[发明专利]一种水面无人船实时目标检测计算方法

权利要求书

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；L_loc(x，l，g)为定位损失函数；L_conf(x，c)表示分类损失函数，α表示权重。