[发明专利]基于马尔科夫决策过程的水下声呐小目标检测方法

说明书

本发明提出一种基于马尔科夫决策过程的水下声呐小目标检测方法，该方法包含以下步骤：构建基于深度学习的多尺度目标检测模型，为特征金字塔网络设置动态融合权重系数，为损失函数中各尺度初始化权重系数；定义目标检测模型的状态空间S、状态转移概率P、奖励值R；定义动态特征融合的动作集合A和策略π；定义补偿尺度训练的动作集合A'和策略π'；开始训练，在每一时刻计算状态和奖励；根据所得概率对当前时刻的权重值进行更新；计算总体损失进行反向传播更新模型参数，直至训练结束，生成目标检测模型；本发明在水下声呐小目标检测任务中取得了良好的检测精度。

技术领域

本发明属于声呐图像处理领域，涉及一种基于马尔科夫决策过程的水下声呐小目标检测方法。

背景技术

合成孔径声呐(Synthetic Aperture Sonar，SAS)作为新式一种水下声成像设备，主要优点是它的空间分辨能力和测绘效率高。合成孔径声呐的水下目标识别率比传统声呐大大提高，可以减少探测平台出动的次数和探测的时间。同时，SAS可以在更低频段进行工作，大范围扫测效率高，可以探测出传统侧扫声呐难以发现的掩埋物。因此许多民用和军事船舶系统正广泛使用合成孔径声呐执行水下目标探测任务。随着大数据和人工智能相关技术的发展，目标检测算法在可见光图像上取得了杰出的效果。然而合成孔径声呐成像机理与彩色相机大为不同，且探测的目标相对于整张图像的面积占比微小，增大了目标检测的难度。

传统的声呐图像目标检测方法以手工提取特征为主。Palomeras等人提出了基于模板匹配的方法，利用人工设计的目标模板特征分别进行目标物的定位与分类；Dura等人提出了一种基于前景-阴影区域匹配对的方法，通过设计区域匹配对，有效地利用了声呐图像中前景目标与背景区域的纹理特征，能够在斑点噪声较小的条件下对声呐图像中的前景目标进行有效检测。除此之外还有通过边缘特征检测、HSV颜色分布直方图特征、梯度直方图特征、局部二值模式特征等进行声呐图像特征提取的方法。然而，以人工设计特征作为目标物判定标准的传统方法，无法利用声呐图像的深层语义特征进行识别。同时，传统的声呐图像目标检测方法的鲁棒性较低，容易受到斑点噪声的影响，对图像质量、目标尺度大小的要求较高，不具备泛化能力，难以适用于水下声呐小目标检测任务。

近年来，基于深度学习的目标检测算法迅速发展，可见光图像中的小目标检测问题在一定程度上得到了解决。深度神经网络提取层级特征，其中浅层的空间特征由于具有较小的感受野，更适用于目标的定位；深层的语义特征由于具有较大的感受野和更深层的语义信息，更有利于目标的分类。每一个层级的特征均对目标检测任务有重要意义，因此Lin等人设计了特征金字塔网络(Feature Pyramid Network，FPN)，将高层特征的语义信息逐级融合至底层特征，构造的金字塔特征用于多尺度目标检测。FPN提升了检测模型对小尺度目标的检测精度，已经成为了多尺度目标检测的模型范式。然而，直接将多尺度目标检测模型应用于水下合成孔径声呐图像小目标检测任务难以取得良好的效果。因此目前迫切需要提出一种方法，提升深度学习模型在水下声呐小目标检测任务中的精度。

发明内容

有鉴于此，本发明提供了一种基于马尔科夫决策过程的水下声呐小目标检测方法，能够利用深度神经网络直接提取声呐图像的相关特征进行自主目标检测，对目标背景的对比度和图像质量的要求不高，有助于提高检测精度，同时节省人力物力，所述方法包括：

步骤1：构建基于深度学习的目标检测模型，加载预训练模型和声呐图像数据集，初始化模型训练的初始参数；

步骤2：定义所述目标检测模型的状态空间S、状态转移概率P、奖励值R；

步骤3：定义动态特征融合的动作集合A和策略π，策略π依据概率决定在当前状态执行何种动作更新特征融合的参数；

步骤4：定义补偿尺度训练的动作集合A′和策略π′，策略π′依据概率决定在当前状态执行何种动作更新损失函数中各尺度的权重；