[发明专利]一种基于光流和深度估计的水下环境安全性评估方法

权利要求书

1.一种基于光流和深度估计的水下环境安全性评估方法，其特征在于，包括步骤：

S1：采用单目相机收集水下多种动态场景的水下源图像，生成水下源图像数据集；

S2：对水下源图像数据集中的每幅水下源图像进行距离估计得到相应的深度估计图；

S3：对水下源图像数据集中的每幅水下源图像进行光流分析得到光流图；

S4：融合深度估计图和光流图，得到每幅水下源图像的水下环境安全性评估图；

所述步骤S4中，对一幅水下源图像进行融合的过程具体包括步骤：

S41：对步骤S2得到的该水下源图像的深度估计图进行区域划分，并分别计算其每个子区域内深度的平均值μ(D)；以及，对步骤S3得到的该水下源图像的光流图进行相同的区域划分，并分别计算其每个子区域内光流幅值的平均值μ(F)；

S42：对步骤S3得到的每个光流图的子区域内光流矢量的方向进行直方图分布统计，并计算所得每个子区域内光流方向直方图的方差

S43：计算预设时间段内每个子区域的光流方向直方图的协方差及该时间段内协方差的均值

S44：根据深度估计平均值μ(D)、光流幅度平均值μ(F)、光流直方图方差值和光流直方图协方差均值计算每个子区域的安全性评估值；在所述步骤S44中，计算安全性评估值S_value(i,t)的规则为：

其中，i代表第i个子区域，t代表预设时间段内的第t个时刻，μ(D_i)代表第i个子区域的深度估计平均值，μ(F_i)代表第i个子区域的光流幅度平均值，代表第i个子区域的光流方向直方图方差值，代表在τ→t时间内的光流方向直方图协方差均值，ω₁、ω₂、ω₃、ω₄分别代表μ(D_i)、μ(F_i)、的权重；

S45：对每个子区域的安全性评估值进行归一化，得到该水下源图像的水下环境安全性评估图。

2.如权利要求1所述的一种基于光流和深度估计的水下环境安全性评估方法，其特征在于：

ω₁＝ω₂＝ω₃＝ω₄。

3.如权利要求2所述的一种基于光流和深度估计的水下环境安全性评估方法，其特征在于：

ω₁＝ω₂＝ω₃＝ω₄＝0.25。

4.如权利要求1～3任一项所述的一种基于光流和深度估计的水下环境安全性评估方法，其特征在于：步骤S2中，采用最大衰减识别算法进行距离估计。

5.如权利要求4所述的一种基于光流和深度估计的水下环境安全性评估方法，其特征在于，步骤S2具体包括步骤：

S21：对水下源图像I采用最大衰减识别算法进行复原处理，获得复原图像J；

S22：分别提取出复原图像J与水下源图像I的红色通道J^R和I^R，求取J^R和I^R的比值作为距离系数

S23：对距离系数d归一化得到深度估计图。

6.如权利要求1～3任一项所述的一种基于光流和深度估计的水下环境安全性评估方法，其特征在于：步骤S3中，采用训练完成的MaskFlownet网络进行光流分析，所述MaskFlownet网络包括MaskFlownet-S网络和双金字塔级联网络。

7.如权利要求6所述的一种基于光流和深度估计的水下环境安全性评估方法，其特征在于，训练所述MaskFlownet网络的过程包括步骤：

(1)训练MaskFlownet-S网络

S31：使用Flying Chairs数据集训练MaskFlownet模型，并且学习率从0.0001开始，在0.4M、0.6M、0.8M和1M迭代时将学习率降低一半，批量处理尺寸为8，运行时间为1000k迭代；

S32：使用FlyingThings3D数据集对网络参数对步骤S31训练后的模型优化，同时排除大于1000像素的图像对，批量处理尺寸为4；

S33：使用Sintel和KITTI数据集对步骤S32训练后的模型进行微调，在使用Sintel数据集进行微调时，添加水平翻转，并在数据增强过程中去除加性噪声，批量处理尺寸为4；在使用KITTI数据集进行微调时，减少数据增强过程中的旋转、缩放和挤压的数量，批量处理尺寸是4；

(2)训练双金字塔级联网络

S34：固定步骤S33训练后的MaskFlownet-S模型的所有参数，然后遵循MaskFlownet-S模型的训练时间表训练双金字塔级联网络，其中不同的是在FlyingChairs数据集上运行时间为800k迭代。