[发明专利]无人艇智能决策方法及系统

权利要求书

1.一种无人艇智能决策系统，其特征在于，包括：

图像获取模块，用于获取观测区域的图像序列信号；

目标检测识别模块，用于接收图像序列信号，识别场景中出现的预设关注目标，确定其所占图像区域，并做标识；同时通过卷积神经网络模型对关注目标的类型进行判别；根据目标类型，筛选出可能对无人平台本身造成威胁的目标，并对目标持续观察，生成目标的跟踪轨迹信息；

目标态势判别模块，用于根据目标的跟踪轨迹信息、光轴角度、目标类型、目标属性计算目标威胁指数，包括角度威胁因子、速度威胁因子、高度威胁因子、距离威胁因子、目标类型因子；

目标威胁评估与决策模块，用于根据威胁因子的数量与数值对威胁种类进行评估，并给出威胁等级，锁定威胁等级高的关注目标进行实时跟踪；

所述卷积神经网络模型的具体生成过程为：

将包括可见光图像、红外图像、目标航行轨迹、无人艇位置的环境信息作为卷积层的输入；

通过卷积层的卷积模板对输入的图像特征进行不断的抽象和组合得到高层卷积特征图；

通过池化层对卷积层输出的高层卷积特征图进行聚合统计，降低特征向量的维数，输出关注目标特征图的聚合数值；

池化层输出关注目标特征图的聚合数值输入卷积神经网络的全连接层，输出目标类型特征值；

全连接层输出的目标类型特征值作为反向传播的输入值，用梯度下降法修正卷积层的卷积模板和全连接层权值，完成一次卷积神经网络训练过程；

对高层卷积特征图的权值进行二次更新，在卷积层中引入红外特征及红外特征卷积模板，将红外特征值与红外特征卷积模板相乘获取红外特征权值矩阵，红外特征权值矩阵与一个图像像素矩阵的特征提取卷积模板获取的卷积特征图对应元素相乘，获取新的卷积特征图，新的卷积特征图与另一个图像像素矩阵的特征提取卷积模板卷积获取的特征图再相加获得图像特征图。

2.根据权利要求1所述的无人艇智能决策系统，其特征在于，在确定预设关注目标所占图像区域时，以矩形框标识出，并给出矩形区域中心位置作为目标的图像坐标。

3.根据权利要求1所述的无人艇智能决策系统，其特征在于，所述图像序列信号包括可见光图像和红外图像的序列信号。

4.一种无人艇智能决策方法，其特征在于，包括以下步骤：

获取观测区域的图像序列信号；

根据接收图像序列信号，识别场景中出现的预设关注目标，确定其所占图像区域，并做标识；同时通过卷积神经网络模型对关注目标的类型进行判别；根据目标类型，筛选出可能对无人平台本身造成威胁的目标，并对目标持续观察，生成目标的跟踪轨迹信息；

根据目标的跟踪轨迹信息、光轴角度、目标类型、目标属性计算目标威胁指数，包括角度威胁因子、速度威胁因子、高度威胁因子、距离威胁因子、目标类型因子；

根据威胁因子的数量与数值对威胁种类进行评估，并给出威胁等级，锁定威胁等级高的关注目标进行实时跟踪；

其中，所述卷积神经网络模型的具体生成过程为：

将包括可见光图像、红外图像、目标航行轨迹、无人艇位置的环境信息作为卷积层的输入；

通过卷积层的卷积模板对输入的图像特征进行不断的抽象和组合得到高层卷积特征图；

通过池化层对卷积层输出的高层卷积特征图进行聚合统计，降低特征向量的维数，输出关注目标特征图的聚合数值；

池化层输出关注目标特征图的聚合数值输入卷积神经网络的全连接层，输出目标类型特征值；

全连接层输出的目标类型特征值作为反向传播的输入值，用梯度下降法修正卷积层的卷积模板和全连接层权值，完成一次卷积神经网络训练过程；

该方法还包括步骤：对高层卷积特征图的权值进行二次更新，在卷积层中引入红外特征及红外特征卷积模板，将红外特征值与红外特征卷积模板相乘获取红外特征权值矩阵，红外特征权值矩阵与一个图像像素矩阵的特征提取卷积模板获取的卷积特征图对应元素相乘，获取新的卷积特征图，新的卷积特征图与另一个图像像素矩阵的特征提取卷积模板卷积获取的特征图再相加获得图像特征图。

5.根据权利要求4所述的无人艇智能决策方法，其特征在于，在确定预设关注目标所占图像区域时，以矩形框标识出，并给出矩形区域中心位置作为目标的图像坐标。

6.根据权利要求4所述的无人艇智能决策方法，其特征在于，所述图像序列信号包括可见光图像和红外图像的序列信号。