[发明专利]一种基于改进YOLOv3-tiny的水下声纳图像目标检测方法

说明书

本发明公开了一种基于改进YOLOv3‑tiny的水下声纳图像目标检测方法，首先采用基本图形变换增强声纳图像数据，获得足够数量的声纳图像数据集；然后构建一种融合浅层次特征与高层次特征的YOLOv3‑tiny网络的改进模型，通过多尺度特征融合进行检测；在此基础上，根据YOLOv3‑tiny预测层的特征图优化网络结构，删去特征表达能力差的预测分支，提高了改进YOLOv3‑tiny的检测速度，保证了检测的实时性；最终对所有预测的目标类别和位置结果采用非极大值抑制方法，输出置信度最大的预测的目标类别和位置。本发明方法准确率高，减少了目标的漏检。

技术领域

本发明属于图像处理技术领域，具体涉及一种水下声纳图像目标检测方法。

背景技术

由于水下环境的特殊性，电磁波在海底传播的损失远大于陆上，传统光学检测手段在水下的距离有限。而声波可以在深海远距离传播，声学检测手段具有光学检测手 段不可比拟的优越性。成像声纳通过收集物体表面的反射回波进行实时成像，可以获 得更加完整、丰富、详细的水下数据，是水下环境感知的重要工具。

目前，对于水下目标检测的研究方法可以分成两大类：一类是传统的目标检测算法，这一类算法多数是改进应用于非水下图像的传统图像处理算法；另一类算法是基 于机器学习的目标检测算法，其中基于深度学习的算法是应用效果最好、泛用性最广 的。基于深度学习的目标检测方法可以分为三个大类，第一类是基于候选区域的目标 检测算法，例如R-CNN、Fast R-CNN、Faster R-CNN、R-FCN等；第二类是基于回归 的目标检测算法，例如YOLO、SSD、KittiBox等；第三类是基于搜索的目标检测算法， 例如基于强化学习的算法和基于视觉注意的AttentionNet。YOLO算法属于典型的One- Stage算法，可以在一个stage直接产生物体的类别概率和位置坐标，流程较为简单， 在检测速度上具有比较大的优势。本发明采用的YOLOv3-tiny算法相比原版的YOLO 算法，在精确率损失不大的情况下，具有更简单的网络结构和更高的实时性，很适合 用于水下目标检测。

但是在现有水下目标检测技术中，存在声纳图像质量差、数量少、没有公开数据集，导致检测算法准确率不高、应用深度学习数据不足、受到噪声干扰的错检漏检等 问题。

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YOLOv3-tiny的水下声纳图像目标检测方法，首先采用基本图形变换增强声纳图像数据，获得足够数量的声纳 图像数据集；然后构建一种融合浅层次特征与高层次特征的YOLOv3-tiny网络的改进 模型，通过多尺度特征融合进行检测；在此基础上，根据YOLOv3-tiny预测层的特征 图优化网络结构，删去特征表达能力差的预测分支，提高了改进YOLOv3-tiny的检测 速度，保证了检测的实时性；最终对所有预测的目标类别和位置结果采用非极大值抑 制方法，输出置信度最大的预测的目标类别和位置。本发明方法准确率高，减少了目 标的漏检。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：通过二维成像声纳获取多幅原生声纳图像；

步骤2：对步骤1获取的原生声纳图像采用图形变换方法随机进行变换，变换后 的图像和原生声纳图像数据共同构成声纳图像数据集；将声纳图像数据集的所有图像 尺寸变换为512×224；将声纳图像数据集划分为声纳图像训练集和声纳图像测试集， 声纳图像训练集中图像数量大于声纳图像测试集中图像数量；

步骤3：对声纳图像数据集图像中目标的类别和位置进行标注；

如果声纳图像数据集图像中不存在目标，则该图像定义为负样本；

如果声纳图像数据集图像中存在目标，则该图像定义为正样本，同时对目标标注类别；用边界框标记目标的位置，边界框为目标最小外接矩形，目标位置表示为边界 框的四个顶点的坐标：X_max，X_min，Y_max，Y_min，归一化如下：