技术领域
本发明属于图像处理领域,具体涉及一种目标运动状态估计方法。
背景技术
长期以来,利用光流等运动流场的运动估计方法被广泛地应用于智能监控、遥感、计算机视觉等多个领域。在最近30年,光流及类似的运动流场估计技术被越来越多地应用于水下目标的运动估计中。其中,可查到的文献包括:《IEEE Journal of OceanicEngineering》中1998年发表的《Robust tracking of multiple objects in sector scansonar image sequences using optical flow motion estimation》,该技术使用从前视图像声呐回波图中估计的2D运动场作为目标跟踪和识别的先验信息;以及,《IEEE WinterConference on Applications of Computer Vision》中2014年发表的《Determiningunderwater vehicle movement from sonar data in relatively featurelessseafloor tracking missions》,该技术使用了基于特征点的稀疏光流来减少稠密光流算法的巨大计算量。
上述技术所采用的方法均为基于变分法的经典光流估计算法(提出者为Horn和Schunck,通常简称为HS方法),HS方法的核心框架于1981年在《Articial Intelligence》中发表的《Determining optical flow》一文中被提出。但是,近年来越来越多的研究表明,HS方法中使用的二次惩罚函数影响了算法在实际使用中的鲁棒性。其中,在《InternationalJournal of Computer Vision》中2014年发表的《A quantitative analysis of currentpractices in optical flow estimation and the principles behind them》文中定量分析了目前已有的光流估计算法性能,并在光流目标函数中增加了加权的非局部项来应对噪声干扰。但是,从目前公开可查的资料来看,现有的基于运动流场的目标运动估计方法主要应用于侧扫声呐、高分辨图像声呐等声呐系统中。这是由于在水下小目标探测常用的高频主动声呐的回波图像中,目标回波强度的时变性让传统的光流方程约束条件难以实现。因此,迄今为止,尚未见到将该技术应用于目标状态估计中的报告。
发明内容
为了克服现有技术的不足,本发明提供了一种主动声呐回波图中小目标运动状态估计方法,首先,通过高斯拉普拉斯变换(Laplacian of Gaussian,LoG)来描述声呐回波图中小目标的边缘恒常性,以此解决小目标的非刚性特性造成的目标回波不稳定的问题;然后,针对舰船运动产生的尾流和空化噪声问题,引入基于上下文信息的自适应正则化参数对目标函数中的非局部项进行正则化,最后将经过升采样的声流场图像与边缘检测图像进行warping处理,得到连续的声呐回波图像中的小目标运动状态估计结果。本发明有效地减轻了水下运动小目标非刚性特性给运动估计精度带来的影响,同时提高了当声呐回波中存在船舶尾流噪声和空化噪声时的声流估计精度。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:利用LoG算子对声呐回波图像序列中的所有声呐回波图像里的小目标进行边缘检测,得到第二声呐回波图像序列;
步骤2:由下式确定正则化参数λ
其中,FG
定义t=1,定义图像分辨率参数c*d;
步骤3:从第二声呐回波图像序列取出第t帧和第t+1帧声呐回波图像,进行M 次降采样,直到第t帧和第t+1帧声呐回波图像的分辨率都变为c*d;此时,第t帧声呐回波图像和第t帧声呐回波图像在M次降采样过程中生成的M帧不同分辨率的声呐回波图像构成第t帧声呐回波图金字塔,第t帧声呐回波图金字塔共有M+1层,其中第t帧声呐回波图金字塔的第1层为第t帧声呐回波图像降采样最终得到的分辨率为c*d的声呐回波图像,按分辨率从小到大,第t帧声呐回波图金字塔的第M+1层为第二声呐回波图像序列的第t帧声呐回波图像;
第t+1帧声呐回波图像和第t+1帧声呐回波图像在M次降采样过程中生成的M帧不同分辨率的声呐回波图像构成第t+1帧声呐回波图金字塔,第t+1帧声呐回波图金字塔共有M+1层,其中第t+1帧声呐回波图金字塔的第1层为第t+1帧声呐回波图像降采样最终得到的分辨率为c*d的声呐回波图像,按分辨率从小到大,第t+1帧声呐回波图金字塔的第M+1层为第二声呐回波图像序列的第t+1帧声呐回波图像;
定义k=1;
步骤4:使用第t帧声呐回波图金字塔的第k层声呐回波图像和第t+1帧声呐回波图金字塔的第k层声呐回波图像定义第k层声流目标函数E
其中,LoG
采用交替最小化法对式(3)和式(4)交替最小化实现对式(2)的最小化,得到第k层声流场图像(u
其中,λ
步骤5:当k=M+1时,执行步骤7;否则,当k 步骤6:令k加1,返回步骤4; 步骤7:输出第M+1层声流场图像(u 步骤8:令t加2,返回步骤3,得到连续的声呐回波图像中的小目标运动状态估计结果。 本发明的有益效果是: 1.使用基于LoG算子的边缘检测器的回波图预处理显著减弱了小目标非刚性散射特性对目标运动估计精度的影响; 2.基于上下文的的正则化参数λ 附图说明 图1为本发明的声呐回波图像中的小目标运动状态估计方法的系统图。 图2为本发明实施例中所用的海试数据中原始声呐回波图像的多帧累积,其中图2(a)包含小目标1和小目标2;图2(b)包含小目标3;图2(c)包含小目标4;图2(d) 包含小目标5。 图3为本发明实施例中包含小目标5的主动声呐回波图,其中图3(a)为无船驶入时;图3(b)为有船驶入时;图3(c)表示声呐回波图中非零像素点所占的比例。 图4为本发明实施例中的声流估计结果示意图,其中图4(a)包含小目标1和小目标2;图4(b)包含小目标3;图4(c)包含小目标4;图4(d)包含小目标5。 具体实施方式 下面结合附图和实施例对本发明进一步说明。 如图1所示,本发明提供了一种主动声呐回波图中小目标运动状态估计方法,包括以下步骤: 步骤1:利用LoG算子对声呐回波图像序列中的所有声呐回波图像里的小目标进行边缘检测,得到第二声呐回波图像序列; 步骤2:由下式确定正则化参数λ
其中,FG 定义t=1,定义图像分辨率参数c*d; 步骤3:从第二声呐回波图像序列取出第t帧和第t+1帧声呐回波图像,进行M 次降采样,直到第t帧和第t+1帧声呐回波图像的分辨率都变为c*d;此时,第t帧声呐回波图像和第t帧声呐回波图像在M次降采样过程中生成的M帧不同分辨率的声呐回波图像构成第t帧声呐回波图金字塔,第t帧声呐回波图金字塔共有M+1层,其中第t帧声呐回波图金字塔的第1层为第t帧声呐回波图像降采样最终得到的分辨率为c*d的声呐回波图像,按分辨率从小到大,第t帧声呐回波图金字塔的第M+1层为第二声呐回波图像序列的第t帧声呐回波图像; 第t+1帧声呐回波图像和第t+1帧声呐回波图像在M次降采样过程中生成的M帧不同分辨率的声呐回波图像构成第t+1帧声呐回波图金字塔,第t+1帧声呐回波图金字塔共有M+1层,其中第t+1帧声呐回波图金字塔的第1层为第t+1帧声呐回波图像降采样最终得到的分辨率为c*d的声呐回波图像,按分辨率从小到大,第t+1帧声呐回波图金字塔的第M+1层为第二声呐回波图像序列的第t+1帧声呐回波图像;此时目标在相邻帧回波图像间的空间位置只存在微小差别; 定义k=1; 步骤4:使用第t帧声呐回波图金字塔的第k层声呐回波图像和第t+1帧声呐回波图金字塔的第k层声呐回波图像定义第k层声流目标函数E
其中,LoG 采用交替最小化法对式(3)和式(4)交替最小化实现对式(2)的最小化,得到第k层声流场图像(u
其中,λ 步骤5:当k=M+1时,执行步骤7;否则,当k 步骤6:令k加1,返回步骤4; 步骤7:输出第M+1层声流场图像(u 步骤8:令t加2,返回步骤3,得到连续的声呐回波图像中的小目标运动状态估计结果。 具体实施例: 如图2所示,给出了使用的主动声呐回波图像序列的时域叠加图,其目标运动轨迹在图中白色方框中给出。 如图3所示,在船舶驶入后,非零像素点占比迅速上升,在实施过程中将据此设置阈值。 如图4所示,给出了目标运动状态估计效果示意图。图4(a)-图4(d)分别为利用本发明提出的方法对四类非合作目标进行运动状态估计的结果。
机译: 一种由目标产生的雷达回波信号的制备方法,以补偿由于目标的运动而引起的信号衰减的影响。
机译: 一种由目标产生的雷达回波信号的制备方法,以补偿由于目标的运动而引起的信号衰减的影响。
机译: 一种用于半主动远程控制目标本身的方法,例如具有目标特征图的选择性远端的弹丸