技术特征：
1.一种基于改进yolo v2模型的海上目标检测方法，其特征在于，包括以下步骤：步骤a，基于生成对抗网络(gan)训练有雾图像，经过若干次迭代得到gan的生成器作为去雾网络，利用去雾网络对原始图像进行高清晰度训练处理得到高清晰化训练图像；步骤b，利用基于yolo v2网络的目标检测模型对步骤a的高清晰化训练图像进行目标检测，识别图像中是否存在对应的目标。2.如权利要求1所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，所述步骤a包括以下步骤：s11，基于大气散射模型的雾天图像成像模型将所述的高清晰度训练图像合成有雾图像；s12，将所述的高清晰度训练图像和步骤s11得到的相应的合成有雾图像输入生成对抗网络进行若干次迭代，得到可作为去雾网络的生成器。3.如权利要求2所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，在所述步骤s12中，所述步骤s11得到的相应的合成有雾图像当作所述生成器的输入图像，而将高清晰度训练图像当作真实图像。4.如权利要求3所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，将所述生成器的生成图像与真实图像作为所述生成对抗网络的判别器输入，在判别器中进行判别；所述生成对抗网络中的生成器的生成图像与真实图像在对抗中互相优化，优化后继续对抗，经过若干次迭代训练后以达到最终的平衡状态，此时经过训练后的生成器即可成为所述的去雾网络。5.如权利要求4所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，所述的生成器为基于dehazenet的神经网络，相较于原始dehazenet网络，该生成器删去了其maxout激活函数，以加快计算速度。6.如权利要求5所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，所述判别器选用alexnet网络。7.如权利要求1所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，所述步骤b中的基于改进yolo v2网络的目标检测模型建立包括以下步骤：s21，利用darknet-19网络提取特征所述darknet-19特征提取网络包括19个卷积层和5个最大池化层，在网络输入图像尺寸为416*416，输出维度13*13的特征图；s22，边界框预测采用k-means聚类方法对训练集中的边界框做了聚类分析，选择合适先验框，每个网格输入图像都输出5个边界框信息，输出维度为13*13*5；s23，类别预测。通过置信度计算每一个边界框的综合得分，保留综合得分超过阈值的边界框，再通过非极大值抑制得到分类结果。8.如权利要求7所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，所述的yolo v2网络的激活函数采用elu，该激活函数与leaky-relu在x取正值时一样，但在x为负值时采用的是指数函数，当参数不断变小时，函数逐渐收敛到一个负值。9.如权利要求8所述的一种基于改进yolo v2模型的海上目标检测方法，其特征在于，所述的步骤b包括如下步骤：
第一步，先在高清晰度训练集上预训练darknet-19网络，此时模型输入为224*224,共训练160代；第二步，将网络的输入调整为448*448,继续在高清晰度训练集上微调分类模型，训练10代；第三步，修改darknet-19分类模型为检测模型，并在高清晰度训练集上继续微调网络；网络修改包括：移除最后一个卷积层、全局平均池化层以及softmax层，并且新增了三个尺寸为3*3*1024的卷积层，在每个卷积层后加入一个尺寸为1*1的卷积层输出预测结果。10.一种处理装置，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于用所述存储器调用并运行所述计算机程序，以执行权利要求1至9任一项权利要求所述的基于改进yolo v2模型的海上目标检测方法。
技术总结
本发明公开了一种基于改进YOLOv2模型的海上目标的检测识别方法和处理装置，其基于改进YOLOv2模型的海上目标检测方法，包括以下步骤：步骤A，基于生成对抗网络(GAN)训练有雾图像，经过若干次迭代得到GAN的生成器作为去雾网络，利用去雾网络对原始图像进行高清晰度训练处理得到高清晰化训练图像；步骤B，利用基于YOLOv2网络的目标检测模型对步骤A的高清晰化训练图像进行目标检测，识别图像中是否存在对应的目标。本发明能够很好地克服海洋多变气候产生的有雾图像对目标检测的影响，通过去雾再检测的操作，本发明实时性好，准确率高。准确率高。
技术研发人员：成新明 夏利民 肖久胜 贺建飚
受保护的技术使用者：中南大学
技术研发日：2022.04.28
技术公布日：2022/8/5