基于CNN、迁移学习和SVM的水下光源识别算法

摘要

水下光源作为AUV((Autonomous Underwater Vehicle)近距离视觉定位的目标物体,其识别质量将直接影响到AUV水下近距离对接时的定位精度,为了精准地对水下检测到的光源进行识别,论文提出了一种基于卷积神经网络(Convo-lutional Neural Network,CNN)、支持向量机(Support Vector Machine,SVM)和迁移学习的定位目标光源识别方法.该方法首先将ImageNet上的数据集带入CNN进行训练得到初始的CNN模型,然后基于迁移学习的思想,将采集到的水下光源图像带入模型对参数进行调整,最后去掉模型的Softmax函数,取出处于CNN模型全连接层输出的4096维特征组成特征向量,带入SVM对目标图像进行分类,从而提取出真目标光源,剔除掉伪光源和其他水下目标.结果表明,采用该方法对于水下光源的识别具有较强的鲁棒性和缩放、平移、旋转变换不变性.