[发明专利]一种基于卷积神经网络的人员落水检测方法

说明书

本发明提供了一种基于卷积神经网络的人员落水检测方法，首先利用水听器采集到声信号，同时使用无人机拍摄现场图像，接着对声信号进行分帧和加窗对其截断，然后将截断后的声信号转化为时频图，再将时频图和先现场图像的大小进行缩放并堆叠，最后利用卷积神经网络提取时频图和现场图像更丰富的深层次信息，提高人员落水的检测能力。本发明通过调整超参数的方式提升了该模型的泛化能力，以适应更多复杂场景下的人员落水情形。

技术领域

本发明涉及目标检测与人工智能领域，涉及到一种人员落水的检测方法。

背景技术

中国是一个幅员辽阔的国家，有着易引发洪水的地理气候特征。前段时期全国各地出现了暴雨雷电等极端天气，南方多地更是遭遇了百年难遇的强降雨。防洪抢险是一项艰巨的任务，我国每年都在其中投入巨大的人力物力。据WTO报道，全球每年有372000人死于溺水，平均每天每小时有42人死于溺亡，其中不仅有溺水者，更有施救者。洪涝灾害给人民群众带来巨大的生命和财产损失，因此，无人搜救设备的研制需求迫在眉睫。

目前常见的溺水救援不外乎包括以下几种形式。首先是人工救援，它是最常见一种的救援方式，但危险性极高。溺水者出于求生本能，会用尽一切办法来让自己浮出水面。施救人员若没有受过专业救生培训，也很容易陷入危险。第二种救援方案是利用载人船抛掷救生圈，载人船航行至落水人员附近再抛掷救生圈施救，是应用较广的一种救援方式。它的弊端是救援流程长，对施救者技术要求高，这也导致它的成功率很低。遥控救援是目前较为先进的一种溺水救援方式，但该方式主要通过人眼观察进行操控导航，容易受到天气状况的影响，救援精度有限。综上所述，目前常见的救援方式都存在共同的问题，即很难在第一时间发现落水人员并且迅速做出响应。

要做到“无人”，就少不了人工智能的理论研究。近年来，人工智能在各个领域都取得了令人瞩目的成果，广泛地应用到无人驾驶汽车、智慧门禁和医学诊断等高科技前沿领域中。卷积神经网络是人工智能领域应用最为广泛的一种网络结构。利用卷积神经网络可以得到目标更深层次的信息，从而提高目标检测的概率。

发明内容

为了克服现有技术的不足，本发明提供一种基于卷积神经网络的人员落水检测方法。本发明同时利用水下声信号和图像信息的落水人员检测算法，将卷积神经网络应用到落水人员检测中，利用卷积神经网络提取采集到的声信号和图像中丰富的深层次信息，提高落水人员检测的概率，进而提升溺水人员的存活几率，适用于在湖泊、小河等野外场景以及洪涝灾害的水域环境中检测落水人员。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤一：采集声信号和现场图像

用智能水听器采集声信号，用摄像头拍摄现场图像，原始的图像信息为P，水听器接收的声信号为y(t)，

其中s_p(t)表示有人员落水信号，s_o(t)表示无人员落水信号，h(t)为当前水声信道的冲击响应，*表示卷积运算，n(t)为当前水域中的环境噪声，t为时间变量；

步骤二：声信号的分帧和加窗；

对水听器采集到的声信号y(t)进行分帧和加窗处理，处理后的信号为x(t)；

步骤三：声信号生成时频图；

将信号x(t)转化为时频图P_x，提取该信号中的时频域信息；

步骤四：缩放图像并堆叠

将时频图P_x和摄像头拍摄的现场图像P缩小至同一尺寸，并将时频图P_x和摄像头拍摄的现场图像P堆叠复合在一起：

P_x′＝P_x·r₁