本發(fā)明涉及水下目標識別，尤其涉及一種基于4k可見光偏振成像的水下目標識別方法及系統(tǒng)。

背景技術(shù)：

1、水下目標識別技術(shù)是水下機器人導航及生態(tài)監(jiān)測等領域的核心技術(shù)之一，然而，受水體光學特性復雜性的制約，傳統(tǒng)方法在實際應用中面臨嚴峻挑戰(zhàn)，由于水介質(zhì)對光的強散射與吸收效應，尤其是藍綠光波段在遠距離傳輸中的快速衰減，導致水下成像存在對比度低、細節(jié)模糊、顏色失真等問題。此外，懸浮顆粒物與微生物的隨機散射干擾進一步加劇了圖像退化，使得基于可見光成像的傳統(tǒng)算法在渾濁水域中難以準確提取目標輪廓與紋理特征，現(xiàn)有技術(shù)多采用單一模態(tài)傳感器獲取數(shù)據(jù)，例如依賴rgb相機的光譜信息或聲吶設備的聲學信號。rgb圖像雖能提供顏色與紋理信息，但在低光照或高濁度場景下信噪比急劇下降，無法有效區(qū)分目標與背景；聲吶技術(shù)雖具備遠距離探測能力，但其空間分辨率有限，難以滿足近距離高精度識別需求?，F(xiàn)有方法普遍忽視高分辨率偏振數(shù)據(jù)的利用，而4k可見光成像技術(shù)能夠通過超高分辨率捕捉水下場景的細微紋理與幾何結(jié)構(gòu)，同時結(jié)合偏振成像解析光波振動方向特性，揭示目標表面材質(zhì)的反射特性及微觀幾何特征，從而為復雜環(huán)境下的目標識別提供額外維度的物理特征。傳統(tǒng)多波段衰減補償模型通常采用固定參數(shù)計算光傳播衰減，未考慮水體濁度、光照強度及目標距離的動態(tài)變化對光衰減特性的非線性影響，從而降低水下目標識別的準確性。

2、因此，有必要提供一種基于4k可見光偏振成像的水下目標識別方法及系統(tǒng)解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供一種基于4k可見光偏振成像的水下目標識別方法及系統(tǒng)，達到實現(xiàn)融合多模態(tài)偏振成像和動態(tài)環(huán)境參數(shù)自適應的水下目標識別的有益效果。

2、本發(fā)明提供了一種基于4k可見光偏振成像的水下目標識別方法，包括：

3、s1：同步采集水下場景的rgb強度圖像和偏振參數(shù)矩陣，對rgb強度圖像與偏振參數(shù)矩陣進行像素級配準處理后編碼為四維光場張量數(shù)據(jù)；

4、s2：對四維光場張量數(shù)據(jù)進行分解，獲得rgb通道數(shù)據(jù)和偏振參數(shù)通道數(shù)據(jù)，并提取rgb通道數(shù)據(jù)的空間特征圖和偏振參數(shù)通道數(shù)據(jù)的偏振特征圖；

5、s3：通過跨模態(tài)注意力機制對空間特征圖與偏振特征圖進行交互處理，生成聯(lián)合增強特征圖；

6、s4：基于實時獲取的水體濁度、目標距離、光照強度參數(shù)和場景深度圖，結(jié)合預建立的水體類型與衰減參數(shù)映射表生成多波段衰減權(quán)重圖；

7、s5：對多波段衰減權(quán)重圖進行多尺度融合與歸一化處理，生成空間注意力掩模，基于空間注意力掩模，并通過逐像素乘法調(diào)整聯(lián)合增強特征圖，獲得融合特征圖；

8、s6：將融合特征圖輸入輕量化識別網(wǎng)絡，輸出目標的位置邊界框、類別標簽和材質(zhì)類型信息。

9、優(yōu)選的，在步驟s1中，所述像素級配準處理的步驟包括：

10、通過預標定的空間變換矩陣對偏振參數(shù)矩陣進行雙線性插值，使偏振參數(shù)矩陣與rgb強度圖像的像素坐標一一對齊。

11、優(yōu)選的，在步驟s2中，所述偏振特征圖的提取步驟包括：

12、從偏振參數(shù)通道數(shù)據(jù)中提取偏振角矩陣，對偏振角矩陣進行環(huán)形方向敏感卷積計算，生成表面法線變化率特征圖；

13、從偏振參數(shù)通道數(shù)據(jù)中提取偏振度矩陣，基于菲涅爾反射定律將偏振度矩陣分解為鏡面反射分量和漫反射分量，生成材質(zhì)反射特性特征圖；

14、將所述表面法線變化率特征圖與材質(zhì)反射特性特征圖沿通道維度拼接，輸出偏振特征圖。

15、優(yōu)選的，所述環(huán)形方向敏感卷積計算的卷積核的權(quán)重分布滿足極坐標系下的徑向?qū)ΨQ性。

16、優(yōu)選的，所述環(huán)形方向敏感卷積計算的卷積核的徑向權(quán)重梯度與材質(zhì)折射率滿足正相關關系。

17、優(yōu)選的，在步驟s3中，所述聯(lián)合增強特征圖的生成步驟包括：

18、分別對空間特征圖與偏振特征圖進行通道維度壓縮，生成壓縮特征向量；

19、計算壓縮特征向量的相似性矩陣，通過歸一化生成空間與偏振聯(lián)合注意力權(quán)重；

20、利用空間與偏振聯(lián)合注意力權(quán)重對空間特征圖與偏振特征圖進行通道加權(quán)與空間重標定，生成聯(lián)合增強特征圖。

21、優(yōu)選的，在步驟s4中，多波段衰減權(quán)重圖的獲取包括以下步驟：

22、基于目標距離與場景深度圖的像素深度值，計算每個像素點的水下光傳播路徑長度；

23、基于水體濁度，從預建立的水體類型與衰減參數(shù)映射表中獲取對應水體類型的紅、綠、藍波段的吸收系數(shù)和散射系數(shù)；

24、將紅、綠、藍波段的吸收系數(shù)與散射系數(shù)逐波段相加，得到各波段的總衰減系數(shù)；

25、計算光照強度參數(shù)與預設的光強標準參考值的比例，獲得光強修正因子；

26、基于總衰減系數(shù)、路徑長度矩陣和光強修正因子，逐像素計算紅、綠、藍波段權(quán)重值并拼接為三通道矩陣，獲得多波段衰減權(quán)重圖。

27、優(yōu)選的，在步驟s4中，多波段衰減權(quán)重圖生成過程中，當目標距離小于預設距離閾值且濁度低于預設濁度閾值時，關閉綠波段權(quán)重計算，并通過紅藍波段權(quán)重插值重構(gòu)等效綠波段衰減系數(shù)。

28、優(yōu)選的，步驟s5還包括對空間注意力掩模的調(diào)整步驟包括：

29、對空間注意力掩模進行形態(tài)學膨脹操作，生成膨脹掩模；

30、計算膨脹掩模與原空間注意力掩模的差異區(qū)域，生成邊界差異矩陣；

31、將邊界差異矩陣疊加至原空間注意力掩模，生成調(diào)整后的空間注意力掩模。

32、本發(fā)明還提供了一種基于4k可見光偏振成像的水下目標識別系統(tǒng)，應用于一種基于4k可見光偏振成像的水下目標識別方法，包括：

33、數(shù)據(jù)采集與配準模塊，用于同步采集水下場景的rgb強度圖像和偏振參數(shù)矩陣，對rgb強度圖像與偏振參數(shù)矩陣進行像素級配準處理后編碼為四維光場張量數(shù)據(jù)；

34、特征圖提取模塊，用于對四維光場張量數(shù)據(jù)進行分解，獲得rgb通道數(shù)據(jù)和偏振參數(shù)通道數(shù)據(jù)，并提取rgb通道數(shù)據(jù)的空間特征圖和偏振參數(shù)通道數(shù)據(jù)的偏振特征圖；

35、跨模態(tài)特征融合模塊，用于通過跨模態(tài)注意力機制對空間特征圖與偏振特征圖進行交互處理，生成聯(lián)合增強特征圖；

36、多波段衰減權(quán)重生成模塊，用于基于實時獲取的水體濁度、目標距離、光照強度參數(shù)和場景深度圖，結(jié)合預建立的水體類型與衰減參數(shù)映射表生成多波段衰減權(quán)重圖；

37、融合特征圖生成模塊，用于對多波段衰減權(quán)重圖進行多尺度融合與歸一化處理，生成空間注意力掩模，基于空間注意力掩模，并通過逐像素乘法調(diào)整聯(lián)合增強特征圖，獲得融合特征圖；

38、目標識別與輸出模塊，用于將融合特征圖輸入輕量化識別網(wǎng)絡，輸出目標的位置邊界框、類別標簽和材質(zhì)類型信息。

39、與相關技術(shù)相比較，本發(fā)明提供的一種基于4k可見光偏振成像的水下目標識別方法及系統(tǒng)具有如下有益效果：

40、本發(fā)明利用像素級配準的rgb與偏振四維光場張量編碼技術(shù)，同步捕獲目標的高分辨率光譜強度信息與偏振物理特性，包括偏振角與偏振度，克服了單一模態(tài)數(shù)據(jù)在低光照或高濁度場景下信息缺失的局限性，提升了目標與背景的對比度；通過環(huán)形方向敏感卷積核的極坐標對稱性設計，提取目標表面法線變化率特征，結(jié)合基于菲涅爾反射定律的偏振度矩陣分解技術(shù)，將鏡面反射與漫反射分量解耦，精準量化材質(zhì)的光學反射特性差異，從而實現(xiàn)對不同材質(zhì)的物理屬性表征；基于跨模態(tài)注意力機制動態(tài)學習空間特征與偏振特征的關聯(lián)性權(quán)重，通過通道壓縮與空間重標定操作，自適應強化目標邊緣輪廓與內(nèi)部紋理的聯(lián)合響應，尤其在水體懸浮物遮擋或動態(tài)光影干擾下仍能穩(wěn)定提取目標關鍵區(qū)域；通過實時水體參數(shù)驅(qū)動的多波段衰減權(quán)重生成技術(shù)，結(jié)合預標定水體光學特性映射表與動態(tài)光強修正因子，逐像素計算紅、綠、藍波段衰減補償權(quán)重，并利用多尺度融合策略分離全局衰減趨勢與局部細節(jié)噪聲，有效抑制渾濁水域的散射噪聲干擾，同時保留遠距離目標的微弱特征；采用輕量化識別網(wǎng)絡架構(gòu)，集成偏振敏感型卷積核與動態(tài)通道重參數(shù)化模塊，通過端到端訓練優(yōu)化網(wǎng)絡權(quán)重，實現(xiàn)對目標位置、類別及材質(zhì)信息的并行高效推理，最終實現(xiàn)基于4k可見光偏振成像的水下目標識別的目的。