[发明专利]基于密集连接卷积网络超球体嵌入的目标重识别方法

说明书

本发明提供了一种基于密集连接卷积网络超球体嵌入的目标重识别方法，首先依密级连接卷积网络DenseNet提取视频序列中水下形变目标特征，大幅度减轻梯度消失、强化特征传播、支持特征重用和参数学习过程，然后从细粒度分类角度，由局部整合到全局，以分组平均池化思想精炼提取水下形变目标各级特征，获得更为精准的水下形变目标特征表达能力，以超球体损失即角三重损失关注水下形变个体目标的类间差异，区分类内差异，避免直接度量水下形变个体目标编码特征之间的欧氏距离，构建多点布设的水下视觉系统完整的、连续的水下形变个体目标重识别模型。利用本发明最终完成水下形变目标个体在近距离多视场观测中的密切监督和过程追踪。

技术领域

本发明涉及基于密集连接卷积网络超球体嵌入的水下形变运动目标重识别方法，属于智能信息处理和目标检测与识别技术领域。

背景技术

我国海域面积辽阔，渔业资源丰富，故而海洋监控十分必要，不仅能够及时发现水下异样目标而采取应对措施，也能够及时改善海洋环境，以避免对海洋环境造成污染以及破坏生态环境问题。因此，对海洋环境中的主要资源，进行长期有效的多摄像头和多角度监控具有重要意义，也为养殖渔业和海洋捕捞业提供了基础。而水下形变目标行为分析为此提供数据和信息支撑。水下形变目标变化快速，而且大幅度的改变自身形态，最为常见的就是鱼类，再加上海洋光学成像条件复杂，水下成像后散射、浑浊水体、泥沙、海流、浮游植物、摆动的水草等因素都将导致光学图像质量下降或引入干扰。因此，如何能够有效的在不同摄像头下确认水下形变目标位置并辨别出是否为同一目标，进而对其实现多摄像头下的水下形变目标跟踪，是一项极具挑战性的任务。

目标重识别主要有两类思路，一类是将重识别问题看为分类问题对待，将每一个目标视为一个类别，考察每个目标之间的差异性，但这样做有一个很明显的缺点是只能在数据集内做文章，脱离数据集方法不再具有普适性；第二类是参考FaceNet的工作，将重识别问题看为编码问题，为每个目标生成独立的编码，通过设定的度量方式考察不同目标之间的度量距离，这是目前较为有效的思路。对于第二类工作，训练出好的网络也是极其不易的，在不考虑目标检测准确率的基础上，特征提取方式、编码方式以及损失方式是主要研究的课题。

目标重识别对海洋水下形变目标及其环境的全过程密切监督均具有科学与现实意义，目标之间的遮挡形变、背景的复杂性，光照变化，尺度变化等是目标重识别过程中待解决的问题。即现有技术中存在的主要问题：(1)由于海洋光学成像条件复杂，水下成像后散射、浑浊水体、泥沙、海流、浮游植物、摆动的水草等因素都将导致光学图像质量下降或干扰的引入将会使得目标重识别出现差错；(2)水下形变目标的快速游动以及大幅度的形态改变也会对水下形变目标的监测造成困难。

发明内容

针对上述问题，本发明的目的是提供一种基于密集连接卷积网络超球体嵌入的水下形变运动目标重识别方法，以弥补现有技术的不足。

本发明构建多点布设的水下视觉系统，以及完整的、连续的水下形变目标个体重识别模型，以助于水下形变目标个体在近距离多视场观测中的密切监督和过程追踪。从机器学习角度通过水下多视场(Field of View,FOV)观测技术辅助水下形变目标个体行为的细粒度识别与追踪研究，也将促进多视点及形态变化运动目标重识别技术的发展。

为达到上述目的，本发明采用如下技术方案：

一种基于密集连接卷积网络超球体嵌入的目标重识别方法，包括以下步骤：

(1)收集水下目标图像制作数据集，标注图像中所有水下形变目标的位置、编号，且同一个目标拥有相同的编号；

(2)Mask-RCNN检测识别分割网络：为进行重识别任务，使用Mask-RCNN完成目标检测的前提任务，利用Mask-RCNN网络检测出待重识别目标的精准位置，以进行下一步的重识别任务；

(3)建立密集连接卷积网络超球体嵌入的目标重识别网络，包括以下几个模块：