CN108319970B - 基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法 - Google Patents

Abstract

本发明提出了一种基于压缩感知的声纳图像超分辨率重建跟踪和检测方法，基于现有的水下声纳图像目标追踪的方法，改进了传统的聚类方法和字典训练方法，利用斑点检测和视觉显著性检测结合的方式进行目标的跟踪和检测。该方法在字典训练方面更加精准，提高图像的分辨率。分步进行目标的跟踪，找到目标相对位置后，再进行显著性的检测，确保跟踪检测的实时性和准确性。

Description

基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法

技术领域：

本发明涉及水下声纳图像目标跟踪和检测领域，具体地说，是一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法。

背景技术：

声波在海洋中传输的衰减不明显，在较低频率传播距离远，有很好的通信功能。声纳图像就是利用声波在海洋中传播反馈获得的图像信息。声纳图像被广泛应用到水下目标探测、定位与跟踪，因此声纳图像的研究对海底探索、水下目标探测等领域的发展来说意义重大。然而，水声成像取决于声波辐射的大小，目标的成像受环境的噪声影响较大，会出现严重的图像退化现象，为水下目标的研究带来不便。

退化的声纳图像给水下目标跟踪和检测带来困难，为此常采用压缩感知的方法超分辨率重构声纳图像以期获得更好的探测效果。压缩感知字典学习算法通常采用k-means聚类算法等进行过完备字典训练，这种聚类算法主要思想是给定K值和K个初始类簇中心点的情况下，把每个点分到离其最近的类簇中心点所代表的类簇中所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。这一算法中最终聚类效果受K值的选取和初始类簇中心点的选取影响较大，并且只能用于凸数据集，应用范围有限。

针对以上问题，该发明提出一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法，能够更加准确的进行目标的跟踪和检测。

发明内容：

为了实现上述目的，本发明提出一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法。本发明采取的技术方案是：基于HAOC重合聚类算法完成过完备字典训练，实现声纳图像超分辨率重建，并采用组合方法完成超分辨率声纳图像目标的跟踪与检测，该方法包括以下步骤：

1.采用HAOC重合聚类算法完成过完备字典训练，实现声纳图像超分辨率重建，完成目标的跟踪和检测。

聚类原理：将每个特征样本进行领域标注，即将每个样本都添加一个领域，然后计算两个样本点中重合面积>阈值(这里阈值通常选取为样本密度的2/3)，则归为一类；统计初始分类中样本的个数，将小于3个样本的类删除，删除的是噪声类；最后形成K种类别。然后在同一类的样本中利用距离均值算法确定聚类中心，选取其中的任一一个样本点，计算其他样本点到该点的距离，通过计算每两个样本点的距离的平均值，求出最小平均值的点作为类别的中心点，作为以后目标追踪检测的参考点。

2.采用组合方法完成超分辨率声纳图像目标的跟踪与检测

为了更加精准时效的跟踪检测目标，首先采用简单等级要求斑点检测的方式进行粗寻找，找出目标所在的相对位置和区域；然后利用显著性检测对粗寻找到的目标区域进行精准检测，确保目标跟踪和检测的准确性。

附图说明：

图1是本发明基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的HAOC重合聚类算法字典训练示意图

图2是本发明基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的超分辨率图像重建过程图

图3是本发明基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的超分辨率图像追踪检测过程图

具体实施方式：

步骤一：初始化原图像参数，将原始图像的光滑、边缘、纹理成分分别α_s、α_e、α_t，对应的利用离散光滑小波变换、非规则轮廓小波变换和小波光滑模型变换进行相应的处理，生成初始过完备字典；其中基于HAOC聚类算法的结构化字典训练的过程：

(一)光滑成分的处理：

(1)输入光滑成分经离散光滑小波变换生成的初始过完备字典

(2)输入样本集D＝{X₁,X₂,X₃,....X_n}，邻域半径参数r，重合面积的阈值MinS；

(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分

(4)按照下列算法进行类别划分：

(a)为样本点X_j添加邻域半径；

(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(X_j,X_k)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{X_j}，直到所有的样本对比完为止；

(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；

(6)区分出类别后，利用距离均值算法，确定类别的核心对象；

方法：选取其中一个样本点作为基础核心对象，计算它距离每一个同类样本点的距离和d₁。选取下一个点，计算该点到同类样本的距离和d₂，用此方法分别计算出d₃，d₄......d_n，

比较出其中距离和最小的min{d_t}对应的点作为最终的聚类中心

用于过完备字典训练目标的追踪检测；

(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ⁰∈R^n×Z，J＝1；

(8)将字典ψ_s中的原子d_j分到与聚类中心

最相似的Z个聚类集合中，并通过

对矩阵

的第z列更新，其中，

聚类集合可表示为：

(9)根据原子索引d计算权重矩阵W_s、对角矩阵C_s及拉普拉斯矩阵L_s，并根据GOMP算法求出稀疏表示系数β_s，最后更新字典ψ_s，其过程为：

(10)n＝n+1；循环步骤(8)-(9)至满足停止条件；

(11)输出光滑成分对应的过完备字典ψ_s；

(二)边缘成分处理：

(1)输入边缘成分经非规则轮廓小波变换生成的初始过完备字典

(2)输入样本集D＝{X₁,X₂,X₃,....X_n}，邻域半径参数r，重合面积的阈值MinS；

(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分

(4)按照下列算法进行类别划分：

(a)为样本点X_j添加邻域半径；

(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(X_j,X_k)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{X_j}，直到所有的样本对比完为止；

(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；

(6)区分出类别后，利用距离均值算法，确定类别的核心对象；

方法：选取其中一个样本点作为基础核心对象，计算它距离每一个同类样本点的距离和d₁。选取下一个点，计算该点到同类样本的距离和d₂，用此方法分别计算出d₃，d₄......d_n，

比较出其中距离和最小的min{d_t}对应的点作为最终的聚类中心

用于过完备字典训练目标的追踪检测；

(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ⁰∈R^n×Z，J＝1；

(8)将字典ψ_e中的原子d_j分到与聚类中心

最相似的Z个聚类集合中，并通过

对矩阵

的第z列更新，其中，

聚类集合可表示为：

(9)根据原子索引d计算权重矩阵W_e、对角矩阵C_e及拉普拉斯矩阵L_e，并根据GOMP算法求出稀疏表示系数β_e，最后更新字典ψ_s，其过程为：

(10)n＝n+1；循环步骤(8)-(9)至满足停止条件；

(11)输出边缘成分对应的过完备字典ψ_e；

(三)纹理成分处理：

(1)输入纹理成分经小波纹理模型变换生成的初始过完备字典

(2)输入样本集D＝{X₁,X₂,X₃,....X_n}，邻域半径参数r，重合面积的阈值MinS；

(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分

(4)按照下列算法进行类别划分：

(a)为样本点X_j添加邻域半径；

(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(X_j,X_k)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{X_j}，直到所有的样本对比完为止；

(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；

(6)区分出类别后，利用距离均值算法，确定类别的核心对象；

方法：选取其中一个样本点作为基础核心对象，计算它距离每一个同类样本点的距离和d₁。选取下一个点，计算该点到同类样本的距离和d₂，用此方法分别计算出d₃，d₄......d_n，

比较出其中距离和最小的min{d_t}对应的点作为最终的聚类中心

用于过完备字典训练目标的追踪检测；

(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ⁰∈R^n×Z，J＝1；

(8)将字典ψ_t中的原子d_j分到与聚类中心

最相似的Z个聚类集合中，并通过

对矩阵

的第z列更新，其中，

聚类集合可表示为：

(9)根据原子索引d计算权重矩阵W_t、对角矩阵C_t及拉普拉斯矩阵L_t，并根据GOMP算法求出稀疏表示系数β_t，最后更新字典ψ_t，其过程为：

(10)n＝n+1；循环步骤(8)-(9)至满足停止条件；

(11)输出纹理成分对应的过完备字典ψ_t；

步骤二：压缩感知的超分辨率声纳图像重建

对于过完备字典的作用下的图像I，其压缩感知稀疏表示为：

I＝ψα

根据超分辨率退化模型，基于压缩感知的退化模型的数学表示为：

V_k＝D_kB_kH_kψα+η_k,k＝1,...,N

由于超分辨率图像的重建是退化模型的逆过程，其过程表示为

则超分辨率图像中光滑成分可表示为：I_s＝ψ_sα_s

超分辨率图像中边缘成分可表示为：I_e＝ψ_eα_e

超分辨率图像中纹理成分可表示为：I_t＝ψ_tα_t

对应三个类内强稀疏且类间不相干的过完备字典为ψ_s、ψ_e、ψ_t，可得图像压缩感知超分辨率退化模型如下：

V_k＝D_kB_kH_k(ψ_sα_s+ψ_eα_e+ψ_tα_t)+η_k

运用拉格朗日乘数法能够求解压缩感知稀疏表示退化模型，得：

其中，γ_s、γ_e、γ_t是用来平衡各部分比重的参数，其能够控制误差和稀疏性之间的平衡，而迭代过程中的方程模型可看作为三个非线性凸优化问题，即可运用基追踪去噪法对其求解。

上述过程的逆过程为超分辨率图像的重建，则超分辨率图像的获得可表示为：

其中，图像I光滑成分I_s、边缘成分I_e、纹理成分I_t对应的三个过完备字典为ψ_s、ψ_e、ψ_t，是我们运用前一小节基于HAOC重合聚类算法的结构化字典训练法训练后得到的；而各成分系数

采用了牛顿-拉弗森迭代算法快速求解迭代过程，最后获得各数据，并根据上式重建声呐图像；

其中，该算法中使用的牛顿-拉弗森迭代算法步骤如下：

(1)恒定I_e、I_t，更新I_s，计算

具体表达式为：

(2)恒定I_s、I_t，更新I_e，计算

具体表达式为：

(3)在恒定I_s、I_e的条件下更新I_t，计算

具体表达式为：

(4)n＝n+1；循环迭代n直至值达到阈值N时迭代停止；

(5)输出

步骤三：图像目标的追踪和检测；

首先对压缩后得到的超分辨率图像采用斑点检测的方法获取特征区域；

简单等级要求斑点识别算法原理是基于块运动的算法，利用了斑点的空间连续性与时间不连续性特性；首先需要构建一个向量p(x,y,t),p(x,y,t)由经过运动估计后的前后帧6个像素的像素值组成，如下式所示.在局部运动估计的简单等级要求算法中，不是前后帧所有的像素都进行运动补偿，只有待识别的位置的点对应在前后帧中的6个像素在识别时需要进行运动补偿

p(x,y,t)＝

[I(x,y-1,t-1),I(x,y,t-1),I(x,y+1,t-1),

I(x,y-1,t+1),I(x,y,t-1),I(x,y+1,t+1)]

式中，x,y表示待识别像素值的坐标值；t表示当前帧，t-1,t+l分别表示前一帧和后一帧；I(z)表示对应帧对应像素的灰度值.对p(x,y,t)向量进行如下操作

SD(x,y,t)＝

{min(p(x,y,t)-I(x,y,t),

if min(p(x,y,t))-I(x,y,t)＞0

max(p(x,y,t))-I(x,y,t),

if I(x,y,t)-max(p(x,y,t))＞0

0 otherwise}

若SD(x,y,t)大于阈值T，当前点被判为斑点，否则为非斑点像素；阈值T的设置采用自适应的方法，即根据当前帧图像的灰度信息平均值与运动量大小来自动调整T的大小；

确定出目标的相对区域后，然后运用图像显著性检测的方法确定显著性区域的位置，这里采用通过利用特征集合优化技术的方法：

(1)构建该声呐图像I_h(i,j)的共享信息素矩阵A，设定初始值为A⁽⁰⁾＝a；此时，特征点分配给图像上各个像素位置，即结点；

(2)特征结点以(l,m)为始点，在图像上移动L像素范围至其邻域点(i,j)，依据的数学表达式为：

其中，

是结点的像素值，Ω(l,m)是点(l,m)邻域点的集合，τ_i,j是结点(i,j)的推断值，常数α和β分别为信息素矩阵和推断矩阵的影响参数；

(3)更新特征点路径的信息素系数值：

首先，在特征点移动后，每个信息素矩阵中的元素根据以下表达式进行更新：

其中，λ与

的更新程度有关，

由推断矩阵决定；

当所有特征点均移动结束后，信息素矩阵便更新为：

A⁽ⁿ⁾＝(1-γ)A^(n-1)+γA⁽⁰⁾＝(1-γ)A^(n-1)+aγ

其中，γ为信息素延迟系数；

(4)循环步骤(2)-(3)，迭代次数为N；

(5)得输入声呐图像所表示的显著性特征信息素矩阵A⁽ⁿ⁾，利用输出的信息矩阵确定目标位置完成目标的跟踪检测。

综上所述，本发明所提方法能能够避免传统k-均值算法中k值选取对最终分类有较大影响，HAOC算法实现自动确定最有利于分类的k值；HAOC算法在聚类过程中能够同时检测出噪声样本，并剔除，有利于最终图像追踪检测的准确性；HAOC算法可以对任意形状的稠密数据进行聚类，适用范围更广；融合检测算法可以实现快速目标定位和检测。

Claims (1)

1.一种基于压缩感知的声纳图像超分辨率追踪和检测方法，其特征在于包括以下步骤：

步骤一：初始化原图像参数，进行字典训练，将原始图像的光滑、边缘、纹理成分α_s、α_e、α_t，分别对应的利用离散光滑小波变换、非规则轮廓小波变换和小波纹理模型变换进行相应的处理，生成相应的初始过完备字典；

(一)光滑成分的处理：

(1)输入光滑成分经离散光滑小波变换生成的初始过完备字典

训练样本Y_s，正则化参数λ_s

(2)输入样本集D＝{X₁,X₂,X₃,...X_n}，邻域半径参数r，重合面积的阈值MinS；

(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分

(4)按照下列算法进行类别划分：

(a)为样本点X_j添加邻域半径；

(b)计算每个样本点邻域的交叉重合的面积大小，与阈值作比较，将满足重合面积S(X_j,X_k)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{X_j}，直到所有的样本对比完为止；

(5)按照(一)中的步骤(3)，依次比照两两样本的邻域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；

(6)区分出类别后，利用距离均值算法，确定类别的核心对象，即最终的聚类中心

用于过完备字典训练目标的追踪检测；

(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ⁰∈R^n×z，J＝1；

(8)将字典ψ_s中的原子d_j分到与聚类中心

最相似的Z个聚类集合中，并通过

对矩阵

的第z列更新，其中，

聚类集合表示为：

(9)根据原子索引i计算权重矩阵W_s、对角矩阵C_s及拉普拉斯矩阵L_s，并根据GOMP算法求出稀疏表示系数β_s，最后更新字典ψ_s，其过程为：

(10)n＝n+1；循环(一)中的步骤(8)-(9)至满足停止条件；

(11)输出光滑成分对应的过完备字典ψ_s；

(二)边缘成分处理：

(1)输入边缘成分经非规则轮廓小波变换生成的初始过完备字典

训练样本Y_e，正则化参数λ_e；

(2)输入样本集D＝{X₁,X₂,X₃,...X_n}，邻域半径参数r，重合面积的阈值MinS；

(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分

(4)按照下列算法进行类别划分：

(a)为样本点X_j添加邻域半径；

(b)计算每个样本点邻域的交叉重合的面积大小，与阈值作比较，将满足重合面积S(X_j,X_k)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{X_j}，直到所有的样本对比完为止；

(5)按照(二)中的步骤(3)，依次比照两两样本的邻域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；

(6)区分出类别后，利用距离均值算法，确定类别的核心对象，即最终的聚类中心

用于过完备字典训练目标的追踪检测；

(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ⁰∈R^n×Z，J＝1；

(8)将字典ψ_e中的原子d_j分到与聚类中心

最相似的Z个聚类集合中，并通过

对矩阵

的第z列更新，其中，

聚类集合表示为：

(9)根据原子索引i计算权重矩阵W_e、对角矩阵C_e及拉普拉斯矩阵L_e，并根据GOMP算法求出稀疏表示系数β_e，最后更新字典ψ_e，其过程为：

(10)n＝n+1；循环(二)中的步骤(8)-(9)至满足停止条件；

(11)输出边缘成分对应的过完备字典ψ_e；

(三)纹理成分处理：

(1)输入纹理成分经小波纹理模型变换生成的初始过完备字典

训练样本Y_t，正则化参数λ_t；

(2)输入样本集D＝{X₁,X₂,X₃,...X_n}，邻域半径参数r，重合面积的阈值MinS；

(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分

(4)按照下列算法进行类别划分：

(a)为样本点X_j添加邻域半径；

(b)计算每个样本点邻域的交叉重合的面积大小，与阈值作比较，将满足重合面积S(X_j,X_k)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{X_j}，直到所有的样本对比完为止；

(5)按照(三)中的步骤(3)，依次比照两两样本的邻域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；

(6)区分出类别后，利用距离均值算法，确定类别的核心对象，即最终的聚类中心

用于过完备字典训练目标的追踪检测；

(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ⁰∈R^n×Z，J＝1；

(8)将字典ψ_t中的原子d_j分到与聚类中心

最相似的Z个聚类集合中，并通过

对矩阵

的第z列更新，其中，

聚类集合表示为：

(9)根据原子索引i计算权重矩阵W_t、对角矩阵C_t及拉普拉斯矩阵L_t，并根据GOMP算法求出稀疏表示系数β_t，最后更新字典ψ_t，其过程为：

(10)n＝n+1；循环(三)中的步骤(8)-(9)至满足停止条件；

(11)输出纹理成分对应的过完备字典ψ_t；

步骤二：压缩感知的超分辨率声纳图像重建

超分辨率图像的重建是退化模型的逆过程，其过程表示为

原始图像的光滑、边缘、纹理成分为α_s、α_e、α_t，则超分辨率图像中光滑成分表示为：I_s＝ψ_sα_s

超分辨率图像中边缘成分表示为：I_e＝ψ_eα_e

超分辨率图像中纹理成分表示为：I_t＝ψ_tα_t

对应三个类内强稀疏且类间不相干的过完备字典为ψ_s、ψ_e、ψ_t，可得图像压缩感知超分辨率退化模型如下：

V_k＝D_kB_kH_k(ψ_sα_s+ψ_eα_e+ψ_tα_t)+η_k

其中H_k表示为V_k相对于图像I的运动变形矩阵，B_k为光学模糊矩阵，D_k表示下采样矩阵，η_k是模型引入的高斯白噪声，该噪声是加性的且均值为零， 运用拉格朗日乘数法能够求解压缩感知稀疏表示退化模型，得：

其中，V_k是图像压缩感知超分辨率退化模型，ψ_s、ψ_e、ψ_t分别为图像光滑成分、边缘成分、纹理成分的过完备字典，γ_s、γ_e、γ_t是用来平衡各部分比重的参数，其能够控制误差和稀疏性之间的平衡，而迭代过程中的方程模型 看作是三个非线性凸优化问题，运用基追踪去噪法对其求解；

上述过程的逆过程为超分辨率图像的重建，则超分辨率图像的获得表示为：

其中，图像I光滑成分I_s、边缘成分I_e、纹理成分I_t对应的三个过完备字典为ψ_s、ψ_e、ψ_t；而各成分系数

在上述过程中求出，最终获得数据重建声纳图像；

步骤三：图像目标的追踪和检测

首先对压缩后得到的超分辨率图像采用斑点检测的方法获取特征区域；

简单等级要求斑点识别算法原理是基于块运动的算法，利用了斑点的空间连续性与时间不连续性特性；首先需要构建一个向量p(x,y,t),p(x,y,t)由经过运动估计后的前后帧6个像素的像素值组成，如下式所示，在局部运动估计的简单等级要求算法中，不是前后帧所有的像素都进行运动补偿，只有待识别的位置的点对应在前后帧中的6个像素在识别时需要进行运动补偿

p(x,y,t)＝

[I(x,y-1,t-1),I(x,y,t-1),I(x,y+1,t-1),

I(x,y-1,t+1),I(x,y,t-1),I(x,y+1,t+1)]

式中，x,y表示待识别像素值的坐标值；t表示当前帧，t-1,t+1分别表示前一帧和后一帧；I(x,y-1,t+1)表示对应帧对应像素的灰度值， 对p(x,y,t)向量进行如下操作

若SD(x,y,t)大于阈值T，当前点被判为斑点，否则为非斑点像素；阈值T的设置采用自适应的方法，即根据当前帧图像的灰度信息平均值与运动量大小来自动调整T的大小；

然后运用图像显著性检测的方法确定显著性区域的位置；

这里采用通过利用特征集合优化技术的方法；

(1)构建该声纳图像I_h(i,j)的共享信息素矩阵A，设定初始值为A⁽⁰⁾＝a；此时，特征点分配给图像上各个像素位置，即结点；

(2)特征结点以(l,m)为始点，在图像上移动L像素范围至其邻域点(i,j)，依据的数学表达式为：

其中，

是结点的像素值，Ω(l,m)是点(l,m)邻域点的集合，τ_i,j是结点(i,j)的推断值，常数α和β分别为信息素矩阵和推断矩阵的影响参数；

(3)更新特征点路径的信息素系数值：

首先，在特征点移动后，每个信息素矩阵中的元素根据以下表达式进行更新：

其中，λ为常数，与

的更新程度有关，λ越大

更迭的速度越快，

由推断矩阵决定；

当所有特征点均移动结束后，信息素矩阵便更新为：

A⁽ⁿ⁾＝(1-γ)A^(n-1)+γA⁽⁰⁾＝(1-γ)A^(n-1)+aγ

其中，γ为信息素延迟系数，A^(n-1)为移动前的信息素矩阵，A⁽⁰⁾为共享信息素矩阵初始值，为a；

(4)循环步骤三的步骤(2)-(3)，迭代次数为N；

(5)得输入声纳图像所表示的显著性特征信息素矩阵A⁽ⁿ⁾，利用输出的信息矩阵完成目标的跟踪检测。

Images