[发明专利]基于SSD的声呐目标检测方法

摘要

本发明公开了基于SSD的声呐目标检测方法。当下的水下目标检测识别方法难以精准的同步识别多个目标。本发明如下：一、建立SSD神经网络模型。二、用需要被识别的声呐数据生成n张被测声呐图像。三、将被测声呐图像送入SSD神经网络模型，获取特征图。四、对特征图设置检测框。五、将检测框输入两个卷积核，获取检测框针对各个目标类别的类别分数以及形状偏移量。六、确定被测声呐图像含有的目标类型，并框选出所有目标。本发明将深度学习技术融入到声呐目标检测中，将声呐数据生成的声呐图像输入SSD神经网络模型中，在模型中一次性完成特征提取、目标检测、目标分类，从而大大提高检测速度。

主权项

1.基于SSD的声呐目标检测方法，其特征在于：步骤一、建立SSD神经网络模型，SSD神经网络模型包括共享卷积层、卷积层conv12、卷积层conv13、卷积层conv14、卷积层conv15、卷积层conv16、卷积层conv17和全连接层；将大于1000张训练用的声呐图像输入SSD神经网络模型进行训练；训练用的声呐图像中共包含有a种类别的目标；步骤二、用需要被识别的声呐数据生成n张被测声呐图像，并将n张被测声呐图像缩放至相同大小；i＝1,2,…,n，依次执行步骤三至七；步骤三、将第i张被测声呐图像送入SSD的共享卷积层，得到第一层特征图；步骤四、将步骤二所得的第一层特征图依次通入卷积层conv12、卷积层conv13、卷积层conv14、卷积层conv15、卷积层conv16、卷积层conv17；卷积层conv13、卷积层conv14、卷积层conv15、卷积层conv16、卷积层conv17分别输出第二层特征图、第三层特征图、第四层特征图、第五层特征图、第六层特征图；步骤五、对第一层特征图、第二层特征图、第三层特征图、第四层特征图、第五层特征图、第六层特征图上的每个像素点均设置六个检测框；第k层特征图内所有像素点对应的前五个检测框的大小均为S_k；S_k的表达式如下：其中，S_min的取值为0.2；S_max的取值为0.9；S_k为四舍五入所得值；第k层特征图内所有像素点对应的第六个检测框的大小均为k＝1,2...,6，其中，S₇＝312；前五个检测框的长宽比分别为1、2、3、1/2、1/3；第六个检测框的长宽比分别为1；步骤六、j＝1,2,…,6，依次执行步骤七；步骤七、将步骤五所得的第j层特征图内所有的检测框分别通入第一卷积核和第二卷积核；第一卷积核的尺寸为3×3×p_j×2，p_j为被第j层特征图的层数；第二卷积核的尺寸为3×3×p_j×4，p_j为被第j层特征图的层数；每个检测框均输出一个特征向量；特征向量包括对应检测框针对各个目标类别的类别分数以及形状偏移量；形状偏移量包括横坐标偏移量、纵坐标偏移量、长度偏移量和宽度偏移量；步骤八、将步骤六和七所得的所有特征向量均送入全连接层；全连接层将所有特征向量内的类别分数归一化，得到各检测框中获得针对a个目标类别的a个概率；保留各检测框的a个概率中的最大值，将其余a‑1个概率均置为0；步骤九、将1赋值给j；步骤十、若存在一个或多个检测框针对第j个目标类别的概率大于阈值s，则判断第i张被测声呐图像中存在属于第j个目标类别的目标，针对第j个目标类别的概率大于阈值s的检测框作为特征检测框，进入步骤十一；s的值取0.8～0.97；否则直接进入步骤十四；步骤十一、将步骤十获得的多个特征检测框分为b_j个特征框群；互相之间相交的特征检测框组成一个特征框群；将1赋值给l进入步骤十二；步骤十二、通过非极大值抑制算法选取第l个特征框群中针对第j个目标类别的概率最大的特征检测框作为第l个目标检测框；在第i张被测声呐图像上框选出几何中心位于第行第列，长度为g^w，宽度为g^w的目标框；之后进入步骤十三；其中，为第l个目标检测框的横坐标偏移量；为第l个目标检测框的纵坐标偏移量；为第l个目标检测框的长度偏移量；为第l个目标检测框的宽度偏移量；均在步骤七中计算得到；为特征检测框集合中心的横坐标；为特征检测框几何中心的纵坐标；为特征检测框的长度；为特征检测框的宽度；步骤十三、若l＜b_j，则将l增大1，并重复执行步骤十二；否则，进入步骤十四；步骤十四、若j＜a，则将j增大1，并重复执行步骤十至十三；否则，识别结束。