一种无人船海上大类目标视觉图像识别方法与流程

本发明涉及船舶视觉系统领域，特别是一种无人船海上大类目标视觉图像识别方法。

背景技术：

随着全球经济快速的发展，人工智能等新技术、新理念的飞速发展，无人船艇迎来了发展黄金期，其应用面变拓宽很多。它可用来执行扫雷、反潜、反恐攻击等军事领域的任务；也可用来执行救灾搜救、水质监测、港口船只排污检测等民用领域的任务。

无人船实现自主航行是进行上述任务的关键，而自主航行又必须依赖船艇可自行探测识别周围的环境和目标的能力。通常大型船只多用雷达探测器，但雷达要实现探测要求，所消耗的功率能量较多，而且雷达探测经常受海洋中的各种电磁波、海面回波及地球曲面的干扰。这就使得它用到无人船艇时，既要占据很大的空间，同时在识别周围环境目标时，存在不稳定性。而机器视觉具有较强的识别能力，同时其识别鲁棒性较强。

传统的海上目标检测方法有利用遥感图像进行海上目标检测，但将其应用到无人船艇时，由于其在进行图像传输时需要花费大量时间，这直接影响无人船的自主航行效果。之后研究人员凭借全景摄像机，可以直观的获取无人船艇周围的图像，再对图像中目标进行检测识别，这也成为无人船艇在检测识别周围环境目标时的技术主流。

海上大类目标多分为岛屿，船只，浮标等，它们的外形轮廓具有的明显的区别，无人船艇可以凭借此特点在进行图像目标识别时，参照目标的外形轮廓来进行判断识别。传统的方法，获取图像目标的外形轮廓特征后，利用bp神经网络或svm神经网络对图像目标进行分类。而bp神经网络的收敛速度慢，而且很容易产生局部最优解，从而使网络训练过程的效率得不到保证。传统svm算法只给出了二类分类的算法，后来很多人对其做出了改进，并借助多个二分类svm来处理多分类的问题，但这改变不了其在处理多分类问题时固有的困难，同时它也存在再训练数据较大时将耗费大量的机器内存和运算时间的缺点。

黄广斌教授等人提出了极限学习机(extremelearningmachine，elm)算法。elm是一种快速的的单隐层神经网络(single-hiddenlayerfeedforwardneuralnetwork，slfn)训练算法。该算法的隐层节点参数可随机选取，且只需要设置隐含层神经元的个数，即可获得唯一最优解，网络的输出权值是通过最小化平方损失函数得到的最小二乘解，网络参数的确定不需要迭代，训练时间大大减少。与传统的神经网络训练方法相比，该方法具有学习速度快、泛化性能好等优点，且经验证，它在处理多类分类问题时同样具有很强的泛化能力。将elm与船艇图像目标分类识别相结合，既可以提高正确识别率，又可以缩短训练时间。

技术实现要素：

本发明的目的在于克服传统神经网络在进行目标分类时，训练时间长，泛化能力较弱的缺点，提供一种无人船海上大类目标视觉图像识别方法。

为实现上述目的，本发明的技术方案是：一种无人船海上大类目标视觉图像识别方法，包括如下步骤：

步骤s1、设计海上大类目标视觉图像预处理模块，以对采集的海上大类目标视觉图像进行预处理；

步骤s2、设计海上大类目标视觉图像hu不变矩和仿射不变矩的7个特征提取模块，以求取预处理后海上大类目标视觉图像的三个hu不变矩和四个仿射不变矩，作为目标特征；

步骤s3、设计elm海上大类目标分类器，训练获得elm海上大类目标分类器；

步骤s4、将实际待识别的海上大类目标视觉图像经由步骤s1、s2处理，输入步骤s3获得的elm海上大类目标分类器，即可实现无人船海上大类目标视觉图像的分类识别。

在本发明一实施例中，所述步骤s1具体实现过程如下：

步骤s11、将采集的海上大类目标视觉图像统一像素大小，然后再转化为灰度图像；

步骤s12、将步骤s11转化后的灰度图像采用高斯低通滤波去噪处理；

步骤s13、对步骤s12处理的图像进行边缘检测化。

在本发明一实施例中，所述步骤s2具体实现过程如下：

设经步骤s1预处理后的海上大类目标视觉图像像素大小为m*n的二值图像f(i,j)，其p+q阶几何矩mpq和中心距μpq为：

其中，

为图像灰度质心坐标，为消除图像比例带来的影响，将中心距归一化：

利用二阶和三阶归一化后的中心距求取hu不变矩(φ1，φ2，φ3)和仿射不变矩(i1，i2，i3，i4)：

在本发明一实施例中，所述步骤s3实现方式为：随机选取80％的海上大类目标视觉图像的样本图像，将它们的不变矩特征作为elm神经网络的输入，对应样本海上大类目标视觉图像的编号作为elm神经网络的输出，进行训练，然后将剩余20％的海上大类目标视觉图像作为测试图像；待测试图像正确识别率达到给定要求，选用对应网络作为最终的elm海上大类目标分类器。

在本发明一实施例中，所述步骤s3中，elm神经网络的算法实现如下：

针对训练数据样本{(xi,ti)|xi∈r^d,ti∈r^m,i＝1,…,n}，具有n个输入和l个隐层神经元的单隐层前向神经网络的输出函数表达式为：

其中，和bi为隐层节点参数，βi表示连接第j个隐含层和网络输出之间的输出权值，g(x)为就激活函数，且激活函数满足无限可微，网络中输入与隐含层节点之间的参数和隐含层节点偏置值bi，可以在初始化时随机赋值，且在训练过程保持固定；表示第j个隐层对于样本x的隐层节点输出；而隐含层与输出层之间的连接权值β可以通过以下公式求解：

其中，和

h叫做隐层输出矩阵，相应的第i列表示第i隐层元对应的于输入x1,x2,…xn的输出量，第j行表示所有的隐层元对应于输入xj的输出量；

训练这个网络就等同于求系统hβ＝t的最小二乘解

相较于现有技术，本发明具有以下有益效果：本发明方法抓住海上不同大类目标的关键区别之处，将具有平移，旋转，尺度不变性特点的不变矩特征，与具有训练速度快，泛化能力强的elm神经网络相结合，应用于无人船艇的视觉识别系统系统，提升了无人船艇的自主航行能力。

附图说明

图1为本发明图像预处理模块流程图。

图2为本发明elm分类器训练流程图。

图3为本发明实际海上大类目标识别过程。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种无人船海上大类目标视觉图像识别方法，包括如下步骤：

步骤s1、设计海上大类目标视觉图像预处理模块，以对采集的海上大类目标视觉图像进行预处理；

步骤s2、设计海上大类目标视觉图像hu不变矩和仿射不变矩的7个特征提取模块，以求取预处理后海上大类目标视觉图像的三个hu不变矩和四个仿射不变矩，作为目标特征；

步骤s3、设计elm海上大类目标分类器，训练获得elm海上大类目标分类器；

步骤s4、将实际待识别的海上大类目标视觉图像经由步骤s1、s2处理，输入步骤s3获得的elm海上大类目标分类器，即可实现无人船海上大类目标视觉图像的分类识别。

所述步骤s1具体实现过程如下：

步骤s11、将采集的海上大类目标视觉图像统一像素大小，然后再转化为灰度图像；

步骤s12、将步骤s11转化后的灰度图像采用高斯低通滤波去噪处理；

步骤s13、对步骤s12处理的图像进行边缘检测化。

所述步骤s2具体实现过程如下：

设经步骤s1预处理后的海上大类目标视觉图像像素大小为m*n的二值图像f(i,j)，其p+q阶几何矩mpq和中心距μpq为：

其中，

为图像灰度质心坐标，为消除图像比例带来的影响，将中心距归一化：

利用二阶和三阶归一化后的中心距求取hu不变矩(φ1，φ2，φ3)和仿射不变矩(i1，i2，i3，i4)：

所述步骤s3实现方式为：随机选取80％的海上大类目标视觉图像的样本图像，将它们的不变矩特征作为elm神经网络的输入，对应样本海上大类目标视觉图像的编号作为elm神经网络的输出，进行训练，然后将剩余20％的海上大类目标视觉图像作为测试图像；待测试图像正确识别率达到给定要求，选用对应网络作为最终的elm海上大类目标分类器。

其中，elm神经网络的算法实现如下：

针对训练数据样本{(xi,ti)|xi∈r^d,ti∈r^m,i＝1,…,n}，具有n个输入和l个隐层神经元的单隐层前向神经网络的输出函数表达式为：

其中，和bi为隐层节点参数，βi表示连接第j个隐含层和网络输出之间的输出权值，g(x)为就激活函数，且激活函数满足无限可微，网络中输入与隐含层节点之间的参数和隐含层节点偏置值bi，可以在初始化时随机赋值，且在训练过程保持固定；表示第j个隐层对于样本x的隐层节点输出；而隐含层与输出层之间的连接权值β可以通过以下公式求解：

其中，和

h叫做隐层输出矩阵，相应的第i列表示第i隐层元对应的于输入x1,x2,…xn的输出量，第j行表示所有的隐层元对应于输入xj的输出量；

训练这个网络就等同于求系统hβ＝t的最小二乘解

以下为本发明的具体实施过程。

一种无人船海上大类目标视觉图像识别方法，实现如下：

(1)设计海上目标视觉图像预处理模块，结构图如图1所示。

(101)无人船艇通过全景相机获取真彩海上目标图像(rgb图像)，获取的图像储存为一个数据矩阵，而矩阵的元素定义了每个像素的r、g、b值，先将图像像素统一为320*450，然后对其灰度转化处理。灰度化处理，即将彩色图像的每个像素的彩色值转化为有效的亮度值y，其计算公式为：

y＝0.3r+0.59g+0.11b(2.1)

(102)转化后的灰度图像利用高斯低通滤波原理进行去噪，该处理方式为现有处理技术，此处就不在叙述。

(103)去噪后的图像采用传统的canny边缘检测算子进行边缘检测，检测后的图像为每个像素只取俩个灰度值(0和1)的二值图像。

这样三步连起来就组成了海上目标视觉图像的预处理模块。

(2)对二值图像求取hu不变矩(φ1，φ2，φ3)和仿射不变矩(i1，i2，i3，i4)，具体如下：

一副海上大类目标视觉图像预处理后变为一幅320*450的二值图像f(i,j)，其p+q阶几何矩mpq和中心距μpq为：

其中，

为图像灰度质心坐标，为消除图像比例带来的影响，将中心距归一化：

利用二阶和三阶归一化后的中心距求取hu不变矩(φ1，φ2，φ3)和仿射不变矩(i1，i2，i3，i4)：

(3)设计elm分类器(图2所示)：

本例取岛屿，船只，浮标为三大类海上识别目标，每类海上目标取125张彩色视觉样本图像，其中每类海上目标随机取100张作为训练图像，剩余的25张作为测试图像。(此处样本数量仅为参考数量)

岛屿，船只，浮标的样本视觉图像分类编号，其中岛屿类为001，船只类为010，浮标类为100，三种不同编号。

所有视觉样本图像统一像素为320*450，再根据公式(2.1)灰度化处理，处理后的图像依照现有的高斯低通滤波技术进行去噪处理，处理后再通过canny算子边缘检测方法获取识别目标的边缘轮廓。

所有预处理后的样本图像采用上面提到的hu不变矩和仿射不变矩提取方法，获得对应的特

征组。

各类样本的训练图像特征组构成大小为300*7的矩阵pn，对应的编号组构成大小为300*3的矩阵tn；剩余的测试图特征数据组构成大小为75*7的矩阵pt，其对应的编号组构成大小为75*3的矩阵tt。

针对训练数据样本(pn,tn)，具有7个输入55个隐层神经元(此处隐含层神经元个数仅为参考)的单隐层前向神经网络的输出函数表达式为：

其中和bi为隐层节点参数，βi表示连接第j个隐含层和网络输出之间的输出权值，且和bi进行初始化时随机赋值，且在训练过程保持固定。

而隐含层与输出层之间的连接权值β可以通过以下公式求解。

求取和bi及的值后，直接将pt带入式(1.1)，计算结果与tt比较，得出正确识别率，按照识别要求不断调试训练网络，得出测试结果较好的elm分类器。

如图3所示，实际待识别的海上大类目标视觉图像按步骤(1)处理后，再按步骤(2)获取图像特征，将待识别图像特征输入训练好的elm目标分类器，分类器将给出识别判断的结果。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。