[发明专利]一种基于改进残差神经网络的人员落水检测识别方法

说明书

本发明公开了一种基于改进残差神经网络的人员落水检测识别方法。该方法在ResNet34残差神经网络的基础上，在每个残差块中加入SE模块，实现了一种改进的残差神经网络；然后将收集到的人员落水和非人员落水音频数据处理成的一个二分类特征图数据集对改进的残差卷积神经网络进行训练，得到一个检测识别精度较高的残差神经网络模型。最终将实时收集到的音频数据，转换成时频特征图输入到训练完成的残差神经网络模型，即可得到实时的识别结果。本发明提供的残差神经网络模型把落水检测过程和识别过程一体化，用单个的神经网络替代多数处理流程，同时能够获得更高准确率。

技术领域

本发明属于信号处理领域，具体涉及一种人员落水检测识别方法。

背景技术

一直以来，湖泊、水库等地发生人员不幸落水的新闻屡见不鲜。据世界卫生组织报道，全球每年有372000人死于溺水，平均每天每小时死亡42人，其中不仅有溺水者，更有施救者。人员落水以后进行救援的黄金时间只有5分钟，而落水事件事发突然，依靠人力往往不能在第一时间发现落水人员，造成了大量落水人员的伤亡。此外，在恶劣的天气的情况下，能见度较低，仅仅依靠视觉很难检测到落水事件，因此考虑引入水下环境基于声信号的检测方法，但是水下环境的复杂多变，给落水事件的检测识别又带来了极大的困难。

在传统的水声目标检测和识别领域，检测和识别是分为两个阶段进行的，处理过程复杂且检测和识别精度上有所欠缺，从而导致最后的识别效果不理想,而且目前的落水检测识别方法也不能快速准确地识别出是否存在人员落水。

发明内容

为了克服现有技术的不足，本发明提供了一种基于改进残差神经网络的人员落水检测识别方法。该方法在ResNet34残差神经网络的基础上，在每个残差块中加入SE 模块，实现了一种改进的残差神经网络；然后将收集到的人员落水和非人员落水音频数据处理成的一个二分类特征图数据集对改进的残差卷积神经网络进行训练，得到一个检测识别精度较高的残差神经网络模型。最终将实时收集到的音频数据，转换成时频特征图输入到训练完成的残差神经网络模型，即可得到实时的识别结果。本发明提供的残差神经网络模型把落水检测过程和识别过程一体化，用单个的神经网络替代多数处理流程，同时能够获得更高准确率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：将水听器布放于水中，采集周围环境音频信号；将采集到的音频信号分为5种情况，分别为人员落水、人员落水且挣扎、小型杂物落水、大型杂物落水和无落水物体；将人员落水和人员落水且挣扎两种情况的音频信号作为正类样本数据，将小型杂物落水、大型杂物落水和无落水物体三种情况的音频信号作为负类样本数据；

步骤2：对正类样本数据和负类样本数据的每个音频信号进行滑窗切片处理，然后进行短时傅里叶变换得到每个音频信号的时频特征图；再将每个时频特征图的尺寸调整为l₁*l₂，并进行像素值归一化处理；对经过上述处理后的所有时频特征图打上标签：正类样本数据对应的时频特征图的标签为0，负类样本数据对应的时频特征图的标签为1；打过标签的正类样本数据对应的时频特征图构成正类样本数据集，打过标签的负类样本数据对应的时频特征图构成负类样本数据集；

步骤3：在正类样本数据集里随机选取a％的时频特征图作为正类训练集，正类样本数据集的剩余部分作为正类测试集,50a100；在负类样本数据集里随机选取b％的时频特征图作为负类训练集，负类样本数据集的剩余部分作为负类测试集,50b100；

再将正类训练集和负类训练集合并，并随机打乱排列顺序，构成总体训练集；将正类测试集和负类测试集合并构成总体测试集；

步骤4：构建改进的残差神经网络模型：