[发明专利]基于改进SSD和迁移学习的水下目标检测方法

说明书

本发明涉及一种基于改进SSD和迁移学习的水下目标检测方法，其克服了现有技术中水下目标检测的欠拟合，识别率低，鲁棒性差的问题，有效提高了水下目标检测识别率与视觉效果。本发明包括以下步骤：步骤1、准备阶段：运用计算机读取深水中条件下拍摄的水下图像，利用水下背景图片与水上目标场景图像进行融合处理，获取更多水下图像；步骤2、图像的预处理和基于滤波器去除噪声阶段；步骤3、基于骨干网的特征提取阶段；步骤4、基于迁移学习的网络模型训练阶段：利用迁移学习方法训练Underwater‑SSD网络；步骤5、基于软化非极大值抑制算法soft‑NMS目标检测阶段：在迁移学习训练后的模型后加入软化非极大值抑制算法。

技术领域：

本发明涉及一种计算机视觉与图像处理方法，尤其是涉及一种基于改进SSD和迁移学习的水下目标检测方法。

背景技术：

在图像采集过程中，由于特殊水下场景导致拍摄的图像整体灰度值偏低，对比度低，如深海图像，局部信息无法辨认，难以进行特征提取，甚至特征信息丢失，增加了进一步处理的困难程度，如目标识别、目标检测与跟踪任务难以进行。因此，如何针对水下目标检测问题，有效地对水下图像进行前期增强处理与后期水下目标检测，是图像增强技术与计算机视觉研究的热点问题。

针对水下非限制环境中的目标检测问题，现有研究方法中主要存在如下三方面不足：1)由于光在水体介质中存在严重的衰减和散射效应，造成水下图像质量下降，为水下目标的特征学习、识别理解造成严重障碍；2)传统的水下目标的检测算法存在检测性能较差、识别率低的问题；3)由于海底目标大多具有未知性，鱼类目标在自动识别学习时，已知标签的样本数量非常有限，传统的训练学习方法不再适用，且容易出现欠拟合问题；同时由于不同图像的应用环境不同、拍摄的光照强度、角度不同，存在较差的鲁棒性。

发明内容：

本发明的目的在于提供一种基于改进SSD和迁移学习的水下目标检测方法，其克服现有技术中水下目标检测的欠拟合，识别率低，鲁棒性差的问题，有效提高了水下目标检测识别率与视觉效果。

为实现上述目的，本发明采用的技术方案为：

一种基于改进SSD和迁移学习的水下目标检测方法，其特征在于：包括以下步骤：

步骤1、准备阶段：运用计算机读取深水中条件下拍摄的水下图像，利用水下背景图片与水上目标场景图像进行融合处理，获取更多水下图像；

步骤2、图像的预处理和基于滤波器去除噪声阶段：通过将水下图像输入计算机，运用两种算法得到对原图两种不同程度的增强的结果，然后选择好一个融合系数的计算公式，再进行拉普拉斯金字塔融合；然后采用滤波自适应方法进行平滑处理，以获得无噪声和纹理完整图像；

步骤3、基于骨干网的特征提取阶段：确定骨干网络结构，并根据骨干网络提取水下图像的关键点信息；然后，构建适合水下目标检测的较精确的SSD网络Underwater-SSD，从检测网络中提取具有很高代表性的特征，将无噪声和纹理完整图像应用于水下SSD网络中；

步骤4、基于迁移学习的网络模型训练阶段：利用迁移学习方法训练Underwater-SSD网络，仅使用空气中的标签识别水下物体；

步骤5、基于软化非极大值抑制算法soft-NMS目标检测阶段：在迁移学习训练后的模型后加入软化非极大值抑制算法，实现最终的目标检测结果输出，将测试数据集输入到已训练的模型进行测试。

上述步骤1包括如下步骤：

步骤101、数据集的获取，选择用水下图像采集终端获得深水条件下拍摄的水下图像；

步骤102、利用水下背景图片与水上目标场景图像进行融合，扩增数据集；

步骤103、将获取的数据集进行分类，划分为训练集、验证集及测试集；

步骤104、读取预训练模型，并读入水下图像目录。