基于深度卷积特征的水下静目标识别方法研究

摘要

随着科学的发展，物质的丰富，人口、资源和环境成为人类正面临的三座大山。为了人类的可持续发展和长期生存，人们把越来越多的目光转向海洋开发。海洋作为国土的一部分，安全性日益受到挑战。水下目标识别技术作为海洋开发与海洋安全防卫的支撑性技术越来越得到大家的重视。水下目标识别是实现水下作业智能化不可或缺的一环，充当着人类“看”的功能，本文旨在研究以深度卷积神经网络为基础的水下目标识别技术，其中包括如下研究内容: 1.针对水下图像高噪声、低对比度的特点，分析了各种经典水下图像滤波技术和局部增强技术。首先，为了减小图像预处理时间过长对目标识别的影响，提高目标识别效率，本文提出基于集合一致性分解加速的中值滤波技术，同时联合均值滤波技术，提出一种中值-均值快速滤波技术，有效降低了图像的混合噪声;然后，针对水下图像对比度低的特点，分析对比多种局部增强方法，选择了最适合水下多样数据的局部增强方法作为后续实验的预处理方法。 2.为了设计实现水下深度卷积网络进行水下静目标识别，首先深入分析了卷积网络的设计思想及可借鉴经典结构，然后结合多数水下目标的特点，分析了将卷积神经网络直接用于水下目标识别存在的瓶颈问题，即深度网络与小样本目标之间的矛盾关系。 3.将深度神经网络引入水下光学图像识别任务，建立了水下目标智能识别总体框架，通过迁移学习策略设计了水下端到端的通用识别网络模型，进一步分析了深度网络学习中的参数选择原则与特点，选择了合适的网络超参数与优化方法来降低模型的过拟合效应。 4.进行水下图像预处理分析，然后从传统卷积、深度卷积和基于迁移学习策略的深度卷积三个层次递进设计水下静目标识别仿真实验，实现了基于深度卷积特征的水下静目标识别，并比较了多种方法的识别效果，为以后的学术研究与工程应用做出了实际参考。 本课题研究以深度卷积神经网络为基础的水下目标识别技术，其中包含了对水下光学图像的滤波与局部增强预处理，建立水下目标智能识别框架，借助迁移学习策略设计水下通用端到端识别网络，同时引入数据增强技术，最终实现了以深度卷积神经网络为基础的水下静目标识别，并与传统识别方法做了对比。

目录

声明

摘要

第1章绪论

1．1课题研究的背景与意义

1．2传统水下目标识别国内外发展状况

1．3．1水上目标识别国内外发展状况

1．3．2水下目标识别国内外发展状况

1．4论文结构安排

第2章水下图像预处理

2．1概述

2．2图像去噪及局部增强背景

2．3基于中值-均值的快速混合噪声滤波算法

2．3．1自适应中值滤波与均值滤波

2．3．2集合一致性分解

2．3．3中值-均值联合滤波算法

2．3．4算法验证

2．4水下图像局部增强方法

2．4．1直方图均衡化

2．4．2对比度受限的自适应直方图均衡化

2．4．3无监督彩色校正

2．5本章小结

第3章卷积神经网络方法及水下目标识别应用瓶颈剖析

3．1概述

3．2卷积神经网络基本概念与核心思想

3．3卷积神经网络常用结构与激活函数

3．4经典卷积网络及研究难点

3．5卷积神经网络用于水下目标识别存在的问题

3．6本章小结

第4章基于深度卷积特征的水下静目标识别方法

4．1概述

4．2总体识别方案设计

4．3．1一次网络设计

4．3．2二次网络设计

4．4损失函数分析与选择

4．4．1均方误差损失函数

4．4．2交叉熵损失函数

4．5激活函数分析与选择

4．6参数优化方法分析与选择

4．6．1梯度下降优化算法

4．6．2正则化方法

4．7数据增强

4．8本章小结

第5章实验设计与结果分析

5．1实验概述

5．1．1运行环境

5．1．2数据集的建立

5．1．3评价指标

5．2．1水下图像滤波结果分析

5．2．2水下图像局部增强结果分析

5．3．1基于传统卷积神经网络的水下静目标识别

5．3．2基于深度卷积神经网络的水下静目标识别

5．3．3基于二次网络模型的水下静目标识别

5．4对比实验结果分析

5．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢