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
专利汇可以提供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，包括以下步骤：（1）采集海面图像样本，构建海天线关键点训练样本；（2）利用海天线关键点训练样本训练关键点检测网络；（3）将待检测的海面图像作为输入，通过已训练的关键点检测网络预测海天线关键点；（4）连接海天线关键点，获得相应的海天线；（5）建立空间约束的混合模型，以海天线为参考对模型参数以及先验分布进行初始化；（6）通过期望最大化 算法 对海面图像进行语义分割，从而检测出 海水 区域。本发明的方法可以有效地检测出复杂背景下的海水区域，并且具有速度快、鲁棒性好的特点。，下面是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专利的具体信息内容。
1.一种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，其特征在于，包括以下步骤：
(1)采集海面图像样本，构建海天线关键点训练样本；
(2)利用海天线关键点训练样本训练关键点检测网络；
(3)将待检测的海面图像作为输入，通过已训练的关键点检测网络预测海天线关键点；
(4)连接海天线关键点，获得相应的海天线；
(5)建立空间约束的混合模型，以海天线为参考对模型参数以及先验分布进行初始化；
(6)通过期望最大化算法对海面图像进行语义分割，从而检测出海水区域。
2.根据权利要求1所述的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，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，形成海天线关键点训练集T＝{t1,t2,…,tN}；其中，每一个训练样本ti由海面图像Ii和对应的海天线关键点构成Oi，即ti＝{Ii,Oi}；对于海天线关键点Oi标注，其具体过程为：沿着图像的竖直方向等距地划出n条竖线，然后利用标注工具人工标注出这n条竖线上与海天线相交的点，从而获得n个海天线关键点坐标，即
3.根据权利要求1所述的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，其特征在于，所述步骤(2)中，关键点检测网络的结构主要由3个连续的3×3卷积层block1、3个连续的分解卷积模块block2、3个连续的膨胀卷积模块block3、1个3×3卷积层S1、1个8×8卷积层S2以及1个全连接层S3构成；其中，分解卷积模块和膨胀卷积模块都是以残差模块为基础，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；此外利用多尺度融合方法，将block3模块、S1层、S2层的输出特征图进行融合后输入给全连接层，关键点检测网络的输入是海面图像，而输出的是海天线关键点坐标。
4.根据权利要求1所述的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，其特征在于，所述步骤(5)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；于是，图像中第i个像素的特征向量yi的概率表示为：
上式中，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；yi表示图像中第i个像素的特征向量，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；θ表示模型中所有高斯分布的参数，即θ＝{mk,Ck}k＝1,2，3；π表示图像中所有像素的类别先验分布，即π＝{πi}i＝1:M，其中，M为图像中像素的个数，πi表示第i个像素的类别先验分布，即πi＝[πi1，…，πik,…,πi4]，其中，πik＝p(xi＝k)表示第i个像素的类别xi为k时的概率，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；h表示由关键点检测网络预测得到的海天线，而 表示海天线已知时，第i个像素类别的条件先验分布
p(xi＝k|h)为海天线h已知时，像素i的类别xi
＝k的概率；
为了克服海面图像中局部噪声对图像分割造成的不利影响，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：
上式中，表示Hadamard积运算，D(·||·)表示KL散度，s＝{si}i＝1:M为辅助类别先验分布集，q＝{qi}i＝1:M为辅助后验分布集， 为像素i的邻域Ni的类别先验分布， 为像素i的邻域Ni的后验分布；
混合模型参数的初始化：
当海天线h已知时，海天线h以下区域的像素只能是海水或障碍物类别，因此当像素i位于海天线h以下区域时，假设条件先验概率p(xi＝k|h)为：
而当像素i位于海天线h以上区域时，假设条件先验概率p(xi＝k|h)为：
此外，混合模型中的初始高斯参数θ也参考海天线h的位置确定；具体地，对于海水类别的初始高斯参数{m3，C3}，通过统计海天线h以下区域的所有像素的特征均值和协方差矩阵获得；对于天空类别和中间海岸/雾霾混合类别的初始高斯参数{mk，Ck}k＝1，2，先将海天线h以上的均分成上下两个区域，从而利用这两个区域的像素特征均值和协方差矩阵分别作为天空类别和中间海岸/雾霾混合类别的初始高斯参数；对于初始类别先验分布πi，其初始化公式为：
其中，ε为一个极小的正值超参数。
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
技术领域
背景技术
发明内容
具体实施方式
64×64范围内。
5)、1个3×3卷积层(S1)、1个8×8卷积层(S2)以及1个全连接层构成(S3)。此外，利用多尺度融合方法，将block3模块、S1层、S2层的输出特征图进行融合后输入给全连接层。其中，分解卷积模块和膨胀卷积模块都是以残差模块为基础，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，如图4所示；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，如图5所示。关键点检测网络的输入是海面图像，而输出的是海天线关键点坐标。损失函数采用均方误差函数(Mean-Square Error，MSE)。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 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 |
| 一种基于贝叶斯模型的SRAM电路良率分析方法 | 2020-05-15 | 910 |
| 一种具有语音识别的食堂刷卡装置及使用方法 | 2020-05-17 | 67 |
| 基于特征组的中医主症选择方法 | 2020-05-13 | 32 |
| 识别图片中电话号码的方法、系统、终端设备及存储介质 | 2020-05-15 | 659 |
| 一种用于生成对象的增强断层扫描图像的方法 | 2020-05-11 | 514 |
| 基于多能量系统响应矩阵的放射源定位重建方法 | 2020-05-15 | 509 |
| 一种基于卷积神经网络和距离监督的关系抽取方法 | 2020-05-18 | 361 |
| 毫米波大规模MIMO系统的波束空间信道估计方法 | 2020-05-20 | 395 |
| 图片分割方法、装置和系统 | 2020-05-13 | 108 |
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。
