基于先验估计网络和空间约束混合模型的海面障碍物检测方法
专利汇可以提供基于先验估计网络和空间约束混合模型的海面障碍物检测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于先验估计网络和空间约束混合模型的海面障碍物检测方法，包括以下步骤：（1）采集海面图像样本，制作先验估计网络训练样本；（2）利用训练样本对先验估计网络进行训练；（3）将待检测的海面图像作为输入，通过已训练的先验估计网络预测出图像中所有 像素 的类别先验概率；（4）建立空间约束混合模型，根据先验估计网络得到的类别先验概率，计算出混合模型的初始参数；（5）利用期望最大化 算法 （EM）对空间约束混合模型进行优化，并且得到相应的海面语义分割图像；（6）提取海面语义分割图像中的障碍物区域，实现海面障碍物检测。本发明的方法可以有效地检测出复杂背景下的海面障碍物，并且具有速度快、鲁棒性好的特点。，下面是基于先验估计网络和空间约束混合模型的海面障碍物检测方法专利的具体信息内容。
1.一种基于先验估计网络和空间约束混合模型的海面障碍物检测方法，其特征在于，包括以下步骤：
(1)采集海面图像样本，制作先验估计网络训练样本；
(2)利用训练样本对先验估计网络进行训练；
(3)将待检测的海面图像作为输入，通过已训练的先验估计网络预测出图像中所有像素的类别先验概率；
(4)建立空间约束混合模型，根据先验估计网络得到的类别先验概率，计算出混合模型的初始参数；
(5)利用期望最大化算法对空间约束混合模型进行优化，并且得到相应的海面语义分割图像；
(6)提取海面语义分割图像中的障碍物区域，实现海面障碍物检测。
2.根据权利要求1所述的基于先验估计网络和空间约束混合模型的海面障碍物检测方法，其特征在于，所述步骤(1)中，利用无人水面艇搭载的相机采集N张海面彩色图像，使用标注工具对采集到的图像进行人工标注，形成先验估计网络训练集T＝{t(1),t(2),…,t(i) (N) (i) (i)
,…,t }；其中，每一个训练样本t 由海面图像I 和对应的类别先验概率图 构成，即 由于海面图像在竖直方向上从上至下大致划分为天空区域、中间海岸/
雾霾混合区域、海水区域，因此利用标注工具分别在海面图像的天空区域、中间海岸/雾霾混合区域以及海水区域标注出多条直线段，并且记录下所有天空类别直线段上像素点的坐标Osky＝{(r1,c1),(r2,c2),…,(ri,ci),…,(rn′,cn′)}sky、中间海岸/雾霾混合类别直线段上像素点的坐标 以及所有海水类别直线
段上像素点的坐标 假设海面图像每一
个像素的特征由颜色特征(c1,c2,c3)和位置特征(r,c)构成，并且根据记录下的天空类别坐标集Osky对应的像素特征，计算出天空类别的均值msky和协方差矩阵Csky，利用同样的方法得到中间海岸/雾霾混合类别的均值mmid和协方差矩阵Cmid以及海水类别的均值msea和协方差矩阵Csea；此外，利用3个高斯分布和1个均匀分布来分别描述天空区域、中间海岸/雾霾混合区域、海水区域以及奇异值区域即潜在的障碍物区域；于是，每一幅海面图像I对应的类别先验概率 M为图像I中像素的个数，利用以下公式进行计算：
上式中，i表示图像中第i个像素，yi表示图像中像素i的特征向量，也称为观测数据，主要由像素的颜色特征(c1,c2,c3)和坐标(r,c)组成； 表示图像中像素i的类别先验分布，即 其中， 表示第i个像素的类别xi为k时的先验概
率，假设k＝1表示天空类别，k＝2表示中间海岸/雾霾混合类别，k＝3表示海水类别，k＝4表示障碍物类别；N(·|m，C)表示均值为m而协方差为C的高斯分布函数，U(·)＝ε表示均匀分布函数，其中，ε为一个极小的正值超参数；αik表示图像中第i个像素属于类别k的权重，其具体公式如下所示：
其中，ε为一个极小的正值超参数。
3.根据权利要求1所述的基于先验估计网络和空间约束混合模型的海面障碍物检测方法，其特征在于，所述步骤(2)中，先验估计网络采用对称的编码-解码结构，即Encoder-Decoder结构；在Encoder阶段，网络由初始模块InitialBlock、4个连续的分解卷积模块Block1、6个连续的膨胀卷积模块Block2组成，并且在Initial Block和Block1之间、Block1和Block2之间均存在一个下采样模块Down-sampling Block；在Decoder阶段，网络由Block3和Block4组成；其中，Block3的结构为：1个上采样模块Up-sampling Block-2个连续的标准残差模块-双注意模块Dual Attention；而Block4的结构为：1个数据依赖的上采样模块DUpsampling Block-Softmax层；网络所使用的分解卷积模块Factorized和膨胀卷积模块Dilated都是以标准的残差模块Bottleneck为基础，不同之处在于：分解卷积将残差模块中的3×3卷积层替换成了一个3×1卷积层和一个1×3卷积层，而膨胀卷积模块则是将残差模块中的3×3卷积核替换成了一个3×3的膨胀卷积核；双注意模块Dual Attention由位置注意模块position attention module和通道注意模块channel attention module组成；其中，位置注意模块选择性地通过所有位置的加权求和聚集每个位置的特征；通道注意模块通过所有通道的feature map中的特征选择性地强调某个特征图；最后将两种注意模块的输出进行求和得到最后的特征表达；先验估计网络的输入是海面图像I，而输出的是相应的类别先验概率图π*，并且损失函数loss function为：
上式中，为真实的类别先验概率图Ground Truth，π*为先验估计网络预测的类别先验概率图，M为先类别验概率图的所有像素的个数。
4.根据权利要求1所述的基于先验估计网络和空间约束混合模型的海面障碍物检测方法，其特征在于，所述步骤(4)中，假设混合模型由3个高斯分布和1个均匀分布组成，其中3个高斯分布分别用于描述描述天空、雾霾/海岸混合区域、海水区域，而均匀分布用于描述潜在的障碍物区域即奇异值区域；此外，通过引入马尔可夫随机场MRF对混合模型进行空间约束，即假设图像中所有像素的类别先验分布π＝{πi}i＝1:M以及后验分布P＝{pi}i＝1:M是关于邻域系统的一个MRF；通过推导，最终得到空间约束混合模型的惩罚对数似然函数：
混合模型参数的初始化：
通过先验估计网络得到一个类别先验概率图π*，由此计算出混合模型的初始高斯参数θ＝{mk，Ck}k＝1，2，3：
此外初始的类别先验分布，即π＝{πi}i＝1:M也由先验估计网络预测的类别先验概率图π*直接赋值获得。
基于先验估计网络和空间约束混合模型的海面障碍物检测
方法
技术领域
背景技术
发明内容
线段上像素点的坐标 假设海面图像每
一个像素的特征由颜色特征(c1，c2，c3)和位置特征(r，c)构成，并且根据记录下的天空类别坐标集Osky对应的像素特征，计算出天空类别的均值msky和协方差矩阵Csky，利用同样的方法可得中间海岸/雾霾混合类别的均值mmid和协方差矩阵Cmid以及海水类别的均值msea和协方差矩阵Csea。此外，利用3个高斯分布和1个均匀分布来分别描述天空区域、中间海岸/雾霾混合区域、海水区域以及奇异值区域(潜在的障碍物区域)。于是，每一幅海面图像I对应的类别先验概率 (M为图像I中像素的个数)可以利用以下公式进行计算：
双注意模块(DualAttention)由位置注意模块(position attention module)和通道注意模块(channel attention module)组成。其中，位置注意模块选择性地通过所有位置的加权求和聚集每个位置的特征；通道注意模块通过所有通道的featuremap中的特征选择性地强调某个特征图；最后将两种注意模块的输出进行求和得到最后的特征表达。先验估计网络的输入是海面图像I，而输出的是相应的类别先验概率图π*，并且损失函数(loss function)为：
具体实施方式
混合区域、海水区域，因此利用标注工具分别在海面图像的天空区域、中间海岸/雾霾混合区域以及海水区域标注出多条直线段，并且记录下所有天空类别直线段上像素点的坐标Osky＝{(r1，c1)，(r2，c2)，…，(ri，ci)，…，(rn′，cn′)}sky、中间海岸/雾霾混合类别直线段上像素点的坐标 以及所有海水类别直线段
上像素点的坐标 如图12所示。假设海
面图像每一个像素的特征由颜色特征(c1，c2，c3)和位置特征(r，c)构成，并且根据记录下的天空类别坐标集Osky对应的像素特征，计算出天空类别的均值msky和协方差矩阵Csky，利用同样的方法可得中间海岸/雾霾混合类别的均值mmid和协方差矩阵Cmid以及海水类别的均值msea和协方差矩阵Csea。此外，利用3个高斯分布和1个均匀分布来分别描述天空区域、中间海岸/雾霾混合区域、海水区域以及奇异值区域(潜在的障碍物区域)。于是，每一幅海面图像I对应的类别先验概率 (M为图像I中像素的个数)可以利用以下公式进行计算：
11所示。其中，位置注意模块选择性地通过所有位置的加权求和聚集每个位置的特征；通道注意模块通过所有通道的featuremap中的特征选择性地强调某个特征图；最后将两种注意模块的输出进行求和得到最后的特征表达。先验估计网络的输入是海面图像I，而输出的是相应的类别先验概率图π*，并且损失函数(loss function)为：
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于主动采样和高斯混合模型的图像超分辨重建方法 | 2020-05-08 | 533 |
| 一种多重不确定性的水库调度规则提取方法及系统 | 2020-05-11 | 735 |
| 一种基于WiFi多维参数特征的室内目标被动跟踪方法 | 2020-05-12 | 542 |
| 非临床环境下对高血压进行非干预式的监测和评估方法 | 2020-05-08 | 179 |
| 一种基于贝叶斯模型的SRAM电路良率分析方法 | 2020-05-15 | 910 |
| 具有透镜天线阵的MIMO系统的稀疏信道估计方法 | 2020-05-18 | 260 |
| 毫米波大规模MIMO系统的波束空间信道估计方法 | 2020-05-20 | 395 |
| 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法 | 2020-05-17 | 342 |
| 基于关键点检测网络和空间约束混合模型的海水区域检测方法 | 2020-05-20 | 73 |
| 基于先验估计网络和空间约束混合模型的海面障碍物检测方法 | 2020-05-21 | 762 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
