【技术实现步骤摘要】
本专利技术属于图像检测跟踪，具体涉及一种基于深度学习的水声图像检测跟踪方法。
技术介绍
1、水下目标检测、识别和跟踪是近年来非常活跃的研究领域之一，其应用非常广泛，涉及濒危水生物的跟踪与保护、鱼群定位、分类与跟踪、水环境测深与建模、海床建模与绘图、打捞与救助、海底管道探测、海底目标定位与识别等方面,也可在军事上用于水雷、潜艇等水下目标物的探测和跟踪。目前探测海洋的方法包括磁探测、声波探测、光探测和红外测等等。而其中声波探测是唯一能够在海水介质中进行远距离探测的方法，因此声波探测是探测海洋的主要方法，利用声波进行探测的设备就是声呐，所以研究使用声呐进行水下目标检测对水下环境探测、作业有着重要的作用。
2、水下目标声呐成像主要技术手段有前视声呐、侧扫声呐和合成孔径声呐等，在海洋强混响、信噪比弱、杂波干扰等复杂场景下，主动声呐的“探得远”却“辨不明”的问题日益突出，水声目标检测已成为装备实战性能提升的关键。现有主动目标识别方法在强混响、低信噪比等复杂条件下，具有自动识别性能弱、对人工干预的依赖性强等问题，自动化与智能化程度有待提高。
3、传统的目标检测和跟踪，使用人工提取的目标特征，再结合机器学习算法来完成，但由于使用声呐获取的水下目标图像在复杂场景下，其特征并不稳定，检测跟踪时，会出现目标丢失、误警率高等问题；随着深度学习的兴起，基于数据驱动的目标检测、跟踪算法成为图像分析中的热点问题，基于深度学习研究水声图像序列的目标检测、跟踪技术，有助于提高水声目标的自动识别能力，减少人工干预，实现水下声呐图像智能目标检
技术实现思路
1、针对现有技术中存在的上述问题，本专利技术的目的在于提供一种针对水声图像特点改进的yolov7检测器--yolov7+；同时联合yolov7+检测器与strongsort跟踪器，实现基于深度学习的智能水声图像目标检测跟踪方法。
2、本专利技术提供如下技术方案：一种基于深度学习的水声图像检测跟踪方法，包括以下步骤：
3、步骤1，对yolov7算法进行改进，实现检测精度、召回率更高的yolov7+算法；
4、步骤2，选取目标跟踪网络；
5、步骤3，将目标跟踪网络与yolov7+算法相结合，实现目标跟踪；
6、步骤4，对步骤3中构建的模型进行参数设置，选取训练集及测试集数据，在训练集上对模型进行训练；
7、步骤5，将训练好的模型在测试集中检测，检验识别性能并进行记录。
8、进一步的，所述步骤1中，yolov7+算法为在yolov7算法基础上的改进，具体包括以下内容：
9、1.1、添加simam注意力机制，为每个像素计算权重，减少噪声干扰；
10、1.2、融合spd模块，去除原网络中的跨步卷积和池化层，减少下采样过程中小目标信息的丢失；
11、1.3、改进损失函数为alpha-eiou，使网络更精确地定位小目标，同时加速训练收敛；
12、1.4、添加预处理模块，通过可学习的编码-解码结构，结合经典边缘检测器canny算子对图像进行去噪。
13、进一步的，所述步骤1.1中，融合注意力机制的方式为在yolov7源码的基础上，依据simam注意力机制公式，完成其基于pytorch的代码实现，插入到yolov7的head层中。
14、进一步的，所述步骤1.2中，将yolov7中的所有跨步卷积与池化层改为spd模块。
15、进一步的，所述步骤1.4中，预处理模块中采用编码-解码的神经网络，并引入对应层间的跳跃连接；其以目标区域作为掩码，得到与输入图像尺寸一致的二值掩码图，作为网络输出目标；同时结合canny算子，对原图像进行边缘检测，与预处理网络的输出叠加，一同输入目标检测网络中，达到轮廓增强的效果；
16、其中：网络的跳跃连接，可以更多地保留图像信息，防止小目标信息在神经网络前向传播的过程中丢失；编码-解码的神经网络结构，能够作为对图像的预处理，对图像进行去噪。
17、进一步的，所述步骤3中，由yolov7+算法进行单帧图像的目标检出任务，将检测结果输入目标跟踪网络中，由目标跟踪网络完成前后帧的目标关联。
18、进一步的，所述步骤3中，目标跟踪网络选用strongsort算法，将strongsort算法的特征提取器替换为yolov7+，联合工作，可进一步提取运动信息，实现在连续帧水声图像、视频中对目标的实时检出，对每个目标赋予id并提取各目标的信息。
19、通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：
20、本专利技术特征提取分支使用改进后的yolov7+算法，将单帧图像提取到的特征信息输入运动匹配分支中，由strongsort算法完成前后帧的目标关联；且可以将yolov7+检测器与strongsort跟踪器结合，将strongsort算法原本的特征提取器替换为yolov7+，联合工作，实现目标检测跟踪一体化，可进一步提取运动信息，实现在连续帧水声图像、视频中对目标的实时检出，对每个目标赋予独特的id并提取各目标的运动速度、轨迹等信息。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的水声图像检测跟踪方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤1中，Yolov7+算法为在Yolov7算法基础上的改进，具体包括以下内容：
3.根据权利要求2所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤1.1中，融合注意力机制的方式为在Yolov7源码的基础上，依据SimAM注意力机制公式，完成其基于Pytorch的代码实现，插入到Yolov7的Head层中。
4.根据权利要求2所述的一种基于深度学习的水声图像检测跟踪方法其特征在于所述步骤1.2中，将Yolov7中的所有跨步卷积与池化层改为SPD模块。
5.根据权利要求2所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤1.4中，预处理模块中采用编码-解码的神经网络，并引入对应层间的跳跃连接；其以目标区域作为掩码，得到与输入图像尺寸一致的二值掩码图，作为网络输出目标；同时结合Canny算子，对原图像进行边缘检测，与预处理网络的输出叠加，一同输入目标检测网络中
6.根据权利要求1所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤3中，由Yolov7+算法进行单帧图像的目标检出任务，将检测结果输入目标跟踪网络中，由目标跟踪网络完成前后帧的目标关联。
7.根据权利要求1所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤3中，目标跟踪网络选用StrongSort算法，将Strongsort算法的特征提取器替换为Yolov7+，联合工作，可进一步提取运动信息，实现在连续帧水声图像、视频中对目标的实时检出，对每个目标赋予ID并提取各目标的信息。
...【技术特征摘要】
1.一种基于深度学习的水声图像检测跟踪方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤1中，yolov7+算法为在yolov7算法基础上的改进，具体包括以下内容：
3.根据权利要求2所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤1.1中，融合注意力机制的方式为在yolov7源码的基础上，依据simam注意力机制公式，完成其基于pytorch的代码实现，插入到yolov7的head层中。
4.根据权利要求2所述的一种基于深度学习的水声图像检测跟踪方法其特征在于所述步骤1.2中，将yolov7中的所有跨步卷积与池化层改为spd模块。
5.根据权利要求2所述的一种基于深度学习的水声图像检测跟踪方法，其特征在于所述步骤1.4中，预处理模块中采...
【专利技术属性】
技术研发人员：唐轶峻，蒋云霄，应琛琛，庄德文，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。