CN109146922B - 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 - Google Patents

一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 Download PDF

Info

Publication number
CN109146922B
CN109146922B CN201810757443.3A CN201810757443A CN109146922B CN 109146922 B CN109146922 B CN 109146922B CN 201810757443 A CN201810757443 A CN 201810757443A CN 109146922 B CN109146922 B CN 109146922B
Authority
CN
China
Prior art keywords
particle
current
fit
particles
underwater target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810757443.3A
Other languages
English (en)
Other versions
CN109146922A (zh
Inventor
王兴梅
王国强
段兵华
刘安华
孙博轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810757443.3A priority Critical patent/CN109146922B/zh
Publication of CN109146922A publication Critical patent/CN109146922A/zh
Application granted granted Critical
Publication of CN109146922B publication Critical patent/CN109146922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明涉及的图像处理技术领域，具体地说是一种基于自适应粒子群优化的前视声纳水下目标跟踪方法，本发明提出由迭代次数与适应度值自适应调整惯性权重，平衡粒子的探索与开发能力，使粒子能快速搜索到全局最优解；选择种群中的随机粒子与当前粒子的个体最优值进行比较，采用两者中个体最优值较大的粒子，更新粒子的速度，解决粒子陷入局部最优的问题。当水下目标被遮挡时，根据目标遮挡情况，提出利用新的自适应离散群优化算法的更新机制更新粒子，最终完成前视声纳水下目标跟踪。本发明对水下目标跟踪具有较好的跟踪精度和较快的跟踪速度，并且当目标存在遮挡、对比度变化较大、弱小目标、受噪声影响严重等情况仍然具有一定的有效性和适应性。

Description

一种基于自适应粒子群优化的前视声纳水下目标跟踪方法
技术领域
本发明涉及的是一种图像处理技术领域，具体地说是一种基于自适应粒子群优化的前视声纳水下目标跟踪方法。
背景技术
近年来随着对海洋认识的不断深化，使得海洋的战略地位越来越重要，因而声纳作为一种水下探测与环境感知的设备，对进行水下探索、研究海洋开发具有重要的意义。前视声纳主要应用于水下目标的定位、跟踪、避障等。由于水下环境噪声、声纳自身噪声、混响、多途效应等影响，生成的图像质量较差，很多适用于光学图像的目标跟踪算法无法应用于前视声纳图像中，国内外学者对前视声纳水下目标跟踪进行了深入的分析研究。
目前，对于前视声纳水下目标跟踪大多采用基于概率估计的方法，如卡尔曼滤波法、粒子滤波法等。其中在已有的文献中最著名和效果最好的跟踪方法主要包括：1.基于导航数据与卡尔曼滤波的前视声纳水下目标跟踪方法：2012年，Isabelle Quidu,LucJaulin,Alain Bertholom,et al.Robust Multitarget Tracking in Forward-LookingSonar Image Sequences Using Navigational Data.IEEE Journal of OceanicEngineering,2012,37(3):417-430.提出了一种利用导航数据进行基于卡尔曼滤波的过程建模，实现对水下多目标的跟踪；2.基于粒子滤波与多特征融合的前视声纳水下目标跟踪：2013年，Li Min,Ji Houwei，Wang Xiangcun.Underwater object detection andtracking based on multi-beam sonar image processing.2013IEEE InternationalConference on Robotics and Biomimetics(ROBIO)，2013:1071-1076.提出采用Otsu方法检测水下目标，并通过粒子滤波算法结合多特征自适应融合策略进行水下目标跟踪，得到了较好的跟踪效果；3.基于卡尔曼滤波器与联合概率关联滤波器的前视声纳水下目标跟踪方法：2015年，Karoui I,Quidu I,Legris M.Automatic Sea-Surface ObstacleDetection and Tracking in Forward-Looking Sonar Image Sequences.IEEETransactions on Geoscience&Remote Sensing,2015,53(8):4661-4669.提出一种利用偏置转换测量卡尔曼滤波器和联合概率关联滤波器对目标的位置和速度进行预测，实现对海面目标的检测与跟踪；4.基于USBL与扩展卡尔曼滤波器的前视声纳水下目标跟踪：2016年，Mandic F,Rendulic I,Miskovic N,et al.Underwater Object Tracking Using Sonarand USBL Measurements.Journal of Sensors,2016:1-10.提出通过使用USBL测量结合扩展卡尔曼滤波器实现水下目标跟踪。
实际上，当前视声纳图像序列中的水下目标存在遮挡时，采用卡尔曼滤波会造成目标丢失现象。而虽然粒子滤波作为一种基于蒙特卡洛仿真的近似贝叶斯滤波算法被用于前视声纳水下目标跟踪，但由于需要大量的粒子来达到较好的跟踪效果，使其计算复杂度较大。
粒子群优化算法作为一种群体智能优化算法，它利用群体中个体间对信息的共享使得整个群体的运动在求解空间中获得最优解，能够有效地解决粒子滤波中存在的计算复杂度较大的问题，能够快速、高效地完成目标跟踪。国内外学者对基于粒子群优化算法的目标跟踪进行了深入研究，主要包括：5.基于粒子群优化粒子滤波算法的前视声纳水下目标跟踪：2012年，Liu Lixin,Bian Hongyu.Underwater Visual Tracking Method for AUVBased on PSOPF.Second International Conference on Instrumentation,Measurement,Computer,Communication and Control,2012:985-989.提出通过粒子群优化算法解决了粒子滤波中粒子退化问题，实现前视声纳水下目标跟踪；6.基于不变矩特征与离散群优化算法的目标跟踪方法：2017年，Kang K,Bae C,Moon J,et al.Invariant-Feature Based Object Tracking Using Discrete Dynamic Swarm Optimization.EtriJournal,2017,39(2):151-162.提出一种利用不变矩特征的离散群优化算法跟踪目标，获得了较好的跟踪效果。
发明内容
本发明的目的在于提供具有较好的跟踪精度和较快的跟踪速度的自适应粒子群优化的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法。
本发明的目的通过如下技术方案来实现：
一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,包括以下步骤：
步骤1：读入前视声纳图像序列，设置种群规模、解空间的维数、最大迭代次数It、初始惯性权重wini、最小惯性权重wmin、第一遮挡阈值Fmin1、第二遮挡阈值Fmin2；
步骤2：从前视声纳图像中选择目标图像，计算目标图像的不变矩特征H1(k)；
步骤3：初始化粒子群，粒子群中粒子数量为步骤1中所述的种群规模，根据步骤2中目标图像的不变矩特征H1(k)，利用相关系数法计算粒子群中每个粒子的适应度值f
步骤4：选取粒子群中的一个粒子，作为当前粒子i，选取种群中的随机粒子r，取随机粒子r在本次以及之前迭代次数中的最优适应度值fitness(r)、当前粒子i在本次以及之前迭代次数中的最优适应度值fitness(i)，计算当前粒子个体最优适应度值fit1，具体为：
Figure GDA0003047296300000021
全局最优粒子的适应度值fit2，具体为：
fit2＝max{fitness(1),fitness(2),...,fitness(N)}
随机粒子的个体最优适应度值fit3，具体为：
Figure GDA0003047296300000031
比较fit1和fit3，取其中数值较大的粒子作为新的当前粒子i；
步骤5：计算当前迭代次数中全局最优粒子的适应度值fmax：fmax＝max(f)，若当前迭代次数小于或等于最大迭代次数，则由下式计算当前迭代次数中当前粒子i的惯性权重：
Figure GDA0003047296300000032
式中t为当前迭代次数；
步骤6：由下式计算用于下次迭代次数中，当前粒子i的新粒子速度
Figure GDA0003047296300000033
Figure GDA0003047296300000034
式中，j为粒子的当前维数，
Figure GDA0003047296300000035
为当前迭代次数、当前粒子i的速度，
Figure GDA0003047296300000036
为当前迭代次数、当前粒子i的位置，
Figure GDA0003047296300000037
是当前以及之前迭代次数中当前粒子i的个体最优位置，
Figure GDA0003047296300000038
是当前迭代次数中全局最优粒子的位置，
Figure GDA0003047296300000039
是当前以及之前迭代次数中随机粒子的个体最优位置，r1、r2、r3为[0,1]范围内的随机数；
c1具体表示为：c1＝2.8·fit1/(fit1+fit2+fit3)
c2具体表示为：c2＝2.8·fit2/(fit1+fit2+fit3)
c3具体表示为：c3＝2.8·fit3/(fit1+fit2+fit3)
步骤7：比较设定的第一遮挡阈值和第二遮挡阈值与当前迭代次数中当前粒子的适应度值，根据遮挡程度调整概率参数H(f)；
步骤8：若图像序列还未结束，重复步骤3，按照相应的概率重新生成粒子，对粒子位置进行更新，进行下一次迭代，完成前视声纳水下目标跟踪；若图像序列已结束，则输出跟踪结果并结束。
本发明还可以包括：
所述的步骤2中从前视声纳图像中选择目标图像，计算目标图像的不变矩特征的具体方法为：
设目标图像的函数为f(x,y)，按下式计算(p+q)阶几何矩mpq和(p+q)阶中心矩μpq：
Figure GDA0003047296300000041
Figure GDA0003047296300000042
目标图像的中心坐标为(x0,y0)，其中
Figure GDA0003047296300000043
归一化的(p+q)阶中心矩为ηpq：ηpq＝μpq/μr 00，其中
Figure GDA0003047296300000044
目标图像的不变矩特征H1(k)：H1(k)＝φk，其中k为整数且取值范围为[1,7]；
第一不变矩特征：φ1＝η20+η02、
第二不变矩特征：φ2＝(η20-η02)2+4η11、
第三不变矩特征：φ3＝(η30-3η12)2+(3η21-η03)2、
第四不变矩特征：φ4＝(η30+η12)2+(η21+η03)2、
第五不变矩特征：
Figure GDA0003047296300000045
第六不变矩特征：φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)、
第七不变矩特征：
Figure GDA0003047296300000046
所述的步骤3中利用相关系数法计算粒子群中每个粒子的适应度值f，具体表示为：
Figure GDA0003047296300000047
式中H2(k)为粒子区域的不变矩特征，n为特征向量的大小，n＝7。
所述的步骤7中比较设定的第一遮挡阈值和第二遮挡阈值与当前迭代次数中当前粒子的适应度值，根据遮挡程度调整概率参数H(f)的具体方法为：由下式计算概率参数H(f)：
Figure GDA0003047296300000048
其中ft-1为当前迭代次数中当前粒子i的适应度值。
所述的步骤8中对粒子位置进行更新的具体方法为：由下式计算在下次迭代中的当前粒子的位置
Figure GDA0003047296300000051
Figure GDA0003047296300000052
式中：R为一个取值范围为[0,1]的随机数，X代表在搜索空间内的随机位置。
本发明的有益效果在于：
传统粒子群优化算法用于前视声纳水下目标跟踪时，由于粒子都朝着个体最优与全局最优移动，会造成粒子多样性丢失，陷入早熟收敛，本发明提出惯性权重由迭代次数与适应度值进行自适应调整，平衡粒子的探索与开发能力，使粒子能快速搜索到全局最优解。
为进一步解决粒子陷入局部最优的问题，提出选择种群中的随机粒子与当前粒子的个体最优值进行比较，采用两者中个体最优值较大的粒子，更新粒子的速度。
当水下目标被遮挡时，为了达到较好的跟踪效果，根据目标遮挡情况，提出利用新的自适应离散群优化算法的更新机制更新粒子，最终完成前视声纳水下目标跟踪。
本发明提出的基于自适应粒子群优化的方法对水下目标跟踪具有较好的跟踪精度和较快的跟踪速度，并且当目标存在遮挡、对比度变化较大、弱小目标、受噪声影响严重等情况仍然具有一定的有效性和适应性。
附图说明
图1是一种基于自适应粒子群优化的前视声纳水下目标跟踪方法的流程图；
图2(a)是Sphere函数的粒子位置信息图；
图2(b)是Griewank函数的粒子位置信息图；
图3(a)是Sphere函数的寻优结果图；
图3(b)是Griewank函数的寻优结果图；
图4(a)是第15帧时水下目标跟踪的结果图；
图4(b)是第30帧时水下目标跟踪的结果图；
图4(c)是第50帧时水下目标跟踪的结果图；
图4(d)是第60帧时水下目标跟踪的结果图；
图5是1-60帧图像序列中水下目标跟踪的中心位置误差图；
图6(a)是第215帧时水下目标跟踪的结果图；
图6(b)是第225帧时水下目标跟踪的结果图；
图6(c)是第235帧时水下目标跟踪的结果图；
图6(d)是第245帧时水下目标跟踪的结果图；
图7是210-250帧图像序列中水下目标跟踪的中心位置误差图；
图8(a)是第370帧时水下目标跟踪的结果图；
图8(b)是第380帧时水下目标跟踪的结果图；
图8(c)是第400帧时水下目标跟踪的结果图；
图8(d)是第425帧时水下目标跟踪的结果图；
图9是355-435帧图像序列中水下目标跟踪的中心位置误差图；
图10(a)是第740帧时水下目标跟踪的结果图；
图10(b)是第750帧时水下目标跟踪的结果图；
图10(c)是第760帧时水下目标跟踪的结果图；
图10(d)是第770帧时水下目标跟踪的结果图；
图11是730-770帧图像序列中水下目标跟踪的中心位置误差图；
图12(a)是第1090帧时水下目标跟踪的结果图；
图12(b)是第1115帧时水下目标跟踪的结果图；
图12(c)是第1140帧时水下目标跟踪的结果图；
图12(d)是第1155帧时水下目标跟踪的结果图；
图13是1085-1155帧图像序列中水下目标跟踪的中心位置误差图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
结合图1，本发明的具体步骤如下：
(1)自适应调整粒子群优化算法的惯性权重
Hu不变矩特征具有平移、旋转、缩放等不变性的特征，根据前视声纳图像序列的特点，利用Hu不变矩特征，对每个粒子进行特征提取。设前视声纳图像函数为f(x,y)，则(p+q)阶几何矩为
Figure GDA0003047296300000061
p,q＝0,1,2…。(p+q)阶中心矩为
Figure GDA0003047296300000062
(x0,y0)为图像的中心坐标，
Figure GDA0003047296300000063
归一化的(p+q)阶中心矩为ηpq＝μpq/μr 00，
Figure GDA0003047296300000064
本发明利用归一化的2阶和3阶中心矩构造出的7个不变矩作为前视声纳图像中目标的特征。7个不变矩特征为：
φ1＝η20+η02
φ2＝(η20-η02)2+4η11
φ3＝(η30-3η12)2+(3η21-η03)2
φ4＝(η30+η12)2+(η21+η03)2
φ5＝(η03-3η12)(η30+η12)[(η30+3η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
φ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
根据目标的不变矩特征，利用相关系数法计算粒子群中粒子的适应度值f，具体表示为：
Figure GDA0003047296300000071
式中：H1(k)为目标区域不变矩特征，H2(k)为粒子区域的不变矩特征，n为特征向量的大小。
在粒子群优化算法中，由于随着粒子迭代次数的增加，惯性权重不断减小，本发明采用余弦递减法调整惯性权重与当前迭代次数的关系，从而使粒子群优化算法在迭代初期具有较强的探索能力，在迭代后期具有较强的开发能力。对于粒子群中的每一个粒子，调整惯性权重与粒子适应度值的关系，即当粒子的适应度较小时，粒子应具有较强的开发能力，用于搜索全局最优解，当粒子的适应度较大时，粒子应具有较强的开发能力，使粒子不断靠近全局最优解。因此，本发明提出一种由迭代次数与适应度值进行自适应调整惯性权重的方法。具体惯性权重的表示为：
Figure GDA0003047296300000072
式中：
Figure GDA0003047296300000073
为余弦递减法，t是当前迭代次数，It是最大迭代次数，f是当前粒子的适应度值，fmax是全局最优粒子的适应度值，wini是初始惯性权重，wmin是最小惯性权重。
(2)选择种群中的随机粒子与当前粒子的个体最优值进行比较，更新粒子的速度
选择种群中的一个随机粒子r，比较随机粒子与当前粒子的个体最优值，fit1是当前粒子的个体最优适应度值，具体为：
Figure GDA0003047296300000081
式中：fitness(i)为当前粒子i最优适应度值，fitness(r)为随机粒子r的最优适应度值。
fit2是全局最优粒子的适应度值，具体为：
fit2＝max{fitness(1),fitness(2),...,fitness(N)}
fit3是随机粒子的个体最优适应度值，具体为：
Figure GDA0003047296300000082
当前粒子i的最优适应度值大于等于随机粒子r的最优适应度值时，fit1的值为fitness(i)，fit3的值设置为0，即当前粒子的位置根据自身最优位置及全局最优位置进行更新；当粒子i的最优适应度值小于随机粒子r的最优适应度值时，fit1的值为0，fit3的值为fitness(r)，即当前粒子的位置根据随机粒子的最优位置和全局最优位置进行更新。
本发明提出速度更新公式为：
Figure GDA0003047296300000083
式中：c1，c2和c3为学习因子。
c1具体表示为：
c1＝2.8·fit1/(fit1+fit2+fit3)
c2具体表示为：
c2＝2.8·fit2/(fit1+fit2+fit3)
c3具体表示为：
c3＝2.8·fit3/(fit1+fit2+fit3)
对于粒子群中的每一个粒子，根据当前粒子的个体最优适应度值、全局最优粒子的适应度值和随机粒子的个体最优适应度值进行自适应的调整学习因子。当前粒子的个体最优适应度值较大时，c1的值较大，粒子更多的向当前粒子个体最优位置学习；当全局最优粒子的适应度值较大时，c2的值较大，粒子更多的向全局最优粒子的位置学习；当随机粒子的个体最优适应度值较大时，c3的值较大，粒子更多的向随机粒子的个体最优位置学习。
为了验证本发明在搜索性能方面的优越性，选用两个benchmark函数作为测试函数，两个函数分别是Sphere函数和Griewank函数，其中Sphere函数为单峰函数，Griewank函数为多峰函数。设置函数解空间的维数均为2，种群规模为30，最大迭代次数为5，图2(a)和图2(b)是在演化过程中，本发明提出的自适应粒子群优化算法(Adaptive Particle SwarmOptimization,APSO)与粒子群优化算法(Particle Swarm Optimization,PSO)在解空间中搜索到的位置解，其中图2(a)是sphere函数的粒子位置信息，图2(b)是Griewank函数的粒子位置信息。从图2(a)和图2(b)中可以看出，无论是单峰函数还是多峰函数，本发明提出的算法搜索到解的范围总是比PSO算法的范围大。并且本发明提出的算法更容易聚集到全局最优解的位置。因此，与PSO算法相比，本发明提出的算法中种群更具有多样性。
为了进一步验证本发明搜索寻优能力的有效性，给出本发明提出的APSO算法和PSO算法在演化过程中最优适应度值的变化情况，具体寻优结果如图3(a)和图3(b)所示。设置种群规模为30，解空间的维数为10，最大迭代次数为100。图3(a)为Sphere函数的寻优结果，图3(b)为Griewank函数的寻优能力。由图3(a)和图3(b)中可以看出，无论是单峰函数还是多峰函数，与PSO算法相比，本发明提出的APSO算法收敛速度较快，并且能得到更好的全局最优解。
(3)新的自适应离散群优化算法的更新机制，完成较精确和较快速的前视声纳水下目标跟踪
当水下目标被遮挡时，为了达到较好的跟踪效果，本发明根据目标遮挡程度，按照一定概率在搜索空间内重新生成新的随机粒子，在目标被遮挡时，会产生新粒子去探索目标位置，能够快速的重定位目标位置，且在跟踪过程中，能够保证粒子群优化算法中粒子种群的多样性。即利用新的自适应离散群优化算法的更新机制更新粒子，最终完成前视声纳水下目标跟踪。
①判断遮挡程度
将设定的遮挡阈值与粒子的适应度值进行比较，判断目标遮挡程度。当ft-1＜Fmin2时，粒子所代表的目标区域判断为完全遮挡，Fmin2≤ft-1＜Fmin1时，粒子所代表的目标区域判断为部分遮挡，Fmin1≤ft-1＜1时，粒子所代表的目标区域判断为没有被遮挡。ft-1为当前粒子的适应度值，Fmin1与Fmin2为设定的阈值。
②更新粒子位置进行，完成前视声纳水下目标跟踪
根据所求遮挡程度，对概率参数进行更新，概率参数的更新公式表示为：
Figure GDA0003047296300000101
式中：H(f)是一个根据目标遮挡情况而调整的概率参数，取值范围为[0,1]。
本发明提出新的自适应离散群优化算法的更新机制表示为：
Figure GDA0003047296300000102
式中：R为一个取值范围为[0,1]的随机数，X代表在搜索空间内的随机位置，当R小于H(f)时，粒子位置根据本发明中提出的粒子速度更新公式求得，否则在搜索空间内随机生成粒子的位置X。H(f)值越大，代表遮挡程度越小，粒子的位置较大概率的根据粒子迭代公式求得，H(f)值越小，代表遮挡程度越大，粒子的位置较大概率在搜索空间内重新生成。
为了验证本发明的有效性，分别给出本发明提出的APSO算法、自适应离散群优化算法(Adaptive Discrete Swarm Optimization,ADSO)、基于粒子群优化算法的粒子滤波算法(Particle Swarm Optimization-Particle Filter,PSO-PF)、粒子滤波算法(Particle Filter,PF)和PSO算法在前视声纳图像序列中水下目标跟踪的结果比较，验证本发明对于前视声纳水下目标跟踪具有更好的效果。
图4(a)、图4(b)、图4(c)、图4(d)给出APSO、ADSO、PSO-PF、PF和PSO算法分别对15帧、30帧、50帧和60帧水下目标跟踪的结果，从图4(a)、图4(b)、图4(c)、图4(d)的跟踪位置标记可以得出，在前50帧时各个算法都能相对正确的跟踪到水下目标的位置，而在第50帧与60帧之间，PF算法出现了严重的水下目标跟踪错误，算法失效。为了更清晰的描述水下目标跟踪的结果，图5给出各个算法对图像序列中1-60帧水下目标跟踪结果的中心位置误差图，中心位置误差是计算水下目标真实位置与算法跟踪到的水下目标位置的欧氏距离，判定跟踪算法的精度。从图5中可以进一步得出，PF算法在跟踪过程中出现了严重的错误，虽然PSO-PF算法能够在一定程度上解决PF算法跟踪错误的问题，但是跟踪精度不高，且不稳定，PSO算法、ADSO算法与本发明提出的APSO算法比较可以得出，本发明提出的APSO算法具有更高的跟踪精度与稳定性。
图6(a)、图6(b)、图6(c)、图6(d)给出当目标存在遮挡时APSO、ADSO、PSO-PF、PF和PSO算法分别对215帧、225帧、235帧、245帧水下目标跟踪的结果，图7给出各个算法对图像序列中210-250帧水下目标跟踪结果的中心位置误差图，从图6(a)、图6(b)、图6(c)、图6(d)的跟踪位置标记和图7的水下目标跟踪结果的中心位置误差图可以得出，PF算法在215帧后出现了严重的水下目标跟踪错误，算法失效。PSO-PF和PSO算法在第230帧水下目标出现遮挡后，也都出现了严重的水下目标跟踪错误，算法失效。虽然ADSO算法与本发明提出的APSO算法能跟踪到水下目标的位置，但本发明提出的APSO算法具有更好的跟踪精度。
图8(a)、图8(b)、图8(c)、图8(d)给出当目标对比度变化较大的情况下APSO、ADSO、PSO-PF、PF和PSO算法分别对370帧、380帧、400帧、425帧水下目标跟踪的结果，图9给出各个算法对图像序列中355-435帧水下目标跟踪结果的中心位置误差图，从图8(a)、图8(b)、图8(c)、图8(d)的跟踪位置标记和图9的水下目标跟踪结果的中心位置误差图可以得出，PF和PSO算法在跟踪过程中，都出现了跟踪错误的现象，而ADSO算法、PSO-PF算法与本发明提出的APSO算法比较可以得出，在目标对比度变化较大情况下，本发明提出的算法具有更好的稳定性和更高的跟踪精度。
图10(a)、图10(b)、图10(c)、图10(d)给出当为弱小目标时APSO、ADSO、PSO-PF、PF和PSO算法分别对740帧、750帧、760帧、770帧水下目标跟踪的结果，图11给出各个算法对图像序列中730-770帧水下目标跟踪结果的中心位置误差图，从图10(a)、图10(b)、图10(c)、图10(d)的跟踪位置标记和图11的水下目标跟踪结果的中心位置误差图可以得出，PF算法不能有效跟踪目标，PSO算法在跟踪过程的后期出现了跟踪错误，ADSO算法、PSO-PF算法与本发明提出的APSO算法都能够跟踪到水下弱小目标。
图12(a)、图12(b)、图12(c)、图12(d)给出当受噪声影响严重情况下APSO、ADSO、PSO-PF、PF和PSO算法分别对1090帧、1115帧、1140帧、1155帧水下目标跟踪的结果，图13给出各个算法对图像序列中1085-1155帧水下目标跟踪结果的中心位置误差图，从图12(a)、图12(b)、图12(c)、图12(d)的跟踪位置标记和图13的水下目标跟踪结果的中心位置误差图可以得出，在目标未受噪声影响时，本发明提出的APSO算法具有较好的稳定性与跟踪精度，当1120帧开始受到严重噪声影响时，本发明提出的APSO算法在跟踪过程时也会出现一定的跟踪误差，但仍具有较好的跟踪精度。
为了进一步验证本发明提出的APSO算法对前视声纳水下目标跟踪的有效性，表1和表2分别给出APSO、ADSO、PSO-PF、PF和PSO算法的平均跟踪中心位置误差与平均每帧跟踪时间。
表1平均跟踪中心位置误差
Figure GDA0003047296300000121
从表1中可以看出，本发明提出的APSO算法对水下目标跟踪的平均中心位置误差是4.1754，低于ADSO、PSO-PF、PF和PSO算法，具有较好的跟踪精度。并且当目标存在遮挡时，目标跟踪的中心位置误差仍然小于其他算法，具有一定的适应性。相对于跟踪效果较好的ADSO算法和PSO-PF算法，本发明提出APSO算法能够分别减少34.34％和73.06％的错误率，因此，本发明提出的APSO算法对前视声纳水下目标跟踪具有一定的有效性。
表2平均每帧跟踪时间
Figure GDA0003047296300000122
Figure GDA0003047296300000131
从表2中可以看出，本发明提出的APSO算法对每帧图像的平均跟踪时间为0.1831,相对于ADSO、PSO-PF和PSO算法的平均跟踪时间分别降低32.16％、66.45％和44.53％。结合图4(a)至图13的跟踪结果分析可知，虽然PF算法具有最低的平均运行时间，却不能有效的跟踪到水下目标。因此，本发明提出的APSO算法在具有较好的跟踪精度，同时具有较快的跟踪速度。
通过对本发明提出的APSO算法的验证和实验分析可以得出，APSO算法对水下目标跟踪具有较好的跟踪精度和较快的跟踪速度，并且当目标存在遮挡、对比度变化较大、弱小目标、受噪声影响严重等情况仍然具有一定的有效性和适应性。
本发明提供的是一种基于自适应粒子群优化的前视声纳水下目标跟踪方法。包括如下步骤：(1)自适应调整粒子群优化算法的惯性权重；(2)选择种群中的随机粒子与当前粒子的个体最优值进行比较，更新粒子的速度；(3)利用新的自适应离散群优化算法的更新机制，完成较精确和较快速的前视声纳水下目标跟踪。本发明为了取得较好的水下目标跟踪效果，提出一种基于自适应粒子群优化的前视声纳水下目标跟踪方法。即为解决粒子群优化算法中粒子多样性丢失、早熟收敛的问题，提出自适应调整粒子群优化算法的惯性权重，平衡粒子的探索与开发能力；在此基础上，选择种群中的随机粒子与当前粒子的个体最优值进行比较，采用两者中个体最优值较大的粒子，更新粒子的速度，进一步解决粒子陷入局部最优的问题；当水下目标被遮挡时，为了达到较好的跟踪效果，根据目标遮挡情况，利用新的自适应离散群优化算法的更新机制更新粒子，最终完成前视声纳水下目标跟踪。对前视声纳采集的水下目标数据进行实验结果分析，验证提出的基于自适应粒子群优化的方法对水下目标跟踪具有较好的跟踪精度和较快的跟踪速度，并且当目标存在遮挡、对比度变化较大、弱小目标、受噪声影响严重等情况仍然具有一定的有效性和适应性。
一种基于自适应粒子群优化的前视声纳水下目标跟踪方法，包括如下步骤：
(1)提出自适应调整粒子群优化算法的惯性权重，平衡粒子的探索与开发能力，解决粒子群优化算法粒子多样性丢失、早熟收敛的问题；
(2)选择种群中的随机粒子与当前粒子的个体最优值进行比较，采用两者中个体最优值较大的粒子，更新粒子的速度，进一步解决粒子陷入局部最优的问题；
(3)提出利用新的自适应离散群优化算法的更新机制，完成较精确和较快速的前视声纳水下目标跟踪：①比较设定的遮挡阈值与粒子的适应度值，对目标的遮挡程度进行判断；②根据遮挡程度调整概率参数，按照相应的概率重新生成粒子，对粒子位置进行更新，完成前视声纳水下目标跟踪。
在步骤(1)中根据Hu不变矩特征，采用相关系数法计算粒子群中粒子的适应度值
Figure GDA0003047296300000141
H1(k)为目标区域不变矩特征，H2(k)为粒子区域的不变矩特征，n为特征向量的大小。
所述步骤(1)中判断当前粒子的适应度值f与全局最优粒子的适应度值fmax＝max(f)的关系，并判断得到当前迭代次数Ic与最大迭代次数It的关系。
所述步骤(1)中惯性权重w由迭代次数与适应度值进行自适应调整，惯性权重为
Figure GDA0003047296300000142
wini是初始惯性权重，wmin是最小惯性权重。即当迭代次数增加时，惯性权重减小，使得算法在迭代初期具有较强的探索能力，在迭代后期具有较强的开发能力。且当粒子的适应度值较大时，惯性权重较小，使得粒子不断靠近全局最优解；当粒子的适应度值较小时，惯性权重较大，使得粒子能快速搜索到全局最优解。
在步骤(2)中选择种群中的一个随机粒子r，比较随机粒子与当前粒子的个体最优值，fit1是当前粒子个体最优适应度值，具体为
Figure GDA0003047296300000143
fit2是全局最优粒子的适应度值，具体为fit2＝max{fitness(1),fitness(2),...,fitness(N)}。fit3是随机粒子的个体最优适应度值，具体为
Figure GDA0003047296300000144
fitness(i)为当前粒子i最优适应度值，fitness(r)为随机粒子r的最优适应度值。
所述步骤(2)中根据随机粒子与当前粒子的个体最优值比较，选择较优粒子用于更新粒子的速度，速度更新公式为
Figure GDA0003047296300000145
c1，c2和c3为学习因子，
Figure GDA0003047296300000146
x是粒子的位置，i为当前粒子，j为粒子的当前维数，pbest是当前粒子的个体最优位置，gbest是全局最优粒子的位置，rbest是随机粒子的个体最优位置，r1、r2、r3为[0,1]范围内的随机数。t为当前迭代次数。
在步骤(3)中将设定的遮挡阈值与粒子的适应度值进行比较，判断目标遮挡程度。当ft-1＜Fmin2时，粒子所代表的目标区域判断为完全遮挡，Fmin2≤ft-1＜Fmin1时，粒子所代表的目标区域判断为部分遮挡，Fmin1≤ft-1＜1时，粒子所代表的目标区域判断为没有被遮挡。ft-1为当前粒子的适应度值，Fmin1与Fmin2为设定的阈值。
所述步骤(3)中根据所求遮挡程度，对概率参数进行更新，概率参数的更新公式
Figure GDA0003047296300000151
所述步骤(3)中生成一个随机数R，判断R与概率参数H(f)的关系，当R小于H(f)时，粒子位置根据本发明中提出的粒子速度更新公式求得，否则在搜索空间内随机生成粒子的位置X。新更新机制为
Figure GDA0003047296300000152
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：包括以下步骤：
步骤1：读入前视声纳图像序列，设置种群规模、解空间的维数、最大迭代次数It、初始惯性权重wini、最小惯性权重wmin、第一遮挡阈值Fmin1、第二遮挡阈值Fmin2；
步骤2：从前视声纳图像中选择目标图像，计算目标图像的不变矩特征H1(k)；
步骤3：初始化粒子群，粒子群中粒子数量为步骤1中所述的种群规模，根据步骤2中目标图像的不变矩特征H1(k)，利用相关系数法计算粒子群中每个粒子的适应度值f；
步骤4：选取粒子群中的一个粒子，作为当前粒子i，选取种群中的随机粒子r，取随机粒子r在本次以及之前迭代次数中的最优适应度值fitness(r)、当前粒子i在本次以及之前迭代次数中的最优适应度值fitness(i)，计算当前粒子个体最优适应度值fit1，具体为：
Figure FDA0003047296290000011
全局最优粒子的适应度值fit2，具体为：
fit2＝max{fitness(1),fitness(2),...,fitness(N)}；
随机粒子的个体最优适应度值fit3，具体为：
Figure FDA0003047296290000012
比较fit1和fit3，取其中数值较大的粒子作为新的当前粒子i；
步骤5：计算当前迭代次数中全局最优粒子的适应度值fmax：fmax＝max(f)，若当前迭代次数小于或等于最大迭代次数，则由下式计算当前迭代次数中当前粒子i的惯性权重：
Figure FDA0003047296290000013
式中t为当前迭代次数；
步骤6：计算当前粒子i的新粒子速度
Figure FDA0003047296290000014
Figure FDA0003047296290000015
式中，j为粒子的当前维数，
Figure FDA0003047296290000016
为当前迭代次数、当前粒子i的速度，
Figure FDA0003047296290000017
为当前迭代次数、当前粒子i的位置，
Figure FDA0003047296290000021
是当前以及之前迭代次数中当前粒子i的个体最优位置，
Figure FDA0003047296290000022
是当前迭代次数中全局最优粒子的位置，
Figure FDA0003047296290000023
是当前以及之前迭代次数中随机粒子的个体最优位置，r1、r2、r3为[0,1]范围内的随机数；
c1具体表示为：c1＝2.8·fit1/(fit1+fit2+fit3)
c2具体表示为：c2＝2.8·fit2/(fit1+fit2+fit3)
c3具体表示为：c3＝2.8·fit3/(fit1+fit2+fit3)
步骤7：比较设定的第一遮挡阈值和第二遮挡阈值与当前迭代次数中当前粒子的适应度值，根据遮挡程度调整概率参数H(f)；
步骤8：若图像序列还未结束，重复步骤3，按照相应的概率重新生成粒子，对粒子位置进行更新，进行下一次迭代，完成前视声纳水下目标跟踪；若图像序列已结束，则输出跟踪结果并结束。
2.根据权利要求1所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：所述的步骤2中从前视声纳图像中选择目标图像，计算目标图像的不变矩特征的具体方法为：
设目标图像的函数为f(x,y)，按下式计算(p+q)阶几何矩mpq和(p+q)阶中心矩μpq：
Figure FDA0003047296290000024
Figure FDA0003047296290000025
目标图像的中心坐标为(x0,y0)，其中
Figure FDA0003047296290000026
归一化的(p+q)阶中心矩为ηpq：ηpq＝μpq/μr 00，其中
Figure FDA0003047296290000027
目标图像的不变矩特征H1(k)：H1(k)＝φk，其中k为整数且取值范围为[1,7]；
第一不变矩特征：φ1＝η20+η02、
第二不变矩特征：φ2＝(η20-η02)2+4η11、
第三不变矩特征：φ3＝(η30-3η12)2+(3η21-η03)2、
第四不变矩特征：φ4＝(η30+η12)2+(η21+η03)2、
第五不变矩特征：
Figure FDA0003047296290000031
第六不变矩特征：φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)、
第七不变矩特征：
Figure FDA0003047296290000032
3.根据权利要求1或2所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：所述的步骤3中利用相关系数法计算粒子群中每个粒子的适应度值f，具体表示为：
Figure FDA0003047296290000033
式中H2(k)为粒子区域的不变矩特征，n为特征向量的大小，n＝7。
4.根据权利要求1或2所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法，其特征在于：所述的步骤7中比较设定的第一遮挡阈值和第二遮挡阈值与当前迭代次数中当前粒子的适应度值，根据遮挡程度调整概率参数H(f)的具体方法为：由下式计算概率参数H(f)：
Figure FDA0003047296290000034
其中ft-1为当前迭代次数中当前粒子i的适应度值。
5.根据权利要求3所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法，其特征在于：所述的步骤7中比较设定的第一遮挡阈值和第二遮挡阈值与当前迭代次数中当前粒子的适应度值，根据遮挡程度调整概率参数H(f)的具体方法为：由下式计算概率参数H(f)：
Figure FDA0003047296290000035
其中ft-1为当前迭代次数中当前粒子i的适应度值。
6.根据权利要求1或2所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：所述的步骤8中对粒子位置进行更新的具体方法为：由下式计算在下次迭代中的当前粒子的位置
Figure FDA0003047296290000041
Figure FDA0003047296290000042
式中：R为一个取值范围为[0,1]的随机数，X代表在搜索空间内的随机位置。
7.根据权利要求3所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：所述的步骤8中对粒子位置进行更新的具体方法为：由下式计算在下次迭代中的当前粒子的位置
Figure FDA0003047296290000043
Figure FDA0003047296290000044
式中：R为一个取值范围为[0,1]的随机数，X代表在搜索空间内的随机位置。
8.根据权利要求4所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：所述的步骤8中对粒子位置进行更新的具体方法为：由下式计算在下次迭代中的当前粒子的位置
Figure FDA0003047296290000045
Figure FDA0003047296290000046
式中：R为一个取值范围为[0,1]的随机数，X代表在搜索空间内的随机位置。
9.根据权利要求5所述的一种基于自适应粒子群优化的前视声纳水下目标跟踪方法,其特征在于：所述的步骤8中对粒子位置进行更新的具体方法为：由下式计算在下次迭代中的当前粒子的位置
Figure FDA0003047296290000047
Figure FDA0003047296290000048
式中：R为一个取值范围为[0,1]的随机数，X代表在搜索空间内的随机位置。
CN201810757443.3A 2018-07-11 2018-07-11 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 Active CN109146922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810757443.3A CN109146922B (zh) 2018-07-11 2018-07-11 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810757443.3A CN109146922B (zh) 2018-07-11 2018-07-11 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法

Publications (2)

Publication Number Publication Date
CN109146922A CN109146922A (zh) 2019-01-04
CN109146922B true CN109146922B (zh) 2021-07-06

Family

ID=64800077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810757443.3A Active CN109146922B (zh) 2018-07-11 2018-07-11 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法

Country Status (1)

Country Link
CN (1) CN109146922B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288634A (zh) * 2019-06-05 2019-09-27 成都启泰智联信息科技有限公司 一种基于改进粒子群优化算法的目标跟踪方法
CN110376900B (zh) * 2019-08-16 2022-06-07 中国科学院深圳先进技术研究院 参数优化方法、终端设备以及计算机存储介质
CN111242971B (zh) * 2019-12-03 2023-05-02 西安电子科技大学 一种基于改进的双中心粒子群优化算法的目标跟踪方法
CN117152258B (zh) * 2023-11-01 2024-01-30 中国电建集团山东电力管道工程有限公司 一种管道生产智慧车间的产品定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295674A (zh) * 2016-07-22 2017-01-04 深圳供电局有限公司 一种基于多粒子群算法的图像目标匹配检测方法及系统
CN107169990A (zh) * 2017-04-21 2017-09-15 南京邮电大学 一种基于粒子群优化算法的视频多运动目标跟踪定位方法
CN107301652A (zh) * 2017-05-04 2017-10-27 西北工业大学 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法
CN107767396A (zh) * 2017-11-10 2018-03-06 广东工业大学 运动目标跟踪方法、系统、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295674A (zh) * 2016-07-22 2017-01-04 深圳供电局有限公司 一种基于多粒子群算法的图像目标匹配检测方法及系统
CN107169990A (zh) * 2017-04-21 2017-09-15 南京邮电大学 一种基于粒子群优化算法的视频多运动目标跟踪定位方法
CN107301652A (zh) * 2017-05-04 2017-10-27 西北工业大学 一种基于局部稀疏表示和粒子群优化的鲁棒目标跟踪方法
CN107767396A (zh) * 2017-11-10 2018-03-06 广东工业大学 运动目标跟踪方法、系统、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A New Weight Adjusted Particle Swarm;Guang Liu等;《International Conference on Neural Information Processing》;20160930;全文 *
Color Feature-Based Object Tracking through Particle;Siqiu Guo等;《sensors》;20180423;全文 *
改进惯性权重的粒子群目标跟踪算法;郭巳秋等;《理论与方法》;20170115;全文 *
改进的粒子群优化目标跟踪方法;郭巳秋等;《中国光学》;20141015;全文 *

Also Published As

Publication number Publication date
CN109146922A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109146922B (zh) 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法
CN110807809B (zh) 基于点线特征和深度滤波器的轻量级单目视觉定位方法
CN110717927A (zh) 基于深度学习和视惯融合的室内机器人运动估计方法
CN112233179B (zh) 一种视觉里程计测量方法
CN113256698B (zh) 一种具有深度预测的单目3d重建方法
Xu et al. Stereo computation using radial adaptive windows
CN110246151B (zh) 一种基于深度学习和单目视觉的水下机器人目标跟踪方法
CN109460539B (zh) 一种基于简化容积粒子滤波的目标定位方法
Wang et al. An adaptive particle swarm optimization for underwater target tracking in forward looking sonar image sequences
CN106952304B (zh) 一种利用视频序列帧间相关性的深度图像计算方法
CN113947636B (zh) 一种基于深度学习的激光slam定位系统及方法
CN111325778B (zh) 基于窗口互相关信息的改进Census立体匹配算法
CN117274515A (zh) 基于ORB和NeRF映射的视觉SLAM方法及系统
CN116295414A (zh) 基于鲸鱼算法优化的AUV-UFastSLAM算法
CN116363205A (zh) 基于深度学习的空间目标位姿解算方法及计算机程序产品
CN113362377B (zh) 一种基于单目相机的vo加权优化方法
CN110765897A (zh) 一种基于粒子滤波的水下目标跟踪方法
CN104867183A (zh) 一种基于区域增长的三维点云重建方法
CN114608585A (zh) 一种移动机器人同步定位与建图方法及装置
CN105353409B (zh) 一种用于抑制全波形反演震源编码串扰噪音的方法和系统
KR101483549B1 (ko) 입자 생성 및 선별을 통한 카메라 위치 추정 방법 및 이동 시스템
WO2023130842A1 (zh) 一种相机位姿确定方法和装置
CN116736219A (zh) 基于改进粒子群算法的无源tdoa-fdoa联合定位优化布站方法
CN107197519B (zh) 基于改进的最小二乘支持向量机的水下目标定位方法
CN114599004B (zh) 一种基站布局方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant