一种水面无人船实时目标检测计算方法   0    0

本发明公开了一种水面无人船实时目标检测计算方法。本发明将现在计算机视觉领域主流的目标检测算法进行融合，提高目标检测的速度和精度。本发明通过将现有的基于深度学习的目标检测算法进行融合改进然后应用到无人船水面物体识别，提高目标识别的准确度和精度。本发明在基于深度学习的目标检测模型的基础上，结合现有无人船的水面环境，采用模型融合来计算物体的位置和类别。相比较于传统的方法，本发明更加的准确高效，并且抗干扰能力强，最终可以实时高效的检测出水面物体。本发明具有开放性、灵活性等特点。

1.一种水面无人船实时目标检测计算方法，其特征在于该方法包括以下步骤：
步骤1：获取基础数据，其中包括水面物体的类别、数量、物体的位置描述和物体状态描述；
步骤2：数据清洗以及样本预处理；
步骤3：设计训练SSD网络；
①对VGG网络进行一部分删减，主干网络每一层统一修改为原来的二分之一；主干网络中去掉卷积3，4，5层的中间层，去掉最后一层的全连接层；
然后利用处理后的SSD网络计算目标的位置，类别和置信度，其中目标的位置指的是目标物体框在图片中的位置，有四个参数x，y，w，h，分别表示目标物体框的左上角坐标，以及物体框的高度和宽度；
②根据标注信息设置不同提取框的特征层的长宽比aspect_ratio；
③生成用于训练的1mdb格式；
④设置总体的损失函数；
⑤送入样本进行训练，使用Caffe‑SSD进行训练，得到训练模型；
⑥将测试图片送入训练好的模型，通过非极大值抑制算法得到物体的位置，类别和置信度；
步骤4：设计训练Faster‑RCNN网络，采用Faster‑RCNN网络得到目标物体框的位置，类别和置信度；
步骤5：融合得到目标准确位置；
采用基于轮廓的卡尔曼滤波算法，对步骤3和步骤4输出的结果进行融合，得到更为准确的目标位置，具体是：
采用SSD网络输出的结果作为预测值，Faster‑RCNN网络输出的结果作为观测值，系统的状态表示为：
X＝[lx，ly，rx，ry，Δlx，Δly，Δrx，Δry]
其中元素lx，ly，rx，ry分别表示预测框的左上角和右下角坐标；Δlx，Δly，Δrx，Δry为两帧图像之间像素点的移动值；
假设噪声为高斯白噪声，服从标准正态分布，则有如下系统状态方程：
X′(k)＝AX(k‑1)+W(k‑1)
其中A为状态转移矩阵，W(k‑1)为输入噪声；
先验协方差表示为：
P′(k)＝AP(k‑1)A′+Q
当k＝1时，P(0)设置为：
Q是系统过程的协方差，设置为：
接下来计算卡尔曼增益：
其中
H为状态到观测的转换矩阵；
得到卡尔曼增益后，那么最优系统状态应为：
X(k)＝X′(k)+Kg(k)(Z(k)‑HX′(k))
其中Z(k)是观测值；
接下来更新X(k)的协方差，更新公式为：
P(k)＝(I‑Kg(k)H)P′(k)
通过卡尔曼滤波算法融合了两种结果，不断更新得到当前目标位置的准确信息，即目标检测框的x，y，w，h。

2.根据权利要求1所述的一种水面无人船实时目标检测计算方法，其特征在于：步骤2中采用的数据是开源的Singapore Maritime Dataset，从中选取了100000张图片，其中
60000张图片用来做训练集，30000张图片用来做验证集，剩下的1000张图片用于做测试集，所有的图片统一调整到300*300的大小，并且按照VOC数据的格式生成标注文件。

3.根据权利要求1所述的一种水面无人船实时目标检测计算方法，其特征在于：所述的损失函数表达式为：
其中，c，1，g，x分别表示属于某个类别的概率，预测框，真实框，以及预测框与真实框匹配的标记；N表示与标注框匹配的数量；Lloc(x，l，g)为定位损失函数；Lconf(x，c)表示分类损失函数，α表示权重。