[發(fā)明專利]一種水下復(fù)合傳感器目標(biāo)自動(dòng)檢測算法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011199650.5
• 申請(qǐng)日: 2021-02-07
• 公開（公告）號(hào): CN112556682B
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 張哲;董天奇;劉利釗
• 申請(qǐng)（專利權(quán)）人: 天津藍(lán)鰭海洋工程有限公司
• 主分類號(hào): G01C21/00
• 分類號(hào): G01C21/00;G06V10/764;G06F18/214;G06N3/0464;G06N3/082
• 代理公司: 天津企興智財(cái)知識(shí)產(chǎn)權(quán)代理有限公司 12226
• 代理人: 李彥彥

本發(fā)明提供了一種水下復(fù)合傳感器目標(biāo)自動(dòng)檢測算法，包括以下步驟：采用LQTask?R?CNN學(xué)習(xí)對(duì)水下映射環(huán)境中目標(biāo)坐標(biāo)進(jìn)行檢測和定位；引入隨機(jī)偏導(dǎo)下降算法、TRD模型訓(xùn)練技巧和區(qū)塊歸一化算法；引入隨機(jī)偏導(dǎo)下降算法用于優(yōu)化網(wǎng)絡(luò)參數(shù)；引入TRD模型訓(xùn)練技巧用于避免過擬合；引入?yún)^(qū)塊歸一化算法用于加快訓(xùn)練速度。本發(fā)明所述的一種水下復(fù)合傳感器目標(biāo)自動(dòng)檢測算法采用LQTask?R?CNN學(xué)習(xí)對(duì)復(fù)合傳感器探測到的水下映射環(huán)境數(shù)據(jù)中存在的目標(biāo)進(jìn)行自動(dòng)檢測準(zhǔn)確位置和分割目標(biāo)數(shù)據(jù)的處理；引入隨機(jī)偏導(dǎo)下降算法優(yōu)化網(wǎng)絡(luò)參數(shù)、TRD模型訓(xùn)練技巧避免過擬合、以及區(qū)塊歸一化算法加快訓(xùn)練速度，從而得到水下復(fù)雜環(huán)境中能夠準(zhǔn)確檢測并且分割出目標(biāo)的網(wǎng)絡(luò)模型。

技術(shù)領(lǐng)域

本發(fā)明屬于水下復(fù)合傳感器探測領(lǐng)域，尤其是涉及一種水下復(fù)合傳感器目標(biāo)自動(dòng)檢測算法。

背景技術(shù)

隨著成像復(fù)合傳感器系統(tǒng)的不斷發(fā)展和完善,以及水下智能機(jī)器人的出現(xiàn),開展基于水下復(fù)合傳感器的自主目標(biāo)檢測與識(shí)別技術(shù)的研究,在軍事和民用領(lǐng)域都具有重要的意義和價(jià)值。通過在復(fù)合傳感器數(shù)據(jù)的預(yù)處理中對(duì)復(fù)合傳感器數(shù)據(jù)特征的分析,得知復(fù)合傳感器數(shù)據(jù)普遍噪聲污染嚴(yán)重。

基于此,對(duì)水下復(fù)合傳感器數(shù)據(jù)的空間域去噪和頻率域去噪方法進(jìn)行了分析與實(shí)驗(yàn)。著重將基于多分辨率的高斯金字塔濾波方法應(yīng)用于復(fù)合傳感器數(shù)據(jù)的預(yù)處理中,取得了一定的效果。

在復(fù)合傳感器數(shù)據(jù)的海底混響區(qū)服從Gamma分布的情況下,通過一種快速有效的高斯金字塔模型對(duì)復(fù)合傳感器數(shù)據(jù)進(jìn)行預(yù)處理,使得處理后的復(fù)合傳感器數(shù)據(jù)的海底混響區(qū)服從高斯分布，在此基礎(chǔ)上構(gòu)造了一個(gè)自動(dòng)確定復(fù)合傳感器數(shù)據(jù)分類個(gè)數(shù)的模型，并通過該模型結(jié)合一種局部能量極值化的方法對(duì)馬爾科夫模型的初始化參數(shù)進(jìn)行估計(jì),從而形成一種完全自動(dòng)的復(fù)合傳感器數(shù)據(jù)分割模型。張?jiān)频葘?duì)基于類Haar特征的目標(biāo)檢測方法也進(jìn)行了相應(yīng)地研究，針對(duì)BlueView前視復(fù)合傳感器目標(biāo)檢測方法中同一檢測算法不能適用于所有幀的目標(biāo),而使得某些幀的數(shù)據(jù)目標(biāo)有漏檢的情況。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明旨在提出一種水下復(fù)合傳感器目標(biāo)自動(dòng)檢測算法，維持了水下映射環(huán)境真實(shí)性的同時(shí)，算法模型快速收斂性也有了大幅的提高。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種水下復(fù)合傳感器目標(biāo)自動(dòng)檢測算法，包括以下步驟：

采用LQTask?R-CNN學(xué)習(xí)對(duì)水下映射環(huán)境中目標(biāo)坐標(biāo)進(jìn)行檢測和定位；

引入隨機(jī)偏導(dǎo)下降算法、TRD模型訓(xùn)練技巧和區(qū)塊歸一化算法；

引入隨機(jī)偏導(dǎo)下降算法用于優(yōu)化網(wǎng)絡(luò)參數(shù)；引入TRD模型訓(xùn)練技巧用于避免過擬合；引入?yún)^(qū)塊歸一化算法用于加快訓(xùn)練速度。

進(jìn)一步的，還包括帶數(shù)據(jù)分割的高精度水下目標(biāo)檢測方法，采用LQTask?R-CNN學(xué)習(xí)對(duì)水下映射環(huán)境中目標(biāo)坐標(biāo)進(jìn)行檢測和定位包括：

LQTask?R-CNN基本結(jié)構(gòu)：與Faster?RCNN采用了相同的two-state步驟：

首先是找出RPN，然后對(duì)RPN找到的每個(gè)RoI進(jìn)行分類、定位、并找到binary?mask；其中，LQTask?R-CNN的損失函數(shù)：L＝L_cls+L_bor+L_mask。

進(jìn)一步的，引入隨機(jī)偏導(dǎo)下降算法的方法為：

依據(jù)訓(xùn)練集，選取最優(yōu)的θ，用于在訓(xùn)練集中讓h(x)盡可能接近真實(shí)的值；

定義損失函數(shù)，用于表示h(x)和真實(shí)的值之間的差距，損失函數(shù)表達(dá)式如下；