赵晓飞,于双和*,李清波,阎 妍,赵 颖

(大连海事大学a.船舶电气工程学院;b.环境科学与工程学院,辽宁 大连 116026)

由于水下环境复杂、数据采集困难,所以水下目标检测一直是计算机视觉领域一项重要且富有挑战性的工作．早期的水下目标检测算法采用人工制定的特征提取方法提取图像特征,如尺度不变特征变换匹配算法[1](scale-invariant feature transform,SIFT),然后利用支持向量机(support vector machine,SVM)等分类器对图像进行分类．近年来,卷积神经网络(convolutional neural networks,CNN)被广泛应用于目标检测[2-3],取得了令人满意的效果．卷积神经网络以原始图像作为输入,通过简单的非线性模型从大量样本中学习相应的特征,避免了复杂的特征提取过程．基于卷积神经网络的现代目标检测算法可分为one-stage和two-stage两种．Two-stage方法首先生成一组候选对象框以减少搜索空间,然后再进一步分类和回归．如Ren[4]和Zhu[5]等采用此类方法在PASCAL VOC和MS COCO等具有挑战性的数据集上取得了良好效果;黄杰等[6]在Faster R-CNN算法的基础结构中添加一种抛锚策略,用于提高图像中的火焰检测效率．与此相反,one-stage方法具有较高的计算效率,但其检测精度较低．如Zhang等[7]在SSD(single shot multibox detector)算法中加入上下文信息,对图像高维和低维信息进行融合,提高了检测性能,但在精度方面,与two-stage方法仍有较大差距．上述方法在陆地数据集上均已测试成功,但天然水下场景的目标检测难度更大,研究进展较少．这主要是因为:1)水下图像通常由自动设备采集,很难将成像设备与物体之间的距离约束在一定范围内,且海洋……