[发明专利]一种水下无人机目标性实时监测方法

权利要求书

1.一种水下无人机目标性实时监测方法，其特征为，包括如下步骤：

步骤1

系统初始化：将水下无人机放置监测环境，确定监测目标具体位置坐标，通过两次二维化立体环境框取XY值并求最优解大小作为核窗的宽度h₀，对监测目标数据进行概率密度建模，

其中，C是归一化常数,

(x_i)_i＝1,...,N是一立体区域第i点的目标位置监测的最优解，确定K(x)为Epanechnikov核轮廓函数，克罗内克函数为δ，其作用是判断处于位置x_i的监测数值是否属于特征空间中的第u个bin，函数b的作用是将x_i位置处的最优解与该最优解在量化的特征空间中所属的bin值对应起来，计算目标周围邻域的背景直方图bg，将预先在水下无人机上的深度学习模型用Xavier方法初始化参数，

步骤2

步骤21.出于对监测数据可信度与准确度的考虑，在监测位置建立候选目标模型，其中y表示监测目标数据的候选值；

步骤22.计算原最优解与候选值之间背景比率权重ρ作为两个向量之间的Bhattacharyya系数的样本估计的衡量，也就是衡量原模型和候选目标模型的相似程度，如果不符合收敛条件，则通过计算得到Mean-Shift向量其中，W_i表示权重，

是所选用的核函数，轮廓函数为g(x)，并将监测目标监测值进行调整，以此为基础开始下一次数据监测和更新，直到符合收敛条件为止，以此可以得到该监测坐标监测数据的最终值；

及对应的尺度

如果|log(r)|＞θ_s，其中θ_s＝0.10，进行尺度估计检测，[～,r_back]＝MS(q,image_t-1,y_t,rh_t-1)，

如果|log(r*r_back)|＞θ_c，θ_c＝0.2

h_t＝(1-α-β)h_t-1+αh₀+βrh_t-1，其中，

β＝0.1，γ＝0.3，c₁＝0.1，否则，h_t＝(1-γ)h_t-1+γrh_t-1，γ＝0.3；

步骤3

如果在限定监测值更新次数内始终无法满足收敛条件，则在上一坐标水域中目标物体的位置周围采样一定数量，一定范围内坐标、尺度为h_t-1的极限坐标值，输入深度学习模型，取其中具有最高置信度的极限坐标值数据作为预测数据样值，重复步骤22过程，计算新的监测数据及对应尺度，

步骤4

重复步骤2和步骤3直到极限坐标值接近整体立体水域。

2.根据权利要求1所述的水下无人机目标性实时监测方法，其特征在于，步骤1中，在立体水域中，手动确定监测目标水域坐标。