[发明专利]基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法

说明书

本发明提出了一种基于压缩感知的声纳图像超分辨率重建跟踪和检测方法，基于现有的水下声纳图像目标追踪的方法，改进了传统的聚类方法和字典训练方法，利用斑点检测和视觉显著性检测结合的方式进行目标的跟踪和检测。该方法在字典训练方面更加精准，提高图像的分辨率。分步进行目标的跟踪，找到目标相对位置后，再进行显著性的检测，确保跟踪检测的实时性和准确性。

技术领域：

本发明涉及水下声纳图像目标跟踪和检测领域，具体地说，是一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法。

背景技术：

声波在海洋中传输的衰减不明显，在较低频率传播距离远，有很好的通信功能。声纳图像就是利用声波在海洋中传播反馈获得的图像信息。声纳图像被广泛应用到水下目标探测、定位与跟踪，因此声纳图像的研究对海底探索、水下目标探测等领域的发展来说意义重大。然而，水声成像取决于声波辐射的大小，目标的成像受环境的噪声影响较大，会出现严重的图像退化现象，为水下目标的研究带来不便。

退化的声纳图像给水下目标跟踪和检测带来困难，为此常采用压缩感知的方法超分辨率重构声纳图像以期获得更好的探测效果。压缩感知字典学习算法通常采用k-means聚类算法等进行过完备字典训练，这种聚类算法主要思想是给定K值和K个初始类簇中心点的情况下，把每个点分到离其最近的类簇中心点所代表的类簇中所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。这一算法中最终聚类效果受K值的选取和初始类簇中心点的选取影响较大，并且只能用于凸数据集，应用范围有限。

针对以上问题，该发明提出一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法，能够更加准确的进行目标的跟踪和检测。

发明内容：

为了实现上述目的，本发明提出一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法。本发明采取的技术方案是：基于HAOC重合聚类算法完成过完备字典训练，实现声纳图像超分辨率重建，并采用组合方法完成超分辨率声纳图像目标的跟踪与检测，该方法包括以下步骤：

1.采用HAOC重合聚类算法完成过完备字典训练，实现声纳图像超分辨率重建，完成目标的跟踪和检测。

聚类原理：将每个特征样本进行领域标注，即将每个样本都添加一个领域，然后计算两个样本点中重合面积阈值(这里阈值通常选取为样本密度的2/3)，则归为一类；统计初始分类中样本的个数，将小于3个样本的类删除，删除的是噪声类；最后形成K种类别。然后在同一类的样本中利用距离均值算法确定聚类中心，选取其中的任一一个样本点，计算其他样本点到该点的距离，通过计算每两个样本点的距离的平均值，求出最小平均值的点作为类别的中心点，作为以后目标追踪检测的参考点。

2.采用组合方法完成超分辨率声纳图像目标的跟踪与检测

为了更加精准时效的跟踪检测目标，首先采用简单等级要求斑点检测的方式进行粗寻找，找出目标所在的相对位置和区域；然后利用显著性检测对粗寻找到的目标区域进行精准检测，确保目标跟踪和检测的准确性。

附图说明：

图1是本发明基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的HAOC重合聚类算法字典训练示意图

图2是本发明基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的超分辨率图像重建过程图

图3是本发明基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的超分辨率图像追踪检测过程图

具体实施方式：