(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111607003.8 (22)申请日 2021.12.27 (71)申请人 青岛澎湃海 洋探索技 术有限公司 地址 266000 山东省青岛市崂山区海口路 257号， 蔚蓝海岸世纪大厦6层 (72)发明人 于菲　何波　 (74)专利代理 机构 青岛汇智海纳 知识产权代理 有限公司 373 35 代理人 王丹丹 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 3/40(2006.01) G06T 5/00(2006.01) (54)发明名称 基于超分辨可选择网络的多AUV的水下目标 识别方法 (57)摘要 本发明公开一种基于超分辨可选择网络的 多AUV的水下目标识别方法， 采集声学图像与光 学图像信息， 进行色彩恢复和数据重构， 通过图 像超分辨率提升图像质量， 实现水下图像的超分 辨率； 目标特征提取 以及目标特征相似度量： 基 于轻量级的卷积神经网络， 融合多AUV收集的目 标信息的特征， 采用马氏距离计算特征之间的相 似度； 设定阈值， 根据阈值与相似度之间的关系 设计学习模型， 分别进行不同情况下的目标识 别； 当相似度高于阈值时， 采用改进的迁移学习 进行识别， 减少AUV计算能耗， 保证算法的实时 性。 当相似度低于阈值时， 则采用少样本学习对 目标进行识别， 对背景复杂造成的特征不明显的 目标信息进行集中训练， 提取有效特征， 减少环 境因素的干扰， 实现实现多AUV 的高效水下目标 识别。 权利要求书4页 说明书13页 附图3页 CN 114266977 A 2022.04.01 CN 114266977 A 1.一种基于超分辨可选择网络的多AUV水下目标识别方法， 其特征在于， 包括以下步 骤： 步骤A、 采集声学图像与光学图像信息， 进行色彩恢复和数据重构， 实现图像超分辨率， 提升图像质量； 步骤B、 目标特征提取以及目标特征相似度量： 基于轻量级的卷积神经网络， 融合多AUV 收集的目标信息的特 征， 采用马氏距离计算特 征之间的相似度； 步骤C、 设定阈值， 根据阈值与相似度之间的关系设计学习模型， 分别进行不同情况下 的目标识别； 当相似度大于等于阈值时， 采用改进的迁移学习对目标进行识别： 基于改进型的 mobilenetv2权 重初始化de eplabv3+网络， 对目标进行识别； 当相似度小于阈值时， 采用少样本学习对目标进行识别， 对背景复杂造成的特征不明 显的目标信息进行集中训练， 提取有效特 征； 步骤D、 通过多AUV从不同方位对目标进行识别， 进而将每个方向的AUV识别信息进行融 合得到更精确的识别结果。 2.根据权利要求1所述的基于超分辨可选择网络的多AUV水下目标识别方法， 其特征在 于： 所述步骤A中， 在进行色彩恢复和数据重构时， 采用以下 方式： (1)采集图像的色彩恢复处 理： 原始图像表示 为： S(x,y)＝R(x,y) ·L(x,y) 其中， L(x,y)表示亮度图像， R(x,y)表示图像的内在属性， S(x,y)为原 始图像， 则： 其中， r(x,y)为输出图像， *为卷积 操作， F(x,y)为中心 环绕函数， 表示 为： 其中， c为高斯环绕尺度， λ为尺度值； 色彩恢复的计算公式如下： 其中， K为高斯中心 环绕函数的个数； (2)基于CNN的数据重构： 首先获得输入图像X获得一系列特 征图： F1(X)＝max(0,W1*X+B1) 其中W1和B1表示滤波器的权 重和偏置， max操作对应ReLU激活函数； 然后进行非线性映射： F2(X)＝max(0,W2*F1(X)+B2) 最后进行图像重构： Y＝F(X)＝ W3*F2(X)+B3权　利　要　求　书 1/4 页 2 CN 114266977 A 2可以实现图像的超分辨 率。 3.根据权利要求1所述的基于超分辨可选择网络的AUV水下目标识别方法， 其特征在 于： 所述步骤B具体包括以下步骤： 步骤B1、 基于卷积神经网络 CNN提取目标 特征： (1)对卷积神经网络 视觉上进行 可视化解释： 其中c表示类别， yc是该类别对应的输 出结果， A表示卷积输 出的特征图， k表示特征图的 通道， i,j表示特 征图的横纵坐标， Z表示特 征图的尺寸； (2)得到权重后将特 征图的通道线性加权融合在一 起， 公式如下： 该过程只保留对于类别c有正作用的区域； 步骤B2、 利用马氏距离来度量特 征之间的相似性， 计算目标 特征的相似度： 设每个AUV共采集了m个样本， 每个样本中包含了n个特征， 则该AUV采集的数据矩阵用X 来表示： X＝[X1,X2,…,Xn] 该样本的总体平均值 为： μX＝[ μX1, μX2,…, μXn] 数据矩阵的协方差为 则任意AUV特征向量与源域之间的马氏 距离为： 通过计算马氏距离， 来确定每 个AUV当前采集的样本特 征是否与源域存 储的特征相似。 4.根据权利要求1所述的基于超分辨可选择网络的多AUV水下目标识别方法， 其特征在 于： 所述步骤C中， 迁移学习主 要采用以下 方式实现： (1)初始训练： 设源域中的数据为 其中 为输入高分辨率图像， 为迁 移学习输出的识别图像； AUV采集的目标域数据为 希望应用该网络预测 出输入 对应的结果 P和Q分别为XS和XT的边缘分布， 且P≠Q； 迁移学习的目的主要是找 到XS和XT的潜在的共同表示； 令期望的非线性变换为 其非线性表示 为： 权　利　要　求　书 2/4 页 3 CN 114266977 A 3