共查询到15条相似文献,搜索用时 250 毫秒
1.
声呐图像数据集获取困难,导致很多水下工作无法正常开展,如水下目标检测与跟踪、声呐图像的超分辨等,因此构建充足的声呐图像数据库成为很多水下研究工作的重要前提条件。受光学图像与合成孔径雷达(Synthetic Aperture Radar,SAR)图像转换研究工作的启发,提出了基于CycleGAN实现声呐图像库的构建,即利用光学图像合成声呐图像,实现光学到声呐的图像风格迁移。通过对CycleGAN网络损失函数的改进,提高了声呐图像的合成效果。通过与Pix2Pix等图像风格迁移网络进行比较的实验结果证明,修正后的CycleGAN网络具有更好的图像风格迁移效果。最后用合成的声呐图像训练Mask RCNN目标检测网络,并用真实的声呐图像进行测试,训练得到的模型能够成功地检测出真实声呐图像中对应的目标,进一步验证了利用光学图像构建声呐图像库的有效性。 相似文献
2.
3.
水下小目标精细成像对于正确识别水下目标具有重要意义。目前,多波束成像声呐和条带合成孔径声呐是获取水下小目标图像的主要手段。水下目标的判别主要利用了目标图像的亮点特征,即使是同一目标从不同方位观测时得到的结果也可能差异较大,这给快速识别确认目标带来了困难。为解决该问题,提出了利用圆周合成孔径声呐对水下小目标进行水声层析成像信号处理方法,提高了声呐的多角度融合观测能力。仿真及试验数据处理结果表明,合成孔径声呐层析成像方法能够获得目标外形轮廓精细特征,有利于水下小目标的正确识别。 相似文献
4.
5.
6.
现有基于深度学习的水下声呐图像目标检测方法受限于水下声呐图像噪声大、信噪比低,因而检测精度有限。针对该问题,本文提出了基于投影感知和声呐参数信息嵌入的水下声呐图像目标检测方法 SonarNet。提出的非参数化的投影感知对齐模块(PAA)在不引入额外的训练参数且无需额外标注的情况下,通过提取水下目标的投影区域特征与目标本身特征融合来提升目标检测精度。同时为了提升算法在不同声呐工作参数下的鲁棒性,本文设计了一个轻量级的声呐全连接网络SonarMLP,将声呐设备的工作参数信息以嵌入信息的形式引入到目标检测过程中。本文在声呐图像目标检测数据集上对算法的有效性进行了验证,在有效检测出水下目标的同时,比现有常用深度学习方法有更高的检测精度,能够提升3%以上的各类平均精确度(m AP)。 相似文献
7.
多波束前视声呐具有成像速度快、分辨率高的优点,是进行水下目标探测、跟踪和监控的重要设备。针对多波束前视声呐运动目标的跟踪问题,提出了一种改进的MeanShift算法。该算法利用经典的MeanShift算法实现目标的帧间定位,通过基于图像序列的背景消减法实现运动目标分割,根据分割后目标的位置和大小对Mean Shift跟踪框进行更新,并重新建立跟踪模型来迭代实现目标的准确定位和跟踪。实验结果表明,改进后的算法可实现目标跟踪框随目标大小和形状的更新,对目标的定位更加准确。因此,该算法具有应用于水下目标精确跟踪和定位的潜力。 相似文献
8.
一种基于人眼视觉特性的偏振图像融合方法 总被引:2,自引:0,他引:2
根据偏振参量图像之间存在的信息冗余性和互补性,提出了一种基于人眼视觉特性的偏振图像融合方法.该方法首先对线偏振度图像和偏振角图像进行基于能量特征的融合,得到偏振特征图像;然后,利用五株采样提升小波变换实现偏振特征图像和合成强度图像的融合;最后,根据人眼对局部对比度敏感的特点,采用偏振度图像对融合结果进行对比度增强处理.实验结果表明,融合后的图像不仅突出了场景的偏振信息,而且包含了丰富的强度信息,目标与背景的对比度也得到了显著增强. 相似文献
9.
提出一种基于改进全卷积单阶段目标检测(FCOS)算法的水下目标检测算法。针对水下光学图像存在高色偏、低对比度、色彩偏暗、模糊失真而导致现有目标检测算法在水下环境检测效果不佳等问题,将骨干网络中的普通卷积替换为可变形卷积(DCN)进行优化,增强算法在模糊的水下光学图片的特征提取能力。通过神经架构搜索(NAS)改进网络的特征融合网络以及检测网络,提升对骨干网络提取到的特征的利用能力。采用CIoU Loss作为新的损失函数来提高坐标回归的准确率。实验表明:改进的FCOS算法在DUO数据集上,检测的准确率提高了1.8%,召回率提高了2.2%,检测速度为53.4帧/s(相比改进前降低了5.0%)。该算法准确率较高并基本达到实时检测的要求。 相似文献
10.
声呐图像的噪声背景抑制是提高水下目标检测能力的重要问题。针对声呐图像背景斑点噪声强、目标轮廓模糊、目标回波对比度低等问题,利用确定性目标回波信号与随机分布的干扰噪声之间的相关统计特性差异,采用基于最小均方差准则的阵列信号维纳滤波器,通过主动最小方差无畸变响应(Minimum Variance Distortionless Response,MVDR)波束形成和后置维纳滤波的两级处理,去除声呐随机噪声背景。试验数据的处理结果表明:在噪声干扰条件下,相比于常规波束形成(Common Beamforming,CBF),主动MVDR处理提高了目标回波的局部信噪比,后置维纳滤波处理降低了随机分布的斑点噪声,使声呐图像的清晰度得到增强。 相似文献
11.
从岛礁斜坡地形条件下的声信号衰减和地形阻断效应分析出发,重点针对水下声场分布规律及其对声传播造成的影响开展研究。利用水声模型理论,结合某礁实测地形以及水文数据,建立岛礁斜坡地形下的多途声信道模型,基于Bellhop与RAM声学仿真方法,对不同地形下的声线轨迹、声传播损失以及信号时延等声场特性进行仿真分析,得出岛礁斜坡地形下的声场分布特征。研究结果表明:(1)岛礁斜坡地形是影响其声传播模式的关键因素;(2)斜坡外缘浅海区域的目标不易被岛礁斜坡顶端的声呐所探测; (3)陡坡地形对浅海声源的声传播有利,当声源深度足够大时,缓坡地形下的本征声线数目能够达到在陡坡地形下的5倍,对声传播有利。以上研究结果可为岛礁区水下声场的特性分析以及水下声学对抗等实践应用提供理论基础和技术参考。 相似文献
12.
针对高频主动声呐的深海多目标跟踪问题,提出了基于BELLHOP模型的无迹卡尔曼滤波-高斯混合概率假设密度(Unscentesd Kalman Filter-Gaussian Mixture-Probability Hypothesis Density, UKF-GM-PHD)水下多目标跟踪算法。该算法首先利用BELLHOP射线声学模型,计算出本征声线、目标信号的幅度、相位及时延信息,以此构造目标回波信号并叠加高斯白噪声。然后,由回波信号计算得到目标相对于观测站的距离、方位角和俯仰角信息,作为目标跟踪系统中的量测信息。最后利用提出的UKF-GM-PHD多目标跟踪算法,实现高频主动声呐非线性系统的多目标跟踪。仿真结果表明,在深海高频主动声呐条件下,文章提出的UKF-GM-PHD多目标跟踪算法较传统高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GM-PHD)方法,明显降低了目标丢失率,并且最优子模式指派统计量(Optimal Sub-Patter Assignment, OSPA)距离也更小,跟踪效果更好。 相似文献
13.
水声成像过程中为了分析所接收的运动目标回波、理解接收信号的形成机理,提出了一种用于该情况的空间散射模型,并利用此模型仿真了"T"型阵成像声呐接收的回波信号。对信号的分析说明了空间散射模型的正确性。以空间散射模型为基础,利用傅里叶变换波束形成算法对不同条件下的球体目标进行了水声成像,并分析了成像性能。性能分析说明了水声目标大小、距离等因素对成像的影响情况,还特别强调了在运动情况下目标的成像情况。以上工作完成了对"T"型阵水声成像过程的模拟,为成像过程回波信号研究和成像声呐研制提供了理论基础和仿真手段。 相似文献
14.