CN114418953A - 一种基于时间历程累计图像的声呐目标检测方法和系统 - Google Patents

一种基于时间历程累计图像的声呐目标检测方法和系统 Download PDF

Info

Publication number
CN114418953A
CN114418953A CN202111596792.XA CN202111596792A CN114418953A CN 114418953 A CN114418953 A CN 114418953A CN 202111596792 A CN202111596792 A CN 202111596792A CN 114418953 A CN114418953 A CN 114418953A
Authority
CN
China
Prior art keywords
image
detection
sonar
time history
data
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
Application number
CN202111596792.XA
Other languages
English (en)
Other versions
CN114418953B (zh
Inventor
杨贵光
杨明东
张先奎
杨勇
周红坤
李豪
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.)
No 750 Test Field of China Shipbuilding Industry Corp
CNOOC China Ltd Hainan Branch
Original Assignee
No 750 Test Field of China Shipbuilding Industry Corp
CNOOC China Ltd Hainan Branch
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 No 750 Test Field of China Shipbuilding Industry Corp, CNOOC China Ltd Hainan Branch filed Critical No 750 Test Field of China Shipbuilding Industry Corp
Priority to CN202111596792.XA priority Critical patent/CN114418953B/zh
Publication of CN114418953A publication Critical patent/CN114418953A/zh
Application granted granted Critical
Publication of CN114418953B publication Critical patent/CN114418953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/254Analysis of motion involving subtraction of images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging

Landscapes

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

Abstract

本发明公开一种基于时间历程累计图像的声呐目标检测方法和系统,包括如下步骤,步骤1,将原始声呐数据进行数据插值、坐标变换和反向投影,形成极坐标PPI声呐图像;步骤2,将原始声呐数据中各波束在时间方向上进行累积,形成固定周期的时间历程图像;步骤3,进行隔帧处理;步骤4,设计图像增强算法对隔帧处理后的全局与局部时间历程图像进行线特征增强;步骤5,利用改进多尺度LSD算法对增强后的历程图像进行直线目标检测;步骤6,对直线目标检测结果进行后处理;步骤7,利用DBT技术对PPI声呐图像序列进行运动目标检测,并与直线检测结果进行数据融合,获得最终检测结果。本发明具有增强小目标信噪比和抗背景干扰能力强等优势,能实现复杂水下环境运动目标的准确检测。

Description

一种基于时间历程累计图像的声呐目标检测方法和系统
技术领域
本发明涉及声呐图像目标检测技术,具体是一种基于时间历程累计图像的声呐目标检测方法和系统,可以应用于水下安防领域及其他水下目标的探测、观察和跟踪,属于图像处理和水下目标探测技术领域。
背景技术
近年来,随着人工智能与智慧海洋等技术的快速发展,水下安防等无人值守防御系统逐渐成为研究热点和难点,其中水下蛙人、UUV等水下目标的检测、跟踪与观察是最为关键的技术,声呐则为实现该目的“当仁不让”的技术设备,声呐目标检测则为技术基础。然而,由于复杂多变的水下环境,声呐目标检测一直是具有挑战性的难题。
早期声呐图像目标检测主要依靠人为判定,自动化水平低,极大增加了人工成本。后来通过图像识别、信号处理等技术,实现自动检测,主要包括先检测后跟踪(Detect-Before-Track,DBT)与检测前跟踪(Track-Before-Detect,TBD)两类方法,前者先在背景抑制基础上,对声呐图像做阈值检测,完成目标参数估计,然后对多帧图像的量测点迹进行数据关联,同时进行跟踪滤波。而后者则先对数据进行关联,再进行阈值检测。尽管这两类方法均实现了自动检测,但仍然难以实现准确率和实时性的双赢,其局限性主要表现为:
(1)目标信噪比低:由于声呐工作环境受到海洋噪声、混响、船只噪声等无源和有源干扰,且干扰常常无规律可循,导致目标容易与噪声混淆。(2)虚警率高:DBT方法阈值检测时主要借助图像序列的帧间差分、背景建模等方法,但需根据不同的环境修改阈值,阈值过高,目标强度较小的目标(如蛙人等)容易出现漏检,阈值过低则误检过多。恒虚警(CFAR)技术,在满足系统对噪声等干扰造成的虚警率的一定要求下,对目标进行自适应阈值检测,虽解决了上述局限,但其只用单帧图像信息,在恶劣环境下性能差。而TBD方法由于噪声等问题在数据关联时也会有较大误差,造成后续虚警较高。(3)声呐图像信息匮乏:声呐图像仅包含目标的强度和运动信息,无法像光学图像一样获取目标的颜色与形状等先验知识,大幅增加了检测算法的设计难度。(4)数据稀缺:由于信息保密、数据采集成本高等局限,包含蛙人、UUV等目标的声呐图像数据难以获得,使流行的深度学习目标检测技术在声呐图像处理中难以发挥优势。
因此,需研制一种实用性较强以及工作可靠性较高的基于时间历程累计图像的声呐目标检测方法和系统是解决上述技术问题的关键所在。
发明内容
针对上述背景技术中存在的诸多缺陷与不足,本发明对此进行了改进和创新,现提供一种基于时间历程累计图像的声呐目标检测方法和系统,该方法不像上述现有技术仅利用单帧数据进行检测,而是将多帧数据进行时间轴向累计,以此形成时间历程累计图像,一方面使得目标轨迹进行能量累计而非目标轨迹则无法积累,以此统计量提高了低信噪比条件下的检测性能,另一方面充分利用了帧间时域的强相关性信息,具有增强小目标信噪比、丰富数据源等优势,同时利用时间历程累计图像的时空强相关性特点,有效凸显了运动目标的直线特征。将十分困难的声呐目标检测问题转换为直线检测问题。同时,除强度和运动特征外,新增了直线特征,进一步可以使用图像梯度等常见图像特征,大大丰富了图像信息。
本发明另一个发明目的是结合传统图像滤波算子和投影变换设计了一种针对于时间历程累计图像增强算法,通过设计去局部均值滤波器,完成大面积同质化区域去噪,并去除图像中的直线段干扰。同时对具有“直线”特征的像素点进行局部投影变换,不仅抑制剩余噪声,还有效地对断裂的直线进行重连,增强线特征,降低了后续的处理难度。
本发明的再一个发明目的是设计了声呐目标检测算法,为解决传统LSD检测算法的过检测等问题,通过图像金字塔,改进了一种多尺度LSD算法,完成了准确的直线目标检测。同时,本发明利用后处理策略对不符合要求的直线目标进行了有效剔除,大大降低了误检。
本发明的还再一个发明目的是一方面,在全局搜索阶段,对完整累计图像进行检测,而后续局部搜索则利用全局搜索结果进行特定区域的精细化检测,大大降低了由于水下环境多变性引起的虚警。另一方面,通过对传统LSD直线检测算法进行多尺度改进,充分挖掘了不同尺度下的图像特征,提升了直线检测的召回率,降低漏检,同时,不需要大量包含蛙人、UUV等水下目标的声呐图像完成算法训练学习,有效解决了数据稀缺等难点。
本发明的还再又一个发明目的是还将DBT方法与上述本发明提出的算法进行数据融合,缓解了由于时间历程图像经过数据压缩累计等引起的定位精度差的问题。
为解决上述问题并达到上述的发明目的,本发明是通过采用下列的设计结构以及采用下列的技术方案来实现的:
一种基于时间历程累计图像的声呐目标检测方法,包括如下步骤,
步骤1,将原始声呐数据进行数据插值、坐标变换和反向投影,形成极坐标PPI声呐图像,用于最终检测数据显示;
步骤2,将原始声呐数据中各波束在时间方向上进行累积,形成固定周期的时间历程图像,使运动目标呈“直线”特性;
步骤3,利用隔帧处理,将检测过程分为全局与局部两个阶段,以“由粗到精”的检测策略,提高检测质量;
步骤4,对隔帧处理后的时间历程图像利用图像增强算法进行预处理,以凸显待检测目标直线,并抑制噪声干扰;
步骤5,利用改进的多尺度LSD算法对所述预处理后的时间历程图像进行直线目标检测;
步骤6,对所述直线目标检测结果进行后处理,并将其映射回PPI声呐图像的坐标系中;
步骤7,利用DBT技术对PPI声呐图像序列进行运动目标检测,并将检测结果与步骤6结果进行数据融合,获得最终检测结果。
作为本发明上述的另一个优选的技术方案,所述步骤1中,通过数据插值、坐标变换与反向投影后,形成极坐标PPI声呐图像;
所述步骤2中,生成固定周期的时间历程图像的方法包括以下步骤:
步骤2-1,数据压缩,所述数据压缩为假设原始声呐数据为nRawDatas[N][M],时间历程图像为Time Image[L×N][R],其中,N表示波束个数,M表示每个波束接收点数,L为历程图像固定周期,R为时间历程图像高度。所述数据压缩采用最大值压缩,即首先计算压缩比例k=M/R,然后计算每k长度区间内的原始数据最大值作为压缩后的数据,即形成新的原始数据nRawDatas_NewUpdate[N][R];
步骤2-2,数据累计,所述数据累计为对第n个波束的第i个周期按时间轴进行能量记录,以L帧为周期进行循环累计,此时时间历程图像Time Image表示为以下公式:
TimeImage[i+L×n][R-m]=nRawDatas_NewUpdate[n][m]
式中,n表示第n个波束,取值0,1,…,N-1;m表示压缩后的第n个波束的第m个数据点位置,取值0,1,…,R-1;i表示第i个周期,取值0,1,…,L-1。
依据上述公式,当i=L-1时,删除历程累计中最前面的数据,利用最新的数据帧填充当前历程图像,以形成固定周期L的时间历程图像,最新数据为当前目标状态;遍历所有N个波束,重复上述过程,完成时间历程图像生成。
作为本发明的上述优选技术方案,所述步骤3中,所述隔帧处理流程为:当输入的数据帧数目达到阈值NumDet时,进行一次全局搜索检测,即对完整的历程图像进行后续处理,剩余NumDet-1帧通过上次全局搜索检测结果提取局部L个待检测图像区域,即局部搜索,以此按NumDet为周期进行循环检测。
作为本发明上述优选的技术方案,所述步骤4中,所述图像增强算法根据隔帧处理结果分别处理,处理方法具体为:
当进行全局搜索时,图像增强算法具体步骤如下,
步骤A,设置[-1/2,1,-1/2]的1×3大小的去局部滤波模板对完整历程图像进行卷积,用于去除横向直线干扰,同时不对运动直线造成影响;
步骤B,设计45°和135°两个方向的边缘滤波算子对经过步骤A处理后的图像进行边缘滤波,增强斜线特征,算子使用的卷积核如下:
Figure BDA0003431510540000051
Figure BDA0003431510540000052
利用Kernel45。和Kernel135°滤波核分别对原始图像进行卷积,然后对处理结果取最大值,得最终增强结果g′(x,y):
g′(x,y)=max(g45(x,y),g135(x,y))
其中,max()表示对处理结果g45(x,y)和g135(x,y)逐像素求取最大值;
当进行局部搜索时,图像滤波增强算法具体步骤如下:
步骤A,设置[-1/2,1,-1/2]的1×3大小的去局部滤波模板对局部历程图像进行卷积,用于去除横向直线干扰,同时不对运动直线造成影响。
步骤B,为了更精细化检测直线,增强各方向线特征,首先设计多角度边缘滤波算子,将滤波角度从[0,180°]划分为离散的n个角度:θ1,θ2,θ3,…,θn。然后遍历各局部历程图像区域中的像素点,最后根据2个滤波模板计算像素(x,y)在各角度下的互相关滤波值
Figure BDA0003431510540000053
Figure BDA0003431510540000054
其中,ni和nj为模板区域Ri和Rj内的像素数,cij为Ri和Rj的灰度均值比,γi和γj分别为Ri和Rj的灰度标准差与均值之比。
Figure BDA0003431510540000055
的值不仅依赖于区域之间的对比度,也充分考虑了区域的一致性,其表示像素(x,y)处的灰度变化及对应方向属于线特征的度量。当运动目标出现时,其直线具有一定的宽度。利用3个不同大小的滤波模板,增强一定宽度的线特征,此时像素(x,y)处的滤波值表示为
Figure BDA0003431510540000056
Figure BDA0003431510540000057
其中,min()表示对
Figure BDA0003431510540000058
Figure BDA0003431510540000059
逐像素求取最小值;
最后,分别求取并保存各滤波数值的最大值及对应的最优角度至当前局部历程图像区域的map和angle数组中,具体计算公式为:
Figure BDA0003431510540000061
angle(x,y)=θmax
其中,max()表示对各元素逐像素求取最大值,θmax为最大值对应的角度。
作为本发明上述的进一步优选的技术方案,还包括步骤C,根据直线连续性原理,设计了投影变换线特征重连增强算法,依次遍历上述最大滤波数组angle的各数值,以对应的θmax为投影方向,投影区域为该点沿投影方向所在的当前angle的直线,则投影值t(x,y)为对应的线积分,投影公式如下:
Figure BDA0003431510540000062
式中,D(θ)表示角度为θ的直线投影区域,Nl为投影区域内像素个数。根据投影值进行阈值Tline判别,以区分像素点(x,y)是否隶属于角度为θ的直线:
Figure BDA0003431510540000063
若(x,y)属于直线,则t(x,y)表现为明显的极值点,并利用投影值更新其对应的像素值,否则设置为0。
作为本发明上述的再一步优选的技术方案,所述步骤5中,所述改进的多尺度LSD算法根据隔帧处理结果分别处理,该算法处理过程具体包括:全局搜索和局部搜索,其中,当进行全局搜索时,改进的多尺度LSD算法直接采用原始LSD算法进行检测得到全局检测结果集合Sg={d1,d2,…,di,…ds},di=[x1,y1,x2,y2],以及检测结果波束号集合Bg={b1,b2,…,bi,…bB}。
作为本发明上述的还进一步优选的技术方案,当进行局部搜索时,改进的多尺度LSD算法步骤如下:
步骤A,根据全局搜索检测波束号集合Bg,在时间历程图像中划分局部搜索子区域Mg={m1,m2,…,mi,…mB};依次遍历所有子区域重复步骤B~步骤E;
步骤B,计算当前子区域对应的K层图像金字塔,从第K层至第0层图像尺度逐渐减小,当图像尺度为K时,即为原始图像,后续尺度逐渐按2K-k的比例降采样(k表示第k层金字塔图像);
步骤C,利用原始LSD检测算法计算k=0时金字塔图像检测结果Dk,然后按步骤D和步骤E依次遍历k=1,2,…,K的K-1层金字塔;
步骤D,将第k-1层的检测结果Dk-1进行上采样,得到Up(Dk-1),然后按步骤D1~D4完成第k层金字塔图像的直线检测:
步骤E,对当前第k层检测结果D′k和第k-1层的上采样结果Up(Dk-1)进行合并D=D′k+Up(Dk-1),然后对集合D内的结果进行融合,融合过程为首先对所有结果的NFA值进行升序排序,然后从最小的NFA值开始遍历,计算任意第i和第j个结果Di和Dj的角度差异性,若小于精度p,则互为近邻对,否则继续进行后续对比,互为近邻对的结果按联合CNFA计算合并分数,若小于0则执行合并,具体计算公式如下:
Figure BDA0003431510540000071
其中,i∩j表示Di和Dj的最小外接矩形,NFA(i∩j)采用步骤(D4)中的NFA计算,而NFA(i,j)计算公式如下:
Figure BDA0003431510540000072
其中,nm表示第m个矩形区域的面积,km表示区域内与矩形方向相差pπ内的像素个数,其余参数含义与步骤(D4)中相同。经过融合后,得到了当前金字塔层的最终检测结果Dk。然后继续跳转至步骤D,处理下一层图像金字塔,直至处理完所有层图像后,即可获得当前局部检测图像的检测结果。
作为本发明上述的又再进一步优选的技术方案,所述步骤D的具体方法步骤为:
步骤(D1),计算图像像素梯度:计算当前图像的梯度,得到所有像素点的梯度幅值和方向,梯度方向的正交方向确定为该点对应的直线方向。同时,为了加速后续处理,剔除梯度幅值小于Tmag的像素,不予考虑。并将剩余像素按幅值大小进行降序排列。
步骤(D2),划分直线支持区域:以排序后的第一个点为起始点,与其8邻域内的点进行角度比较,若角度差小于阈值Tangle,则组合为同一个支持区域,并更新对应该区域角度,以此遍历完所有像素。
步骤(D3),支持区域矩形近似:对每个区域Region进行进行矩形近似,对于第i个区域,近似矩形的中心(cx,cy)表示为:
Figure BDA0003431510540000081
此外,矩形对应的角度被设置为矩阵A的最小奇异值对应的特征向量的角度为:
Figure BDA0003431510540000082
Figure BDA0003431510540000083
Figure BDA0003431510540000084
Figure BDA0003431510540000085
其中,j∈Region表示区域Region内的像素j,x(j)、y(j)、M(j)分别为像素j的横坐标、纵坐标和梯度幅值;
步骤(D4),区域验证:通过计算每个矩形区域的NFA值,来验证是否包含直线区域,第i个矩形区域的NFA(i)定义如下:
Figure BDA0003431510540000086
其中,W、H分别为当前图像的长和宽,γ为归一化数值,n表示第i个矩形区域的面积,p表示精度,k表示区域内与矩形方向相差pπ内的像素个数,B表示二项分布。因此,当NFA小于阈值TNFA时,认为该区域为一条直线。最终遍历验证完所有矩形区域后,得到检测结果D′k
作为本发明上述的还又再更进一步优选的技术方案,所述步骤6为对最终检测结果进行后处理,后处理的具体过程为:首先利用直线斜率和长度,剔除冗余直线;然后求取剩余检测结果中所有直线的右点与历程直线的交点,并更新为右点;最后利用距离相似性、波束相似性等时空一致性条件进行合并,并将时间历程检测结果映射回PPI声呐图像;
所示步骤7中,所述数据融合方法采用最近邻关联法,依次遍历所有时间历程检测结果,将其投影回极坐标PPI声呐图像中,并与DBT结果进行距离测量,若距离小于阈值Tfusion,则将DBT结果更新为时间历程检测结果。
作为本发明上述的还又再更加进一步优选的技术方案,一种基于时间历程累计图像的声呐水下目标检测系统,包括极坐标PPI声呐图像生成模块、声呐时间历程累积图像生成模块、图像增强模块、目标检测模块、检测结果后处理模块以及数据融合模块,
极坐标PPI声呐图像生成模块,用于实现如权利要求1~9中任一项所述的方法中的步骤1;
声呐时间历程累积图像生成模块用于实现如权利要求1~9中任一项所述的方法中的步骤2;
图像增强模块用于实现如权利要求1~9中任一项所述的方法中的步骤4;
目标检测模块用于实现如权利要求1~9中任一项所述的方法中的步骤5;
检测结果后处理模块用于实现如权利要求1~9中任一项所述的方法中的步骤6;
数据融合模块用于实现如权利要求1~9中任一项所述的方法中的步骤7。
本发明与现有技术相比所产生的有益效果是:
(1)本发明通过构造时间方位历程累积图像,相较于传统的PPI极坐标等声呐图像,具有增强小目标信噪比、丰富数据源等优势,同时利用时间历程累计图像的时空强相关性特点,有效凸显了运动目标的直线特征;
(2)本发明结合传统图像滤波算子和投影变换设计了一种针对于时间历程累计图像增强算法,通过设计去局部均值滤波器,完成大面积同质化区域去噪,并去除图像中的直线段干扰。同时对具有“直线”特征的像素点进行局部投影变换,不仅抑制剩余噪声,还有效地对断裂的直线进行重连,增强线特征,降低了后续的处理难度;
(3)本发明提出了一种“由粗到精”的全局与局部搜索策略与多尺度LSD算法,完成时间历程累计图像的直线目标检测。一方面,在全局搜索阶段,对完整累计图像进行检测,而后续局部搜索则利用全局搜索结果进行特定区域的精细化检测,大大降低了由于水下环境多变性引起的虚警。另一方面,通过对传统LSD直线检测算法进行多尺度改进,充分挖掘了不同尺度下的图像特征,提升了直线检测的召回率,降低漏检;
(4)本发明还创新性地提出将先检测后跟踪(DBT)技术融合入本发明提出的声呐目标检测系统中,通过利用现有成熟的DBT方法完成运动目标检测,然后将结果与本发明提出的检测方法结果完成有效数据融合,缓解了由于时间历程图像经过数据压缩累计等引起的定位精度差的问题。由于DBT方法通常使用背景抑制结合阈值过滤,执行效率非常高,因此融合DBT不会对原有系统造成负担。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1是本发明的基于时间历程图像的声呐目标检测系统组成图之一;
图2是本发明的基于时间历程图像的声呐目标检测系统组成图之二;
图3是本发明的图像增强算法流程图;
图4是本发明的互相关滤波器示意图;
图5是本发明的“由粗至精”的直线检测流程图;
图6是本发明的多尺度LSD算法流程图;
图7是本发明的检测结果后处理流程图;
图8是本发明的检测结果实例示意图之一;
图9是本发明的检测结果实例示意图之二;
图10是本发明的检测结果实例示意图之三。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。且需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如说明书附图1和2所示的一种基于时间历程累计图像的声呐目标检测方法,包括如下步骤,
步骤1,将原始声呐数据进行数据插值、坐标变换和反向投影,形成极坐标PPI声呐图像,用于最终检测数据显示;
步骤2,将原始声呐数据中各波束在时间方向上进行累积,形成固定周期的时间历程图像,使运动目标呈“直线”特性;
步骤3,利用隔帧处理,将检测过程分为全局与局部两个阶段,以“由粗到精”的检测策略,提高检测质量;
步骤4,对隔帧处理后的时间历程图像利用图像增强算法进行预处理,以凸显待检测目标直线,并抑制噪声干扰;
步骤5,利用改进的多尺度LSD算法对所述预处理后的时间历程图像进行直线目标检测;
步骤6,对所述直线目标检测结果进行后处理,并将其映射回PPI声呐图像的坐标系中;
步骤7,利用DBT技术对PPI声呐图像序列进行运动目标检测,并将检测结果与步骤6结果进行数据融合,获得最终检测结果。
具体的,所述步骤1中,通过数据插值、坐标变换与反向投影后,形成极坐标PPI声呐图像;
所述步骤2中,生成固定周期的时间历程图像的方法包括以下步骤:
步骤2-1,数据压缩,所述数据压缩为假设原始声呐数据为nRawDatas[N][M],时间历程图像为Time Image[L×N][R],其中,N表示波束个数,M表示每个波束接收点数,L为历程图像固定周期,R为时间历程图像高度。所述数据压缩采用最大值压缩,即首先计算压缩比例k=M/R,然后计算每k长度区间内的原始数据最大值作为压缩后的数据,即形成新的原始数据nRawDatas_NewUpdate[N][R];
步骤2-2,数据累计,所述数据累计为对第n个波束的第i个周期按时间轴进行能量记录,以L帧为周期进行循环累计,此时时间历程图像Time Image表示为以下公式:
TimeImage[i+L×n][R-m]=nRawDatas_NewUpdate[n][m]
式中,n表示第n个波束,取值0,1,…,N-1;m表示压缩后的第n个波束的第m个数据点位置,取值0,1,…,R-1;i表示第i个周期,取值0,1,…,L-1。
依据上述公式,当i=L-1时,删除历程累计中最前面的数据,利用最新的数据帧填充当前历程图像,以形成固定周期L的时间历程图像,最新数据为当前目标状态;遍历所有N个波束,重复上述过程,完成时间历程图像生成。
如图5所示,所述步骤3中,所述隔帧处理流程为:当输入的数据帧数目达到阈值NumDet时,进行一次全局搜索检测,即对完整的历程图像进行后续处理,剩余NumDet-1帧通过上次全局搜索检测结果提取局部L个待检测图像区域,即局部搜索,以此按NumDet为周期进行循环检测。
在本发明中,所述隔帧处理优势为,历程图像分辨率为L×N×R,将全局与局部隔帧,可以避免全局检测时由于分辨率过大引起的耗时,提升算法平均效率;局部检测相比全局包含更少的上下文内容,噪声较少,有利于缓解误检。
所述步骤4中,所述图像增强算法根据隔帧处理结果分别处理,处理方法具体为:其处理流程如图3所示。
当进行全局搜索时,图像增强算法具体步骤如下,
步骤A,设置[-1/2,1,-1/2]的1×3大小的去局部滤波模板对完整历程图像进行卷积,用于去除横向直线干扰,同时不对运动直线造成影响;
步骤B,设计45°和135°两个方向的边缘滤波算子对经过步骤A处理后的图像进行边缘滤波,增强斜线特征,算子使用的卷积核如下:
Figure BDA0003431510540000121
Figure BDA0003431510540000131
利用Kernel45°和Kernel135°滤波核分别对原始图像进行卷积,然后对处理结果取最大值,得最终增强结果g′(x,y):
g′(x,y)=max(g45(x,y),g135(x,y))
其中,max()表示对处理结果g45(x,y)和g135(x,y)逐像素求取最大值;
当进行局部搜索时,图像滤波增强算法具体步骤如下:
步骤A,设置[-1/2,1,-1/2]的1×3大小的去局部滤波模板对局部历程图像进行卷积,用于去除横向直线干扰,同时不对运动直线造成影响。
步骤B,为了更精细化检测直线,增强各方向线特征,首先设计多角度边缘滤波算子,将滤波角度从[0,180°]划分为离散的n个角度:θ1,θ2,θ3,…,θn。然后遍历各局部历程图像区域中的像素点,最后根据图4所示的2个滤波模板计算像素(x,y)在各角度下的互相关滤波值
Figure BDA0003431510540000132
Figure BDA0003431510540000133
其中,ni和nj为模板区域Ri和Rj内的像素数,cij为Ri和Rj的灰度均值比,γi和γj分别为Ri和Rj的灰度标准差与均值之比。
Figure BDA0003431510540000134
的值不仅依赖于区域之间的对比度,也充分考虑了区域的一致性,其表示像素(x,y)处的灰度变化及对应方向属于线特征的度量。当运动目标出现时,其直线具有一定的宽度。为了能提取一定宽度的线特征,利用如图4所示的3个区域的滤波模板进行计算,此时像素(x,y)处的滤波值表示为
Figure BDA0003431510540000135
Figure BDA0003431510540000136
其中,min()表示对
Figure BDA0003431510540000137
Figure BDA0003431510540000138
逐像素求取最小值;
最后,分别求取并保存各滤波数值的最大值及对应的最优角度至当前局部历程图像区域的map和angle数组中,具体计算公式为:
Figure BDA0003431510540000139
angle(x,y)=θmax
其中,max()表示对各元素逐像素求取最大值,θmax为最大值对应的角度。
在经过上述步骤A和上述步骤B的增强后,弱目标直线轨迹可能会出现断裂等现象,导致后续检测过程由于直线长度较短而被剔除,再次增设步骤C,具体的步骤C如下。
还包括步骤C,根据直线连续性原理,设计了投影变换线特征重连增强算法,依次遍历上述最大滤波数组angle的各数值,以对应的θmax为投影方向,投影区域为该点沿投影方向所在的当前angle的直线,则投影值t(x,y)为对应的线积分,投影公式如下:
Figure BDA0003431510540000141
式中,D(θ)表示角度为θ的直线投影区域,Nl为投影区域内像素个数。根据投影值进行阈值Tline判别,以区分像素点(x,y)是否隶属于角度为θ的直线:
Figure BDA0003431510540000142
若(x,y)属于直线,则t(x,y)表现为明显的极值点,并利用投影值更新其对应的像素值,否则设置为0。经过投影处理后,不仅有效补偿了断裂的直线,还剔除了粗增强阶段的剩余噪声。
所述步骤5中,所述改进的多尺度LSD算法根据隔帧处理结果分别处理,该算法处理过程具体包括:全局搜索和局部搜索,其中,当进行全局搜索时,改进的多尺度LSD算法直接采用原始LSD算法进行检测得到全局检测结果集合Sg={d1,d2,…,di,…ds},di=[x1,y1,x2,y2],以及检测结果波束号集合Bg={b1,b2,…,bi,…bB},处理的具体流程如图5所示:
当进行局部搜索时,改进的多尺度LSD算法步骤如下:
步骤A,根据全局搜索检测波束号集合Bg,在时间历程图像中划分局部搜索子区域Mg={m1,m2,…,mi,…mB};子区域多尺度LSD检测流程如图6所示。
依次遍历所有子区域重复步骤B~步骤E:
步骤B,计算当前子区域对应的K层图像金字塔,从第K层至第0层图像尺度逐渐减小,当图像尺度为K时,即为原始图像,后续尺度逐渐按2K-k的比例降采样(k表示第k层金字塔图像);
此外,所有尺度均经过高斯核卷积处理。图像尺度越小,检测到的直线相对较少,但直线相对较长,比例更好,而尺度越大,召回率越高,但检测的直线容易被分成多个短直线。因此,不同尺度的图像进行联合处理起到取长补短的作用。
步骤C,利用原始LSD检测算法计算k=0时金字塔图像检测结果Dk,然后按步骤D和步骤E依次遍历k=1,2,…,K的K-1层金字塔;
步骤D,将第k-1层的检测结果Dk-1进行上采样,得到Up(Dk-1),然后按步骤(D1~D4)完成第k层金字塔图像的直线检测:
步骤E,对当前第k层检测结果D′k和第k-1层的上采样结果Up(Dk-1)进行合并D=D′k+Up(Dk-1),然后对集合D内的结果进行融合,融合过程为首先对所有结果的NFA值进行升序排序,然后从最小的NFA值开始遍历,计算任意第i和第j个结果Di和Dj的角度差异性,若小于精度p,则互为近邻对,否则继续进行后续对比。互为近邻对的结果按联合CNFA计算合并分数,若小于0则执行合并,具体计算公式如下:
Figure BDA0003431510540000151
其中,i∩j表示Di和Dj的最小外接矩形,NFA(i∩j)采用步骤(D 4)中的NFA计算,而NFA(i,j)计算公式如下:
Figure BDA0003431510540000152
其中,nm表示第m个矩形区域的面积,km表示区域内与矩形方向相差pπ内的像素个数,其余参数含义与步骤(D4)中相同。经过融合后,得到了当前金字塔层的最终检测结果Dk。然后继续跳转至步骤D,处理下一层图像金字塔,直至处理完所有层图像后,即可获得当前局部检测图像的检测结果。
还具体的,所述步骤D的具体方法步骤为:
步骤(D1),计算图像像素梯度:计算当前图像的梯度,得到所有像素点的梯度幅值和方向,梯度方向的正交方向确定为该点对应的直线方向。同时,为了加速后续处理,剔除梯度幅值小于Tmag的像素,不予考虑。并将剩余像素按幅值大小进行降序排列。
步骤(D2),划分直线支持区域:以排序后的第一个点为起始点,与其8邻域内的点进行角度比较,若角度差小于阈值Tangle,则组合为同一个支持区域,并更新对应该区域角度,以此遍历完所有像素。
步骤(D3),支持区域矩形近似:对每个区域Region进行进行矩形近似,对于第i个区域,近似矩形的中心(cx,cy)表示为:
Figure BDA0003431510540000161
此外,矩形对应的角度被设置为矩阵A的最小奇异值对应的特征向量的角度为:
Figure BDA0003431510540000162
Figure BDA0003431510540000163
Figure BDA0003431510540000164
Figure BDA0003431510540000165
其中,j∈Region表示区域Region内的像素j,x(j)、y(j)、M(j)分别为像素j的横坐标、纵坐标和梯度幅值;
步骤(D4),区域验证:通过计算每个矩形区域的NFA值,来验证是否包含直线区域,第i个矩形区域的NFA(i)定义如下:
Figure BDA0003431510540000166
其中,W、H分别为当前图像的长和宽,γ为归一化数值,n表示第i个矩形区域的面积,p表示精度,k表示区域内与矩形方向相差pπ内的像素个数,B表示二项分布。因此,当NFA小于阈值TNFA时,认为该区域为一条直线。最终遍历验证完所有矩形区域后,得到检测结果D′k
如图7所示,所述步骤6为对最终检测结果进行后处理,后处理的具体过程为:首先利用直线斜率和长度,剔除冗余直线;然后求取剩余检测结果中所有直线的右点与历程直线的交点,并更新为右点;最后利用距离相似性、波束相似性等时空一致性条件进行合并,并将时间历程检测结果映射回PPI声呐图像;
具体的,所述剔除冗余直线的规则为:由于需要检测斜直线,斜率应大于0,同时,由于水下目标运动速度有限,无法形成垂线,斜率不能无穷大;因此,斜率条件可设为(0,delK]。此外,由于每一个波束周期为L,直线长度条件设为:[L/1.5,L×1.5]。只有满足上述两个条件才能认为是有效目标直线。
所述求取交点过程为:对于直线I0(xp,yp,xnp,ynp),首先计算其中点((xp+xnp)/2,(yp+ynp)/2),然后索引其波束号(L×N)/((xp+xnp)/2),并求出该波束所在的历程边缘直线Ip,I0和Ip的交点即为所求交点。
所述合并直线规则为:假设任意两条直线为:I1(x1,y1,x2,y2)和I2(x3,y3,x4,y4),则合并规则为:
(1)将I1和I2的右点(x2,y2)和(x4,y4)投影回原始声呐图像P1和P2,并计算两点间距离d,若d小于阈值Tdis,即可合并;
(2)求I1和I2所在时间历程图像中的波束号为n1和n2,并计算波束差|n1-n2|,若差值小于Tbeam,且|y2-y4|小于3Tbeam,则可以进行合并。
以上规则(1)(2)只需满足一个即可进行合并。
所示步骤7中,所述数据融合方法采用最近邻关联法,依次遍历所有时间历程检测结果,将其投影回极坐标PPI声呐图像中,并与DBT结果进行距离测量,若距离小于阈值Tfusion,则将DBT结果更新为时间历程检测结果。
具体的,所述步骤7对DBT结果与时间历程累计图像检测结果进行融合,由于DBT是成熟技术,如帧差法、背景建模法等,这里不对这些技术做详细分析,本实施例采用三帧差分法完成DBT检测。其中,数据融合方法采用最近邻关联法,依次遍历所有时间历程检测结果,将其投影回PPI极坐标图像中,并与DBT结果进行距离测量,若距离小于阈值Tfusion,则将DBT结果更新为时间历程检测结果。在本实施例中,所涉及到的参数,如下述表1所示。
表1
Figure BDA0003431510540000181
如图1所示,一种基于时间历程累计图像的声呐水下目标检测系统,包括极坐标PPI声呐图像生成模块、声呐时间历程累积图像生成模块、图像增强模块、目标检测模块、检测结果后处理模块以及数据融合模块,其特征在于,
极坐标PPI声呐图像生成模块,用于实现如权利要求1~9中任一项所述的方法中的步骤1;
声呐时间历程累积图像生成模块用于实现如权利要求1~9中任一项所述的方法中的步骤2;
图像增强模块用于实现如权利要求1~9中任一项所述的方法中的步骤4;
目标检测模块用于实现如权利要求1~9中任一项所述的方法中的步骤5;
检测结果后处理模块用于实现如权利要求1~9中任一项所述的方法中的步骤6;
数据融合模块用于实现如权利要求1~9中任一项所述的方法中的步骤7。
具体的,该极坐标PPI声呐图像生成模块,还用于将水下湿端换能器阵列接收到的回波信号经过匹配滤波等处理后形成的原始波束数据,转换为易于观察与显示的极坐标声呐图像;
声呐时间历程累积图像生成模块,还用于将原始波束数据,在时间轴向进行积累,形成以固定时间周期的时间方位历程累积图像,以凸显出运动目标的“直线”特性,丰富图像特征,有利于提高检测精度,将十分困难的声呐目标检测问题简化为历程图像直线检测问题;
图像增强模块,还用于设计一种图像增强算法,滤除回波信号中的噪声及静止目标引起的干扰,同时实现断裂直线的快速重连,以增强待检测图像的运动目标线特征;
目标检测模块,还用于设计一种直线检测算法,有效检测和提取经过增强后的历程图像运动目标;
检测结果后处理模块,还用于将目标检测模块结果中的冗余目标进行过滤,并将检测结果映射回PPI声呐图像;
数据融合模块,还用于将后处理模块的检测结果与现有DBT方法检测结果进行融合,得到最终检测结果。
综上所述,本发明在具体实施方式中具有的优点是:
1、本发明针对声呐目标检测受水下环境噪声干扰、目标信噪比低、虚警率高与声呐图像信息匮乏等难点,本发明提出通过时间历程累计图像提升弱小目标的信噪比,同时充分挖掘时空关联性,将目标运动轨迹抽象为直线,进一步将目标检测问题简化为直线检测问题;并基于边缘滤波和投影变换设计了图像增强算法完成历程累计图像增强,有效抑制非目标区域噪声的干扰,凸显目标线特征。同时提出了一种“由粗到细”搜索策略与多尺度直线分割的检测算法,以兼顾检测准确率和实时性。最终该系统将本发明结果与现有技术检测进行数据融合,实现了对传统声呐图像目标检测技术和方法的创新变革和提高;
2、该方法解决了现有技术仅利用单帧数据进行检测,而是将多帧数据进行时间轴向累计,以此形成时间历程累计图像,一方面使得目标轨迹进行能量累计而非目标轨迹则无法积累,以此统计量提高了低信噪比条件下的检测性能,另一方面充分利用了帧间时域的强相关性信息,具有增强小目标信噪比、丰富数据源等优势,同时利用时间历程累计图像的时空强相关性特点,有效凸显了运动目标的直线特征,将十分困难的声呐目标检测问题转换为直线检测问题。同时,除强度和运动特征外,新增了直线特征,进一步可以使用图像梯度等常见图像特征,大大丰富了图像信息;
3、本发明结合传统图像滤波算子和投影变换设计了一种针对于时间历程累计图像的图像增强算法,通过设计去局部均值滤波器,完成大面积同质化区域去噪,并去除图像中的直线段干扰。同时对具有“直线”特征的像素点进行局部投影变换,不仅抑制剩余噪声,还有效地对断裂的直线进行重连,增强线特征,降低了后续的处理难度。
4、本发明改进了一种多尺度LSD检测算法,解决传统LSD算法的过检测等问题,同时,本发明利用后处理策略对不符合要求的直线目标进行了有效剔除,大大降低了误检。
5、本发明一方面,在全局搜索阶段,对完整累计图像进行检测,而后续局部搜索则利用全局搜索结果进行特定区域的精细化检测,大大降低了由于水下环境多变性引起的虚警。另一方面,通过对传统LSD直线检测算法进行多尺度改进,充分挖掘了不同尺度下的图像特征,提升了直线检测的召回率,降低漏检,同时,不需要大量包含蛙人、UUV等水下目标的声呐图像完成算法训练学习,有效解决了数据稀缺等难点。
另外图8、图9和图10中说明了湖上、海上实测数据的3个检测实例,可以看出,本发明可以在不同的复杂水下环境中准确检测到目标。
以上对本发明所提供的进行了详细介绍,本文中对本发明的原理进行了描述,以上工作原理的说明只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种基于时间历程累计图像的声呐目标检测方法,其特征在于,包括如下步骤,
步骤1,将原始声呐数据进行数据插值、坐标变换和反向投影,形成极坐标PPI声呐图像,用于最终检测数据显示;
步骤2,将原始声呐数据中各波束在时间方向上进行累积,形成固定周期的时间历程图像,使运动目标呈“直线”特性;
步骤3,利用隔帧处理,将检测过程分为全局与局部两个阶段,以“由粗到精”的检测策略,提高检测质量;
步骤4,对隔帧处理后的时间历程图像利用图像增强算法进行预处理,以凸显待检测目标直线,并抑制噪声干扰;
步骤5,利用改进的多尺度LSD算法对所述预处理后的时间历程图像进行直线目标检测;
步骤6,对所述直线目标检测结果进行后处理,并将其映射回PPI声呐图像的坐标系中;
步骤7,利用DBT技术对PPI声呐图像序列进行运动目标检测,并将检测结果与步骤6结果进行数据融合,获得最终检测结果。
2.根据权利要求1所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所述步骤1中,通过数据插值、坐标变换与反向投影后,形成极坐标PPI声呐图像;
所述步骤2中,生成固定周期的时间历程图像的方法包括以下步骤:
步骤2-1,数据压缩,所述数据压缩为假设原始声呐数据为nRawDatas[N][M],时间历程图像为TimeImage[L×N][R],其中,N表示波束个数,M表示每个波束接收点数,L为历程图像固定周期,R为时间历程图像高度。所述数据压缩采用最大值压缩,即首先计算压缩比例k=M/R,然后计算每k长度区间内的原始数据最大值作为压缩后的数据,即形成新的原始数据nRawDatas_NewUpdate[N][R];
步骤2-2,数据累计,所述数据累计为对第n个波束的第i个周期按时间轴进行能量记录,以L帧为周期进行循环累计,此时时间历程图像TimeImage表示为以下公式:
TimeImage[i+L×n][R-m]=nRawDatas_NewUpdate[n][m]
式中,n表示第n个波束,取值0,1,…,N-1;m表示压缩后的第n个波束的第m个数据点位置,取值0,1,…,R-1;i表示第i个周期,取值0,1,…,L-1。
依据上述公式,当i=L-1时,删除历程累计中最前面的数据,利用最新的数据帧填充当前历程图像,以形成固定周期L的时间历程图像,最新数据为当前目标状态;遍历所有N个波束,重复上述过程,完成时间历程图像生成。
3.根据权利要求1所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所述步骤3中,所述隔帧处理流程为:当输入的数据帧数目达到阈值NumDet时,进行一次全局搜索检测,即对完整的历程图像进行后续处理,剩余NumDet-1帧通过上次全局搜索检测结果提取局部L个待检测图像区域,即局部搜索,以此按NumDet为周期进行循环检测。
4.根据权利要求1所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所述步骤4中,所述图像增强算法根据隔帧处理结果分别处理,处理方法具体为:
当进行全局搜索时,图像增强算法具体步骤如下,
步骤A,设置[-1/2,1,-1/2]的1×3大小的去局部滤波模板对完整历程图像进行卷积,用于去除横向直线干扰,同时不对运动直线造成影响;
步骤B,设计45°和135°两个方向的边缘滤波算子对经过步骤A处理后的图像进行边缘滤波,增强斜线特征,算子使用的卷积核如下:
Figure FDA0003431510530000021
Figure FDA0003431510530000022
利用Kernel45°和Kernel135°滤波核分别对原始图像进行卷积,然后对处理结果取最大值,得最终增强结果g′(x,y):
g′(x,y)=max(g45(x,y),g135(x,y))
其中,max()表示对处理结果g45(x,y)和g135(x,y)逐像素求取最大值;
当进行局部搜索时,图像滤波增强算法具体步骤如下:
步骤A,设置[-1/2,1,-1/2]的1×3大小的去局部滤波模板对局部历程图像进行卷积,用于去除横向直线干扰,同时不对运动直线造成影响。
步骤B,为了更精细化检测直线,增强各方向线特征,首先设计多角度边缘滤波算子,将滤波角度从[0,180°]划分为离散的n个角度:θ123,…,θn。然后遍历各局部历程图像区域中的像素点,最后根据2个滤波模板计算像素(x,y)在各角度下的互相关滤波值
Figure FDA0003431510530000031
Figure FDA0003431510530000032
其中,ni和nj为模板区域Ri和Rj内的像素数,cij为Ri和Rj的灰度均值比,γi和γj分别为Ri和Rj的灰度标准差与均值之比。
Figure FDA0003431510530000033
的值不仅依赖于区域之间的对比度,也充分考虑了区域的一致性,其表示像素(x,y)处的灰度变化及对应方向属于线特征的度量。当运动目标出现时,其直线具有一定的宽度。利用3个不同大小的滤波模板,增强一定宽度的线特征,此时像素(x,y)处的滤波值表示为
Figure FDA0003431510530000034
Figure FDA0003431510530000035
其中,min()表示对
Figure FDA0003431510530000036
Figure FDA0003431510530000037
逐像素求取最小值;
最后,分别求取并保存各滤波数值的最大值及对应的最优角度至当前局部历程图像区域的map和angle数组中,具体计算公式为:
Figure FDA0003431510530000038
angle(x,y)=θmax
其中,max()表示对各元素逐像素求取最大值,θmax为最大值对应的角度。
5.根据权利要求4所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所示步骤4还包括步骤C,根据直线连续性原理,设计了投影变换线特征重连增强算法,依次遍历上述最大滤波数组angle的各数值,以对应的θmax为投影方向,投影区域为该点沿投影方向所在的当前angle数组的直线,则投影值t(x,y)为对应的线积分,投影公式如下:
Figure FDA0003431510530000041
式中,D(θ)表示角度为θ的直线投影区域,Nl为投影区域内像素个数。根据投影值进行阈值Tline判别,以区分像素点(x,y)是否隶属于角度为θ的直线:
Figure FDA0003431510530000042
若(x,y)属于直线,则t(x,y)表现为明显的极值点,并利用投影值更新其对应的像素值,否则设置为0。
6.根据权利要求1所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所述步骤5中,所述改进的多尺度LSD算法根据隔帧处理结果分别处理,该算法处理过程具体包括:全局搜索和局部搜索,其中,当进行全局搜索时,改进的多尺度LSD算法直接采用原始LSD算法进行检测得到全局检测结果集合Sg={d1,d2,…,di,…ds},di=[x1,y1,x2,y2],以及检测结果波束号集合Bg={b1,b2,…,bi,…bB}。
7.根据权利要求6所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所示步骤5,当进行局部搜索时,改进的多尺度LSD算法步骤如下:
步骤A,根据全局搜索检测波束号集合Bg,在时间历程图像中划分局部搜索子区域Mg={m1,m2,…,mi,…mB};依次遍历所有子区域重复步骤B~步骤E;
步骤B,计算当前子区域对应的K层图像金字塔,从第K层至第0层图像尺度逐渐减小,当图像尺度为K时,即为原始图像,后续尺度逐渐按2K-k的比例降采样(k表示第k层金字塔图像);
步骤C,利用原始LSD检测算法计算k=0时金字塔图像检测结果Dk,然后按步骤D和步骤E依次遍历k=1,2,…,K的K-1层金字塔;
步骤D,将第k-1层的检测结果Dk-1进行上采样,得到Up(Dk-1),然后按步骤D1~D4完成第k层金字塔图像的直线检测;
步骤E,对当前第k层检测结果D′k和第k-1层的上采样结果Up(Dk-1)进行合并D=D′k+Up(Dk-1),然后对集合D内的结果进行融合,融合过程为首先对所有结果的NFA值进行升序排序,然后从最小的NFA值开始遍历,计算任意第i和第j个结果Di和Dj的角度差异性,若小于精度p,则互为近邻对,否则继续进行后续对比,互为近邻对的结果按联合CNFA计算合并分数,若小于0则执行合并,具体计算公式如下:
Figure FDA0003431510530000051
其中,i∩j表示Di和Dj的最小外接矩形,NFA(i∩j)采用步骤(D4)中的NFA计算,而NFA(i,j)计算公式如下:
Figure FDA0003431510530000052
其中,nm表示第m个矩形区域的面积,km表示区域内与矩形方向相差pπ内的像素个数,其余参数含义与步骤(D4)中相同。经过融合后,得到了当前金字塔层的最终检测结果Dk。然后继续跳转至步骤D,处理下一层图像金字塔,直至处理完所有层图像后,即可获得当前局部检测图像的检测结果。
8.根据权利要求7所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所述步骤D的具体方法步骤为:
步骤(D1),计算图像像素梯度:计算当前图像的梯度,得到所有像素点的梯度幅值和方向,梯度方向的正交方向确定为该点对应的直线方向。同时,为了加速后续处理,剔除梯度幅值小于Tmag的像素,不予考虑。并将剩余像素按幅值大小进行降序排列。
步骤(D2),划分直线支持区域:以排序后的第一个点为起始点,与其8邻域内的点进行角度比较,若角度差小于阈值Tangle,则组合为同一个支持区域,并更新对应该区域角度,以此遍历完所有像素。
步骤(D3),支持区域矩形近似:对每个区域Region进行进行矩形近似,对于第i个区域,近似矩形的中心(cx,cy)表示为:
Figure FDA0003431510530000053
此外,矩形对应的角度被设置为矩阵A的最小奇异值对应的特征向量的角度为:
Figure FDA0003431510530000061
Figure FDA0003431510530000062
Figure FDA0003431510530000063
Figure FDA0003431510530000064
其中,j∈Region表示区域Region内的像素j,x(j)、y(j)、M(j)分别为像素j的横坐标、纵坐标和梯度幅值;
步骤(D4),区域验证:通过计算每个矩形区域的NFA值,来验证是否包含直线区域,第i个矩形区域的NFA(i)定义如下:
Figure FDA0003431510530000065
其中,W、H分别为当前图像的长和宽,γ为归一化数值,n表示第i个矩形区域的面积,p表示精度,k表示区域内与矩形方向相差pπ内的像素个数,B表示二项分布。因此,当NFA小于阈值TNFA时,认为该区域为一条直线。最终遍历验证完所有矩形区域后,得到检测结果D′k
9.根据权利要求1所述的一种基于时间历程累计图像的声呐目标检测方法,其特征在于,所述步骤6为对最终检测结果进行后处理,后处理的具体过程为:首先利用直线斜率和长度,剔除冗余直线;然后求取剩余检测结果中所有直线的右点与历程直线的交点,并更新为右点;最后利用距离相似性、波束相似性等时空一致性条件进行合并,并将时间历程检测结果映射回PPI声呐图像;
所示步骤7中,所述数据融合方法采用最近邻关联法,依次遍历所有时间历程检测结果,将其投影回极坐标PPI声呐图像中,并与DBT结果进行距离测量,若距离小于阈值Tfusion,则将DBT结果更新为时间历程检测结果。
10.一种基于时间历程累计图像的声呐水下目标检测系统,包括极坐标PPI声呐图像生成模块、声呐时间历程累积图像生成模块、图像增强模块、目标检测模块、检测结果后处理模块以及数据融合模块,其特征在于,
极坐标PPI声呐图像生成模块,用于实现如权利要求1~9中任一项所述的方法中的步骤1;
声呐时间历程累积图像生成模块用于实现如权利要求1~9中任一项所述的方法中的步骤2;
图像增强模块用于实现如权利要求1~9中任一项所述的方法中的步骤4;
目标检测模块用于实现如权利要求1~9中任一项所述的方法中的步骤5;
检测结果后处理模块用于实现如权利要求1~9中任一项所述的方法中的步骤6;
数据融合模块用于实现如权利要求1~9中任一项所述的方法中的步骤7。
CN202111596792.XA 2021-12-24 2021-12-24 一种基于时间历程累计图像的声呐目标检测方法和系统 Active CN114418953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111596792.XA CN114418953B (zh) 2021-12-24 2021-12-24 一种基于时间历程累计图像的声呐目标检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111596792.XA CN114418953B (zh) 2021-12-24 2021-12-24 一种基于时间历程累计图像的声呐目标检测方法和系统

Publications (2)

Publication Number Publication Date
CN114418953A true CN114418953A (zh) 2022-04-29
CN114418953B CN114418953B (zh) 2023-01-03

Family

ID=81268303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111596792.XA Active CN114418953B (zh) 2021-12-24 2021-12-24 一种基于时间历程累计图像的声呐目标检测方法和系统

Country Status (1)

Country Link
CN (1) CN114418953B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660028A (zh) * 2019-09-04 2020-01-07 南京邮电大学 一种基于联合边缘滤波形态学的小目标检测方法
CN115100298A (zh) * 2022-08-25 2022-09-23 青岛杰瑞工控技术有限公司 一种用于深远海视觉养殖的光-声图像融合方法
CN115272217A (zh) * 2022-07-22 2022-11-01 湖北工业大学 一种基于声呐图像的水下机器人定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338733A (zh) * 2016-09-09 2017-01-18 河海大学常州校区 基于蛙眼视觉特性的前视声呐目标跟踪方法
CN109102479A (zh) * 2018-06-29 2018-12-28 中国船舶重工集团公司第七〇五研究所 一种新图像算子的声纳目标增强方法
CN111476809A (zh) * 2020-04-08 2020-07-31 北京石油化工学院 一种侧扫声呐图像目标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338733A (zh) * 2016-09-09 2017-01-18 河海大学常州校区 基于蛙眼视觉特性的前视声呐目标跟踪方法
CN109102479A (zh) * 2018-06-29 2018-12-28 中国船舶重工集团公司第七〇五研究所 一种新图像算子的声纳目标增强方法
CN111476809A (zh) * 2020-04-08 2020-07-31 北京石油化工学院 一种侧扫声呐图像目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘文进等: "基于改进动态规划的主动声呐序列图像检测方法", 《应用声学》 *
范威等: "混合高斯模型和Radon变换用于声呐图像背景抑制", 《水下无人系统学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660028A (zh) * 2019-09-04 2020-01-07 南京邮电大学 一种基于联合边缘滤波形态学的小目标检测方法
CN110660028B (zh) * 2019-09-04 2022-10-14 南京邮电大学 一种基于联合边缘滤波形态学的小目标检测方法
CN115272217A (zh) * 2022-07-22 2022-11-01 湖北工业大学 一种基于声呐图像的水下机器人定位方法
CN115272217B (zh) * 2022-07-22 2023-04-18 湖北工业大学 一种基于声呐图像的水下机器人定位方法
CN115100298A (zh) * 2022-08-25 2022-09-23 青岛杰瑞工控技术有限公司 一种用于深远海视觉养殖的光-声图像融合方法

Also Published As

Publication number Publication date
CN114418953B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN114418953B (zh) 一种基于时间历程累计图像的声呐目标检测方法和系统
CN111476159B (zh) 一种基于双角回归的检测模型训练、检测方法及装置
CN101221239B (zh) 一种基于水平集的合成孔径雷达图像分割方法
CN109308713A (zh) 一种基于前视声纳的改进核相关滤波水下目标跟踪方法
CN112487912B (zh) 基于改进YOLOv3的任意方向舰船检测方法
CN106709499A (zh) 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法
CN113570632B (zh) 基于高时相星载sar序贯图像的运动小目标检测方法
CN112102197A (zh) 一种辅助潜水员的水下目标检测系统及方法
CN112130142A (zh) 一种复杂运动目标微多普勒特征提取方法及系统
CN106558069A (zh) 一种基于视频监控下的目标跟踪方法及系统
CN111968224A (zh) 船舶3d扫描点云数据处理方法
CN117173215B (zh) 一种跨摄像头的内河航船全程轨迹识别方法及系统
Guo et al. An anchor-free network with density map and attention mechanism for multiscale object detection in aerial images
CN111948658A (zh) 水底地貌影像识别匹配的深水区定位方法
CN116381672A (zh) 基于孪生网络雷达x波段多扩展目标自适应跟踪方法
CN116907509A (zh) 基于图像匹配的auv水下辅助导航方法、系统、设备及介质
CN113837924B (zh) 一种基于无人艇感知系统的水岸线检测方法
Yang et al. Foreground enhancement network for object detection in sonar images
CN114066795A (zh) Df-sas高低频声呐图像精细配准融合方法
CN112800932B (zh) 海上背景下显著船舶目标的检测方法及电子设备
CN113985406A (zh) 一种海上雷达目标航迹拼接方法
CN116597313B (zh) 一种基于改进YOLOv7的舰船光学图像尾迹检测方法
CN112669332A (zh) 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
CN116704037A (zh) 一种基于图像处理技术的卫星失锁重定位方法及系统
Dong et al. Optical remote sensing object detection based on background separation and small object compensation strategy

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