsky等人提出的深度卷积神经网络(Deep ConvolutionalNeural Network,Deep CNN)在2012年的大规模图像识别竞赛——ILSVRC-2012中大放异彩，基于CNN的方法便迅速席卷了计算机视觉领域，它通过数据自发学习特征，不断刷新计算机视觉各个子方向的Benchmark。在目标检测方向中，基于CNN的目标检测方法可分为两类：单阶段目标检测算法和两阶段目标检测算法。单阶段目标检测算法可以通过匹配大量先验框来直接定位目标，这些先验框以不同的比例和比率在输入图像上进行密集采样。这种方法在效率上有很强的优势，但准确性通常较低。相反，两阶段检测算法可以通过首先生成候选区域，然后进一步计算分类分数和回归边界框来获得更准确的结果。

由于复杂的水下环境，水下成像经常会遇到诸如模糊，比例尺变化，颜色偏移和纹理变形等问题。此外，由于复杂的水底环境，使得水下图像的采集和标注成本极高，因此没有大规模的数据可以使用。受限于上述两点，当我们在水下场景中使用通用检测算法时，这些算法的效果往往都会大打折扣。

一个可行的方法是水下图像增强。对水下图像进行处理，缓解图像的色偏，提高对比度和可见度等，然后对增强后的水下图像使用通用检测算法。这种方法在是实践中被证明具有一定的作用，但是目前主流的水下图像增强算法也是基于卷积神经网络的，那么还是会受到数据采集的限制。此外图像增强是一个比较主观的过程，并且增强算法会引入其他干扰因素。

另一种可行的方法是针对水下场景的特殊性设计专门的网络结构。但是网络结构的设计对研究人员的要求很高，并且耗费大量硬件资源。

研究表明清晰图片和其对应的退化图片(比如有雾、低对比度、水下等)的特征表示之间存在两个重要关系：具有结构相似性的图像块在深度表示空间中具有均匀的分布，即使它们来自不同的图像；在相同退化条件下，清晰和退化图像中相应的结构相似图像块的特征分布具有均匀的边距。根据以上两点，清晰特征和退化特征之前应该存在一种近似映射关系，可以把退化特征近似映射到清晰特征。

发明内容

本发明针对现有水下目标检测技术的不足，提供一种基于退化先验的水下目标检测方法。通过观察大量低质图像和其对应的清晰图像后发现了它们特征之间的边距是均匀的，称之为退化先验。

本发明方法具体步骤如下：

步骤(1)搜集整理图像数据；

图像数据包括：N张真实水下图像；PASCAL VOC07通用目标检测数据集；水下目标检测数据集，并且标注目标物类别和坐标信息。进一步，N＝100～200。

步骤(2)估计光照；