[發(fā)明專利]一種高準確率高敏捷性的水下激光目標識別儀

有效

• 申請?zhí)枺?/td>: 202110025072.1
• 申請日: 2021-01-08
• 公開（公告）號: CN112946682B
• 公開（公告）日: 2023-03-03
• 發(fā)明（設計）人: 廖屹琳;范軍;王文海;盧建剛;陳金水;劉興高
• 申請（專利權）人: 浙江大學
• 主分類號: G01S17/89
• 分類號: G01S17/89;G06V10/50;G06V10/774;G06V10/764;G06N20/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種高準確率高敏捷性的水下激光目標識別儀，包括激光探測器、數(shù)據(jù)庫以及上位機，激光探測器、數(shù)據(jù)庫和上位機依次相連，其特征在于：所述上位機由數(shù)據(jù)預處理模塊、特征提取模塊和分類模塊依次相連組成；所述激光探測器對所檢測水域進行探測，并將帶有噪聲的激光數(shù)據(jù)存儲到所述的數(shù)據(jù)庫，數(shù)據(jù)預處理模塊對存儲在數(shù)據(jù)庫中的激光探測器采集到的灰度圖像進行預處理；特征提取模塊搭建無監(jiān)督自動編碼網絡來提取經過數(shù)據(jù)預處理模塊處理過的圖像的特征向量；分類模塊根據(jù)特征提取模塊提取出的特征向量對圖像進行分類；

數(shù)據(jù)預處理模塊，采用如下過程完成：

(2.1)從數(shù)據(jù)庫中采集N個帶有噪聲的激光灰度圖像作為訓練樣本，其中S^*表示帶有噪聲的激光灰度圖像矩陣，分別表示第1,2,...,N個帶有噪聲的激光灰度圖像；

(2.2)對訓練樣本的灰度直方圖進行均衡化處理，公式如下：

其中，x_ig表示第i個樣本的第g個灰度均衡化后的結果，R表示圖像像素的行數(shù)，C表示圖像像素的列數(shù)，r_j表示第j個灰度，n_j表示當前圖像中灰度為r_j的像素的個數(shù)，p_r(·)表示概率分布，T(·)表示直方圖均衡化變換，L表示圖像的灰度數(shù)量；灰度直方圖進行均衡化處理后的圖像為S＝{x₁,x₂,...,x_N}，其中S表示灰度直方圖進行均衡化處理后的激光灰度圖像矩陣，x₁,x₂,...,x_N分別表示第1,2,...,N個灰度直方圖進行均衡化處理后的激光灰度圖像；

特征提取模塊，采用如下過程完成：

(3.1)搭建上述網絡的各個子網絡：

Y_i＝σ(W_i1·X_i+b)

X′_i＝σ(W_i2·Y_i+b^T)

Loss_i＝J(X_i,X′_i)

其中，X_i表示第i個子網絡的輸入，Y_i表示第i個子網絡的隱含層，W_i1表示第i個子網絡連接輸入層和隱含層的權重，b表示第i個子網絡輸入層和隱含層之間的偏置；X′_i表示第i個子網絡的輸出，W_i2表示第i個子網絡連接隱含層和輸出層的權重，b^T表示第i個子網絡隱含層的輸出層之間的偏置，Loss_i表示第i個子網絡的損失函數(shù)，J(·)表示損失函數(shù)，σ(·)表示激勵函數(shù)，W_i表示該子網絡里的所有權重，L_sub表示子網絡的個數(shù)；

(3.2)訓練上述各個子網絡，搭建總的無監(jiān)督自動編碼網絡，包括以下子步驟：

(3.2.1)把灰度直方圖均衡化處理后的圖像S＝{x₁,x₂,...,x_N}作為第一個子網絡的輸入，并用梯度下降法訓練此子網絡；

(3.2.2)把訓練好的第i-1個子網絡的隱含層作為第i個子網絡的輸入，并用梯度下降法訓練第i個子網絡，i＝2,3,...,L_sub；

(3.2.3)第L_sub個子網絡的隱含層作為最終提取出的特征向量X＝{x¹,x²,...,x^N}；

x¹,x²,...,x^N分別表示x₁,x₂,...,x_N的特征向量，X表示特征向量矩陣；

(3.2.4)網絡的輸出即為X＝{x¹,x²,...,x^N}；

分類模塊，采用如下過程完成：

(4.1)建立分類器，特征提取模塊提取出的特征向量X＝{x¹,x²,...,x^N}作為分類器的輸入，公式如下：

其中，θ表示分類器模型的參數(shù)，y表示決策層的輸出結果，j表示決策結果是第j個類別，θ_j表示第j個決策元的參數(shù)，θ_l表示第l個決策元的參數(shù)，p(·)表示概率，k表示決策層的決策元的個數(shù)；決策層的輸出為P_i＝{p_i1,p_i2,...,p_ik}，i＝1,2,...,N，N表示輸入圖像的個數(shù)；其中，p_i1,p_i2,...,p_ik分別表示第i個圖像屬于第1,2,...,k類的概率，P_i表示概率矩陣；

(4.2)分類器的分類結果，公式如下：

RE_i表示圖像x_i的分類結果，N表示輸入圖像的個數(shù)，k表示決策層決策元的個數(shù)；

(4.3)訓練分類器以得到分類器模型參數(shù)，分類器的損失函數(shù)如下：

其中，J(·)表示損失函數(shù)，y⁽ⁱ⁾表示訓練過程中對第i個圖像的識別結果，θ_j表示第j個決策元的參數(shù)，λ表示懲罰因子，n表示特征向量的維度，θ_ij表示連接分類器中連接特征向量第j個維度和第i個決策元的參數(shù)，N表示輸入圖像的個數(shù)，k表示決策層決策元的個數(shù)；分類器根據(jù)損失函數(shù)，采用梯度下降法進行訓練得到模型的參數(shù)；

所述特征提取模塊的各個子網絡的損失函數(shù)為：

其中，J_new(·)表示新的損失函數(shù)，KL(·)表示相對熵，β表示懲罰系數(shù)；ρ表示離散系數(shù)，表示隱藏神經元j的平均激活度；a_j(xⁱ)表示在輸入數(shù)據(jù)為xⁱ的情況下，隱藏神經元j的激活度；s表示隱藏神經元的個數(shù)；N表示輸入圖像的個數(shù)，k表示決策層決策元的個數(shù)；

所述上位機還包括：結果顯示模塊，用以將分類模塊的分類結果在上位機上顯示。