CN110782481A 无人艇智能决策方法及系统 （华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所））

本发明公开了一种无人艇智能决策方法及过卷积神经网络模型对关注目标的类型进行判2通过卷积层的卷积模板对输入的图像特征进行不断的抽象和组合得到高层卷积特征通过池化层对卷积层输出的高层卷积特征图进行聚合统池化层输出关注目标特征图的聚合数值输入卷积神经个图像像素矩阵的特征提取卷积模板卷积获3根据威胁因子的数量与数值对威胁种类进行评估通过卷积层的卷积模板对输入的图像特征进行不断的抽象和组合得到高层卷积特征通过池化层对卷积层输出的高层卷积特征图进行聚合统池化层输出关注目标特征图的聚合数值输入卷积神经的卷积特征图与另一个图像像素矩阵的特征提取卷积模板卷积获取的特征图再相加获得4[0001]本发明属于模式识别领域，更具体的涉及一种利用外部环图像数据和深度学习网络。传统的深度学习网络采用全连接方式的神经网络实现网络参数训练、学习。全连接方式的神经网络在训练需要大量节点的目标数据或者多目标数据[0004]本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种无人艇智能决确定其所占图像区域，并做标识；同时通过卷积神经网络模型对关注目标的类型进行判[0010]目标威胁评估与决策模块，用于根据威胁因子的数量与数值对威胁种类进行评5[0015]通过卷积层的卷积模板对输入的图像特征进行不断的抽象和组合得到高层卷积[0016]通过池化层对卷积层输出的高层卷积特征图进行聚合统计，降低特征向量的维[0017]池化层输出关注目标特征图的聚合数值输入卷积神经网络的全连接层，输出目[0018]全连接层输出的目标类型特征值作为反向传播的输入值，用梯度下降法修正卷特征及红外特征卷积模板，将红外特征值与红外特征卷积模板相乘获取红外特征权值矩阵，红外特征权值矩阵与一个图像像素矩阵的特征提取卷积模板获取的卷积特征图对应选出可能对无人平台本身造成威胁的目标，并对目标持续观察，生成目标的跟踪轨迹信[0029]通过卷积层的卷积模板对输入的图像特征进行不断的抽象和组合得到高层卷积[0030]通过池化层对卷积层输出的高层卷积特征图进行聚合统计，降低特征向量的维[0031]池化层输出关注目标特征图的聚合数值输入卷积神经网络的全连接层，输出目[0032]全连接层输出的目标类型特征值作为反向传播的输入值，用梯度下降法修正卷在卷积层中引入红外特征及红外特征卷积模板，将红外特征值与红外特征卷积模板相乘6获取红外特征权值矩阵，红外特征权值矩阵与一个图像像素矩阵的特征提取卷积模板获[0034]本发明产生的有益效果是：本发明采用卷积神经网络可降低计算量但目标分类和识别参数的训练时间过长，导致动态使用场景下目标分类和识别参数微调时训练速度[0035]进一步地，本发明采用高性能FPGASOC异构多核高速信号处理器并行处理外部[0046]本发明利用深度学习网络训练环境感知装置输出数据，有利于确定威胁性评估[0047]深层模型的节点权重是通过大量样本数据训练得到的，整个过程以端到端的方7网络对输入的图像像素矩阵进行卷积和池化运算，将整幅图像以区域特征叠加的方式提确定其所占图像区域，并做标识；同时通过卷积神经网络模型对关注目标的类型进行判[0053]目标威胁评估与决策模块，用于根据威胁因子的数量与数值对威胁种类进行评[0056]通过卷积层的卷积模板对输入的图像特征进行不断的抽象和组合得到高层卷积[0057]通过池化层对卷积层输出的高层卷积特征图进行聚合统计，降低特征向量的维[0058]池化层输出关注目标特征图的聚合数值输入卷积神经网络的全连接层，输出目[0059]全连接层输出的目标类型特征值作为反向传播的输入值，用梯度下降法修正卷红外特征权值矩阵与一个图像像素矩阵的特征提取卷积模板获取的卷积特征图对应元素8[0067]卷积层是卷积神经网络最基本和关键的组成部分，其作用是对图像特征进行不滤器，得到的输出特征图大小为卷积核的个数决定特征图的多少，[0072]池化层(Pooling)即下采样层。其作用是对卷积层输出的特征图[0074]激活函数是卷积神经网络框架中非常重要的一个部分，也被称为卷积神经网络[0076]卷积神经网络通过反向传播来进行网络参数的更新，一般通过梯度下降法来完9记为跟踪或不必跟踪状态，同时利用无人艇的多个资源锁定威胁性大的目标进行实时跟[0087]本发明建立外部特征辅助的卷积神经网络特征提取方法，该方法通过卷积特征[0090]基于上述优点，本发明的智能决策装置和智能决策方法可[0093]目标检测识别模块接收图像序列信号如图4所示，识别场景中出网络训练输出的模型参数判断目标是否存在以及目标的类型，若判断为真实目标而非背路经图像存储与网络服务模块将视频数据输出至网络或其他存储器，另一路通过加固型的控制指令，主控板由串口经传感器控制板向跟踪电视和跟踪红外发送跟踪指令，跟踪电视和跟踪红外跟踪目标并输出视频图像至图像接口与跟踪处理板，图像接口与跟踪处理板处理跟踪红外和跟踪电视视频并输出至光纤转换板，最终由光纤转换板发送给其他[0106]双目图像接口板完成一组双目两路CameraLink图像的采集，将输入视频转换为型信息和目标属性信息库分别计算威胁因子。根据目标三维点迹信息估计目标距离获得贝叶斯网络模型，贝叶斯网络模型用于辅助贝叶斯网络模型推断获取威胁评估与威胁等样本如高速行驶的海面快艇的威胁因子，对威胁因子样本集合作定性分析生成贝叶斯网的安全不够成威胁，但是敌方以获得取获取己方情报为目的，己方有泄漏军事信息的危[0125]目标类型判别正确率不低于8[0133]应当理解的是，对本领域普通技术人员来说，