(19)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 202210392176.0 (22)申请日 2022.04.14 (71)申请人 河南科技学院 地址 453000 河南省新乡市红旗区五一路 东段 (72)发明人 徐涛　赵未硕　史增勇　蔡磊　 马玉琨　柴豪杰　周纪勇　 (74)专利代理 机构 郑州优盾知识产权代理有限 公司 41125 专利代理师 栗改 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/25(2022.01) G06V 10/44(2022.01) (54)发明名称 一种面向海 洋生物的伪装目标识别方法 (57)摘要 本发明提出了一种面向海洋生物的伪装目 标识别方法， 用以解决现有伪装检测模型不适用 于海洋场景中的伪装物体识别的技术问题。 本发 明的步骤为： 利用正样本图像和负样本图像对显 著特征提取网络进行训练生 成特征图； 利用环境 注意力机制提取特征图中伪装目标特征和被伪 装目标特征的环境特征信息； 建立环 境特征信息 和目标显著特征的图结构； 将特征图输入到相似 性度量模块， 得到潜在特征并优化候选框获取目 标特征图， 得到水下目标检测模型； 利用判别器 判断水下目标检测模型预测的精确度； 训练水下 目标检测模型， 并实现伪装目标的识别。 本发明 通过对抗学习的方式区分伪装和被伪装目标， 同 时解决了真实边界框模糊的问题， 提高了水下伪 装目标识别精度。 权利要求书3页 说明书8页 附图2页 CN 114913409 A 2022.08.16 CN 114913409 A 1.一种面向海洋生物的伪装目标识别方法， 其特 征在于， 其 步骤如下： 步骤一： 利用正样本图像和负样本图像对显著特征提取网络进行训练生成特征图F， 根 据特征图F获取候选 框； 步骤二： 利用伪装目标编码器的环境注意力机制提取特征图F中伪装目标特征的环境 特征信息， 利用被伪装目标编码器的环境注意力机制提取特征图F中被伪装目标特征 的环 境特征信息； 步骤三： 通过图结构模块建立环境特征信息和特征图中的目标显著特征的图结构， 分 别得到伪装目标和被伪装目标的网络关系； 步骤四： 将步骤一得到的特征图输入到相似性度量模块， 利用相似度度量模块得到潜 在特征并优化 步骤一生成的候选 框获取目标 特征图， 得到水 下目标检测模型； 步骤五： 利用判别器判断带标签的正样本图像的真实标签与 水下目标检测模型预测的 精确度； 步骤六： 通过大量带标注的正样本图像和不带标注的负样本图像重复步骤一至五训练 水下目标检测模型获得权重， 利用权重对输入图像进行特征提取， 最终得到训练后的水下 目标检测模型； 步骤七： 将新的水下图像输入训练后的水下目标检测模型中， 实现伪装目标和被伪装 目标的识别。 2.根据权利要求1所述的面向海洋生物的伪装目标识别方法， 其特征在于， 所述显著特 征提取网络的主干网络为ResNet ‑50网络， 所述正样本图像为带有标注的水下伪装物体和 真实生物图像， 负样本图像为与识别无关的其他物体图像； 将正样本图像和负样本图像输 入显著特 征提取网络以训练显著特 征提取网络的主干网络， 其原理为： S(f(x),f(x+))≥S(f(x),f(x‑))； 其中， x表示主干网络所学习到的特征， x+表示和特征x类似的样本， x‑表示和特征x不相 似的样本， f()表示特 征提取网络的特 征提取操作， S( ·,·)表示样本之间的相似程度； 所述ResNet ‑50网络输出目标的特征图F(h,w,c)， 特征图F(h,w,c)是大量特征x的集合 输出； 其中， h表示输出 特征图的长， w表示输出 特征图的宽， c表示卷积核数。 3.根据权利要求2所述的面向海洋生物的伪装目标识别方法， 其特征在于， 所述候选框 的生成方法为： 在特征图F(h,w,c)上以3 ×3滑动窗口获取目标候选框， 每一个滑动窗口都 生成一个低 维向量， 这些向量被馈送到两个包含回归层和分类层的全连接层中； 每个位置 的最大可能候选框提议数表示为k， 在回归层会产生k个候选框的坐标， 分类层计算每一个 候选框的置信度， 并将置信度大于0.7的候选框视为正标签， 将置信度区域小于0.3的候选 框视为负标签。 4.根据权利要求1 ‑3中任意一项所述的面向海洋生物的伪装目标识别方法， 其特征在 于， 所述步骤二中伪装目标编码器的环境注意力机制的方法为： 依据显著特 征提取网络提取的伪装目标显著特 征Xc获取局部环境特 征信息： XCloc＝fR(XC； H,W) 其中， fR表示局部环境特征 的提取函数， H和W表示输入图像的宽和高， XCloc表示提取到 的特征图F的局部环境特 征； 通过图像特 征聚合出全局级别的环境特 征为： XCglo＝fG(XC； H,W)；权　利　要　求　书 1/3 页 2 CN 114913409 A 2其中， fG表示全局环境特 征的提取函数， XCglo表示提取到的特 征图F的全局环境特 征； 将局部环境特 征XCloc和全局环境注意特 征XCglo融合得到环境特 征为： XCinr＝fcouv([XCloc:XCglo])； 其中， fcouv表示卷积运 算， [:]表示串联， XCinr表示提取到的环境特 征； 获得为对象检测提供 更相关、 更 可靠的环境信息： XCT＝finr(XC,XCinr,Ω[XC,XCinr],Ω[XCinr,XCinr])； 其中， Ω[XC,XCinr]表示环境特征XCinr和伪装目标特征Xc之间的相关性， Ω[XCinr,XCinr]) 表示环境 特征之间的相关性， finr表示动态编码函 数， XCT表示通过显著特征提 取网络提 取的 更相关、 更 可靠的环境特 征信息。 5.根据权利要求4所述的面向海洋生物的伪装目标识别方法， 其特征在于， 所述图结构 模块建立伪装目标的图结构的方法为： 将所得到包括伪装目标显著特征XC和伪装目标环境特征信息XCT的每一个特征视为一 个节点得到节点集合V＝{v1,v2,...,va}， 其中， a表示节点的个数； 图结构模块包括三层 GraphConv层， 通过GraphConv层检索与节点vi相关邻近节点集合表示为P(vi)， Y表示节点vi 更新后的特 征， 图像目标和背景之间的隐含关系为： 其中， m表示层数， 其值可取0， 1， 2； W1、 W2均表示学习参数， 表示邻近节点集合P(vi) 的聚合函数， 表示合并邻域； Y(m)(vi)表示节点vi特征的第m次更新， vj为节点vi相关邻 近一个节点， Y(m)(vj)表示节点vj特征的第m次更新； 节点的输出 特征通过线性变换 得到： ei,j＝γ(W·[vi:vj]+d),vi,vj∈V； 其中， γ(·)表示sigmoid函数， ei,j表示节点vi和vj之间的距离参数， 且vi,vj∈V； W和d 表示网络学习参数， [ :]表示两个节点的串联 连接。 6.根据权利要求5所述的面向海洋生物的伪装目标识别方法， 其特征在于， 所述建立网 络关系的方法为： 将节点到节点之间的距离参数集合记为E＝{e1,2,e1,3,...,ei,j}， 若节点具有 隐含关 系， 其值为1， 若节点之间没有关系， 其值为0； 构建出来的特征之间的网络关系示为Q＝(V, E)； 构建的伪装目标特征和被伪装目标特征的网络关系分别表示为QC＝(VC,EC)和QR＝(VR, ER)， 其中， VC表示伪装目标节点集合， EC表示伪装目标的节点到节点之间的距离参数， VR表 示被伪装目标节点 集合， ER表示被伪装目标节点到节点之间的距离参数。 7.根据权利要求1、 4或5所述的面向海洋生物 的伪装目标识别方法， 其特征在于， 所述 相似性度量模块通 过余弦相似度度量伪装目标显著特征XC和被伪装目标显著特征XR的距离 为： 通过相似性度量模块计算伪装目标特征和被伪装目标特征的距离Ls， 从而获得伪装目 标显著特 征和被伪装目标显著特 征的差异。 8.根据权利要求7所述的面向海洋生物的伪装目标识别方法， 其特征在于， 所述水下目权　利　要　求　书 2/3 页 3 CN 114913409 A 3