基于前视声呐的水下目标检测算法研究

水声目标检测就是从水声取目标信息并进行识别,而有效的水声标检测在现代化的海洋开发中有着十分重要的作用;首先,介绍了水声目标检测所采用的设备,以及该设备的工作方式,并搭建试验场景进行水声回波的采集;其次,对水声标检测算法进行了研究,比对不同的滤波算法可知,中值滤波方法的去噪效果更佳;进行了灰度直方图分析,对目标的灰度范围进行了增强处理;对图像分割算法进行了研究,设计了一种自适应迭代分割算法,对比其他方法有着更好的处理效果;对分割后的图像进行连通域查找,目标筛选,从而识别出待检测目标;试验结果验证了该水声目标检测算法在对水下目标的检测识别上的有效性。     

水下声呐图像轻量级目标检测模型

水下AUV搭载声呐进行探测成为水下目标检测的主流方式,水下环境的复杂及声呐成像方式导致声呐图像分辨率较低,使用形态学目标检测等传统方法时检测精度与实时性不高,深度学习如YOLO等算法直接用于水下声呐图像目标检测时仍然面临样本少、模型参数多等挑战,为此,本文提出一种声呐图像水下目标轻量化检测模型。针对低分辨率声呐图像数据特点以及水下AUV自动检测对实时性的要求,以YOLOv4模型为主要框架,进行模型裁剪、替换优化特征融合模块、目标预测框K均值聚类以及改进损失函数等,将构建的检测模型应用于声呐目标检测。所构建的声呐图像水下目标检测轻量化模型的mAP相对于SSD、YOLOv3、YOLOv3-DFPIN、YOLOv4-tiny分别提高了0.0659、0.0214、.0402和0.1701。在mAP相较于YOLOv4、CenterNet、EfficientdetD0分别低0.0186、0.0093、0.0074的情况下,FPS分别相对于YOLOv4提升一倍多、相对于EfficientdetD0提升近5倍、相对于CenterNet提升近一倍。同时,本文提出的模型兼具高精度和实时性的优点。实验结果表...     

声呐图像自动目标识别技术研究

提出了一种基于神经网络可视化的声呐图像自动目标识别技术,能够仅依靠样本类别标签实现对声呐图像目标的定位与识别,较大减少了人工成本,也使得方法容易泛化到声呐图像的不同数据集上.该方法首先使用Grad-CAM技术可视化解释神经网络,并作为可视化输入图像目标位置的基本方法,之后与ResNet-18主干模型结合实现了基于神经网...     

图像目标检测识别和跟踪仿真研究

研究图像检测优化问题,在传统的图像目标跟踪中始终选用起始帧作为目标模板,没有根据实际情况实时更新目标模板,容易导致目标跟踪识别错误.针对图像目标识别跟踪缺乏全自动智能跟踪的难点问题,提出了在一定变化条件下运动图像目标的全自动识别跟踪方法.首先,在目标检测中为了提高实时性,采用了一种特殊形式的帧间差分算法对目标进行检测;其次,为有效抑制噪声和增强图像目标,在确定目标模板的过程中加入了图像形态学算法;最后,利用改进的均值漂移算法,根据巴氏系数相对量的变化情况实时更换目标模板,实现对目标全自动跟踪.经过仿真表明,利用改进的图像处理方法实现了在外部干扰条件下目标的自动检测识别和跟踪,并具备对图像目标的全自动跟踪能力,速度较快,为图像目标检测系统的设计提供了依据.     

面向声呐图像水下目标分类的类脑SNN研究

声呐图像被广泛应用于复杂海况的水下救援和海底探测中,长时的人工搜索极易造成视觉疲劳而错失目标。无人潜航器可大幅降低搜索工作量和主观误差,但这取决于无人自主系统的能效和自动分类性能。卷积神经网络的训练和推理需要比较高的能耗,难以在无人潜航器的移动环境下部署和应用,而且声呐图像训练数据稀少和样本不平衡也增加了模型训练的难度。脉冲神经网络通过二进制离散的时序脉冲信号可以避免卷积神经网络中高昂的乘法计算代价,具有低能耗和高精度的特性。构建了可用于合成孔径声呐图像分类的浅层脉冲神经网络,设计了一种基于脉冲神经网络的小样本水下目标分类算法。采用基于风格迁移的模拟声呐图像生成方法和加权随机采样方法,缓解了声呐图像训练数据稀少和样本不平衡问题。实验表明,在声呐图像样本稀少和不平衡的情况下,算法的分类准确率高于ResNet50、VGG19和MobileNet V2等架构的卷积神经网络,达到91.11%。计算复杂度和能耗分析也表明,脉冲神经网络相比于卷积神经网络具有很大优势。脉冲神经网络是研究和实现类脑计算非常合适的模型,可满足无人水下航行器的移动计算需求,该研究对实现无人自主设备的智能应用具有先进的技术...     

光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

图像目标识别与跟踪技术的军事化应用综述

随着各国军事力量的不断增强,武器的现代化与智能化要求越来越迫切,故以计算机技术等为代表的高新技术在军事领域的应用不断深入,其中图像处理技术也成为各国军事研究的热门话题之一。首先阐述了图像处理技术的概念,其次介绍了热门研究课题——目标识别的基本原理以及以此为基础的红外跟踪技术发展现状,最后整理了目标识别与跟踪技术在军事领域的具体应用与面临的挑战,并对未来发展形势做出了展望,为目标识别与跟踪技术在军事领域中的创新突破和工程研究提供参考方向。     

基于对比度检测和识别目标的研究

目标检测和识别是图像分析中的一个难点.本文根据光电知识和相关理论,提出了基于对比度的目标检测和识别.该研究利用二值化、去噪等较成熟的技术,实现目标的检测和识别,在实用中具有广阔的应用前景.     

图像目标检测与识别仿真平台设计与实现

研究基于图像的目标识别技术问题。针对精确制导武器系统中传统识别方法的识别率低,不能有效解决配准比对图像局部特征的问题,提出基于图像特征点的提取和识别方法。其算法有两种:一种是传统的由下而上的数据驱动型,即不管目标属于何种类型,一律先对原图像进行一般性分割、标记和特征提取等低层次处理,然后将每个带标记的已分割区域的特征矢量与目标模型相匹配;另一种是由上而下的知识(假设)驱动型。即先对图像中可能存在的特征提取假设,根据假设进行有目的地分割、标记和特征提取,在此基础上与目标模型进行精确匹配。这里采用第二种方法并进行了仿真实验,运行结果表明,基于图像特征点的提取和识别方法可使基于图像的检测和识别达到稳定和可靠,证实了方法的有效性。     

FPGA图像识别与目标跟踪系统

采用FPGA搭建图像处理系统,通过硬件算法实现图像的流水线及并行处理,实现了对具有特定颜色的物体的识别与跟踪。整个系统工作于像素频率,避免了算法的程序跑飞现象,使系统的可靠性大为提高,较好地保持了系统的低功耗特性,且优于DSP等串行处理器结合软件算法来实现的方法。     

基于蛙人探测声纳序列图像的水下小目标检测算法

针对水下监控系统的小目标检测问题,在分析蛙人探测声纳成像特点的基础上,提出了基于图像二值化和区域生长法的自适应双帧差法.通过将双帧差结果与当前帧的二值化图像进行“与”运算来消除“双影”,然后采用区域生长法消除“空洞”,最后根据检测结果自适应地调整阈值.克服了三帧法和累积帧差法在处理空洞和双影问题时存在较长时延的缺陷,提...     

样本仿真结合迁移学习的声呐图像水雷检测

水雷检测对于国防安全具有重要意义,然而,由于水下目标声呐成像实验代价较大,通常难以获得足够的水雷声呐图像样本,因此导致难以应用深度神经网络提高水雷等目标的检测精度.针对这一问题,提出样本仿真结合迁移学习的侧扫声呐图像水雷目标检测与识别方法.首先,根据侧扫声呐成像机理,建立水雷目标的仿真模型,进而仿真得到大量水雷目标样本...     

一种基于图像序列的水下运动目标检测方式

根据水下运动目标检测的需要,提出改进的Vibe检测算法以适应水下环境中运动目标检测的特点。根据水下成像的特性对图像序列预处理,对于Vibe在首帧建模以及后期背景更新时产生的"鬼影",在首帧建模时目标区域进行近似的背景填充。针对水下运动目标运动相对缓慢及难以静止的特点在更新方式上采用保守更新与前景计数结合的方式,能较好地适应水下运动目标检测。     

基于深度网络的遥感图像目标检测与识别

本文针对卫星遥感图像中的典型目标检测与识别问题,采用了基于深度神经网络的回归算法,利用深度网络所学习出来的特征结构针对多分类复杂场景具有很好的识别效果,同时将检测、分类与识别一同进行回归处理。可以有效缩短训练时间,并提升处理效率,保证目标检测的准确度,在实际应用中前景广泛。     

Adaptive sonar beamformer based on inverse QR decomposition and recursive least squares filter for underwater target detection

To enhance underwater target detection performance, a standard hexagonal array (HA) (plane array) is designed for active sonar implementation in shallow water environments. For the hexagonal receiving array, the numerically robust inverse QR (Q, orthogonal matrix; R, upper triangular matrix) decomposition and recursive least-squares (RLS) are used to derive the minimum variance distortionless response (MVDR) beamformer (BF) under a hexagonal fast Fourier transform (HFFT) framework. The HFFT inverse QR (IQR)-RLS algorithm offers computational saving and can be mapped onto coordinate rotation digital computer processor-based systolic arrays, which makes it suitable for array real-time application. An analysis of the numerical robustness and computational complexity of the adaptive beamforming is presented. Using the proposed scheme to build HA adaptive BF reduces the computational burden and offers a better convergence rate than conventional BF. The experimental data analysis demonstrates the effectiveness of the algorithm against reverberation interference, and its improvement of target localization accuracy in a reverberation-limited area during the underwater target detection process.     

基于图像轮廓检测的航天器目标跟踪控制系统设计

目前研究的航天器目标跟踪控制系统控制有效率低,追踪图像与实际目标不同,准确率低;基于图像轮廓检测设计了一种新的航天器目标跟踪控制系统,根据系统硬件的不同性能与结构进行模块式划分,同时将图像轮廓检测数据准则添加入中心管理系统中,时刻保证数据的检测安全系数处于系统操作允许范围内;调整原有的软件结构状态,采集航天器轮廓图像并提取轮廓信息,选用适当的图像轮廓检测阈值,集中检验跟踪目标的运动方向,调控方向数据,以此降低图像的像素变化程度,得到准确的航天器目标跟踪控制结果;实验结果表明基于图像轮廓检测的航天器目标跟踪控制系统控制有效率达到了84%,跟踪目标更加准确。     

融合视觉深度的特征计算与水下目标跟踪

目的：受水下复杂光学环境以及水下运动目标特性影响,水下视频图像中难以获取准确的目标特征,也难以准确预测目标空间尺寸,使得目标跟踪过程中跟踪窗偏移量较大且无法准确地包络目标区域。本文提出一种新的以视觉深度信息为核心的目标特征计算和跟踪方法。方法：首先,基于暗原色先验计算视觉深度信息,提取目标的空间位置特征;然后,基于深度信息对水下图像进行去光幕及色彩恢复,增强图像目标特征,最后,在贝叶斯滤波框架下对水下目标进行跟踪,同时结合目标深度信息及尺度变化规律自适应调整跟踪窗口大小。结果：实验结果表明,本文提出的方法能够根据视觉深度信息准确计算目标特征并优化跟踪窗口,实现对水下目标的自适应跟踪。结论：本文提出了一种新的水下目标跟踪方法,以视觉深度信息计算为核心。实验结果验证了该方法在水下目标自适应跟踪方面的鲁棒性,可适用于各种非线性非高斯水下目标跟踪框架中。     

基于图像的目标自动跟踪系统

快速准确地跟踪目标是现代战争精确制导武器的基本要求,提高跟踪系统的实时性和准确性成为国内外目标跟踪技术的热点。建立了一套基于图像的目标自动跟踪系统,介绍了系统组成、设计原理以及算法原理。系统采用了一种非参数化跟踪算法——连续自适应平均值迁移（CAMSHIFT）算法来追踪目标,为精确制导武器的基于图像的目标自动跟踪技术奠定了重要的基础。试验证明该系统实现了目标自动跟踪功能,算法简洁,实时性和鲁棒性好。     

小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。