(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 202210349173.9 (22)申请日 2022.04.01 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 李海滨　高建　张文明　肖存军　 李雅倩　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 陈跃心 (51)Int.Cl. G06T 7/246(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/44(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于通道感知的水 下目标跟踪方法 (57)摘要 本发明公开了一种基于通道感知的水下目 标跟踪方法， 包括如下步骤： 步骤S1、 对水下模糊 失真的图像进行增强； 步骤S2、 构造网络模型， 使 用骨干网络AlexNet对模板图像和测试图像进行 特征提取； 步骤S3、 构造通道感知模块， 并将通道 感知模块融入网络模型； 步骤S4、 利用大规模数 据集对融入通道感知模块的网络模型进行离线 训练； 步骤S5、 利用训练好的模型对选中的水下 目标进行跟踪， 生成包围目标的矩形框， 获取跟 踪结果。 本发 明克服现有跟踪算法没有图像预处 理机制， 不能很好应用于水下， 以及水下环境复 杂， 导致目标跟踪结果 不够准确的问题。 权利要求书2页 说明书5页 附图2页 CN 114782488 A 2022.07.22 CN 114782488 A 1.一种基于通道感知的水 下目标跟踪方法， 其特 征在于： 包括如下步骤： 步骤S1、 对水 下模糊失真的图像进行增强； 步骤S2、 构造网络模型， 使用骨干网络AlexNet对 模板图像和 测试图像进行 特征提取； 步骤S3、 构造通道感知模块， 并将通道感知模块融入网络模型； 步骤S4、 利用大规模数据集对融入通道感知模块的网络模型进行离线训练； 步骤S5、 利用训练好的模型对选 中的水下目标进行跟踪， 生成包围目标的矩形框， 获取 跟踪结果。 2.根据权利要求1所述的一种基于通道感知的水下目标跟踪方法， 其特征在于： 所述步 骤S1中对于照度低、 亮度小的水 下图像， 利用直方图均衡化， 增强原图的整体亮度。 3.根据权利要求1所述的一种基于通道感知的水下目标跟踪方法， 其特征在于： 所述步 骤S1中对于亮度 足够但是模糊浑浊的图像， 根据多尺度增强MSR算法对其增强， MSR由以下 公式表示 式中RMSR表示经过MSR增强后的图像， I(x,y)表示原始图像， G(x,y)为高斯环绕函数,表 示尺度个数， ωk表示表示第k个尺度的值。 4.根据权利要求3所述的一种基于通道感知的水下目标跟踪方法， 其特征在于： 所述步 骤S2中网络模型包括模板分支和测试分支， 所述模板分支用于获取目标模板图像， 模板图 像记为z， 所述测试分支用于获取跟踪过程的后续 帧， 得到测试图像， 测试图像记为x， 所述 模板分支和 测试分支的输出维度分别为6 ×6×128和22×22×128。 5.根据权利要求4所述的一种基于通道感知的水下目标跟踪方法， 其特征在于： 所述步 骤S3的具体步骤如下： 步骤S3.1、 通道感知模块对经过骨干网络AlexNet提取的特征X∈RC×H×W分别进行全局 平均池化和全局最大池化， 其中， R为三维张量， C为特征图通道数、 H为高、 W为宽； 全局平均 池化和全局最大池化将 输入特征X由H ×W压缩至1 ×1， 得到两个尺 寸为C×1×1的通道权重 表征向量； 步骤S3.2、 将步骤S3.1中得到的两个表征向量送入到共享的多层感知器MLP中， MLP由 两个共享的1 ×1卷积层所构成， 第一个1 ×1卷积层利用降维参数r降维， 将通道由C降至C/ r， 第二个1 ×1卷积层则将特 征通道数目再恢复至 C， 此时得到 两个表征向量元 素； 步骤S3.3、 将MLP输出的两个表征向量元素进行逐元素相加， 得到全局通道之间的注意 力MC： Mc(X)＝SG(MLP(favg(X))+MLP(fmax(X)))， 其中SG表示sigmoid激活函数， favg(·)和fmax(·)分别表示全局平均池化操作和全局 最大池化操作。 6.根据权利要求5所述的一种基于通道感知的水下目标跟踪方法， 其特征在于： 所述步 骤S4的具体步骤如下： 步骤S4.1、 将步骤S3中的通道感知模块嵌入模板分支， 获取模板特征图像每个通道的 权重， 并在Imagnet  VID数据集和Imagnet  DET数据集中进行离线训练， 训练过程中接受模权　利　要　求　书 1/2 页 2 CN 114782488 A 2板图像z和 测试图像x作为输入； 步骤S4.2、 将模板图像z送入通道感知模块， 产生输入图像各通道的权 重MC(z)； 步骤S4.3、 根据如下公式， 得到融合 通道权重的特征h(z)： 其中z为模板图像， MC(z)为图像各通道的权 重, 为卷积操作。 步骤S4.4、 根据如下公式对测试图像进行滑动卷积 操作： 其中f(z,x)是互相关操作后的最终响应图， 为网络提 取测试图像的特征， 为卷积 操作； 步骤S4.5、 利用逻辑回归公式对损失函数不断优化， 得到最终网络模型， 公式如下： l(y,v)＝ log(1+exp( ‑y,v))， 其中l(y,v)是损失函数， y是真实标签值， v是网络预测值。 7.根据权利要求6所述的一种基于通道感知的水下目标跟踪方法， 其特征在于： 所述步 骤S5的具体步骤如下： 步骤S5.1、 用融合 通道感知模块的特 征提取网络提取模板图像特 征； 步骤S5.2、 测试图像经过特征提取网络得到的特征图与模板图像特征进行卷积操作， 并利用如下公式进行相似度计算， 得到模板图像与测试图像之间的相似性， 得到响应图： 其中 表示特征提取操作， z和x分别表示模板图像和测试图像， f( ·)是网络需要学习 的函数， 具体的， distance 可由下式表示： 式中， xi和yi分别表示 提取到的模板图像和 测试图像特 征的输入张量； 步骤S5.3、 响应图得分的最高位置为目标的最终位置， 获取跟踪结果。权　利　要　求　书 2/2 页 3 CN 114782488 A 3