CN112633274A - 一种声呐图像目标检测方法、装置、电子设备 - Google Patents

一种声呐图像目标检测方法、装置、电子设备 Download PDF

Info

Publication number
CN112633274A
CN112633274A CN202011522036.8A CN202011522036A CN112633274A CN 112633274 A CN112633274 A CN 112633274A CN 202011522036 A CN202011522036 A CN 202011522036A CN 112633274 A CN112633274 A CN 112633274A
Authority
CN
China
Prior art keywords
image
target
model
yml
detection method
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.)
Pending
Application number
CN202011522036.8A
Other languages
English (en)
Inventor
王亭亭
岳才谦
吕雪
张南南
王奥博
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.)
China Academy of Aerospace Aerodynamics CAAA
Original Assignee
China Academy of Aerospace Aerodynamics CAAA
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 China Academy of Aerospace Aerodynamics CAAA filed Critical China Academy of Aerospace Aerodynamics CAAA
Priority to CN202011522036.8A priority Critical patent/CN112633274A/zh
Publication of CN112633274A publication Critical patent/CN112633274A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种声呐图像目标检测方法、装置、电子设备及存储介质，所述方法将传统图像处理方法、多特征融合和机器学习方法进行了融合，在目标检测时，先提取感兴趣区域，从而大大降低了时间开销和空间开销，保证了整体算法的实时性，本发明以水下平台实时获取的声呐图像为基础，将目标检测和跟踪进行深度融合，能够实现对目标在线的、实时的检测和定位，并预测目标运动。

Description

一种声呐图像目标检测方法、装置、电子设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种声呐图像目标检测方法、装置、电子设备及存储介质。
背景技术
“海洋强国”建设对水下装备智能化发展提出了更高需求，其中自主识别探测技术是实现装备智能化的基础。目前，基于传统光学图像的目标检测方法众多，且已经取得不错效果，但基于声呐图像的技术还处于发展阶段。一方面声呐成图目标与人眼观测实物相差较大，且特征更加不明显，另一方面，受水下噪声、海洋生物、载荷特征影响，声呐图像噪声更大。目前的研究一般采用多特征融合的方法实现干净水域下简单目标的检测和识别，对复杂海洋背景有价值目标往往失效，尚不能满足装备需求。
发明内容
本发明的目的在于提供一种声呐图像目标检测方法、装置、电子设备及存储介质能够在复杂海洋背景下实现对目标在线的、实时的检测和定位，并预测目标运动。
第一方面，本发明实施例提供了一种声呐图像目标检测方法，所述检测方法包括以下步骤：
实时获取声呐图像，通过预处理和感兴趣区域提取，获得待检测图像；
将待检测图像输入预先训练的第一yml模型进行目标分类识别；
将目标分类识别结果图像通过重新归类，输入所述第一yml模型进行修正得到第二yml模型；
根据所述第二yml模型确定目标；
对所述目标进行定位和跟踪，并将所述目标的所属类型、方位和距离信息输出。
可选地，所述预处理包括：
图像去噪、图像增强、图像滤波中的至少一种。
可选地，所述感兴趣区域提取方法包括：
阈值分割，所述阈值分割将自适应阈值和固定阈值相结合，基于灰度空间、RGB空间和HSV空间进行设计；
视觉注意机制通过自下而上和自上而下相结合，利用亮度和颜色特征建立显著图。
可选地，预先训练的第一yml模型方法包括：
获取声呐图像库，
从所述图像库中提取正样本和负样本并进行标记，对所述正样本和负样本进行训练得到第一yml模型。
可选地，对所述目标进行定位和跟踪包括：
图像层跟踪，通过传统的Camshift算法实现；
运动路径的跟踪，基于图像解算目标和平台的相对位置，融合平台自身位姿，获得目标的导航位置，利用卡尔曼滤波对目标运动路径进行预测。
可选地，模型训练方法包括方向梯度直方图、支持向量机。
第二方面，本发明实施例提供了一种声呐图像目标检测装置，所述装置包括：
检测图像获取模块，用于实时获取声呐图像，通过预处理和感兴趣区域提取，获得待检测图像；
分类识别模块，用于将待检测图像输入预先训练的第一yml模型进行目标分类识别；
修正模块，将目标分类识别结果图像通过重新归类，输入所述第一yml模型进行修正得到第二yml模型；
目标确定模块，用于根据所述第二yml模型确定目标；
目标定位跟踪模块，用于对所述目标进行定位和跟踪，并将所述目标的所属类型、方位和距离信息输出。
第三方面，本发明实施例提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1-6中任一项所述的声呐图像目标检测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：执行权利要求1-6任一项所述的声呐图像目标检测方法。
有益效果
本发明将传统图像处理方法、多特征融合和机器学习方法进行了融合，在目标检测时，先提取感兴趣区域，从而大大降低了时间开销和空间开销，保证了整体算法的实时性，本发明以水下平台实时获取的声呐图像为基础，将目标检测和跟踪进行深度融合，能够实现对目标在线的、实时的检测和定位，并预测目标运动。
附图说明
图1为本发明实施例一种声呐图像目标检测方法的流程图；
图2为本发明实施例感兴趣区域提取的流程图；
图3为本发明实施例一种声呐图像目标检测装置的结构框图；
图4为本发明实施例一种电子设备的结构框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图说明和具体实施例对本发明作进一步描述：
本发明的目的在于提供一种声呐图像目标检测方法、装置、电子设备及存储介质能够在复杂海洋背景下实现对目标在线的、实时的检测和定位，并预测目标运动。
图1示出了本发明实施例一种声呐图像目标检测方法的流程图，如图1所示，所述检测方法包括以下步骤：
S20、实时获取声呐图像，通过预处理和感兴趣区域提取，获得待检测图像；
S40、将待检测图像输入预先训练的第一yml模型进行目标分类识别；
S60、将目标分类识别结果图像通过重新归类，输入所述第一yml模型进行修正得到第二yml模型；
S80、根据所述第二yml模型确定目标；
S100、对所述目标进行定位和跟踪，并将所述目标的所属类型、方位和距离信息输出。
本发明将传统图像处理方法、多特征融合和机器学习方法进行了融合，实时获取声呐图像，通过预处理和感兴趣区域提取，获得待检测图像；将待检测图像输入预先训练的第一yml模型进行目标分类识别；将目标分类识别结果图像通过重新归类，输入所述第一yml模型进行修正得到第二yml模型；根据所述第二yml模型确定目标；对所述目标进行定位和跟踪，并将所述目标的所属类型、方位和距离信息输出。在目标检测时，先提取感兴趣区域，从而大大降低了时间开销和空间开销，保证了整体算法的实时性，本发明以水下平台实时获取的声呐图像为基础，将目标检测和跟踪进行深度融合，能够实现对目标在线的、实时的检测和定位，并预测目标运动，支撑任务系统下一步规划，为平台环境感知能力和智能化水平提升奠定了基础。
具体地，所述预处理包括：
图像去噪、图像增强、图像滤波中的至少一种。由于声呐图像具有较为明显的椒盐噪声，因此可采用中值滤波进行去噪。其中，滤波尺度由图像分辨率和目标尺寸共同决定。由于图像中部分有用信息被淹没在背景中，无法直接用阈值法提出来，且滤波后的图像存在边缘模糊，不利于复杂外形目标边缘提取，可以进行图像增强解决此问题，此处采用直方图均衡和边缘增强算法即可实现。可以采用均值滤波对图像进行处理去除图像中其他噪声。
图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI(region ofinterest)。
所述感兴趣区域提取方法包括：
阈值分割，所述阈值分割将自适应阈值和固定阈值相结合，基于灰度空间、RGB空间和HSV空间进行设计；
通过所述视觉注意机制建立显著图，所述视觉注意机制通过自下而上和自上而下相结合，利用亮度和颜色特征建立显著图；显著图代表一幅图像中不同像素的显著性，显著图的显著性区域为感兴趣区域。
视觉注意机制具体的如图2所示；
亮度特征：亮度模型建模中的亮度值I＝(r+g+b)/3，其中r、g、b值由分离RGB空间图像的三个通道得到。对亮度图构建8层高斯金字塔I(σ)，其中σ∈[0...7]，再根据
Figure BDA0002849339860000051
进行中心边缘差分。其中c表示低层金字塔层数，c＝{2,3,4}，s表示高层金字塔层数，s＝c+d,δ＝{2,3}。
Figure BDA0002849339860000052
表示中心边缘差分，具体实现是对s层(高层)金字塔图像做插值，使其与c层(低层)金字塔图像尺寸相同，然后两两进行像素间差分。
颜色特征：颜色模型建模分为两部分：颜色对比模型和B通道模型。
颜色对比模型：考虑到实际背景和目标颜色关系，采用红蓝对比。具体操作为：对RGB图像建立8层金字塔，通过分离图像得到蓝、绿、红三个通道的值b、g、r，调谐得到红(R)和蓝(B)两个通道颜色值，其中：
Figure BDA0002849339860000061
Figure BDA0002849339860000062
最终得到两个高斯金字塔R(σ)和B(σ)，σ∈[0...7]，不同层之间做中心边缘差分
Figure BDA0002849339860000063
B通道模型：单独提取B(0)层，对该层进行自适应阈值分割，阈值ξ＝avgValue/2，得到的B0(x,y,ξ)按公式
Figure BDA0002849339860000064
取反。
前述一共获得13幅特征图，其中亮度特征有6幅，颜色特征有7幅。根据这13幅特征图生成最终的显著图S，其中a＝0.2，b＝0.3，c＝0.5，如下式所示；
亮度特征：
Figure BDA0002849339860000065
颜色特征：
Figure BDA0002849339860000066
显著图：
Figure BDA0002849339860000067
显著图代表一幅图像中不同像素的显著性，显著图的显著性区域为感兴趣区域。
在yml模型训练过程中，涉及提取特征和对特征进行训练。
其中，特征提取的算法：将目标的边缘方向的密度分布作为特征，定义图像中像素点的梯度为：
Gx(x,y)＝H(x+1,y)-H(x-1,y)和Gy(x,y)＝H(x,y+1)-H(x,y-1)。
其中Gx(x,y)，Gy(x,y)和H(x,y)分别为输入图像中像素点(x,y)处水平方向的梯度、垂直方向的梯度和像素值。
像素点处的梯度幅值和方向为：
Figure BDA0002849339860000071
利用上述特征描述样本的步骤为：(a)先调整样本为64×64像素；(b)分割样本为8×8像素的单元，把[-π/2π/2]的梯度方向均匀分成9个区间，并统计每个区间里的像素点的梯度值获得梯度直方图，每个区间代表一维，则每个单元由一个9维的特征向量表示；(c)每相邻4个单元为一个块，这样一个块就可以被36维特征向量所描述；(d)以块为单位扫描整个目标样本，扫描时步长为一个单元；(e)把所有的36维的块特征向量组合成一个整体就可以得到目标样本的1764维特征向量。
其中，训练的算法：采用支持向量机SVM。
SVM分类器的核函数选择高斯核函数
Figure BDA0002849339860000072
其中
Figure BDA0002849339860000073
得到的分类决策函数为：
Figure BDA0002849339860000074
具体地，预先训练的第一yml模型方法包括：
获取声呐图像库，
从所述图像库中提取正样本和负样本并进行标记，对所述正样本和负样本进行训练得到第一yml模型。为了达到较好的结果，在利用图像库训练第一yml模型时，选取的用于一次训练的正样本和负样本数量应分别不低于1000个，且正负样本数之差应小于样本总数的百分之十。
具体地，对所述目标进行定位和跟踪包括：
图像层跟踪，通过传统的Camshift算法实现；
运动路径的跟踪，基于图像解算目标和平台的相对位置，融合平台自身位姿，获得目标的导航位置，利用卡尔曼滤波对目标运动路径进行预测。
所述平台，是指搭载声呐设备的平台，是水下平台，具体的可以是固定平台，如浮标、潜标、固定架，也可以是运动的平台，如潜航器、拖鱼、船等。
具体的，基于图像解算目标和平台的相对位置即：
提取目标的中心像素点(u,v)，利用下述公式计算目标相对平台在x轴方向和在y轴方向的距离(dx,dy)。其中，(u0,v0)是声呐原点的像素点，(fx,fy)分别是x轴和y轴方向的距离分辨率：
Figure BDA0002849339860000081
具体的，融合平台自身位姿，获得目标的导航位置即：
目标的导航位置定为(N2,E2,D2),则由下一系列公式可以得到：
Figure BDA0002849339860000082
Figure BDA0002849339860000083
Figure BDA0002849339860000084
Figure BDA0002849339860000085
Figure BDA0002849339860000086
Figure BDA0002849339860000087
Figure BDA0002849339860000088
其中，导航坐标系原点所在的纬度、经度和高度已知,坐标为(Lo,λo,ho),在地球坐标系下的坐标为(Xo,Yo,Zo)；平台在地理坐标系下的坐标为(L1,λ1,h1),在地球坐标系下的坐标为(X1,Y1,Z1),在导航坐标系下的坐标为(N1,E1,D1)，航向角、俯仰角和横滚角为(ψ,θ,φ)。
如图3所示，本发明实施例提供了一种声呐图像目标检测装置，所述装置包括：
检测图像获取模块20，用于实时获取声呐图像，通过预处理和感兴趣区域提取，获得待检测图像；
分类识别模块40，用于将待检测图像输入预先训练的第一yml模型进行目标分类识别；
修正模块60，将目标分类识别结果图像通过重新归类，输入所述第一yml模型进行修正得到第二yml模型；
目标确定模块80，用于根据所述第二yml模型确定目标；
目标定位跟踪模块100，用于对所述目标进行定位和跟踪，并将所述目标的所属类型、方位和距离信息输出。
本申请实施例还提供了一种计算机电子设备，图4示出了可以应用本申请实施例的电子设备的结构示意图，如图4所示，该计算机电子设备包括，中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述软件安装装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入电子设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的一种声呐图像目标检测方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种声呐图像目标检测方法，其特征在于，所述检测方法包括以下步骤：
实时获取声呐图像，通过预处理和感兴趣区域提取，获得待检测图像；
将待检测图像输入预先训练的第一yml模型进行目标分类识别；
将目标分类识别结果图像通过重新归类，输入所述第一yml模型进行修正得到第二yml模型；
根据所述第二yml模型确定目标；
对所述目标进行定位和跟踪，并将所述目标的所属类型、方位和距离信息输出。
2.根据权利要求1所述的目标检测方法，其特征在于，所述预处理包括：
图像去噪、图像增强、图像滤波中的至少一种。
3.根据权利要求2所述的目标检测方法，其特征在于，所述感兴趣区域提取方法包括：
阈值分割，所述阈值分割将自适应阈值和固定阈值相结合，基于灰度空间、RGB空间和HSV空间进行设计；
通过视觉注意机制自下而上和自上而下相结合，利用亮度和颜色特征建立显著图。
4.根据权利要求2所述的目标检测方法，其特征在于，预先训练的第一yml模型方法包括：
获取声呐图像库，
从所述图像库中提取正样本和负样本并进行标记，对所述正样本和负样本进行训练得到第一yml模型。
5.根据权利要求1所述的目标检测方法，其特征在于，对所述目标进行定位和跟踪包括：
图像层跟踪，通过传统的Camshift算法实现；
运动路径的跟踪，基于图像解算目标和平台的相对位置，融合平台自身位姿，获得目标的导航位置，利用卡尔曼滤波对目标运动路径进行预测。
6.根据权利要求1所述的目标检测方法，其特征在于，模型训练方法包括方向梯度直方图、支持向量机。
7.一种声呐图像目标检测装置，其特征在于，所述装置包括：
检测图像获取模块，用于实时获取声呐图像，通过预处理和感兴趣区域提取，获得待检测图像；
分类识别模块，用于将待检测图像输入预先训练的第一yml模型进行目标分类识别；
修正模块，将目标分类识别结果图像通过重新归类，输入所述第一yml模型进行修正得到第二yml模型；
目标确定模块，用于根据所述第二yml模型确定目标；
目标定位跟踪模块，用于对所述目标进行定位和跟踪，并将所述目标的所属类型、方位和距离信息输出。
8.根据权利要求7所述的目标检测装置，其特征在于，所述检测图像获取模块包括：
阈值分割，所述阈值分割将自适应阈值和固定阈值相结合，基于灰度空间、RGB空间和HSV空间进行设计；
通过视觉注意机制自下而上和自上而下相结合，利用亮度和颜色特征建立显著图。
9.一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1-6中任一项所述的声呐图像目标检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：执行权利要求1-6任一项所述的声呐图像目标检测方法。
CN202011522036.8A 2020-12-21 2020-12-21 一种声呐图像目标检测方法、装置、电子设备 Pending CN112633274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011522036.8A CN112633274A (zh) 2020-12-21 2020-12-21 一种声呐图像目标检测方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011522036.8A CN112633274A (zh) 2020-12-21 2020-12-21 一种声呐图像目标检测方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN112633274A true CN112633274A (zh) 2021-04-09

Family

ID=75320478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011522036.8A Pending CN112633274A (zh) 2020-12-21 2020-12-21 一种声呐图像目标检测方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN112633274A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343964A (zh) * 2021-08-09 2021-09-03 湖南汇视威智能科技有限公司 一种平衡的水下声学图像目标检测方法
CN113781421A (zh) * 2021-08-31 2021-12-10 深圳市爱深盈通信息技术有限公司 基于水下的目标识别方法、装置及系统
CN117079117A (zh) * 2023-09-13 2023-11-17 中国电子科技集团公司第十五研究所 水下图像处理及目标识别的方法及装置、存储介质及电子设备
WO2024065152A1 (zh) * 2022-09-27 2024-04-04 广东高驰运动科技股份有限公司 跟踪用户的方法、平台、系统及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187703A1 (en) * 2010-01-29 2011-08-04 Kedar Anil Patwardhan Method and system for object tracking using appearance model
US20160335503A1 (en) * 2013-11-07 2016-11-17 Nuctech Company Limited Inspection methods and devices
CN108596030A (zh) * 2018-03-20 2018-09-28 杭州电子科技大学 基于Faster R-CNN的声呐目标检测方法
US20190033447A1 (en) * 2017-01-06 2019-01-31 Massachusetts Institute Of Technology Systems and methods for detecting objects in underwater environments
CN110222585A (zh) * 2019-05-15 2019-09-10 华中科技大学 一种基于级联检测器的运动目标跟踪方法
CN110688987A (zh) * 2019-10-16 2020-01-14 山东建筑大学 一种行人位置检测与跟踪方法及系统
US10539655B1 (en) * 2014-08-28 2020-01-21 United States Of America As Represented By The Secretary Of The Navy Method and apparatus for rapid acoustic analysis
CN111369541A (zh) * 2020-03-06 2020-07-03 吉林大学 一种智能汽车恶劣天气条件下车辆检测方法
CN111401376A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质
CN111652149A (zh) * 2020-06-04 2020-09-11 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN111881908A (zh) * 2020-07-20 2020-11-03 北京百度网讯科技有限公司 目标检测模型的修正方法、检测方法、装置、设备及介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187703A1 (en) * 2010-01-29 2011-08-04 Kedar Anil Patwardhan Method and system for object tracking using appearance model
US20160335503A1 (en) * 2013-11-07 2016-11-17 Nuctech Company Limited Inspection methods and devices
US10539655B1 (en) * 2014-08-28 2020-01-21 United States Of America As Represented By The Secretary Of The Navy Method and apparatus for rapid acoustic analysis
US20190033447A1 (en) * 2017-01-06 2019-01-31 Massachusetts Institute Of Technology Systems and methods for detecting objects in underwater environments
CN108596030A (zh) * 2018-03-20 2018-09-28 杭州电子科技大学 基于Faster R-CNN的声呐目标检测方法
CN110222585A (zh) * 2019-05-15 2019-09-10 华中科技大学 一种基于级联检测器的运动目标跟踪方法
CN110688987A (zh) * 2019-10-16 2020-01-14 山东建筑大学 一种行人位置检测与跟踪方法及系统
CN111369541A (zh) * 2020-03-06 2020-07-03 吉林大学 一种智能汽车恶劣天气条件下车辆检测方法
CN111401376A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 目标检测方法、装置、电子设备以及存储介质
CN111652149A (zh) * 2020-06-04 2020-09-11 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN111881908A (zh) * 2020-07-20 2020-11-03 北京百度网讯科技有限公司 目标检测模型的修正方法、检测方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马新星 等: "一种基于视觉显著图的舰船红外图像目标检测方法", 《红外》, vol. 34, no. 10, pages 31 - 35 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343964A (zh) * 2021-08-09 2021-09-03 湖南汇视威智能科技有限公司 一种平衡的水下声学图像目标检测方法
CN113343964B (zh) * 2021-08-09 2022-06-10 湖南汇视威智能科技有限公司 一种平衡的水下声学图像目标检测方法
CN113781421A (zh) * 2021-08-31 2021-12-10 深圳市爱深盈通信息技术有限公司 基于水下的目标识别方法、装置及系统
WO2024065152A1 (zh) * 2022-09-27 2024-04-04 广东高驰运动科技股份有限公司 跟踪用户的方法、平台、系统及存储介质
CN117079117A (zh) * 2023-09-13 2023-11-17 中国电子科技集团公司第十五研究所 水下图像处理及目标识别的方法及装置、存储介质及电子设备
CN117079117B (zh) * 2023-09-13 2024-04-16 中国电子科技集团公司第十五研究所 水下图像处理及目标识别的方法及装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
Shao et al. Saliency-aware convolution neural network for ship detection in surveillance video
CN112633274A (zh) 一种声呐图像目标检测方法、装置、电子设备
CN107133973B (zh) 一种桥梁防撞系统中的船舶检测方法
CN111881725B (zh) 一种融合空频域特征的光学遥感图像船舶目标检测方法
CN109711268B (zh) 一种人脸图像筛选方法及设备
Hua et al. Extended guided filtering for depth map upsampling
CN109993744B (zh) 一种海上逆光环境下的红外目标检测方法
CN116228757B (zh) 一种基于图像处理算法的深海网箱网衣检测方法
CN115937552A (zh) 一种基于融合手工特征与深度特征的图像匹配方法
CN108717539A (zh) 一种小尺寸舰船检测方法
CN115713469A (zh) 基于通道注意力和形变生成对抗网络的水下图像增强方法
CN109558877B (zh) 基于kcf的海上目标跟踪算法
Hashmani et al. A survey on edge detection based recent marine horizon line detection methods and their applications
CN117392508A (zh) 一种基于坐标注意力机制的目标检测方法和装置
CN113408615B (zh) 一种基于光学卫星遥感影像的船只自动匹配方法
CN112560929B (zh) 溢油区域确定方法及装置、存储介质
CN113850835A (zh) 一种野外大视场下近实时运动目标检测方法和系统
CN111950549A (zh) 一种基于海天线与视觉显著性融合的海面障碍物检测方法
Ying et al. Multi‐granularity feature enhancement network for maritime ship detection
CN105785990B (zh) 基于全景环视的船只停泊系统及障碍物识别方法
CN118379696B (zh) 一种船舶目标检测方法、装置及可读存储介质
CN117893879B (zh) 一种雾天场景下的海上小目标航拍图像识别模型训练方法
Sun et al. A New Method for Edge Detection Based on the Criterion of Separability.
CN118411639B (zh) 一种海上微小人体目标检测方法及装置
CN118570455B (zh) 一种干扰分割与目标检测协同的抗干扰识别方法

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