[发明专利]无人艇智能决策方法及系统

说明书

本发明公开了一种无人艇智能决策方法及系统，其中系统包括：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；目标威胁评估与决策模块，用于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。

技术领域

本发明属于模式识别领域，更具体的涉及一种利用外部环境感知装置输出的环境信息，实现目标分类和识别的智能决策装置与智能决策方法。

背景技术

现有无人艇决策方法在可见光图像、红外图像、目标航行轨迹、无人艇位置等环境信息基础上，分别建立目标分类、识别、避障等规则，按照规则采取规避、前进、指挥控制等决策。这种决策方法一定程度上实现了较为初级的智能分类和决策功能，但也存在计算单元分散、目标识别和分类耗时较长、决策功能单一等不足。

以可见光图像目标识别规则为例，可见光图像目标识别规则的建立，需要可见光图像数据和深度学习网络。传统的深度学习网络采用全连接方式的神经网络实现网络参数训练、学习。全连接方式的神经网络在训练需要大量节点的目标数据或者多目标数据时，计算量巨大，训练耗时过长，例如对于M×N图像数据，单次学习经过中间层P个节点至输出层时需要计算M×N×P个权值，上万次的网络训练耗费大量的时间和计算资源。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种无人艇智能决策方法及系统。

本发明解决其技术问题所采用的技术方案是：

提供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。

接上述技术方案，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。

接上述技术方案，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。

接上述技术方案，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。