本發明涉及海洋生物檢測，尤其是涉及一種基于兩階段多目標跟蹤的海洋生物檢測方法及系統。

背景技術：

1、海洋生物目標檢測是計算機視覺和人工智能技術在海洋生態監測中的重要應用，尤其是在海洋生物多樣性保護、漁業資源管理以及海洋環境研究等方面。隨著深度學習、計算機視覺和圖像處理技術的不斷發展，海洋生物目標檢測的研究和應用取得了顯著進展。高效的多目標跟蹤是實現綠色、精準、大規模水產養殖、海洋勘探和海洋養殖的關鍵，但依然面臨一些挑戰。傳統的基于貝葉斯估計的多目標跟蹤方法通常依賴于目標的概率模型，通過貝葉斯估計推測每個目標的狀態。然而，這類方法在實際應用中面臨一些顯著問題。首先，檢測概率未知，即在某些時刻無法確定目標是否存在于觀測數據中，這使得檢測過程變得不確定，增加了假陽性和假陰性的可能性，影響了目標狀態的準確性。其次，目標新生隨機，這意味著新的目標在跟蹤過程中會隨機出現，傳統方法通常依賴預設的目標數量或假設目標是已知的，這對于動態變化的場景非常不適應。最后，數據關聯復雜，在多目標跟蹤中，不同目標的運動軌跡可能交叉或遮擋，導致難以準確關聯觀測數據和目標狀態。傳統貝葉斯方法往往無法有效處理這種復雜的關聯問題，導致跟蹤效率低下，特別是在多目標密集或遮擋嚴重的情況下。

2、目前，對海洋生物檢測進行目標檢測的任務中主要存在以下缺陷：1.?水下環境的復雜性，尤其是在深海區域，光線幾乎無法穿透，圖像質量極差，出現低對比度、模糊、噪聲等問題，給目標檢測帶來很大挑戰。2.?海洋生物種類繁多，形態各異，同一物種在不同水域、不同季節或不同年齡階段的外觀也會發生變化。例如，小型魚類和鯨類等海洋生物有著非常不同的體型、顏色和行為特征，這使得基于外觀的目標檢測和分類任務更加復雜。3.深度學習模型的訓練依賴于大量高質量的標注數據，但海洋生物的標注數據普遍不足。4.深度學習模型通常需要較高的計算資源和較長的推理時間，這與實時性要求存在沖突。因此，如何在保證檢測精度的同時，提高算法的處理速度和效率，是一個關鍵問題。

技術實現思路

1、為了解決上述提到的問題，本發明提供一種基于兩階段多目標跟蹤的海洋生物檢測方法及系統。

2、第一方面，本發明提供的一種基于兩階段多目標跟蹤的海洋生物檢測方法，采用如下的技術方案：

3、一種基于兩階段多目標跟蹤的海洋生物檢測方法，包括：

4、獲取海洋生物數據集，包括類別標簽數據集和目標框選圖像數據集；

5、基于改進yolov8模型對海洋生物數據集進行特征提取，其中，通過在yolov8模型中引入adown模塊解決下采樣過程中的信息丟失問題，通過在yolov8模型中引入drc2f機制減少計算復雜性，通過在yolov8模型中引入ca?注意力機制減少背景信息的干擾；

6、利用smc-phd過濾器對提取的特征進行多目標跟蹤；

7、基于匈牙利算法優化數據關聯過程，通過匹配數據集圖像中的檢測結果與目標軌跡從而實現多目標的連續跟蹤。

8、進一步地，所述通過在yolov8模型中引入adown模塊解決下采樣過程中的信息丟失問題，包括通過平均池化操作，減小特征圖尺寸，并保持圖像的平滑性，設輸入特征圖的大小為，經過平均池化后，輸出特征圖的大小變為，

9、

10、其中，?是池化窗口的大小，是池化窗口內的像素值，adown模塊將池化后的特征圖分為兩部分，第一部分通過卷積提取更細粒度的特征，降低維度；第二部分使用最大池化和逐點卷積進一步增強非線性特征的提取，

11、

12、其中，是卷積核，是輸入特征圖，是偏置項，最后，經過卷積處理后的兩部分特征圖被合并，形成最終的adown模塊輸出。

13、進一步地，所述通過在yolov8模型中引入drc2f機制減少計算復雜性，包括通過卷積操作融合多尺度信息來提取特征，表示為：

14、

15、其中，和?是不同尺度的卷積核，是輸入特征圖。dr模塊采用膨脹卷積dilated?convolution來擴大感受野，而無需增加計算量，膨脹卷積的操作表示為：

16、

17、其中，是膨脹因子，是卷積核，表示在膨脹卷積過程中考慮的更大范圍的像素。

18、進一步地，所述通過在yolov8模型中引入ca?注意力機制減少背景信息的干擾，包括基于輸入特征圖的通道信息，為每個通道分配一個權重系數，表示該通道在特征圖中的重要性，表示為：

19、

20、其中，是一個權重矩陣，是輸入特征圖，是sigmoid函數，是激活函數。

21、進一步地，所述利用smc-phd過濾器對提取的特征進行多目標跟蹤，包括通過生成多個粒子來表示目標的位置和速度，粒子的權重初始化為與yolov8輸出的置信度相關聯，置信度高的目標粒子將獲得大權重，在每個時間步，smc-phd根據目標的運動模型預測粒子的狀態，并結合最新的yolov8檢測結果更新粒子的權重，設yolov8的輸出在某時刻為，其中?是目標的位置，是目標的檢測置信度，粒子的權重更新過程表示為：

22、

23、其中，是粒子在時刻的權重，是粒子對應位置的檢測概率，表示粒子與當前檢測結果的匹配度，通過重采樣步驟，選擇出權重較高的粒子，并生成下一時刻的目標狀態。

24、進一步地，所述利用smc-phd過濾器對提取的特征進行多目標跟蹤，還包括利用smc-phd過濾器通過粒子濾波維持和更新多個目標的跟蹤狀態，其中，smc-phd過濾器是基于概率假設密度phd來估計目標的數量和狀態。

25、進一步地，所述基于匈牙利算法優化數據關聯過程，通過匹配數據集圖像中的檢測結果與目標軌跡從而實現多目標的連續跟蹤，包括通過構建代價矩陣，計算不同目標之間的匹配代價，并通過優化算法最小化代價，從而實現最優匹配，在多目標跟蹤中，代價矩陣的構建基于目標檢測結果與跟蹤粒子估計之間的相似度度量。

26、第二方面，一種基于兩階段多目標跟蹤的海洋生物檢測系統，包括：

27、數據獲取模塊，被配置為，獲取海洋生物數據集，包括類別標簽數據集和目標框選圖像數據集；

28、特征提取模塊，被配置為，基于改進yolov8模型對海洋生物數據集進行特征提取，其中，通過在yolov8模型中引入adown模塊解決下采樣過程中的信息丟失問題，通過在yolov8模型中引入drc2f機制減少計算復雜性，通過在yolov8模型中引入ca?注意力機制減少背景信息的干擾；

29、跟蹤模塊，被配置為，利用smc-phd過濾器對提取的特征進行多目標跟蹤；

30、多目標模塊，被配置為，基于匈牙利算法優化數據關聯過程，通過匹配數據集圖像中的檢測結果與目標軌跡從而實現多目標的連續跟蹤。

31、第三方面，本發明提供一種計算機可讀存儲介質，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行所述的一種基于兩階段多目標跟蹤的海洋生物檢測方法。

32、第四方面，本發明提供一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行所述的一種基于兩階段多目標跟蹤的海洋生物檢測方法。

33、綜上所述，本發明具有如下的有益技術效果：

34、1.?提升檢測精度與魯棒性：通過結合yolov8檢測器和smc-phd跟蹤器，本方法能夠在復雜的水下環境中有效提升目標檢測精度。yolov8的多個改進模塊提升了對低對比度、模糊和噪聲圖像的處理能力，使得即使在光線不佳的深海環境中，也能準確識別并提取目標信息。而smc-phd跟蹤器則通過粒子濾波技術，增強了對動態目標的追蹤能力，減少了漏檢和誤檢的情況。

35、2.?提高實時性和處理效率：針對海洋生物檢測的實時性需求，本方法引入了輕量級的匈牙利算法進行數據關聯，有效優化了計算資源的使用，減少了傳統深度學習模型中高計算需求帶來的推理時間。通過合理的優化，算法在保證檢測精度的同時，能夠在較短的時間內完成目標檢測和多目標跟蹤，為實時監測提供了技術保障。

36、3.?適應性強，支持多種目標類型：由于海洋生物種類繁多，且在不同環境中具有不同的外觀特征，本方法能夠通過yolov8的多目標檢測能力和smc-phd跟蹤器的適應性，處理具有高度變異性的目標類型。無論是體型較小的魚類還是大型的鯨類，方法都能準確進行識別和跟蹤，適應性強，能夠應對多樣化的海洋生物目標檢測任務。