[发明专利]一种水面无人船实时目标检测计算方法

说明书

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。

技术领域

本发明属于无人船领域，涉及计算机视觉中的目标检测技术，特别是涉及一种水面目标快速识别的计算方法。

背景技术

随着经济的发展，无人船得到了越来越广泛的应用。无人船行业属于新兴的人工智能领域，其中无人船的水面目标检测技术是无人船执行各项任务的基础。现有的无人船主要是人工遥控行进，遥控进行避障和执行各项任务。现有的水面目标识别功能，只能在较为简单的场景下执行任务，难以真正做到无人在复杂环境下执行任务。这主要是由于现有的无人船水面目标检测算法存在着识别不准确，抗干扰性不强，难以实时快速实现目标检测等等。这些固有的弊端对无人船的发展存在着极大的制约。

发明内容

本发明针对现有技术的不足，提出了一种水面无人船实时目标检测计算方法。

本发明的目标是针对现有的无人船领域水面目标检测的一些难题，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。本发明的技术方案是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。

本发明方法具体是：

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，主要有四个参数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aspect_ratio。

③生成用于训练的lmdb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。

本发明的有益效果：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。

附图说明

图1为SSD算法框架；

图2为Faster-RCNN算法框架；

图3为整个算法流程。

具体实施方式