1.一种基于yolov3网络的声呐图像目标检测方法，其特征在于，主要包括以下步骤：首先增加尺度特征图以及对锚边框聚类方法个数的选取，接着采用了没全连接层的Darknet‑

53主干网络并通过上采样结合多层特征图进行多尺度检测，在此基础上中加入DCA融合策略(Discriminant Correlation Analysis判别相关分析)，最后，采用GIOU(Generalized Intersection over Unio泛化版交并比)作为边框损失函数的参数，提升模型对边界框位置信息的预测准确度；

所述锚边框聚类方法选取包括以下六个步骤：

步骤1：将所有的bounding box(预测框)坐标提取出来，同时需要无区别的将所有图片的所有框提取出来；

步骤2：获得所有训练数据bounding boxes(预测框)的宽高数据，训练数据往往是其bounding box的4个坐标，将坐标数据转换为框的宽高大小；

步骤3：初始化k个anchor boxes(锚边框)，通过在所有的bounding boxes(预测框)中随机选取k个值作为k个anchor boxes(锚边框)的初始值；

步骤4：计算每个bounding box(预测框)与每个anchor box(锚边框)的IOU值，并更新anchor box(锚边框)；

YOLOv3通过k‑means聚类出锚边框用来逻辑回归边界框，为了减小锚框大小对检测的影响采用矩形框的平均交并比(Avg IOU)对训练集所有目标使用k‑means聚类获得锚框的大小，聚类的平均交并比目标函数p可由以下公式表示：d(box,cen)＝1‑IOU(box,cen)    (2)

公式中IOU表示真实框boxtru和预测框boxpre交集面积和并集面积的比值，area表示面积函数，公式2为利用k‑means聚类算法的距离度量，其中box表示矩形框大小，cen表示一个簇中心矩形框的大小，公式3中b表示样本，c表示通过k‑means算法选择的簇中心，mk表示第k个聚类中样本的个数，m表示样本总个数，k表示聚类中心个数，i和j分别表示样本序号和聚类中的样本序号；

步骤5：重复步骤4，直到anchor box不再变化，或者达到了最大迭代次数；

步骤6：本发明方法重新筛选制作了包括声呐目标检测的大、中、小三个类别的数据集进行实验，根据数据集中目标宽高的分布，分析锚框个数k＝1～9对数据集聚类分析得到k和Avg IOU的关系，平均交并比随着锚框个数增加而增加，由于本发明模型保留三层检测层，最终选取9个锚框；

所述结合多层特征图进行多尺度检测，通过多尺度跨层检测结合深层语义信息和浅层语义信息，对不同大小的特征层进行独立预测，更好适应了对小目标的检测，其中针对卷积层特征网络改进包括以下两个步骤：步骤1：YOLOv3网络采用了三个尺度特征图对应不同大小的锚框，尺度越小，感受野越大，分辨率越小，对小目标越不敏感，输入为416pixel*416pixel时，尺度13*13可以用来预测大目标，而对于小目标检测精度将会大幅下降，所以增加了26*26和52*52尺度特征图提高对中等以及偏小目标预测精度；

步骤2：为了进一步适应对小目标的检测进而提高其检测精度，将Darketnet‑53网络的第36层、11层和第8层拼接融合到小目标检测层；以输入为256pixel*256pixel为例，通过上采样将36层的32pixel*32pixel与11层、8层的64pixel*64pixel拼接作为第三个YOLO检测层，同时加入两层3*3卷积层和三层1*1卷积层增加网络深度，这些操作虽然提高了检测精度但是也增加了检测时间；

所述基于DCA特征融合策略方法，yolov3对于高低层特征融合采用concat(拼接层)通道拼接，两特征层相关不强而产生冗余信息，从而造成目标漏检的问题，为此，引入DCA特征融合策略，使得两个特征层之间的差异更为突出，同时最大化两者之间的相关性，更好的融合不同模式下提取的信息，进而使得经过交互模块的待检测输入的特征信息更加丰富，其中DCA特征融合策略包括以下三个步骤：步骤1：首先假设样本数矩阵来C个单独的类，为此，b列数据可以分为C个单独的类，假设ni列属于第i类，对于i类的第j个样本，即特征向量，记为 和 分别表示所有特征集合的平均值和第i类特征的平均值，由此得到的类间散布矩阵如下：其中有：

步骤2：为了更好的区分类别，式(4)中 是一个对角化矩阵，满足定义：

其中P是正交特征向量矩阵， 是实非负特征值正交矩阵，r是由公式表

示的最大非零特征向量矩阵 那么矩阵P的定义如公式(6)所示：

r的最显著特征 可以通过 映射得到，

为转移矩阵，归一化Sbx并对数据矩阵进行降维P→r，记输入的其中一个特征集为X，则X在空间上的投影X'的求解如公式(7)和(8)所示：T

WbxSbxWbx＝I   (7)

同理可得另一输入特征集Y在空间上的投影Y'，公式如下(9)和(10)：T

WbySbyWby＝I (9)

步骤3：为了让X与Y的特征保持非零相关，利用SVD(Singular Value Decompostion奇T异值分解)对两者的协方差矩阵进行对角化，先定义S'xy＝X'Y'，那么对角化推算如下：‑1/2 ‑1/2 ‑1/2 ‑1/2 T

紧接着定义Wcx＝U∑ ，Wcy＝U∑ ，这样就能得到(v∑ )S'xy(U∑ )＝I,最后进* *行转换，得到新的特征集X ,Y ,如公式(12)和(13)所示：

* T T T

X＝WcxX'＝WcxWbxX＝WxX (12)

* T T T

Y＝WcyY'＝WcyWbyY＝WxY (13)

所述的边框损失函数参数优化，边框损失函数使用GIOU之后，模型平均损失收敛更快，所述其中损失优化方法选取包括以下三步骤：步骤1：对网络模型超参数的设定，损失优化，在训练过程中，首先通过预测值与真实值比较得到loss函数，判断训练次数，当次数小于设定的次数，再根据loss反向传播更新模型参数，本发明引入GIOU(Generalized Intersection over Unio泛化版交并比)，对于预测框A和真实框B，先求出A和B的最小凸包(包含AB框的最小包围圈)C，再根据交并比IOU的值得到泛化版交并比GIOU，具体的计算公式如下(14)和(15)所示：式中，C表示预测框和真实框的最小包围框的面积，A∪B表示真实框和预测框的面积之和减去两者的重叠面积；

步骤2：生成边框代价函数，由上述式，GIOU值总是小于等于IOU，其值位于区间[0,1]，所以GIOU值位于区间[‑1,1]，当预测框和真实框完全重合的时候，GIOU＝1；当预测框和真实框不重合，即IOU为零值，GIOU越接近‑1，两者的距离越远；GIOU作为边框评价指标时，边框代价函数如公式(16)所示：Loss_box＝1‑GIOU    (16)

步骤3：最后，整个模型的损失函数如公式(17)所示：

其中，第一部分为边框损失，第二部分为类别损失， 的取值是由网络单元代表的边界框是否负责预测某个对象决定， 为参与预测的边界框含有目标的置信度；若边界框不参与目标预测，但是其与真实框的IOU值大于设定的阈值，那么Gij值为0，其他的情况下，其值为1，第三部分为置信度损失，同样 也表示边界框是否预测对象。