PDF
研究文章|开放获取
高爵,你顾,配宜朱, ”特征的目标识别跟踪声学图像序列”,复杂性, 卷。2021年, 文章的ID8885821, 11 页面, 2021年。 https://doi.org/10.1155/2021/8885821
特征的目标识别跟踪声学图像序列
文摘
本文提出了水下目标识别与当地特性和声学图像序列的特征跟踪算法。功能探测器和描述符是特征跟踪的关键。在水下场景评估他们的表现变化的目标参数。全面跟踪的性能特点是定量调查从而提出。实验结果证实,该算法可以准确地跟踪潜在目标和确定潜在的目标是静态目标,根据跟踪动态目标,或假警报轨迹和统计数据。
1。介绍
水下目标识别已经广泛的应用于生物学、地球物理学、海洋学、军事(1- - - - - -3]。通过水下声成像技术,在两个步骤进行操作(4,5]:(a)使用声纳系统获得的图像水下场景中感兴趣的区域(ROI)和(b)声学图像处理和分析来获取潜在目标。然而,声学图像的缺点如散斑噪声高、低分辨率,和强度变化来识别目标构成严重的挑战在声学图像序列。
根据仿生学的研究(6),生物视觉系统对象分为几个子系统,实现了识别通过本地信息的合成。在声学图像序列,地方特色不同于近邻的图像模式(7,8]。地方特色的ROI分析不仅可以获得目标的相关信息还提供线索来识别潜在的目标。通常,当地的特性包括探测器和描述符。
特征检测发现显著的图像区域,这使得它强劲的所有可能的图像转换。主要的算法(9- - - - - -11)分为三类:角检测、现场检测和区域检测。角落里可以被定义为高曲率点和一般被哈里斯探测器和特性从加速段试验(快速)检测器。相反的角落,点检测问题的局部极值响应的过滤器。的拉普拉斯高斯(日志)和海赛矩阵的行列式(度表示图像的局部结构信息。此外,不同的高斯(狗)和快速黑森探测器是前者的改进版本。区域检测将图像划分为几个区域根据一些相似的像素的属性。典型的方法包括最大限度地稳定极值区域(女士)检测。
随后,必须创建一个描述符代表地方社区。最直接的描述符点周围的图像块。然而,它没有不变性。尺度不变特征变换(SIFT) [12可能是最著名的局部描述符,刺激一些后续的工作。作为一种替代方法筛选,加快健壮的特性(冲浪)13)采用加快计算速度。此外,二进制文件描述符(14,15),即二进制健壮的独立的基本特性(短暂),面向快速旋转短暂(ORB),二进制健壮的不变的可伸缩的关键点(快),和快速视网膜关键点(怪物),使用简单的像素比较产生通常较短长度的二进制字符串。
特征检测和描述不是孤立的任务,但是特性在图像序列跟踪的基础。它可以解决任务包括视觉里程计,同时定位和地图(大满贯),增强现实(AR)等等(16- - - - - -18]。然而,很少有关于地方特色比较评估在声像表现为目标表示。特别是,我们不知道任何工作致力于使用特性的跟踪识别目标。本文的主要贡献分为以下两类:(1)一个广泛的评估detector-descriptor-based目标表示。性能研究了信噪比的影响下,目标的位置,大小,和地方特性的最优选择为水下任务。(2)一个特征的目标识别跟踪算法提出了声学图像序列。据跟踪轨迹和统计,可以确定潜在的目标是静态目标,动态目标,或假警报。
本文组织如下。分析部分中描述的特征检测和描述2和3分别,我们做一个简短的回顾每个探测器和描述符并通过仿真实验评估他们的表现。节4,我们提出的特征跟踪算法,优化实验参数和实现细节,并讨论结果。结论是第五节。
2。功能的探测器
特征探测器用于副声像的潜在目标。以下部分审查探测器包括哈里斯角落里,快速的角落里,狗的地方,黑森现货,女士和研究应用声学图像序列。
2.1。哈里斯角落探测器
给定一个图像 ,自相关矩阵 在每个像素计算吗 : 在哪里和表示图像的导数和 是在位置窗口补丁吗 。让和的特征值 ,和当地社区的形状可以分为均匀(无论大小),边缘地区(一个小,一个大),或角落区域(大)。为了避免繁琐的计算特征值,可以区分角点响应值和给定的角落 在哪里选择相应的,值约为0.04。以一个实际的例子包含两个roi的声像在水下场景,Harris角点检测的结果显示在图1。
2.2。快角落探测器
快速采用圆16像素的像素 编号从1到16顺时针。让 像素的强度 并设置一个阈值 。如果一个组N相邻像素的圆比所有光明或黑暗 ,然后 迅速贴上一个候选人。经验,N选择的是12。以下计算每个候选分: 在哪里年代+是像素亮度的子集 和年代−的子集是像素比 。它可以看到从快速角点检测结果如图2发现点也分布在ROI区域的边缘。在ROI1检测到只有一个功能,而在ROI2发现三个特性。相比之下,快速检测器根据强度决定了功能以及位置。
2.3。狗的位置检测器
检测局部极值用狗的一部分筛选算法,描述符部分中描述3.1节。规模在不同尺度空间表示获得的图像和高斯核的卷积: 在哪里是空间规模的因素 是高斯核函数表示为吗
像素 确定通过比较一个像素的值与8邻国在相同的规模和18像素在两个相邻尺度。如果像素值 对应于一个最大的在这个地区,然后贴上特性。狗发现检测结果如图3。很明显,ROI1特性检测,检测到和三个特性ROI2左右,其中一个位于中心和两个分布在边缘。类似于快速,越来越多的狗的特征提取ROI区域。
2.4。海赛现场探测器
类似于狗,黑森也是冲浪的检测部分的算法。海赛矩阵的扩展点 被定义为
将卷积运算转换为框过滤操作,可以计算候选点的分数值 在哪里 , ,和是卷积过滤器和近似系数的结果吗 是0.9。黑森点检测结果如图4。检测到两个特性分布在每个ROI的中心。与以往算法相比,黑森算法忽略了边缘点。
2.5。女士探测器
马克R作为连接的边界地区,使用表示边界上的像素,使用int (R)来表示像素的区域包含的边界。的决心可以通过极值区域
可以被定义为的稳定区域 在哪里边界所包围的面积吗 。结果如图所示5。在ROI1三个女士发现,五个女士ROI2中找到。展览,形成稳定的极端区域周围的ROI。
2.6。绩效评估的探测器
建立一个水下场景仿真模型对探测器的性能进行评估。参数设置如下:保险行业为140°,梁数量是256,图像大小是201×201,和解决网格是0.01×0.01 m2。构造一个广场目标信噪比是15分贝,长度是0.15米,中心位置(−0.07米,0.87米)。背景符合威布尔分布,与尺度参数 和形状参数 。仿真如图6的目标是一个虚线框包围。可以被定义为的精度性能 在哪里的特性和总数吗是功能的数量下降到人造目标。
影响因素包括大小、信噪比和位置检测性能研究是基于图6。仿真目标的长度在0.03∼0.03之间,信噪比是-10 db∼40分贝之间,中心位置随机放置。随后,使用上面提到的探测器每个参数的变化,重复200次的实验。相应的平均检测准确性和每个参数之间的关系如图所示7。如图7(一),当目标尺寸大于0.06米,黑森和女士波动50%和40%左右,快速和哈里斯稳定在18%和5%,和狗慢慢上升到4%。在图7 (b),当信噪比大于10 dB,检测率逐渐增加,利率降至低于5%,而信噪比小于5分贝。距离如图的效果7 (c),黑森的检出率,快,和女士明显下降,而哈里斯和狗总是在低水平。
(一)
(b)
(c)
表1显示了统计特征,的均方偏差率和准确性和代表总特性和平均每个实验的准确率。从表可以看出1和图7哈里斯和狗获得更高和 ,而低使曲线变化平稳,女士,黑森表现完全相反的上述两个探测器,和快速温和的在所有方面。此外,一个可以学习的检测性能是影响最大信噪比的变化、位置变化是最少的,大小是在中间。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3所示。特征描述符
为了测量声学图像序列的相似性,随后描述符必须实现。四个最先进的特征描述符包括筛选、冲浪、轻快的,反常的用于研究。
3.1。筛选描述符
筛选描述符计算使用梯度大小和方向在16×16窗口的功能。这些都是堆在8-bin直方图中形成4×4亚区和加权高斯窗口中,产生一个描述符向量的长度为128。梯度大小 和方向 的一个点 计算了高斯图像
3.2。冲浪描述符
冲浪描述符设计 扇形的滑动窗口,旋转的步长0.2弧度,和积累Haar小波响应值的总和和 。一个正方形区域分成4×4亚区和下面的特征向量
每个区都有一个描述符包含4项收益率64 -元素的向量冲浪描述符。相应的和是由
3.3。的描述符
的描述符是由512位串的长度连接简单的亮度对比测试的结果。它适用于采样模式旋转 周围的点。向量描述符dk组装通过执行所有的短途强度比较点对吗 ,这样,每一位可以表达的
3.4。反常的描述符
类似的描述符,反常的描述符还雇佣了一个手工采样模式。二进制文件描述符由阈值之间的差异对接受字段对应的高斯核函数: 在哪里是一对接受字段,是理想的描述符的大小,来判断 在哪里是第一个接受域的平滑强度对吗 。
3.5。描述符匹配
有必要选择一个合适的相似度测量方法跟踪应用程序。基于近邻的筛选和冲浪采用匹配方法比(7]。相比之下,二进制文件描述符如轻快和反常的样本汉明距离测量相似(15]。因为只有位XOR需要操作和计算操作,计算复杂度大大降低与欧氏距离。图8显示匹配的结果使用冲浪在连续两声帧描述符。虽然背景含有大量噪声和目标强度随着位置变化显著,最后一帧的目标在下一帧精确发现冲浪描述符。
3.6。绩效评估的描述符
相同的模型2.6节用于比较的匹配性能,声像图所示6被认为是一个参考图像。设置参考目标长度为0.15米,信噪比为15分贝,中心地位(−0.07米,0.87米)。匹配性能的评价通常采用近邻匹配精度,这被定义为 在哪里匹配的数量和吗是错配数。
三个目标参数匹配性能的影响如图所示9。从图观察9(一个),冲浪保持准确率在80%以上,除了个别断点、和其他描述符匹配精度相对较低。在图9 (b)筛选和冲浪有更高的匹配率更大的信噪比变化范围内,和轻快的怪物获取匹配概率较低信噪比时改变。特别,筛选描述符显示匹配能力强,当信噪比高于20分贝。图9 (c)展品,快和怪物只有更匹配概率距离的微小变化,而筛选和冲浪仍然维持较高的匹配概率距离的大波动。随着距离的增加,冲浪比筛选更好的匹配性能。
(一)
(b)
(c)
表2列出了相应的统计特征。是对的匹配概率特性平均每实验,然后呢的均方误差 。观察到冲浪是更健壮的目标位置和大小的变化,筛选具有最好的鲁棒性,当信噪比变化,和二进制文件描述符匹配性能较低。因此,匹配是信噪比的最重要因素。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
4所示。目标识别跟踪使用特性
4.1。特征跟踪算法
受检测前跟踪(TBD)策略19,20.),一个新的想法涉及功能跟踪已经创新了水下目标识别。它不判断是否有目标的单帧图像但同时跟踪多个目标,然后是根据潜在目标运动轨迹的歧视。在水下应用程序,功能是用来描述潜在的目标,和描述符匹配的措施之间的潜在目标帧的相关性。该算法的流程图如图10由五个主要阶段:(1)输入第一帧 ,获得的特性集 ,并将其保存为一个模板 。(2)阅读后续帧 ,获得的特性集 ,和匹配提取的功能从 。(3)使匹配特性作为潜在的目标和更新相应的功能从 。(4)删除失谐特性连续的帧的(考虑到声学成像是易受环境干扰导致不够稳定,k是圆形的帧总数的10%)。(5)遍历整个图像序列后,确定剩余的特性代表了真正的目标,然后获得特征轨迹。
根据先前的研究,5的组合黑森+冲浪狗+筛,ms +冲浪,快+快,快速选择+狂特征跟踪研究和模拟一个声学与15帧图像序列。在最初的框架,设置目标长度 ,信噪比为 ,和中心位置 。移动目标中心的距离x在每个后续帧中的随机数 和y随机数在吗 。目标信噪比的范围 ,和目标的范围大小 。四个测试场景设计如表所示3:测试我只是目标中心位置的变化,测试第二目标中心位置和信噪比的变化,测试第三目标中心位置和大小的变化,并测试IV是所有三个参数的变化。
|
||||||||||||||||||||||||||||||||||||||||||
局部特征的匹配与目标相关联的两个连续帧被认为是成功的跟踪,并给出跟踪性能的措施 在哪里是成功的目标跟踪和帧的数量吗帧的总数。在四个场景测试重复200次,和特征跟踪的性能比较图所示11,在那里是平均跟踪速率。很明显,黑森+冲浪达到最高 ,狗+筛选和ms +冲浪实现关闭 ,使用二进制描述符和地方特性表现更糟,尤其是快速+狂得到最低的。此外,最高目标位置改变时,它也减少当目标信噪比或大小波动。
4.2。实验结果和分析
典型试验期间收集的数据集是用于验证该方法的有效性。声图像序列包含38个声学图像大小为776×646的分辨率网格0.02×0.02 m2。它提供了一个16×13米2水景平行于水面,一个圆形钢槽直径0.35米是用作静态目标和一个小球的直径0.2米作为一个动态的目标。
从最初的框架如图12(一个),观察到一个静态的目标集中在(1.1米、12.8米),一个动态位于(6米,12.4米),和红色虚线框表示移动区域的动态目标。运动轨迹分为两个部分。第一个轨迹如图12 (b)从第一帧到帧20。动态目标方法的静态目标水平从右到左,和总目标的移动距离是2.70米。第二个轨迹如图12 (c)是从21帧到帧38。动态目标方法的静态目标水平相对地,和总目标的移动距离是2.68米。统计,目标移动相邻帧之间的距离从0.05米到0.27米,平均为0.15 m和0.06的均方误差。
(一)
(b)
(c)
的跟踪过程特性如图13。131年初始帧,黑森+冲浪,1220只狗+筛选,和35 ms +冲浪功能分别收购了。其余7、6、5特性得到最终框架。相比之下,3快+快和3快+狂特征得到初始帧,所有快速+狂特性消失在十架,且只有一个快+轻快的功能仍然是最后。通过比较功能配合运动轨迹,只有黑森+冲浪成功跟踪动态目标30帧对应的动态目标。狗+筛选和ms +冲浪失去了动态目标18、第十架,分别和错过了动态目标。
跟踪统计如表所示4。的总抵消黑森+冲浪跟踪成功接近实际的移动距离的目标,而狗+筛的运动补偿和ms +冲浪跟踪失败是接近实际的运动距离在第一节和第二节完全不同。此外,黑森+冲浪狗+筛,ms +冲浪,和快速+快37,25日,29日和29帧对应静态目标,分别。分析剩余的抵消和协调功能,坐落在静态目标的特性相关的电缆圆形钢槽和没有明确对应的特性被判断为假警报。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
5。结论
我们引入了局部特征识别水下目标,调查了特性为目标表示探测器和描述符,和提出了一个新颖的特征跟踪算法。黑森+冲浪取得了强劲的动态目标的跟踪结果。相比之下,狗+筛选获得更多的功能,可以更好地跟踪多个静态目标。剩下的组合相对贫穷的跟踪结果。如果几帧不匹配在跟踪过程中,传递的功能仍然是除非拒绝条件被触发,以及潜在的目标不会丢失。本文中使用的算法可以应用于线性和不确定的非线性系统21- - - - - -25]。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究得到了国家自然科学基金(没有。61903050),江苏省自然科学基金(没有。BK20181033),自然科学基础研究项目的学院和大学在江苏省(没有。18 kjb120001)。
引用
- a·阿布和r .钻石”,无监督当地水下声纳图像中对象的空间混合分割,“IEEE海洋工程》杂志上,44卷,不。4、1179 - 1197年,2019页。视图:出版商的网站|谷歌学术搜索
- 崔,y, s . Wang r . Wang w . Wang和m . Tan“实时感知和定位生物水下航行器的选择,”IEEE车辆技术,卷69,不。4、3783 - 3792年,2020页。视图:出版商的网站|谷歌学术搜索
- k . Colbo t·罗斯、c·布朗和t·韦伯“回顾海洋水体的应用多波束回声探测器的数据,”河口、沿海和货架的科学,卷145,不。5,41-56,2014页。视图:出版商的网站|谷歌学术搜索
- w . w .香港、j . Yu y Cheng琮、h·雪,“自动检测技术基于三维成像声纳图像的目标,“杂志上的传感器卷,2017篇文章ID 8231314、8页,2017。视图:出版商的网站|谷歌学术搜索
- a . Trucco m . Garofalo s雷佩托,g . Vernazza”产生的水声图像处理和分析机械扫描声纳系统中,“IEEE仪表和测量,卷。58岁的没有。7,2061 - 2071年,2009页。视图:出版商的网站|谷歌学术搜索
- c . Barngrover A . Althoff p Deguzman, r . Kastner“脑-机接口(BCI)检测mine-like侧扫声纳图像中的对象,“IEEE海洋工程》杂志上第41卷。。1,第138 - 123页,2016。视图:出版商的网站|谷歌学术搜索
- w·周l . Yu y周,w .秋硕士。吴,t·罗“局部和全局特征学习盲人屏幕内容的质量评价和自然场景图像,”IEEE图像处理,27卷,不。5,2086 - 2095年,2018页。视图:出版商的网站|谷歌学术搜索
- s . Gauglitz t叫喊,m . Turk”评价的兴趣点探测器为视觉跟踪和特征描述符,“国际计算机视觉杂志》上,卷94,不。3、1646 - 1655年,2011页。视图:出版商的网站|谷歌学术搜索
- a·穆斯塔法·h·金,a·希尔顿“MSFD:多尺度有效特性检测wide-baseline场景重建,”IEEE图像处理,28卷,不。3、1118 - 1132年,2019页。视图:出版商的网站|谷歌学术搜索
- h . x, z, x y, f . Wu和w·张,“移动物体检测与登记的准确性预测和空中红外图像特征点的选择,”红外物理与技术,卷92,不。8,318 - 326年,2018页。视图:出版商的网站|谷歌学术搜索
- f·鲍文,j·胡和e . y . Du“多级图像配准方法,”IEEE控制论,46卷,不。9日,第2131 - 2119页,2016年。视图:出版商的网站|谷歌学术搜索
- d·g·劳”独特的形象特征尺度不变的要点,国际计算机视觉杂志》上,60卷,不。2、91 - 110年,2004页。视图:出版商的网站|谷歌学术搜索
- a . h .湾Ess、t . Tuytelaars和l . Van干傻事,“骗补健壮的特性(冲浪),”计算机视觉和图像理解,卷110,不。3、346 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
- h·杨黄c f . Wang k歌,和z阴,“健壮的语义模板匹配使用二进制superpixel区域描述符,“IEEE图像处理,28卷,不。6,3061 - 3074年,2019页。视图:出版商的网站|谷歌学术搜索
- b .粉丝,问:香港、t . Trzcinski z . Wang c .锅和p . Fua“接受字段选择二进制特征描述,”IEEE图像处理:IEEE信号处理学会的出版物,23卷,不。6,2583 - 2595年,2014页。视图:出版商的网站|谷歌学术搜索
- 美国姚明,g·h·王,李z”相关滤波器对峰值强度为视觉跟踪学习,”IEEE控制论,48卷,不。4、1290 - 1303年,2018页。视图:出版商的网站|谷歌学术搜索
- w·m·阿诺德·m . c .粪便和r . Cucchiara视觉跟踪:一个实验调查,“IEEE模式分析与机器智能,36卷,不。7,1442 - 1468年,2014页。视图:出版商的网站|谷歌学术搜索
- h·杨,l .邵f .郑l . Wang和z的歌,“视觉跟踪最新进展和趋势:复习一下,”Neurocomputing,卷74,不。18日,第3831 - 3823页,2011年。视图:出版商的网站|谷歌学术搜索
- s p·埃比尼泽和a . Papandreou-Suppappola”与建议分区广义递归track-before-detect跟踪不同数量的多个目标在低信噪比,”IEEE信号处理,卷64,不。11日,第2834 - 2819页,2016年。视图:出版商的网站|谷歌学术搜索
- t . Northardt和s . c . Nardone Track-before-detect bearings-only定位性能复杂的被动声纳的场景:一个案例研究中,“IEEE海洋工程》杂志上,44卷,不。2、482 - 491年,2019页。视图:出版商的网站|谷歌学术搜索
- f . y .问:Wang Chen通用壮族、g·杨,“动态的基于事件的H∞混合和耗散异步马尔可夫跳奇摄动系统的控制,”应用数学和计算,卷386,不。1,文章ID 125443, 2020。视图:出版商的网站|谷歌学术搜索
- f . y . Wang Chen和g .壮族“动态基于事件的可靠的耗散异步控制与一般的条件概率,随机马尔可夫跳跃系统”非线性动力学,卷101,不。1,第485 - 465页,2020。视图:出版商的网站|谷歌学术搜索
- 通用壮族y .问:Wang,陈x, z . Wang和f·陈,“动态的基于事件的限定时间混合H∞和被动t - s模糊奇异马尔科夫跳异步过滤系统与一般过渡率,”非线性分析:混合动力系统卷,36条ID 100874, 2020。视图:出版商的网站|谷歌学术搜索
- j . Na y兴,r . Costa-Castello”自适应估计时变参数的应用程序roto-magnet植物,”IEEE系统,人,和控制论:系统,51卷,不。2、731 - 741年,2021页。视图:出版商的网站|谷歌学术搜索
- y兴、j . Na和r . Costa-Castello“实时自适应参数估计对于聚合物电解质膜燃料电池,”IEEE工业信息,15卷,不。11日,第6057 - 6048页,2019年。视图:出版商的网站|谷歌学术搜索
版权
版权©2021高爵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
