一种用于动力浮标的水下渔网实时自主识别的方法与流程

本发明涉及水下目标识别领域，尤其是一种用于动力浮标的水下渔网实时自主识别的方法。

背景技术：

近几年来我国对海洋权益的保护力度越来越大，人们对于海洋资源的需求也越来越大，海洋资源的开发迎来高潮。随着海洋保护力度的增大，海洋巡逻以及海底作业也越来越广泛，但是渔网缠住螺旋桨的事故时有发生，给国家带来了很大的直接或者间接地损失。比如2005年，一艘轮船的螺旋桨被渔网缠住失去动力，在多名潜水员水下轮流作业数个小时后才恢复正常，但是造成了尾轴油封损坏，导致润滑油泄漏，给船东和养殖场带来了巨大的经济损失。

动力浮标是一种不需要锚泊固定，可以使用自身的水下推进器实现自主移动和定点停留的浮标。因此与船舶一样，动力浮标的水下推进器在水下转动时，也很容易受到渔网干扰。

目前对渔网仍然缺乏有效的检测手段，渔网往往处于水下数米甚至数十米，仅凭肉眼是很难观察到的，所以发展一种基于视觉的渔网检测识别方法很有必要。现在的探测技术主要包括声学成像和光学成像，声学成像是利用声波判断水下物体的位置，形状和距离，具有视野宽，范围大的优点。但是和光学成像相比，声学成像分辨率低，噪声严重，图像质量不高，无法探测小目标。光学成像则是直接获取视频图像，分辨率高，有利于检测小目标。根据渔网自身的特点，网线仅为几毫米，网目是厘米量级，因此光学成像是适合探测渔网的技术手段。但是由于渔业的发展需求，近海的渔网较多，水质较差，水下的清晰度很差，而且光学成像容易受光照的影响，使视频图像中噪声的干扰比较严重，同时由于缺乏有效的渔网识别手段，渔网识别技术还有很大的空间去改善；因此需要设计一种自带调节光强的led灯，且基于光学视频图像的渔网自主识别方法，并以此实时指导动力浮标水下推进器进行相应动作，避免推进器被渔网缠住的现象的发生。

技术实现要素：

本发明的目的在于提供一种不仅能够在水下复杂环境下实现渔网的实时自主识别，而且能有效地提高渔网识别的准确率和效率的用于动力浮标的水下渔网实时自主识别的方法。

本发明的目的是这样实现的：

(1)利用水下摄像机采集视频图像；

(2)将水下摄像机得到的视频图像进行清晰度评价；

(3)如果采集到的图像的清晰度小于设定的阈值，则打开led灯进行照明，将led灯的光照强度分为由小到大的若干个档位，每个档位都对应着一定的清晰度范围，根据清晰度的大小选择对应的led灯的档位，将水下led灯的亮度调节到相应的档位；返回步骤(1)重新采集视频图像，如果采集到的图像的清晰度不小于设定的阈值，则继续进行步骤(4)；

(4)对采集到的视频图像进行图像预处理，包括：小波变换去噪方法去除高斯噪声，低通滤波去除随机噪声，多尺度retinex方法用于图像增强，双边滤波方法用于解决照度估计失真；

(5)将处理后的视频图像转化成二值图像；

(6)图像处理平台利用霍夫变换检测出渔网网线，包括横着的网线还有竖着的网线；

(7)根据检测到的网线，计算出任意偶数条横线、斜率k∈[0,j)∪(-i,0)和偶数条竖线、斜率k∈[j,+∞)∪(-∞,-i]之间的网格数量，存到集合d中；计算出任意奇数条横线和奇数条竖线之间的网格数量，存到集合e中；计算出任意奇数条横线和偶数条竖线之间的网格数量，存到集合f中；

(8)如果集合d中的每个值都为奇数，并且e与f中的每个值都为偶数，就判断为渔网，否则，不满足其中的任何一个条件都判断为非渔网，将相关信息提交给动力浮标的运动工作模块，指导其水下推进器的工作状态，然后返回步骤(1)。

为了解决动力浮标的水下推进器被渔网缠住的问题，本发明提出了一种用于动力浮标的水下渔网实时自主识别的方法。包括：自动调节光强的led灯，用于水下照明，使水下摄像机得到清晰的视频图像。抗水压良好的黑白摄像机，用于采集视频图像，并将视频图像传回到嵌入式图像处理平台。嵌入式图像处理平台，用于运行一种水下渔网实时自主识别的方法，并根据该方法给出的信息指导动力浮标的水下推进器工作状态。

本发明具有以下技术成果：

1、利用本发明的自动调节照明光强的方法可以有效提高照明可见度和视频清晰度，获得噪声干扰较小的视觉图像，提高识别效率和准确率。

2、利用本发明可以实现渔网的自主识别，使动力浮标的水下推进器根据具体情况进行自主判断，有效的减少渔网缠绕推进器所带来的损失。

附图说明

图1用于动力浮标的水下渔网实时自主识别的方法的流程图。

图2小波变换去噪方法步骤图。

具体实施方式

下面结合附图举例对本发明作进一步描述。

结合图1，本发明的用于动力浮标的水下渔网实时自主识别的方法包括以下步骤：

步骤1：利用水下led灯和水下摄像机获取目标区域的视频图像。水下led灯安装在动力浮标的前方，用于给水下摄像机进行照明，使得拍摄的图像更加清晰可靠。水下摄像机安装在led灯的上方，用于采集目标区域的图像，进行渔网的识别。

步骤2：将步骤1采集到的视频图像传输到嵌入式图像处理平台，进行水下视频图像的清晰度评价。

所述的清晰度评价方法是基于tenengrad评价函数的清晰度评价方法。在图像处理中，一般认为对焦好，也即清晰度较好的图像具有更尖锐的边缘，因此具有更大的梯度函数值。

tenengrad函数使用sobel算子提取水平方向和垂直方向的梯度值，其具体过程如下：

令gx(x,y)，gy(x,y)分别是图像像素点m(x,y)与sobel边缘算子的卷积

定义该图像的tenengrad值为

ten值越大表示图像越清晰。

步骤3：当ten＜d(d为阈值)时，说明当前图像不清晰，需要打开led灯进行照明。将0＜ten＜d平均分为m个档位，将led灯的光照强度分为由小到大的r个光强档位。如果其中n∈r，那么将led灯调节到第n个档位，从而提高照明可见度和视频清晰度，继而有效提高渔网的识别效率，返回步骤1重新采集视频图像。当ten≥d时，说明当前图像清晰，满足下一步进行图像处理的要求，继续进行步骤4。

步骤4：图像预处理步骤主要包括：小波变换去噪方法去除高斯噪声，低通滤波去除随机噪声，多尺度retinex方法用于图像增强(突出边缘特征)，双边滤波解决照度估计失真问题。

所述的小波变换去噪方法主要是去除高斯噪声，使水下摄像机采集到的图像清晰，最大限度的保留图像的细节特征，小波变换去噪方法原理如下所示：

将含噪信号进行多尺度小波变换，从实域变换到小波域，然后在各尺度下尽可能的提取信号的小波系数，而去除噪声的小波系数。最后用小波逆变换重构信号。其流程如图2所示。

所述的低通滤波方法主要是去除小波变换去噪方法没有去除的随机噪声点。

所述的多尺度retinex方法主要用于对降噪后的图像进行增强，这一操作实现步骤如下：

给定一幅图像s(x,y)，可以分解为反射图像r(x,y)和入射图像l(x,y)，给定图像与反射图像和入射图像之间的关系如下式：

s(x,y)＝r(x,y)·l(x,y)(3)

l又称为光照分量，r又称为反射分量。多尺度retinex的基本思想是，在s中，降低l的影响，从而尽量保留物体本质的反射属性，即r。所述方法的表达式如下：

r(x,y)为反射图像，k是尺度数，通常取k为3，并且权值为*表示卷积运算，f是中心环绕函数，即高斯函数，卷积核：

其中的λ是归一化常数，确保卷积核内部的积分为1，c为卷积核尺寸。

中心环绕函数可以估计出光照分量l所对应图像的低频成分，并从s中去除低频成分，剩下来的就是高频分量，即反射分量r，保留了图像的边缘细节。

所述双边滤波方法主要是解决多尺度retinex方法造成的区域照度估计失真而出现的“光晕伪影”现象，提高图像的清晰度，有利于以后图像的边缘提取。

步骤5：将所获得的图像转化为二值图像。

步骤6：所述霍夫变换用于来提取二值化图像中的渔网网线，得到渔网所在的直线集合。它的主要思想是通过将图像上(直角坐标系)直线方程的参数和变量互换，从而实现图像上的每一个非零像素点，变换为参数空间(极坐标)的一条直线，而图像上属于同一条直线的点便在参数空间形成多条直线并相交于一点，该点在参数空间的坐标即为对应直线的参数。因此，在参数空间中，通过计算累计结果的最大值，即可得到图像上直线的集合。

步骤7：根据直线集合获得网格集合，计算任意偶数条横线和竖线之间的网格数量，存到集合d中。计算任意奇数条竖线和横线之间以及任意奇数条横线和偶数条竖线之间的网格数量，并分别存到集合e和f中。

步骤8：如果集合d中的任意数值为奇数，集合e和f中的任意数值为偶数，则判断为渔网，不满足其中任意条件者为非渔网。将相关信息提交给动力浮标的运动工作模块，以指导其水下推进器的工作状态，然后返回步骤1。

上述判断条件依据是：渔网由网格组成，每个网格都是有两条横线和两条竖线组合成的封闭图形。有几何知识可知，任意奇数条横线和竖线以及奇数条横线和偶数条竖线之间肯定是包含了偶数个没有交集的四边形，而任意偶数条横线和竖线之间肯定是包含了奇数个没有交集的四边形，所以根据这种结果就可以判断出目标是否是网状结构。