CN112946682B

CN112946682B - 一种高准确率高敏捷性的水下激光目标识别仪

Info

Publication number: CN112946682B
Application number: CN202110025072.1A
Authority: CN
Inventors: 廖屹琳; 范军; 王文海; 卢建刚; 陈金水; 刘兴高
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2021-01-08
Filing date: 2021-01-08
Publication date: 2023-03-03
Anticipated expiration: 2041-01-08
Also published as: CN112946682A

Abstract

本发明公开了一种高准确率高敏捷性的水下激光目标识别仪，包括激光探测器、数据库及上位机；激光探测器、数据库和上位机依次相连，所述的激光探测器对所检测的水域进行探测，并将得到的图像存储到所述的数据库，所述的上位机包括数据预处理模块、特征提取模块、分类模块和结果显示模块。本发明公开的一种高准确率高敏捷性的水下激光目标识别仪具有目标识别准确率高、速度快的优点。

Description

一种高准确率高敏捷性的水下激光目标识别仪

技术领域

本发明涉及水下目标检测领域、深度学习算法领域，尤其涉及一种结合深度学习的水下激光目标识别仪。

背景技术

水下目标检测、识别和跟踪是具有重要意义的热点研究问题，应用非常广泛，逐渐有更多的国际组织开始关注并推动相关领域的发展。传统的水下探测技术主要采用的是声呐探测器和光学相机，利用采集到的声呐信号或者光学图像进行相应的变换以提取特征，从而进行对特征的识别和分类。

在传统的水下目标识别中，采集到的声呐信号和光学图像的精度对识别的结果有着非常重要的影响。但是，声呐探测器却极易受到噪声的干扰、光学相机也面临着水下光学环境复杂的难题。与此同时，传统的目标识别算法也迎来了识别率很难继续提高的瓶颈。所以，对于水下目标检测及识别而言，研究的主要目标是提高其水下探测方式的精度以及提高目标识别的准确率。因此，这不仅具有重要的理论意义和实际意义，而且也是国内外水下目检测标识别的难点和热点。

发明内容

为了克服传统的水下探测技术的精度差和目标识别准确度低的难题，本发明的目的在于提供一种实现高精度探测水下环境和高准确度识别水下目标的高准确率高敏捷性的水下激光目标识别仪。

本发明解决其技术问题所采用的技术方案是：一种高准确率高敏捷性的水下激光目标识别仪，包括激光探测器、数据库以及上位机，激光探测器、数据库和上位机依次相连，其特征在于：所述激光探测器对所检测水域进行探测，并将带有噪声的激光数据存储到所述的数据库，所述的上位机包括：

数据预处理模块，用以对存储在数据库中的激光探测器采集到的灰度图像进行预处理，采用如下过程完成：

1.1从数据库中采集N个带有噪声的激光灰度图像

作为训练样本，其中S^*表示带有噪声的激光灰度图像矩阵，

分别表示第1,2,...,N个带有噪声的激光灰度图像；

1.2对训练样本的灰度直方图进行均衡化处理，公式如下：

其中，是x_ig第i个样本的第g个灰度均衡化后的结果，R表示图像像素的行数，C表示图像像素的列数，r_j表示第j个灰度，n_j表示当前图像中灰度为r_j的像素的个数，p_r(·)表示概率分布，T(·)表示直方图均衡化变换，L表示图像的灰度数量。灰度直方图进行均衡化处理后的图像为S＝{x₁,x₂,...,x_N}，其中S表示灰度直方图进行均衡化处理后的激光灰度图像矩阵，x₁,x₂,...,x_N分别表示第1,2,...,N个灰度直方图进行均衡化处理后的激光灰度图像。

特征提取模块，用以搭建无监督自动编码网络来提取经过数据预处理模块处理过的图像的特征向量，采用如下过程完成：

2.1搭建上述网络的各个子网络：

Y_i＝σ(W_i1·X_i+b)

X_i'＝σ(W_i2·Y_i+b^T)

Loss_i＝J(X_i,X_i')

其中X_i表示第i个子网络的输入，Y_i表示第i个子网络的隐含层，W_i1表示第i个子网络连接输入层和隐含层的权重，b表示第i个子网络输入层和隐含层之间的偏置。X_i'表示第i个子网络的输出，W_i2表示第i个子网络连接隐含层和输出层的权重，b^T表示第i个子网络隐含层的输出层之间的偏置，Loss_i表示第i个子网络的损失函数，J(·)表示损失函数，σ(·)表示激励函数，W_i表示该子网络里的所有权重，L_sub表示子网络的个数。

2.2训练上述各个子网络，搭建总的无监督自动编码网络：

2.2.1把灰度直方图均衡化处理后的图像S＝{x₁,x₂,...,x_N}作为第一个子网络的输入，并用梯度下降法训练此子网络；

2.2.2把训练好的第i-1个子网络的隐含层作为第i个子网络的输入，并用梯度下

降法训练第i个子网络，i＝2,3,...,L_sub。

2.2.3第L_sub个子网络的隐含层Y_Lsub作为最终提取出的特征向量X＝{x¹,x²,...,x^N}。

x¹,x²,...,x^N分别表示x₁,x₂,...,x_N的特征向量，X表示特征向量矩阵。

2.2.4网络的输出即为X＝{x¹,x²,...,x^N}

分类模块，用以根据特征提取模块提取出的特征向量对图像进行分类，过程如下：

3.1建立分类器，特征提取模块提取出的特征向量X＝{x¹,x²,...,x^N}作为分类器的输入，公

式如下：

其中θ表示分类器模型的参数，y表示决策层的输出结果，j表示决策结果是第j个类别，θ_j表示第j个决策元的参数，θ_l表示第l个决策元的参数，p(·)表示概率，k表示决策层的决策元的个数。决策层的输出为P_i＝{p_i1,p_i2,...,p_ik}，i＝1,2,...,N，N表示输入图像的个数。p_i1,p_i2,...,p_ik分别表示第i个图像属于第1,2,...,k类的概率，P_i表示概率矩阵。

3.2分类器的分类结果，公式如下：

RE_i表示图像x_i的分类结果，N表示输入图像的个数，k表示决策层决策元的个数。

3.3训练分类器以得到分类器模型参数，分类器的损失函数如下：

其中，J(·)表示损失函数，y⁽ⁱ⁾表示训练过程中第i个图像的识别结果，θ_j表示第j个决策元的参数，λ表示惩罚因子，n表示特征向量的维度，θ_ij表示连接分类器中连接特征向量第j个维度和第i个决策元的参数，N表示输入图像的个数，k表示决策层决策元的个数。分类器根据损失函数，采用梯度下降法进行训练得到模型的参数。

作为优选的一种方案：所述特征提取模块的各个子网络的损失函数为：

其中，J_new(·)表示新的损失函数，KL(·)表示相对熵，β表示惩罚系数；ρ表示离散系数，

表示隐藏神经元j的平均激活度；a_j(xⁱ)表示在输入数据为xⁱ的情况下，隐藏神经元j的激活度；s表示隐藏神经元的个数；N表示输入图像的个数，k表示决策层决策元的个数。

作为优选的另一种方案：所述的上位机还包括：结果显示模块，用以将分类模块的分类结果在上位机上显示。

本发明的有益效果主要表现在：使用激光检测技术比传统的声纳技术的精确度更高；使用无监督的自动编码网络进行特征提取，相较于传统的特征提取方法提取到的特征在分类时具有更好的分类效果，最终使得目标识别的准确率更高；基于无监督的自动编码网络的水下激光目标识别仪，在模型训练好后，识别的速度相较于传统的目标识别方法更快。

附图说明

图1是本发明所提出的水下激光目标识别仪的功能结构图；

具体实施方式

下面结合附图对本发明做进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1，一种高准确率高敏捷性的水下激光目标识别仪，包括激光1、数据库2、及上位机3，激光1、数据库2和上位机3依次相连，所述的激光1对所检测的水域进行探测，并将激光成像的数据存储到所述的数据库2，所述的上位机包括：

数据预处理模块4，用以对激光探测器采集到的灰度图像进行预处理，采用如下过程完成：

1.1从数据库中采集N个带有噪声的激光灰度图像

作为训练样本，其中S^*表示带有噪声的激光灰度图像矩阵，

分别表示第1,2,...,N个带有噪声的激光灰度图像；

1.2对训练样本的灰度直方图进行均衡化处理，公式如下：

特征提取模块5，用以搭建无监督自动编码网络来提取出图像特征，采用如下过程完成：

2.1搭建上述网络的各个子网络：

Y_i＝σ(W_i1·X_i+b)

X′_i＝σ(W_i2·Y_i+b^T)

Loss_i＝J(X_i,X′_i)

其中X_i表示第i个子网络的输入，Y_i表示第i个子网络的隐含层，W_i1表示第i个子网络连接输入层和隐含层的权重，b表示第i个子网络输入层和隐含层之间的偏置。X′_i表示第i个子网络的输出，W_i2表示第i个子网络连接隐含层和输出层的权重，b^T表示第i个子网络隐含层的输出层之间的偏置，Loss_i表示第i个子网络的损失函数，J(·)表示损失函数，σ(·)表示激励函数，W_i表示该子网络里的所有权重，L_sub表示子网络的个数。

2.2训练上述各个子网络，搭建总的无监督自动编码网络：

2.2.1把灰度直方图均衡化处理后的图像S＝{x₁,x₂,...,x_N}作为总的网络的输入，若整个网络已训练完毕，进入2.2.5；否则，进入2.2.2；

2.2.2把S＝{x₁,x₂,...,x_N}作为第一个子网络的输入，并用梯度下降法训练此子网络

2.2.3把训练好的第i-1个子网络的隐含层作为第i个子网络的输入，并用梯度下降法训练第i个子网络，i＝2,3,...,L_sub。

2.2.4第L_sub个子网络的隐含层Y_Lsub作为最终提取出的特征向量X＝{x¹,x²,...,x^N}。

2.2.5网络的输出即为X＝{x¹,x²,...,x^N}

分类模块6，用以根据特征提取模块提取出的特征向量对图像进行分类，过程如下：

式如下：

3.2分类器的分类结果，公式如下：

R_i表示图像x_i的分类结果，N表示输入图像的个数，k表示决策层决策元的个数。

3.3若分类器已训练过，R＝{R₁,R₂,...,R_N}即为分类器的输出；否则，进入3.4。

3.4训练分类器以得到分类器模型参数，分类器的损失函数如下：

所述的特征提取模块5，一种优选的方案：各个子网络的损失函数为：

所述的上位机3还包括：结果显示模块7，将分类模块的分类结果在上位机显示。

所述上位机3的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和检测结果。

Claims

1.一种高准确率高敏捷性的水下激光目标识别仪，包括激光探测器、数据库以及上位机，激光探测器、数据库和上位机依次相连，其特征在于：所述上位机由数据预处理模块、特征提取模块和分类模块依次相连组成；所述激光探测器对所检测水域进行探测，并将带有噪声的激光数据存储到所述的数据库，数据预处理模块对存储在数据库中的激光探测器采集到的灰度图像进行预处理；特征提取模块搭建无监督自动编码网络来提取经过数据预处理模块处理过的图像的特征向量；分类模块根据特征提取模块提取出的特征向量对图像进行分类；

数据预处理模块，采用如下过程完成：

(2.1)从数据库中采集N个带有噪声的激光灰度图像

作为训练样本，其中S^*表示带有噪声的激光灰度图像矩阵，

分别表示第1,2,...,N个带有噪声的激光灰度图像；

(2.2)对训练样本的灰度直方图进行均衡化处理，公式如下：

其中，x_ig表示第i个样本的第g个灰度均衡化后的结果，R表示图像像素的行数，C表示图像像素的列数，r_j表示第j个灰度，n_j表示当前图像中灰度为r_j的像素的个数，p_r(·)表示概率分布，T(·)表示直方图均衡化变换，L表示图像的灰度数量；灰度直方图进行均衡化处理后的图像为S＝{x₁,x₂,...,x_N}，其中S表示灰度直方图进行均衡化处理后的激光灰度图像矩阵，x₁,x₂,...,x_N分别表示第1,2,...,N个灰度直方图进行均衡化处理后的激光灰度图像；

特征提取模块，采用如下过程完成：

(3.1)搭建上述网络的各个子网络：

Y_i＝σ(W_i1·X_i+b)

X′_i＝σ(W_i2·Y_i+b^T)

Loss_i＝J(X_i,X′_i)

其中，X_i表示第i个子网络的输入，Y_i表示第i个子网络的隐含层，W_i1表示第i个子网络连接输入层和隐含层的权重，b表示第i个子网络输入层和隐含层之间的偏置；X′_i表示第i个子网络的输出，W_i2表示第i个子网络连接隐含层和输出层的权重，b^T表示第i个子网络隐含层的输出层之间的偏置，Loss_i表示第i个子网络的损失函数，J(·)表示损失函数，σ(·)表示激励函数，W_i表示该子网络里的所有权重，L_sub表示子网络的个数；

(3.2)训练上述各个子网络，搭建总的无监督自动编码网络，包括以下子步骤：

(3.2.1)把灰度直方图均衡化处理后的图像S＝{x₁,x₂,...,x_N}作为第一个子网络的输入，并用梯度下降法训练此子网络；

(3.2.2)把训练好的第i-1个子网络的隐含层作为第i个子网络的输入，并用梯度下降法训练第i个子网络，i＝2,3,...,L_sub；

(3.2.3)第L_sub个子网络的隐含层

作为最终提取出的特征向量X＝{x¹,x²,...,x^N}；

x¹,x²,...,x^N分别表示x₁,x₂,...,x_N的特征向量，X表示特征向量矩阵；

(3.2.4)网络的输出即为X＝{x¹,x²,...,x^N}；

分类模块，采用如下过程完成：

(4.1)建立分类器，特征提取模块提取出的特征向量X＝{x¹,x²,...,x^N}作为分类器的输入，公式如下：

其中，θ表示分类器模型的参数，y表示决策层的输出结果，j表示决策结果是第j个类别，θ_j表示第j个决策元的参数，θ_l表示第l个决策元的参数，p(·)表示概率，k表示决策层的决策元的个数；决策层的输出为P_i＝{p_i1,p_i2,...,p_ik}，i＝1,2,...,N，N表示输入图像的个数；其中，p_i1,p_i2,...,p_ik分别表示第i个图像属于第1,2,...,k类的概率，P_i表示概率矩阵；

(4.2)分类器的分类结果，公式如下：

RE_i表示图像x_i的分类结果，N表示输入图像的个数，k表示决策层决策元的个数；

(4.3)训练分类器以得到分类器模型参数，分类器的损失函数如下：

其中，J(·)表示损失函数，y⁽ⁱ⁾表示训练过程中对第i个图像的识别结果，θ_j表示第j个决策元的参数，λ表示惩罚因子，n表示特征向量的维度，θ_ij表示连接分类器中连接特征向量第j个维度和第i个决策元的参数，N表示输入图像的个数，k表示决策层决策元的个数；分类器根据损失函数，采用梯度下降法进行训练得到模型的参数；

所述特征提取模块的各个子网络的损失函数为：

表示隐藏神经元j的平均激活度；a_j(xⁱ)表示在输入数据为xⁱ的情况下，隐藏神经元j的激活度；s表示隐藏神经元的个数；N表示输入图像的个数，k表示决策层决策元的个数；

所述上位机还包括：结果显示模块，用以将分类模块的分类结果在上位机上显示。