[发明专利]一种夜晚水下鱼类目标检测方法

说明书

本发明公开了一种夜晚水下鱼类目标检测方法，所述目标检测方法包括：按一定时间间隔获取夜晚水下鱼类图像；使用MSRCP算法对所述夜晚水下鱼类图像进行图像增强处理，获取增强后夜晚水下鱼类图像；将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征信息提取；将提取的所述特征信息输入经Soft‑NMS算法优化后的Cascade R‑CNN模型进行目标检测；获取所述夜晚水下鱼类目标检测结果。该方法避免了夜晚环境下光照对目标检测所造成的不良影响，提高了水下鱼类图像的色彩质量，可以有效去除重复的候选框，利用更加高效的目标检测主干网络，使得夜晚水下鱼类的目标检测更加精准、高效。

技术领域

本发明涉及视频目标检测领域，具体涉及夜晚水下鱼类目标检测领域。

背景技术

目前，运动目标的检测算法已经比较成熟，传统机器学习方法是通过手工标记方法提取鱼类特征，再把特征输入支持向量机等分类器进行检测分类。目前的提取方法有：基于模板匹配的可变形提取技术用于鱼类检测；将鱼类图像中各颜色分量和长短轴之比作为鱼类特征；从鱼类图像中分割出鱼各部位的图像模块，然后提取关联度更高的特征。但上述提取方法非常繁琐，需要人工设计鱼类各特征的对应规则，不适用于检测大量数据。并且人工方法提取到的鱼类特征通常只适用于光照充足、清晰度高、背景环境对比度高的情景下，在夜晚水下环境中较难产生作用。

目前主流的深度学习目标检测方法可以更加高效的进行目标检测。基于水下图像底层特征，提出实际水下非限制环境的鱼类目标检测算法，通过提取水下图像的各个图层特征，然后制作稀疏表达分类器实施鱼类目标的检测，利用该方法的检测率达到81.8％。基于R-CNN，提出鱼类目标检测分类算法，从背景图像中使用融合估算方法，分割出鱼类的前景区域，最后使用DCNN方法自动进行特征提取和分类。参考Faster R-CNN的结构，设计轻型R-CNN，用于水下环境鱼类的目标检测，使用该方法的精度达到89.95％。基于YOLO模型，将原本用于白天环境的YOLO网络结构模型用于水下环境，对鱼类进行目标检测，使用水下视频制作数据集，获得较高的检测精度。但是以上方法在夜晚水下环境光照不均、噪声过大、并且鱼类运动不规律、拍摄视频质量不高，等客观环境的目标检测效果精度较低。

许多在陆地上比较成熟的一些目标检测方法并不能很好地适用于水下环境。并且夜晚水下环境光照不均，拍摄图像具有模糊不清、场景阴暗等特点，使得目标检测任务变得更加困难。因此，如何在受光照条件限制的夜晚水下环境对鱼类图像进行目标检测，是目前图像识别研究的有待解决的问题。

发明内容

本发明要解决的技术问题是如何在受光照条件限制的夜晚水下环境对鱼类图像进行目标检测，提供一种基于图像识别的夜晚水下鱼类目标检测方法。

本发明是通过下述技术方案来解决上述技术问题：

一种夜晚水下鱼类目标检测方法，所述目标检测方法包括：

按一定时间间隔获取夜晚水下鱼类图像；

使用MSRCP算法对所述夜晚水下鱼类图像进行图像增强处理，获取增强后夜晚水下鱼类图像；

将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征信息提取；

将提取的所述特征信息输入经Soft-NMS算法优化后的Cascade R-CNN模型进行目标检测；

获取所述夜晚水下鱼类目标检测结果。

较佳地，所述将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征提取之前还包括：使用MSRCP算法获取训练用夜晚水下鱼类图像，并使用所述训练用夜晚水下鱼类图像对所述DetNASNet主干网络进行网络训练。

较佳地，使用所述Soft-NMS算法对所述Cascade R-CNN模型进行优化的步骤如下：