[发明专利]水下鱼类目标检测方法及装置

说明书

本发明提供一种水下鱼类目标检测方法及装置，该方法包括：获取水下相机拍摄的待检测图像和无检测目标时的背景图像；将含有目标对象的待检图像和不含有目标对象的背景图片，分别输入预设的目标识别网络模型的主干网络和辅助网络，分别提取特征并进行主干网络和辅助网络的特征相减融合，根据相减融合后特征，输出标有鱼类定位信息的图片检测结果；其中，所述目标识别网络模型，根据已知目标对象作为标签的待检图像和背景图像作为样本训练后得到。通过主干网络和辅助网络的特征相减融合，可以有效去除环境干扰，从而提高待检测目标的检测准确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种水下鱼类目标检测方法及装置。

背景技术

由于水产养殖现场光照度低及不均匀、水体浑浊、海床背景复杂、鱼类姿态多样、目标尺寸变化大、分辨率和对比度低和摄像设备等原因导致对水下目标检测干扰很大。传统的手工设计特征提取和单纯使用基于CNN的目标检测等算法并不能满足真实水下检测需求。

虽然目标检测算法发展迅速，模型泛用性强，但这些算法并没有结合水下环境的特点进行设计，在海床场景复杂、低分辨率、模糊和目标小等复杂场景下表现一般。

发明内容

针对现有技术存在的问题，本发明提供一种水下鱼类目标检测方法及装置。

本发明提供一种水下鱼类目标检测方法，包括：获取水下相机拍摄的待检测图像和无检测目标时的背景图像；将含有目标对象的待检图像和不含有目标对象的背景图片，分别输入预设的目标识别网络模型的主干网络和辅助网络，分别提取特征并进行主干网络和辅助网络的特征相减融合，根据相减融合后特征，输出标有鱼类定位信息的图片检测结果；其中，所述目标识别网络模型，根据已知目标对象作为标签的待检图像和背景图像作为样本训练后得到。

根据本发明一个的水下鱼类目标检测方法，所述分别输入预设的目标识别网络模型的主干网络和辅助网络，分别提取特征并进行主干网络和辅助网络的特征相减融合，包括：将含有目标对象的待检图像通过主干网络，及不含有目标对象的背景图片通过辅助网络，分别经浅层信息提取层输出初步特征，再依次通过主干网络的四个残差块和辅助网络的三个残差块进行特征处理；

将主干网络的浅层信息提取层的输出与辅助网络的第一残差块的输出进行特征相减融合，主干网络的第一残差块输出与辅助网络的第二残差块的输出进行特征相减融合，主干网络的第二残差块输出与辅助网络的第三残差块的输出进行特征相减融合，结合主干网络的第三残差块输出和第四残差块输出，得到相减融合后的四层特征。

根据本发明一个的水下鱼类目标检测方法，根据相减融合后特征，输出标有鱼类定位信息的图片检测结果，包括：

将相减融合后的四层特征，进行特征融合；将融合后特征，输入RPN网络生成目标区域候选框；将所述目标区域候选框，输入多联检测器进行候选框筛选和分类，得到标有鱼类定位信息的图片检测结果。

根据本发明一个的水下鱼类目标检测方法，将相减融合后的四层特征，进行特征融合，包括：将相减融合后的四层特征x¹,x²,x³和x⁴，以特征图作为输入，依次经过卷积层和批归一化层得到p1、p2、p3、p4；然后将p4、p3、p2均向下经PixelShuffle结构上采样，进行多尺度融合得到N4、N3、N2和N1；

p1、p2、p3、p4定义为：

其中，g(·)是PixelShuffle上采样方式将输入特征信息重建放大操作；N_i是多尺度高低层信息融合后的特征信息(i＝0,1,2,3,4)；N_i的计算公式为：

其中，D(·)是下采样非线性转换；fpnconv(·)是卷积操作。