CN111767939A - 一种水下声呐系统目标提取方法 - Google Patents
一种水下声呐系统目标提取方法 Download PDFInfo
- Publication number
- CN111767939A CN111767939A CN202010394202.4A CN202010394202A CN111767939A CN 111767939 A CN111767939 A CN 111767939A CN 202010394202 A CN202010394202 A CN 202010394202A CN 111767939 A CN111767939 A CN 111767939A
- Authority
- CN
- China
- Prior art keywords
- target
- color picture
- regions
- extraction method
- sonar system
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种水下声呐系统目标提取方法,包括:(1)将采集的原始声纳点云数据根据回波强度大小转化为彩色图片;(2)依次对彩色图片进行灰度化、二值化、膨胀处理,获得处理后图片;(3)提取处理后图片的连通区域,并筛选排除连通区域面积过小以及连通区域内强度值像素未达到要求的连通区域,剩余区域即为可能目标区域;(4)放大可能目标区域后提取可能目标区域的特征向量;(5)利用目标识别模型对可能区域的特征向量进行目标识别,获得目标分类识别结果;(6)依据目标分类识别结果返回彩色图片刻画出目标具体信息。该方法原理简单,实用性强,针对水声信号有较强的适应性。
Description
技术领域
本发明属于信息处理技术领域,具体涉及一种水下声呐系统目标提取方法。
背景技术
海洋及其他水下条件环境复杂,很难通过传统光学信号进行目标提取,因此水下声纳系统发挥了重要的作用。而声纳系统目前的技术仍在不断的发展中,对于水下声纳系统中的目标往往采用人眼观察的方法,因此观察人员需要接受大量的培训并积累经验。并且目标提取受到主观因素的影响较大,不能部署于长期、广泛的声纳目标提取应用中。
申请公布号为CN110837870A的专利申请公开了一种基于主动学习的声呐图像目标识别方法,申请公布号为CN107909082A的专利申请公开了一种基于深度学习技术的声呐图像目标识别方法,这两种方法均基于机器学习识别,但是前处理简单,识别不准确。
发明内容
本发明提供了一种水下声呐系统目标提取方法,该方法原理简单,实用性强,针对水声信号有较强的适应性。
一种水下声呐系统目标提取方法,包括以下步骤:
(1)将采集的原始声纳点云数据根据回波强度大小转化为彩色图片;
(2)依次对彩色图片进行灰度化、二值化、膨胀处理,获得处理后图片;
(3)提取处理后图片的连通区域,并筛选排除连通区域面积过小以及连通区域内强度值像素未达到要求的连通区域,剩余区域即为可能目标区域;
((4)从步骤(1)的彩色图片中裁取与可能目标区域对应的彩色图片块,并放大彩色图片块后提取彩色图片块的特征向量;
(5)利用目标识别模型对彩色图片块的特征向量进行目标识别,获得目标分类识别结果;
(6)依据目标分类识别结果返回彩色图片刻画出目标具体信息。
与现有技术相比,本发明具有的有益效果为:
(1)本发明将机器学习技术应用于水下声纳系统,具有较强的技术革新性,并且在未来能够持续改进。
(2)本发明逻辑实现简单,在现有技术下通过与实际信号相结合的方式,针对声学信号进行信号处理,针对性强,实用效果好。
(3)本发明还可以根据实际应用场景进行微调,相关参数能够就实际情况进行修正,以提高目标识别的准确性。
(4)本发明中目标分类模型能够基于实际分类需求进行调整,整体目标分类流程不受影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的水下声呐系统目标提取方法的流程图;
图2为本发明实施例提供的连通区域筛选流程图;
图3为本发明实施例提供的目标提取分类算法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1为本发明实施例提供的水下声呐系统目标提取方法的流程图。如图1所示,实施例提供的水下声呐系统目标提取方法包括以下步骤:
(1)首先将声纳系统采集到的离散点云信号转化为根据能量大小着色的彩色图片。
具体地,以点云数据的回波强度值作为像素值,将像素值按照点云数据所对应的位置排列,形成彩色图片。该步骤能够将一连串的回声强度数据直接转换为可以由人眼直接观察的彩色图片。该彩色图片能够在目标提取流程结束后直观的反映出目标的具体位置。一般有经验的声学工作人员可以直接根据该生成的图片进行主观的目标判断。
(2)将彩色图片进行灰度化、二值化。
通过将彩色图片灰度化,虽然丢失少部分精度,但是相比于操作RGB三通道而言,单通道的操作更为方便。将黑白图片进行二值化操作能够更好的降低每一个像素点的数据长度,使得后续步骤更为便利。
(3)将二值化后的图片进行膨胀处理。
由于水下声纳信号返回数据是离散点数据,很有可能出现中间某些点遗漏情况,而看似不相邻的数据点往往是同一个目标。不同水域该步骤效果最好的膨胀次数有所不同,膨胀处理时,一般膨胀处理1~7次,可根据实际情况微调。经实验探究,膨胀次数在4-5次为宜,过少可能导致同一目标区域不连通,过多可能导致噪声等非目标连通。
(4)从膨胀后的图片中获取连通域。
经过步骤(3)后绝大部分目标都将连通,即相互连接,在图片上表示一个连续的整体。具体地,对处理后图片中每一个二值化疑似区域进行轮廓检测,获得所有连通区域。该步骤能够获得包括目标在内的连通区域集合。
(5)筛选连通区域获得可能目标区域。
水下目标的数据点相比于噪点和背景而言,具有尺寸较大,强度值较高的特点,如附图2所示,筛选连通区域获得可能目标区域的过程为:
首先,针对待筛选的连通区域,判断连通区域面积是否足够大,不足够大时,认为该连通区域为背景噪声,继续筛选其他连通区域;
然后,针对面积足够大的连通区域,判断连通区域内数据点强度值是否满足要求,将满足要求的连通区域存入连通区域结果集中,作为可能目标区域,将不满足要求的连通区域认为是非最终目标,继续筛选其他连通区域。
实施例中,通过比较连通区域面积与面积阈值的大小,判断连通区域面积是否足够大,当连通区域面积大于面积阈值时,则认为连通区域面积足够大,该面积阈值是根据识别目标的尺寸设定的,在此不受限制。
实施例中,通过统计强度值高于强度预设值的点的数量是否超过数量阈值来判断连通区域内数据点强度值是否满足要求,将点的数据超过数据阈值的连通区域认为为满足要求,作为可能目标区域,存入连通区域结果集中。强度预设值与数量属于均与识别目标相关,根据识别目标的相关属性(尺寸、材料等)设定,在此不受限制。
经过该步骤,基本能够获取到水下是否有目标以及有目标情况下目标的尺寸和位置。该步骤后的结果集可以基本判断有无目标,但是对于目标的类别等信息无法进行判断。
(6)连通区域的放大和特征提取。
由步骤(5)中获取的可能目标区域,在步骤(1)中的彩色图片裁剪出相同位置的彩色图片块,并对该裁剪的彩色图片块放大至特定大小后进行特征提取。具体地,采用SIFT特征提取算法提取放大后彩色图片块的特征向量,将裁剪后的图片进行整体放大,以便于更多的特征点提取。经过本步骤能够较好的从背景中提取出目标特征向量。
(7)特征向量的降维和目标分类。
本实施例中,如图3所示,利用目标识别模型对彩色图片块的特征向量进行目标识别,获得目标分类识别结果。具体地,所述目标识别模型包括参数确定的BOW模型和SVM模型;
利用参数确定的BOW模型对特征向量进行降维处理;
利用参数确定的SVM模型对降维向量进行目标识别,获得目标分类识别结果。
其中BOW模型与SVM模型需要事先通过大量的数据训练得到。经过该步骤后能够完整的判断出目标属于预设目标中的哪一类,并且能够知晓目标的尺寸方位等信息。
(8)依据目标分类识别结果返回彩色图片刻画出目标具体信息。
实施例中,具体地可以根据目标分类识别结果返回彩色图片刻画出目标的方位、大小、类别信息。
上述水下声呐系统目标提取方法通过将点云数据转换为彩色图片,巧妙地将根据点云数据识别目标转化为了根据图像识别目标,然后结合机器学习识别目标,提升了目标识别的准确性和效率。能够非常好的应用于实际水下声纳系统中去,能够极大的节约成本,提高目标提取的客观准确性。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种水下声呐系统目标提取方法,其特征在于,包括以下步骤:
(1)将采集的原始声纳点云数据根据回波强度大小转化为彩色图片;
(2)依次对彩色图片进行灰度化、二值化、膨胀处理,获得处理后图片;
(3)提取处理后图片的连通区域,并筛选排除连通区域面积过小以及连通区域内强度值像素未达到要求的连通区域,剩余区域即为可能目标区域;
(4)从步骤(1)的彩色图片中裁取与可能目标区域对应的彩色图片块,并放大彩色图片块后提取彩色图片块的特征向量;
(5)利用目标识别模型对彩色图片块的特征向量进行目标识别,获得目标分类识别结果;
(6)依据目标分类识别结果返回彩色图片刻画出目标具体信息。
2.如权利要求1所述的水下声呐系统目标提取方法,其特征在于,步骤(1)中,以点云数据的回波强度值作为像素值,将像素值按照点云数据所对应的位置排列,形成彩色图片。
3.如权利要求1所述的水下声呐系统目标提取方法,其特征在于,步骤(2)中,膨胀处理时,膨胀处理1~7次。
4.如权利要求1所述的水下声呐系统目标提取方法,其特征在于,步骤(3)中,对处理后图片中每一个二值化疑似区域进行轮廓检测,获得所有连通区域。
5.如权利要求1所述的水下声呐系统目标提取方法,其特征在于,步骤(3)中,筛选可能目标区域的过程为:
首先,筛选连通区域面积大于面积阈值的连通区域;
然后,针对大于面积阈值的连通区域,统计强度值高于强度预设值的点的数量是否超过数量阈值,超过数量阈值的连通区域即为可能目标区域。
6.如权利要求1所述的水下声呐系统目标提取方法,其特征在于,步骤(5)中,采用SIFT特征提取算法提取放大后彩色图片块的特征向量。
7.如权利要求1所述的水下声呐系统目标提取方法,其特征在于,所述目标识别模型包括参数确定的BOW模型和SVM模型;
利用参数确定的BOW模型对特征向量进行降维处理;
利用参数确定的SVM模型对降维向量进行目标识别,获得目标分类识别结果。
8.如权利要求1所述的水下声呐系统目标提取方法,其特征在于,步骤(6)中,依据目标分类识别结果返回彩色图片刻画出目标的方位、大小、类别信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394202.4A CN111767939B (zh) | 2020-05-11 | 2020-05-11 | 一种水下声呐系统目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394202.4A CN111767939B (zh) | 2020-05-11 | 2020-05-11 | 一种水下声呐系统目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767939A true CN111767939A (zh) | 2020-10-13 |
CN111767939B CN111767939B (zh) | 2023-03-10 |
Family
ID=72719101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010394202.4A Active CN111767939B (zh) | 2020-05-11 | 2020-05-11 | 一种水下声呐系统目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767939B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642650A (zh) * | 2021-08-16 | 2021-11-12 | 上海大学 | 一种基于多尺度模板匹配和自适应颜色筛选的多波束声呐的沉船检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095866A (zh) * | 2015-07-17 | 2015-11-25 | 重庆邮电大学 | 一种快速行为识别方法和系统 |
CN109815906A (zh) * | 2019-01-25 | 2019-05-28 | 华中科技大学 | 基于分步深度学习的交通标志检测方法及系统 |
CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
-
2020
- 2020-05-11 CN CN202010394202.4A patent/CN111767939B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095866A (zh) * | 2015-07-17 | 2015-11-25 | 重庆邮电大学 | 一种快速行为识别方法和系统 |
CN109815906A (zh) * | 2019-01-25 | 2019-05-28 | 华中科技大学 | 基于分步深度学习的交通标志检测方法及系统 |
CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
Non-Patent Citations (1)
Title |
---|
朴春赫等: "基于改进ViBe的多行人检测方法", 《东北大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642650A (zh) * | 2021-08-16 | 2021-11-12 | 上海大学 | 一种基于多尺度模板匹配和自适应颜色筛选的多波束声呐的沉船检测方法 |
CN113642650B (zh) * | 2021-08-16 | 2024-02-20 | 上海大学 | 一种基于多尺度模板匹配和自适应颜色筛选的多波束声呐的沉船检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111767939B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377555B (zh) | 自主水下机器人前景视场三维重建目标特征提取识别方法 | |
CN114519808A (zh) | 图像融合方法、装置及设备、存储介质 | |
JP2007257087A (ja) | 肌色領域検出装置及び肌色領域検出方法 | |
CN110111288B (zh) | 基于深度辅助学习的图像增强及盲图质量评价网络系统 | |
CN112418087B (zh) | 一种基于神经网络的水下视频鱼类识别方法 | |
US7620246B2 (en) | Method and apparatus for image processing | |
CN113781421A (zh) | 基于水下的目标识别方法、装置及系统 | |
CN113837198A (zh) | 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 | |
CN111767939B (zh) | 一种水下声呐系统目标提取方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
Murray et al. | A new design tool for feature extraction in noisy images based on grayscale hit-or-miss transforms | |
CN111476074A (zh) | 基于毫米波图像的人体异物检测方法 | |
CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
CN111046782A (zh) | 一种用于苹果采摘机器人的果实快速识别方法 | |
CN116704526B (zh) | 工尺谱扫描机器人及其方法 | |
Mo et al. | A novel edge detection method based on adaptive threshold | |
CN115115893B (zh) | 用于废金属回收的智能分选方法 | |
CN111223050A (zh) | 一种实时图像边缘检测算法 | |
CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
JP3906221B2 (ja) | 画像処理方法及び画像処理装置 | |
JP4202692B2 (ja) | 画像処理方法および装置 | |
Liew et al. | Generalized BRIEF: A novel fast feature extraction method for robust hand detection | |
Mubin et al. | Identification of parking lot status using circle blob detection | |
KR20120051441A (ko) | 잡초 이미지에 포함된 잡초 분류 방법 및 그 장치 | |
RU2697737C2 (ru) | Способ обнаружения и локализации текстовых форм на изображениях |
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 |