[發明專利]一種基于退化先驗的水下目標檢測方法

在審

• 申請號: 202011560980.2
• 申請日: 2020-12-25
• 公開（公告）號: CN112597906A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 錢曉琪;劉偉峰;李建寧;楊豪杰
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06T5/50;G06T7/55
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱亞冠

1.一種基于退化先驗的水下目標檢測方法，其特征在于，該方法具體是：

步驟(1)搜集整理圖像數據；

圖像數據包括：多張真實水下圖像；PASCAL VOC07通用目標檢測數據集；水下目標檢測數據集，并且標注目標物類別和坐標信息；

步驟(2)估計光照；

(2.1)將每張真實水下圖像下采樣至n×n大小的圖像；

(2.2)下采樣后的圖像選擇n′×n′的滑窗，計算每個滑窗內三個通道的像素最大值，得到光照向量A：A＝[max(R(Ω)),max(G(Ω)),max(B(Ω))]；其中，R、G、B表示圖像的三個通道，Ω表示滑窗覆蓋的區域；

(2.3)歸一化處理，得到光照向量A的估計光照向量集合A^*；

步驟(3)采用單目估計方法估計得到PASCAL VOC07通用目標檢測數據集中所有圖像的深度圖，并用導向濾波優化；

步驟(4)將PASCAL VOC07通用目標檢測數據集中的每張圖像合成為水下圖像：

(4.1)選出待合成圖像對應的深度圖；

(4.2)從估計光照向量集合A^*中隨機選取一個光照向量A；

(4.3)合成水下圖像：其中，I表示合成的水下圖像，c表示圖像的三個通道，i表示像素位置；J表示PASCAL VOC07通用目標檢測數據集中的圖像，d為與之對應的深度圖；β是光照衰減系數；

步驟(5)構建特征增強模塊；

特征增強模塊由三個結構相同的空間通道注意力殘差塊構成；每個空間通道注意力殘差塊具體結構為一個3×3卷積層后緊跟兩個分支和一個空間注意力機制；

第一分支是一個通道注意力機制，由全局平均池化層、1×1卷積層、1×1卷積層、非線性激活層順序連接而成；

第二分支是一個3×3卷積層；

空間注意力機制由3×3卷積層、非線性激活層順序連接而成；

兩個分支的輸出相乘后輸入空間注意力機制，第二分支的輸出和空間注意力機制的輸出相乘后再和空間通道注意力殘差塊的輸入相加，作為空間通道注意力殘差塊的輸出；

步驟(6)訓練特征增強模塊：

首先將檢測任務主干網絡淺層部分與特征增強模塊連接，并固定檢測任務主干網絡淺層部分的參數；然后使用PASCAL VOC07通用目標檢測數據集的驗證集部分和與之對應的合成水下圖像進行訓練；

訓練時，PASCAL VOC07通用目標檢測數據集的圖像經過檢測任務主干網絡淺層部分，得到清晰特征y_GT；與之對應的合成水下圖像經過檢測任務主干網絡淺層部分和特征增強模塊后得到增強特征y；

訓練使用的損失函數為包含均方誤差和平均絕對誤差的混合損失函數Loss，訓練完畢后保存得到的參數；

步驟(7)在合成水下圖像上訓練檢測任務主干網絡，將訓練得到的特征增強模塊嵌入訓練后的檢測任務主干網絡，固定檢測任務主干網絡淺層部分的參數和特征增強模塊的參數，只更新檢測任務主干網絡中特征增強模塊后面部分的主干網絡參數；

訓練檢測任務主干網絡使用的損失函數包含分類損失和坐標損失兩部分；

保存訓練后檢測任務主干網絡的所有參數；

步驟(8)在水下目標檢測數據集上微調檢測任務主干網絡；

將在合成水下圖像上訓練得到的檢測任務主干網絡，在目標檢測數據集上進行微調訓練；微調時，固定檢測任務主干網絡淺層部分的參數和特征增強模塊的參數，只更新檢測任務主干網絡中特征增強模塊后面部分的主干網絡參數；

保存訓練后檢測任務主干網絡的所有參數；

步驟(9)將訓練后檢測任務主干網絡的參數加載到對應的目標檢測主干網絡中，然后輸入待檢測的圖像，主干網絡即輸出待檢測目標物的坐標和類別信息。

2.如權利要求1所述的一種基于退化先驗的水下目標檢測方法，其特征在于：圖像數據包括100～200張真實水下圖像。

3.如權利要求1所述的一種基于退化先驗的水下目標檢測方法，其特征在于：步驟(2)下采樣圖像大小中n＝50～100，滑窗大小中n′＝5～10。