[發(fā)明專(zhuān)利]一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910932848.0
• 申請(qǐng)日: 2019-09-29
• 公開(kāi)（公告）號(hào): CN110781924B
• 公開(kāi)（公告）日: 2023-02-14
• 發(fā)明（設(shè)計(jì)）人: 王宏健;高娜;陳濤;肖瑤;阮力;李本銀
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明提供一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法，利用原有的聲納圖像進(jìn)行數(shù)據(jù)增廣，獲得模型訓(xùn)練和測(cè)試所需的樣本集；對(duì)樣本集中的每幅圖像的海底地形的邊緣區(qū)域進(jìn)行人工標(biāo)注，區(qū)分目標(biāo)和背景，獲得模型訓(xùn)練和測(cè)試標(biāo)簽圖；構(gòu)建FCNs模型；將海底地形圖像及對(duì)應(yīng)的標(biāo)簽圖輸入網(wǎng)絡(luò)，采用帶動(dòng)量項(xiàng)的小批量梯度下降法訓(xùn)練網(wǎng)絡(luò)，保存最優(yōu)網(wǎng)絡(luò)模型；對(duì)比隨機(jī)梯度下降法與小批量梯度下降法下網(wǎng)絡(luò)的收斂性、穩(wěn)定性；對(duì)地形邊緣輪廓特征提取并輸出特征提取結(jié)果，對(duì)結(jié)果進(jìn)行定性評(píng)價(jià)。本發(fā)明方法無(wú)需復(fù)雜的預(yù)處理，聲納特征特征提取方法速度快、效率高，具有較強(qiáng)的抗散斑噪聲的能力；提高了網(wǎng)絡(luò)的性能，確保了FCNs各個(gè)網(wǎng)絡(luò)模型的收斂性和穩(wěn)定性。

技術(shù)領(lǐng)域

本發(fā)明屬于聲納圖像特征提取領(lǐng)域，具體涉及一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法。

背景技術(shù)

由于海洋環(huán)境的特殊性，在海底目標(biāo)的探測(cè)、海洋礦產(chǎn)資源的勘探以及海洋調(diào)查中，聲納相對(duì)于光學(xué)攝像而言，是水下探測(cè)最有效的傳感器。側(cè)掃聲納系統(tǒng)誕生于上個(gè)世紀(jì)50年代末期，目前已被廣泛應(yīng)用于水下軍事目標(biāo)的跟蹤和識(shí)別、海底礦產(chǎn)資源的勘探和開(kāi)發(fā)、海底地形圖的自動(dòng)繪制、魚(yú)群探測(cè)以及海底自然環(huán)境的調(diào)查等眾多領(lǐng)域。為準(zhǔn)確高效的完成特定任務(wù)，往往需要對(duì)聲納圖像中的目標(biāo)進(jìn)行特征提取。然而，由于成像機(jī)理以及復(fù)雜海洋環(huán)境的影響，聲納圖像所受干擾噪聲要比光學(xué)圖像強(qiáng)的多；

且像素灰度主要分布在低灰度區(qū)，對(duì)比度較低；另外，側(cè)掃聲納圖像的成像分辨率較低，且往往目標(biāo)邊緣模糊、輪廓不連續(xù)。這些特點(diǎn)導(dǎo)致聲納圖像海底地形的邊緣輪廓特征提取極為困難，傳統(tǒng)的特征提取技術(shù)大都是針對(duì)具體問(wèn)題的，泛化性較差，步驟復(fù)雜，計(jì)算量較大，特征提取效果的優(yōu)劣受圖像去噪效果的直接影響，抗散斑噪聲的能力較差。

在本世紀(jì)初深度學(xué)習(xí)方法及神經(jīng)網(wǎng)絡(luò)模型優(yōu)化方法層出不窮，應(yīng)用深度學(xué)習(xí)技術(shù)進(jìn)行水下目標(biāo)特征的自動(dòng)提取已經(jīng)成為水聲領(lǐng)域的研究熱點(diǎn)，對(duì)于聲識(shí)別、信號(hào)識(shí)別以及圖像識(shí)別具有借鑒與參考意義。目前，研究人員已經(jīng)將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于側(cè)掃聲納的圖像處理中，利用卷積神經(jīng)網(wǎng)絡(luò)AlexNet提取聲納圖像的目標(biāo)特征，然后通過(guò)支持向量機(jī)(SVM)對(duì)目標(biāo)特征進(jìn)行分類(lèi)。但是，使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)特征提取時(shí)，CNN需要固定尺寸的圖像輸入，所以需要將原始圖像分割成大量的圖像塊作為網(wǎng)絡(luò)的輸入，導(dǎo)致計(jì)算效率較低，網(wǎng)絡(luò)不能充分利用圖像中上下文之間的聯(lián)系；網(wǎng)絡(luò)結(jié)構(gòu)與輸入數(shù)據(jù)嚴(yán)格相關(guān)，且不能直觀的輸出所提取到的特征信息，不利于廣泛應(yīng)用。有研究人員提出了基于帶有相對(duì)損失函數(shù)(RLF)的FCN模型(FCN-RLF)，用于小型潛艇聲納圖像分割，該方法改進(jìn)了傳統(tǒng)的均方誤差損失函數(shù)，實(shí)現(xiàn)了聲納圖像像素級(jí)分割。雖然該文獻(xiàn)的方法相對(duì)于使用均方誤差損失函數(shù)的FCN網(wǎng)絡(luò)(FCN-MSE)提高了分割精度，但該網(wǎng)絡(luò)只利用了第5池化層的特征信息，在最后一個(gè)卷積層之后利用反卷積層直接將得到的預(yù)測(cè)圖恢復(fù)到了原圖尺寸，并沒(méi)有利用跳層結(jié)構(gòu)融合淺層的細(xì)節(jié)信息，這樣得到的結(jié)果較粗糙，在測(cè)試集上的mean IU只有62.69％，分割性能有待提高。

基于以上分析，本發(fā)明提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法，該方法基于跳層結(jié)構(gòu)構(gòu)建了能夠有效融合深層與淺層特征信息的FCN網(wǎng)絡(luò)，保留了更多的海底地形輪廓的細(xì)節(jié)信息；利用帶動(dòng)量項(xiàng)的小批量梯度下降算法優(yōu)化網(wǎng)絡(luò)參數(shù)，針對(duì)FCN三個(gè)不同的網(wǎng)絡(luò)結(jié)構(gòu)，分別采用不同的批量大小完成了整個(gè)網(wǎng)絡(luò)的訓(xùn)練，得到了準(zhǔn)確的聲納圖像海底地形輪廓特征提取結(jié)果，該訓(xùn)練方法確保了訓(xùn)練過(guò)程中損失函數(shù)的收斂性，減小震蕩，提高了網(wǎng)絡(luò)的性能；另外，本發(fā)明方法無(wú)需復(fù)雜的預(yù)處理，克服了傳統(tǒng)聲納特征特征提取方法速度慢、效率低的缺點(diǎn)，具有較強(qiáng)的抗散斑噪聲的能力；同時(shí)，該方法克服了傳統(tǒng)的CNN網(wǎng)絡(luò)架構(gòu)與輸入圖像尺寸嚴(yán)格相關(guān)的缺點(diǎn)，有利于廣泛應(yīng)用。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法，克服傳統(tǒng)的人工特征提取技術(shù)速度慢、效率低以及抗散斑噪聲能力差等缺陷，提出一種無(wú)需復(fù)雜圖像預(yù)處理的聲納圖像自動(dòng)特征提取技術(shù)。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：