(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 202210200027.X (22)申请日 2022.03.01 (71)申请人 广东工业大 学 地址 510000 广东省广州市东 风东路729号 (72)发明人 鲁仁全　李孟宇　徐雍　刘畅　 王银河　 (74)专利代理 机构 北京高航知识产权代理有限 公司 11530 专利代理师 刘艳玲 (51)Int.Cl. G06T 7/246(2017.01) G06T 5/10(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种无人艇目标检测追 踪方法及系统 (57)摘要 本发明提供一种无人艇目标检测系统及方 法， 利用Mobilenetv3结构替换YOLOv4的主干特 征提取网络CSPD arknet53， 通过Mobilenetv3的 深度可分离卷积大幅减少主干网络参数量。 在 MobileNetv3中以及PANet与YOLO_HEAD中间加入 CBAM注意力机制， 提升因使用Mobilenetv3网络 而损失的mAP。 融合Mobilenetv3 ‑YOLOv4目标检 测算法和KCF相关滤波目标跟踪算法， 有效地实 现对海面目标的尺度自适应和对海面目标实时 检测跟踪。 将Mobilenetv3提取的深度特征与KCF 算法的HOG特征进行融合， 有效解决了KCF算法 HOG提取特征的问题。 实现系统在嵌入式设备中 使用的可能。 权利要求书3页 说明书10页 附图3页 CN 114596335 A 2022.06.07 CN 114596335 A 1.一种无 人艇目标检测追踪方法， 其包括如下步骤： S1.启动目标检测追踪系统， 通过自检并正常运行； S2.感知模块采集环境信息并进行目标识别， 其中环境信息包括位置信息和周围图像 信息和视频信息； S3.规划模块基于感知模块获得的周围环境感知信 息， 实时对前进路线做出规划， 提供 行驶轨迹； S4.控制模块基于规划模块 提供的行驶轨 迹， 控制无 人艇的目标追踪行动。 2.如权利要求1所述的无人艇目标检测追踪方法， 其特征在于， 所述步骤S2包括如下步 骤： S2.1.预先利用Mobilenetv3结构替换YOLOv4的主干特征提取网络CSPDarknet53， 在 MobileNetv3中以及PANet与YOL O_HEAD中间加入CB AM注意力机制， 通过Mobilenetv3的深度 可分离卷积 将标准卷积分解成的深度卷积和一个的逐点卷积； S2.2.在MobileNetv3中以及PANet与YOLO_HEAD中间加入CBAM注意力机制， CBAM从通道 和空间两个维度计算卷积神经网络生成的特征图的注意力图， 将注意力图与输入的特征图 相乘， 进行特征自适应学习， 通道注意力模块CAM输入的特征图通过全局最大池化GMP和全 局平均池化GAP得到对应的特征图， 通过多层感知器得到两个特征向量， 将两个特征向量的 元素逐个相加累积， 通过激活操作输出通道注意力特征， 与最初的特征图进行相乘， 进行自 适应特征细化， 得到新的特征图， 记为F ′， 空间注意力模块SAM将上述通道注意力模块得到 的特征图F ′进行全局最大池化GMP和全局平均池化GAP， 得到两个特征图， 将两个特征图通 道拼接， 经过卷积核为7 ×7的卷积运算及激活操作， 所得结果与输入的特征图相乘， 得到所 需要的特 征。 3.如权利 要求2所述的无人艇目标检测追踪方法， 其特征在于， 所述步骤S2还包括S2.3 步骤， YOLOv4模型与改进 KCF算法的融合步骤， 具体为： KCF算法分为建立模 型、 在线匹配、 模 板更新3个环节， 将KCF预测的目标边界框与YOLOv4检测到的边界框相结合， 以获得与跟踪 目标大小相匹配的新尺度目标框， 将新的目标框作为KCF的训练模板， 实现KCF尺度自适应。 4.如权利要求3所述的无人艇 目标检测追踪方法， 其特征在于， 所述KCF尺度自适应的 具体步骤为： 步骤1： 读入视频序列； 步骤2： KCF算法预测出目标框； 步骤3： 改进的YOLOv4算法检测出视频中所有目标并计算与KCF算法预测的目标框的 IOU值； 步骤4： 使用IOU值 最大的YOLOv4目标框作为KCF算法新的训练模板 。 5.如权利 要求3所述的无人艇目标检测追踪方法， 其特征在于， 所述步骤S2还包括S2.4 步骤， 对于HOG特征与深度特征融合， 即使用改进YOLOv4算法中的Mob ileNetv3网络对目标 提取深度特 征并计算出的相似度与KCF算法预测的置信度HO G特征进行融合。 6.如权利要求5所述的无人艇目标检测追踪方法， 其特征在于， 所述MobileNetv3网络 对目标提取深度特 征计算出的相似度与KCF算法预测的置信度基于如下公式构建融合： C＝ μCkcf+(1‑μ )DMobileNet 其中， Ckcf是KCF算法预测的置信度， DMobileNet是MobileNet计算出 的相似度, μ为多次测权　利　要　求　书 1/3 页 2 CN 114596335 A 2试后的两者 最佳比例值。 7.如权利要求3所述的无人艇 目标检测追踪方法， 其特征在于， 所述的KCF算法的建立 模型环节基于如下公式构建目标函数与最小化采样数据与下一帧真实目标位置的距离： 通过岭回归的方式建立目标函数: f(xi)＝wHxi 式中： xi为样本， ω是样本xi的权重系数。 目标是最小化采样数据与下一帧真实目标位置的距离: 式中:yi为样本标签， yi是样本特征xi的标签值。 λ是正则化参数， 也称为岭系数， 用于控 制系统的结构复杂性以保证分类 器的泛化 性能。 λ||w||2是正则项， 防止模型 出现过拟合。 8.如权利要求7所述的无人艇目标检测追踪方法， 其特征在于， 所述最小化采样数据与 下一帧真实目标位置的距离公式基于如下公式构建损失函数最小值:对ω求微分， 令导数 为0， 损失函数 取得最小值: w＝(XHX+θ I)‑1XHy 式中： I为单位矩阵。 X＝[x1,x2,...,xn]T为样本矩阵， XH为X的复共轭转置矩阵， X的每一 行xiT为一个样本， y为列向量， 分量yi为对应样本xiT的标签。 9.如权利要求7所述的无人艇目标检测追踪方法， 其特征在于， 所述损失函数最小值公 式基于如下公式构建w在傅里叶域的表示， 利用循环矩阵对角化的性质得到w在傅里叶域的 表示: 式中： 表示x的离 散傅里叶变换， 为 的共轭向量。 10.如权利要求8所述的无人艇目标检测追踪方法， 其特征在于， 所述w在傅里叶域的表 示公式基于如下公式将ω的求 解转化为高维空间中的高维权值α : 其中 表示核空间的核矩阵。 α 在频域的表示： 其中 为K矩阵的第一行的傅里叶变换。 11.如权利要求3所述的无人艇目标检测追踪方法， 其特征在于， 所述KCF算法的在线 匹 配， 是基于如下公式定义KZ是在核空间表示采样样本与训练样本相似度的核矩阵， 将采样 样本与训练样本作相关操作， 得到响应值的频域表示:权　利　要　求　书 2/3 页 3 CN 114596335 A 3