CN111208521A - 一种多波束前视声呐水下障碍物鲁棒检测方法 - Google Patents
一种多波束前视声呐水下障碍物鲁棒检测方法 Download PDFInfo
- Publication number
- CN111208521A CN111208521A CN202010035712.2A CN202010035712A CN111208521A CN 111208521 A CN111208521 A CN 111208521A CN 202010035712 A CN202010035712 A CN 202010035712A CN 111208521 A CN111208521 A CN 111208521A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- image
- data
- sonar
- structured noise
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种多波束前视声呐水下障碍物鲁棒检测方法,方法包括:获取一组不含障碍物的第一数据,以及获取一组包含前景障碍物的第二数据;根据所述第一数据构建结构化噪声模型,并根据所述结构化噪声模型确定多帧结构化噪声图像上各点的概率;根据所述第二数据构建障碍物模型,并根据所述障碍物模型确定多帧障碍物声呐图像上各点的概率;对所述多帧障碍物声呐图像进行图像配准处理,得到多帧配准障碍物图像;将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合,得到完整的前景,并确定障碍物。本发明提高了目标检测的可靠性和精度,可广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种多波束前视声呐水下障碍物鲁棒检测方法。
背景技术
随着计算机技术的发展,无人化与智能化是水路载运工具发展的趋势,无人驾驶是船舶行业的未来。伴随着近年来新科学技术理论提出,船舶自动化水平不断提高。它集船舶设计、人工智能、信息处理、运动控制等专业技术为一体,研究内容涉及自动驾驶、自主避障、规划与导航、模式识别等多方面。无人船的水下探测技术应用范围也越来越广泛,包括军事探测、海底测量、沉船打捞、水下管道检测等。
水下目标的探测由于同时具有商业和军事上的重要价值而被越来越多的专家学者以及生产技术人员重视,水下目标的探测是未来发展海下微小无人探测器的重要基础和前提。对于水下探测器来说,视觉系统具有极高的地位和作用,视觉系统可以说就是水下探测器的眼耳,通过视觉系统,水下探测器能够对水下环境信息进行快速收集和分析,根据分析结果为其在水下的运动和作业提供相应的指导。在特定的水环境中,例如在海洋环境中,声波传递是唯一可以进行远距离信息传送的方法,因此要想对海洋环境进行充分的开发和利用就必须对水下目标探测技术以及水下目标跟踪技术进行研究。
在水下声视觉成像中,由于衰减、混响等因素的影响,声呐图像成像质量远不如光学图像,声图像对比度低,噪声重,目标边缘不完整;同时,声波波束在传播中受界面影响会引起多径效应,并存在旁瓣干扰,且当目标或者声呐系统处于运动状态时,会出现多普勒效应,这些因素都会造成声图像上的目标形变和失真。声图像的这些特点给图像分割、目标识别等处理带来较大的困难。因此,在声呐图像处理前,对其灰度分析统计特性进行分析十分必要,有助于寻找和提出合适的算法模型对声呐图像进行相关处理。其次,由于声呐设备探测声波波长大,探测时步进角度大的特点,导致光学图像处理方法不能适用于声图像障碍区域探测。无人船在水下作业时,需要针对不同目标界定不同的障碍标准。单帧单特征信息对于水下目标探测精度无法达到预取效果,所以需要对多帧声呐图像信息进行融合,以提高目标检测的可靠性。
发明内容
有鉴于此,本发明实施例提供一种精度高的多波束前视声呐水下障碍物鲁棒检测方法。
本发明的第一方面提供了一种多波束前视声呐水下障碍物鲁棒检测方法,包括:
获取一组不含障碍物的第一数据,以及获取一组包含前景障碍物的第二数据;
根据所述第一数据构建结构化噪声模型,并根据所述结构化噪声模型确定多帧结构化噪声图像上各点的概率;
根据所述第二数据构建障碍物模型,并根据所述障碍物模型确定多帧障碍物声呐图像上各点的概率;
对所述多帧障碍物声呐图像进行图像配准处理,得到多帧配准障碍物图像;
将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合,得到完整的前景,并确定障碍物。
进一步,所述获取一组不含障碍物的第一数据,以及获取一组包含前景障碍物的第二数据后,还包括:
将所述第一数据和第二数据转换成灰度图像;
按照时间序列对所述第一数据和第二数据进行标注;
对第一数据中声呐图像的像素进行归一化处理。
进一步,所述根据所述第一数据构建结构化噪声模型,并根据所述结构化噪声模型确定多帧结构化噪声图像上各点的概率,包括:
根据第一数据中声呐图像各点连续时间序列对应的像素值的分布情况,建立初始化的结构化噪声模型;
根据所述初始化的结构化噪声模型对第一数据进行训练,确定第一拟合参数组;
根据所述第一拟合参数组,确定优化后的结构化噪声模型;
对所述结构化噪声模型进行离散归一化处理,确定声呐图像连续帧的各点是背景的概率。
进一步,所述根据所述第二数据构建障碍物模型,并根据所述障碍物模型确定多帧障碍物声呐图像上各点的概率这一步骤,包括:
根据声波衰减公式和距离补偿公式,确定增益方程;
根据增益方程确定分割阈值;
根据分割阈值构建障碍物模型;
根据所述障碍物模型对声呐图像中障碍物各像素点对应的概率进行归一化处理,确定多帧障碍物声呐图像上各点的概率。
进一步,所述将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合,得到完整的前景,并确定障碍物,包括:
将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合;
将所述融合结果使用中值滤波处理,得到完整的前景并检测出障碍物。
上述本发明实施例中的技术方案具有如下优点:本发明的实施例首先获取一组不含障碍物的第一数据,以及一组包含前景障碍物的第二数据;接着确定多帧结构化噪声图像和多帧障碍物声呐图像;然后通过图像配准处理得到多帧配准障碍物图像;最后将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合,得到完整的前景,并确定障碍物;本发明提高了目标检测的可靠性和精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的整体框架结构示意图;
图2为本申请实施例的分割阈值确定方法的步骤流程图;
图3为本申请实施例的障碍物模型的构建步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明主要解决的技术问题是水下障碍物被结构化噪声影响的问题,提出一种多波束前视声呐水下障碍物鲁棒检测的方法。达到抑制结构化噪声,在不损失过多有用信息的前提下,检测出完整的前景障碍物。
为取得上述结果,本发明涉及计算机图像处理领域。参照图1,该方法包括以下步骤:
步骤1:通过声呐系统采集一组数据,要求第一组数据量足够大且连续并该数据中不包含障碍物(即为第一数据)。第二组数据为有前景障碍物的连续时间序列声呐图像,且数据量需要满足实验要求(即为第二数据)。
由于考虑到后续的方法实施,本申请实施例先将两组数据转换成8位深度的灰度图像,便于处理。每组数据按照时间序列进行标注。
其中,第一组数据中含有N帧无障碍物的连续时间序列图像,声呐图像的像素值为xij,t,其中i,j表示声呐图像的(i,j)位置,t表示连续帧中的第t帧图像。因此,可以将声呐图像某点连续帧的像素值集合表示为{xij,t|t=1…N}。上述像素值集合中分为M个像素级,那么出现第m级的数量为:
nm=sum{xij,t=m|t=1…N}#(1)
进行归一化处理得到归一化的处理结果f(t):
步骤2:根据步骤1中所述声呐图像各点连续时间序列对应的像素值频率分布情况,建立结构化噪声模型,如下所示:
其中,f(x)代表各点连续时间序列对应的像素值频率;K代表混合高斯模型的多峰数量;wk代表第k个高斯函数的权重;σk代表第k个高斯函数的方差;μk代表第k个高斯函数的均值;g(x|μk,σk)代表高斯函数。
其中,x表示像素值,μ表示均值,σ2是方差。根据式(3)(4),将第一组数据进行训练,使用GMM拟合确定其参数。训练计算过程中,需要对参数不断迭代更新,若xij,t符合第k个高斯分布,且满足|xij,t-μk,ij,t-1|<2.5σk,ij,t-1,则参数更新关键公式如下所示:
α=(1-α)wk,ij,t-1+α#(5)
β=α×g(xij,t|μk,ij,t-1,σk,ij,t-1)#(6)
μk,ij,t=(1-β)μk,ij,t-1+βxij,t#(7)
其中,α表示更新速率,β表示参数学习速率。wk,ij,t-1代表权重;μk,ij,t-1代表均值;σk,ij,t-1代表方差。
理论上来说,xij,t对GMM中的每一个单峰高斯都有一个大小不一的权重,若不满足β≈α/wk,则需要减小权重,
wk,ij,t=(1-α)wk,ij,t-1#(9)
确定拟合参数后,得到结构化噪声模型,并对其离散归一化处理。声呐图像连续帧各点是背景的概率B为
步骤3:步骤1中第二组数据为包含障碍物的连续时间序列声呐图像。实际实验中,视频流声呐图像障碍物会伴随结构化噪声的影响,即没有单独的障碍物图像。因此,针对大大的增加了前景障碍物建模的难度,同时考虑障碍物类型、姿态不一致,前景建模无法使用传统的方法。参照图3,本发明对于该情况,提出一种改进Sigmoid函数建立障碍物模型的方法。改进Sigmoid如下所示:
其中,p(xij,t)代表各点前景概率;为横向伸缩参数,T为OTSU阈值。考虑结构化噪声的影响,传统OTSU阈值无法分割障碍物和结构化噪声。而分析造成结构化噪声原因是声呐自身距离补偿造成的。因此,本发明提出了一种改进OTSU阈值的图像分割方法。参照图2,其方法为,
考虑声波衰减,其计算公式如下:
距离补偿公式,
其中,I表示声波衰减强度,I*表示距离补偿声强,即声呐图像像素值。θ0和θ1分别表示衰减系数和补偿系数。d表示声波传播距离。由上述(13)(14)可以得到增益γ方程,θ*表示增益系数:
则改进的OTSU阈值T*可以表示为:
T*=Teθ*d=Tγ#(16)
改进的Sigmoid为:
改进的Sigmoid模型考虑了结构化噪声,有效的解决了结构化噪声对障碍物分割影响。声呐图像障碍物各像素点对应的概率进行归一化处理,可以得到如下公式,
步骤4:根据步骤3,第二组数据为连续帧的障碍物声呐图像。对其进行基于灰度信息的图像配准处理,得到配准后的多帧声呐障碍物图像。通过步骤2的多帧结构化噪声图像,以及步骤3的多帧配准障碍物图像进行声呐图像信息融合,其融合公式如下:
马尔可夫公式如下所示,
通过马尔可夫公式可以将多帧声呐图像结构化噪声信息融合,以及多帧障碍物信息融合,公式如下:
最后,经过以上处理后使用中值滤波,得到完整的前景并检测出障碍物。
综上所述,本发明提出一种多波束前视声呐水下障碍物鲁棒性检测方法,通过对实时声呐图像各点前景概率与背景概率,利用改进贝叶斯估计方法进行水下障碍物检测,并通过中值滤波去除孤立噪声点,检测出完整的障碍物。达到了抑制结构化噪声,在不损失过多有用信息的前提下,检测出完整的前景障碍物得效果。
本发明实施例还提供了一种数据处理装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的多波束前视声呐水下障碍物鲁棒检测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外,本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述的多波束前视声呐水下障碍物鲁棒检测方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种多波束前视声呐水下障碍物鲁棒检测方法,其特征在于,包括:
获取一组不含障碍物的第一数据,以及获取一组包含前景障碍物的第二数据;
根据所述第一数据构建结构化噪声模型,并根据所述结构化噪声模型确定多帧结构化噪声图像上各点的概率;
根据所述第二数据构建障碍物模型,并根据所述障碍物模型确定多帧障碍物声呐图像上各点的概率;
对所述多帧障碍物声呐图像进行图像配准处理,得到多帧配准障碍物图像;
将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合,得到完整的前景,并确定障碍物。
2.根据权利要求1所述的一种多波束前视声呐水下障碍物鲁棒检测方法,其特征在于,所述获取一组不含障碍物的第一数据,以及获取一组包含前景障碍物的第二数据后,还包括:
将所述第一数据和第二数据转换成灰度图像;
按照时间序列对所述第一数据和第二数据进行标注;
对第一数据中声呐图像的像素进行归一化处理。
3.根据权利要求1所述的一种多波束前视声呐水下障碍物鲁棒检测方法,其特征在于,所述根据所述第一数据构建结构化噪声模型,并根据所述结构化噪声模型确定多帧结构化噪声图像上各点的概率,包括:
根据第一数据中声呐图像各点连续时间序列对应的像素值的分布情况,建立初始化的结构化噪声模型;
根据所述初始化的结构化噪声模型对第一数据进行训练,确定第一拟合参数组;
根据所述第一拟合参数组,确定优化后的结构化噪声模型;
对所述结构化噪声模型进行离散归一化处理,确定声呐图像连续帧的各点是背景的概率。
4.根据权利要求1所述的一种多波束前视声呐水下障碍物鲁棒检测方法,其特征在于,所述根据所述第二数据构建障碍物模型,并根据所述障碍物模型确定多帧障碍物声呐图像上各点的概率这一步骤,包括:
根据声波衰减公式和距离补偿公式,确定增益方程;
根据增益方程确定分割阈值;
根据分割阈值构建障碍物模型;
根据所述障碍物模型对声呐图像中障碍物各像素点对应的概率进行归一化处理,确定多帧障碍物声呐图像上各点的概率。
5.根据权利要求1所述的一种多波束前视声呐水下障碍物鲁棒检测方法,其特征在于,所述将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合,得到完整的前景,并确定障碍物,包括:
将所述多帧结构化噪声图像和多帧配准障碍物图像进行声呐图像信息融合;
将所述融合结果使用中值滤波处理,得到完整的前景并检测出障碍物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035712.2A CN111208521B (zh) | 2020-01-14 | 2020-01-14 | 一种多波束前视声呐水下障碍物鲁棒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035712.2A CN111208521B (zh) | 2020-01-14 | 2020-01-14 | 一种多波束前视声呐水下障碍物鲁棒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111208521A true CN111208521A (zh) | 2020-05-29 |
CN111208521B CN111208521B (zh) | 2021-12-07 |
Family
ID=70786726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035712.2A Active CN111208521B (zh) | 2020-01-14 | 2020-01-14 | 一种多波束前视声呐水下障碍物鲁棒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111208521B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950501A (zh) * | 2020-08-21 | 2020-11-17 | 东软睿驰汽车技术(沈阳)有限公司 | 障碍物检测方法、装置以及电子设备 |
CN112526490A (zh) * | 2020-12-11 | 2021-03-19 | 上海大学 | 一种基于计算机视觉的水下小目标声呐探测系统与方法 |
CN112767336A (zh) * | 2021-01-11 | 2021-05-07 | 广州中交通信有限公司 | 声呐图像中的障碍物提取方法、计算机装置和存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275647A1 (en) * | 2007-05-03 | 2008-11-06 | Industry Collaboration Foundation Of Inha University | System for guiding an obstacle avoidance direction including senses for supersonic waves |
CN101640809A (zh) * | 2009-08-17 | 2010-02-03 | 浙江大学 | 一种融合运动信息与几何信息的深度提取方法 |
CN102024146A (zh) * | 2010-12-08 | 2011-04-20 | 江苏大学 | 猪舍监控视频中前景提取方法 |
CN102879786A (zh) * | 2012-09-19 | 2013-01-16 | 上海大学 | 一种针对水下障碍物的检测定位方法和系统 |
CN104299248A (zh) * | 2014-11-04 | 2015-01-21 | 哈尔滨工程大学 | 利用前视声呐图像对水下多个动态目标运动预测的方法 |
CN104574335A (zh) * | 2015-01-14 | 2015-04-29 | 西安电子科技大学 | 一种基于显著图和兴趣点凸包的红外与可见光图像融合方法 |
CN104598906A (zh) * | 2015-03-04 | 2015-05-06 | 西安工业大学 | 车辆外轮廓检测方法及其装置 |
CN105654508A (zh) * | 2015-12-24 | 2016-06-08 | 武汉大学 | 基于自适应背景分割的监控视频移动目标跟踪方法及系统 |
CN107230182A (zh) * | 2017-08-03 | 2017-10-03 | 腾讯科技(深圳)有限公司 | 一种图像的处理方法、装置以及存储介质 |
CN108090888A (zh) * | 2018-01-04 | 2018-05-29 | 北京环境特性研究所 | 基于视觉注意模型的红外图像和可见光图像的融合检测方法 |
CN108647579A (zh) * | 2018-04-12 | 2018-10-12 | 海信集团有限公司 | 一种障碍物检测方法、装置及终端 |
CN108694705A (zh) * | 2018-07-05 | 2018-10-23 | 浙江大学 | 一种多帧图像配准与融合去噪的方法 |
CN108802741A (zh) * | 2018-06-22 | 2018-11-13 | 西安电子科技大学 | 基于DSmT理论的移动机器人声纳数据融合方法 |
CN109239719A (zh) * | 2018-10-19 | 2019-01-18 | 武汉理工大学 | 一种融合多帧信息的多波束前视声呐障碍区域提取方法 |
CN109429001A (zh) * | 2017-08-25 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 图像采集方法、装置、电子设备以及计算机可读存储介质 |
CN109509260A (zh) * | 2017-09-14 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
CN109633633A (zh) * | 2018-12-27 | 2019-04-16 | 西安交通大学 | 一种基于分段分类增强处理的生命信号增强方法 |
CN110570361A (zh) * | 2019-07-26 | 2019-12-13 | 武汉理工大学 | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 |
-
2020
- 2020-01-14 CN CN202010035712.2A patent/CN111208521B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275647A1 (en) * | 2007-05-03 | 2008-11-06 | Industry Collaboration Foundation Of Inha University | System for guiding an obstacle avoidance direction including senses for supersonic waves |
CN101640809A (zh) * | 2009-08-17 | 2010-02-03 | 浙江大学 | 一种融合运动信息与几何信息的深度提取方法 |
CN102024146A (zh) * | 2010-12-08 | 2011-04-20 | 江苏大学 | 猪舍监控视频中前景提取方法 |
CN102879786A (zh) * | 2012-09-19 | 2013-01-16 | 上海大学 | 一种针对水下障碍物的检测定位方法和系统 |
CN104299248A (zh) * | 2014-11-04 | 2015-01-21 | 哈尔滨工程大学 | 利用前视声呐图像对水下多个动态目标运动预测的方法 |
CN104574335A (zh) * | 2015-01-14 | 2015-04-29 | 西安电子科技大学 | 一种基于显著图和兴趣点凸包的红外与可见光图像融合方法 |
CN104598906A (zh) * | 2015-03-04 | 2015-05-06 | 西安工业大学 | 车辆外轮廓检测方法及其装置 |
CN105654508A (zh) * | 2015-12-24 | 2016-06-08 | 武汉大学 | 基于自适应背景分割的监控视频移动目标跟踪方法及系统 |
CN107230182A (zh) * | 2017-08-03 | 2017-10-03 | 腾讯科技(深圳)有限公司 | 一种图像的处理方法、装置以及存储介质 |
CN109429001A (zh) * | 2017-08-25 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 图像采集方法、装置、电子设备以及计算机可读存储介质 |
CN109509260A (zh) * | 2017-09-14 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
CN108090888A (zh) * | 2018-01-04 | 2018-05-29 | 北京环境特性研究所 | 基于视觉注意模型的红外图像和可见光图像的融合检测方法 |
CN108647579A (zh) * | 2018-04-12 | 2018-10-12 | 海信集团有限公司 | 一种障碍物检测方法、装置及终端 |
CN108802741A (zh) * | 2018-06-22 | 2018-11-13 | 西安电子科技大学 | 基于DSmT理论的移动机器人声纳数据融合方法 |
CN108694705A (zh) * | 2018-07-05 | 2018-10-23 | 浙江大学 | 一种多帧图像配准与融合去噪的方法 |
CN109239719A (zh) * | 2018-10-19 | 2019-01-18 | 武汉理工大学 | 一种融合多帧信息的多波束前视声呐障碍区域提取方法 |
CN109633633A (zh) * | 2018-12-27 | 2019-04-16 | 西安交通大学 | 一种基于分段分类增强处理的生命信号增强方法 |
CN110570361A (zh) * | 2019-07-26 | 2019-12-13 | 武汉理工大学 | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
秦政等: "多波束前视声呐在潜器避障中的应用研究", 《电子器件》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950501A (zh) * | 2020-08-21 | 2020-11-17 | 东软睿驰汽车技术(沈阳)有限公司 | 障碍物检测方法、装置以及电子设备 |
CN111950501B (zh) * | 2020-08-21 | 2024-05-03 | 东软睿驰汽车技术(沈阳)有限公司 | 障碍物检测方法、装置以及电子设备 |
CN112526490A (zh) * | 2020-12-11 | 2021-03-19 | 上海大学 | 一种基于计算机视觉的水下小目标声呐探测系统与方法 |
CN112526490B (zh) * | 2020-12-11 | 2021-12-03 | 上海大学 | 一种基于计算机视觉的水下小目标声呐探测系统与方法 |
CN112767336A (zh) * | 2021-01-11 | 2021-05-07 | 广州中交通信有限公司 | 声呐图像中的障碍物提取方法、计算机装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111208521B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208521B (zh) | 一种多波束前视声呐水下障碍物鲁棒检测方法 | |
CN111201451B (zh) | 基于场景的激光数据和雷达数据进行场景中的对象检测的方法及装置 | |
CN110084234B (zh) | 一种基于实例分割的声呐图像目标识别方法 | |
CN113850848B (zh) | 无人艇载航海雷达与视觉图像协同的海上多目标长期检测与跟踪方法 | |
CN109993770B (zh) | 一种自适应时空学习与状态识别的目标跟踪方法 | |
CN115147594A (zh) | 一种基于船艏向识别的船舶图像轨迹跟踪与预测方法 | |
Sung et al. | Crosstalk removal in forward scan sonar image using deep learning for object detection | |
CN107167810A (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN110570361B (zh) | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 | |
Chang et al. | Underwater object detection with efficient shadow-removal for side scan sonar images | |
CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
CN116468995A (zh) | 一种联合slic超像素和图注意力网络的声呐图像分类方法 | |
CN113807324A (zh) | 一种声呐图像识别方法、装置、电子设备和储存介质 | |
CN105741284A (zh) | 一种多波束前视声纳目标检测方法 | |
Aubard et al. | Real-time automatic wall detection and localization based on side scan sonar images | |
Alla et al. | Vision-based Deep Learning algorithm for Underwater Object Detection and Tracking | |
Li et al. | Real-time underwater target detection for AUV using side scan sonar images based on deep learning | |
Giacomo et al. | Sonar-to-satellite translation using deep learning | |
US20210383202A1 (en) | Prediction of future sensory observations of a distance ranging device | |
Fairweather et al. | Robust scene interpretation of underwater image sequences | |
Dos Santos et al. | A framework for underwater vehicle localization based on cross-view and cross-domain acoustic and aerial images | |
Sadhu et al. | Obstacle detection for image-guided surface water navigation | |
Wang et al. | Deep learning-based robust positioning scheme for imaging sonar guided dynamic docking of autonomous underwater vehicle | |
Oliveira et al. | Probabilistic Positioning of a Mooring Cable in Sonar Images for In-Situ Calibration of Marine Sensors | |
Liu et al. | Underwater depth map estimation from video sequence with graph cuts |
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 |