[发明专利]群智能优化的水下激光多目标端到端自动识别系统

权利要求书

1.一种群智能优化的水下激光多目标端到端自动识别系统，其特征在于：包括依次相连的水下目标激光图像获取模块、群智能优化的水下激光多目标端到端自动识别系统、显示模块，其中，群智能优化的水下激光多目标端到端自动识别系统包含依次相连的水下激光图像数据库、预处理模块、水下激光多目标建模模块、群智能优化模块、水下激光多目标自动识别模块、水下目标识别输出模块；

所述水下激光多目标建模模块建立高准确度的水下激光多目标端到端自动识别模型，基于训练集自动学习如何提取有效特征并进行识别，模型的具体实现如下：

将水下激光图像输入VGG16网络提取特征图，采用RPN网络基于该特征图获取图像中多个目标的位置得到候选框，并通过过滤只保留与标签中候选框重合度大于90％的框，即认为有目标存在的框，其余的框都认为没有目标而舍弃，得到多个目标的位置框之后，将每个目标区域划分为8*8大小，每个小区域平分为4份，每一份通过双线性插值得到中心位置的值，取四个值的平均值作为该小区域的值，这样，就得到了多个大小为8*8的目标矩阵，每个矩阵看作一个样本，进行识别；

每个样本的分类结果是多个分类与回归树的结果组合：

其中是第i个样本的预测值，长度为M，每一个维度代表了是每个个体的概率，函数φ包含了所有分类树的参数，tree_k代表第k个分类树，K是所有分类树的个数，该模型要计算得到使得损失函数L(φ)最小：

Γ(tree)＝0.5γT+1.5λ||W||

其中是正则化项，表示树的复杂度，越小复杂度越低，该项中的γ、λ是正则化参数，T表示叶子结点的个数，W是分类树的叶子权重，是真实值与预测值之间的损失函数，采用下式计算：

其中是第i个样本第m维的预测值；

通过在训练集中根据最小化损失函数原则不断迭代更新分类树的参数构建出每类输入的模型，并在验证集中测试结果，以便通过人工修改机器学习的参数和叶子权重的计算参数，从而对模型进行优化；最终得到模型C；

所述群智能优化模块用于对参数γ和λ进行优化，以验证集的识别准确率为判别标准建立最优的模型，具体优化过程如下：

设初始化随机解的数量为p，则第o个解表示为χ_o＝[χ_o1,χ_o2]；

计算所有随机解在验证集的准确率，将该准确率值作为该解的适应度，对所有适应度排序后选出最优和最差值；

按照下式更新占比为20％的探索解的位置：

r₁,r₂,r₃是0-1间的随机数，t代表当前迭代次数，其他解按如下方式更新：

其中分别为第t次迭代第κ个变量的最优和最差的值，最后，从所有更新后的解中获得当前代最优值；

如果当前最优值比上一次迭代的最优值好的话就进行更新操作，否则不进行更新操作，不断迭代该过程直到更新停滞3代，最终得到全局最优解，从而建立最优模型。

2.根据权利要求1所述群智能优化的水下激光多目标端到端自动识别系统，其特征在于：水下激光图像数据库用以存放历史获取的所有水下激光目标图像及图像中包含的目标位置和类别信息，同时该模块会从激光图像获取装置实时更新新获取的水下激光图像，对于新获取的水下激光图像，需要人为标注图像中的目标位置和类别后存入数据库。