声呐图像目标主动识别技术研究
发布时间：2021-10-17 08:52
声呐作为唯一能在海洋中远距离工作的探测设备,在海洋探测中起着至关重要的作用,为水下目标物识别提供了数据支撑。在海洋环境中,由于声信号在传播过程中存在反射,折射等现象,会以不同的路径进行传播,所以基于声呐回波技术的水下目标识别干扰多,准确度低。而声呐图像的目标识别方法具有分辨力高,多波束及实时性较强的特点,所以基于声呐图像的水下目标检测和识别是目前的研究热点。传统声呐图像检测算法大多采用人工提取特征,然后进行分类和目标物的定位的方式,但这类算法效果往往依赖于特定应用背景下的噪声特点,所以鲁棒性较差,泛化能力不行。此外,随着声呐技术的广泛应用,面对庞大的声呐图像数据集,传统的检测算法也难以满足图像大数据在处理效率、性能和智能化等方面所提出的要求。本文将深度学习算法在目标检测方面的应用扩展到声呐图像,从而实现高效率,高精度的检测。但由于深度学习算法是数据驱动的,所以缺乏大量标注数据会影响其成功的检测和识别。声呐图像的标注不仅繁琐耗时,而且还需要不易获取的专业知识和技能。为了大幅降低数据标注的成本,本文设计了声呐图像目标主动识别框架,通过将三种针对目标检测的主动学习算法集成到目标检测任务中来,...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
声呐图像
均，对比度不高[66]。此外，不同声呐设备的部署会从不同的角度对物体进行成像；不同的海底环境会在声呐图像上产生不同的噪声分布；不同的成像方式对最终的声呐图像分辨率也会产生一定的影响[65]。所以即使是相同的实例，也会因为不同的环境状况产生很大的差异，例如地点，声呐种类，背景，光照，角度等等。2)大量物体种类：除了类内的变化，大量不同的物体种类也要求检测器具有很强的辨别能力，以区分微妙不同的类间变化。而且在实际的检测过程中，遇到未知或者预先未定义的物体时，检测器就需要更强的泛化能力。图2-1目标检测准确率的挑战2.3.2效率相关的挑战高效率要求整个检测任务以足够高的帧速率运行，并具有可接受的内存大小和存储空间。由于大多数识别的操作均使用离线的方法而非在线，这不可避免的限制了AUV(AutonomousUnderwaterVehicle)这类设备的实地探测能力，也限制了其自主能力[46]，所以检测的实时性是非常重要的。当然，设备的内存和存储空间的大小也是一个不可忽视的问题。对于效率而言，挑战源于需要识别大量物体类别的所有对象实例，以及单个图像中可能存在对象的大量位置和范围。未来进一步的挑战是可扩展性，这需要检测器能够处理未见的物体，未知情况和快速增加的图像数据。
第二章目标检测和主动学习算法理论9早期关于物体识别的研究基于模板匹配技术和基于简单部件的模型[67]，侧重于空间布局大致刚性的特定物体。在1990年之前，物体识别的主流方法是基于几何表示[68,69]，随后焦点从几何和先验模型转向使用基于外观特征[73,74]的统计分类器（如神经网络[70]，SVM[71]和Adaboost[72]）。这一系列成功的目标检测器为该领域的大多数后续研究奠定了基矗本文将回顾自深度学习应用到目标检测领域以来出现的里程碑的检测模型，具体如图2-2中所示。在过去几年中提出的几乎所有检测器都基于这些里程碑检测模型中的一个，试图改进一个或多个方面。总体上来说，这些检测器可以分为两大类：两阶段(Twostage)的框架：这种架构需要一个用来生成区域建议(regionproposals)预处理的过程，然后在这些区域建议的基础上进一步进行检测。主要包括RCNN[32]，SPPNet[75]，FastRCNN[33]，FasterRCNN[34]，RFCN[35]，MaskRCNN[76]，LightHeadRCNN[77]，DeformableConvNetsv2[78]。单阶段(onestage)的框架：这种架构不需要生成区域建议，直接进行物体的识别和定位，使得整个检测过程是单级的。主要包括DetectorNet[79]，OverFeat[36]，YOLO[37]，YOLOv2[38]，SSD[39]，RetinaNet[43]。图2-2目标检测里程碑的算法本论文重点介绍两阶段框架中最具代表性的：FasterRCNN以及和单阶段检测模型中的YOLO和SSD，这三种也后面声呐图像目标主动识别框架中使用的检测模型。2.4.1FasterRCNN检测模型FasterRCNN[34]其主要结构如图2-3所示。FasterRCNN框架不仅使用卷积特征来生成区域建议，还与检测网络共享卷积参数，实现几乎无成本的区域建议，这也是提高检测准确性的有效方法。它主要包括以下两部分：（
【参考文献】：
期刊论文
[1]基于粒子群最小二乘支持向量机的前视声呐目标识别[J]. 石洋,胡长青. 声学技术. 2018(02)
[2]基于数学形态学的侧扫声呐图像轮廓自动提取[J]. 罗进华,蒋锦朋,朱培民. 海洋学报. 2016(05)
[3]水下目标识别技术的发展分析[J]. 宋波. 舰船电子工程. 2014(04)
[4]水下目标特性特征提取及其融合[J]. 李秀坤,李婷婷,夏峙. 哈尔滨工程大学学报. 2010(07)
[5]基于形状描述直方图的声呐图像目标识别算法[J]. 田晓东,刘忠,周德超. 系统工程与电子技术. 2007(07)
[6]基于统计量的声呐图像目标检测算法[J]. 田晓东,刘忠. 舰船科学技术. 2007(01)
[7]美国海军UUV的任务与能力需求[J]. 钱东,孟庆国,薛蒙,张少悟. 鱼雷技术. 2005(04)
[8]水下声自导武器目标识别技术综述[J]. 刘朝晖,马国强. 声学与电子工程. 2004(03)
[9]侧扫声纳图像增强技术[J]. 滕惠忠,严晓明,李胜全,李军,郭思海,徐晓晗. 海洋测绘. 2004(02)
[10]高性能水下目标识别系统及其实验研究[J]. 景志宏,赵俊渭,林钧清,林良骥. 船舶工程. 1999(04)
本文编号：3441485
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
声呐图像
均，对比度不高[66]。此外，不同声呐设备的部署会从不同的角度对物体进行成像；不同的海底环境会在声呐图像上产生不同的噪声分布；不同的成像方式对最终的声呐图像分辨率也会产生一定的影响[65]。所以即使是相同的实例，也会因为不同的环境状况产生很大的差异，例如地点，声呐种类，背景，光照，角度等等。2)大量物体种类：除了类内的变化，大量不同的物体种类也要求检测器具有很强的辨别能力，以区分微妙不同的类间变化。而且在实际的检测过程中，遇到未知或者预先未定义的物体时，检测器就需要更强的泛化能力。图2-1目标检测准确率的挑战2.3.2效率相关的挑战高效率要求整个检测任务以足够高的帧速率运行，并具有可接受的内存大小和存储空间。由于大多数识别的操作均使用离线的方法而非在线，这不可避免的限制了AUV(AutonomousUnderwaterVehicle)这类设备的实地探测能力，也限制了其自主能力[46]，所以检测的实时性是非常重要的。当然，设备的内存和存储空间的大小也是一个不可忽视的问题。对于效率而言，挑战源于需要识别大量物体类别的所有对象实例，以及单个图像中可能存在对象的大量位置和范围。未来进一步的挑战是可扩展性，这需要检测器能够处理未见的物体，未知情况和快速增加的图像数据。
第二章目标检测和主动学习算法理论9早期关于物体识别的研究基于模板匹配技术和基于简单部件的模型[67]，侧重于空间布局大致刚性的特定物体。在1990年之前，物体识别的主流方法是基于几何表示[68,69]，随后焦点从几何和先验模型转向使用基于外观特征[73,74]的统计分类器（如神经网络[70]，SVM[71]和Adaboost[72]）。这一系列成功的目标检测器为该领域的大多数后续研究奠定了基矗本文将回顾自深度学习应用到目标检测领域以来出现的里程碑的检测模型，具体如图2-2中所示。在过去几年中提出的几乎所有检测器都基于这些里程碑检测模型中的一个，试图改进一个或多个方面。总体上来说，这些检测器可以分为两大类：两阶段(Twostage)的框架：这种架构需要一个用来生成区域建议(regionproposals)预处理的过程，然后在这些区域建议的基础上进一步进行检测。主要包括RCNN[32]，SPPNet[75]，FastRCNN[33]，FasterRCNN[34]，RFCN[35]，MaskRCNN[76]，LightHeadRCNN[77]，DeformableConvNetsv2[78]。单阶段(onestage)的框架：这种架构不需要生成区域建议，直接进行物体的识别和定位，使得整个检测过程是单级的。主要包括DetectorNet[79]，OverFeat[36]，YOLO[37]，YOLOv2[38]，SSD[39]，RetinaNet[43]。图2-2目标检测里程碑的算法本论文重点介绍两阶段框架中最具代表性的：FasterRCNN以及和单阶段检测模型中的YOLO和SSD，这三种也后面声呐图像目标主动识别框架中使用的检测模型。2.4.1FasterRCNN检测模型FasterRCNN[34]其主要结构如图2-3所示。FasterRCNN框架不仅使用卷积特征来生成区域建议，还与检测网络共享卷积参数，实现几乎无成本的区域建议，这也是提高检测准确性的有效方法。它主要包括以下两部分：（
【参考文献】：
期刊论文
[1]基于粒子群最小二乘支持向量机的前视声呐目标识别[J]. 石洋,胡长青. 声学技术. 2018(02)
[2]基于数学形态学的侧扫声呐图像轮廓自动提取[J]. 罗进华,蒋锦朋,朱培民. 海洋学报. 2016(05)
[3]水下目标识别技术的发展分析[J]. 宋波. 舰船电子工程. 2014(04)
[4]水下目标特性特征提取及其融合[J]. 李秀坤,李婷婷,夏峙. 哈尔滨工程大学学报. 2010(07)
[5]基于形状描述直方图的声呐图像目标识别算法[J]. 田晓东,刘忠,周德超. 系统工程与电子技术. 2007(07)
[6]基于统计量的声呐图像目标检测算法[J]. 田晓东,刘忠. 舰船科学技术. 2007(01)
[7]美国海军UUV的任务与能力需求[J]. 钱东,孟庆国,薛蒙,张少悟. 鱼雷技术. 2005(04)
[8]水下声自导武器目标识别技术综述[J]. 刘朝晖,马国强. 声学与电子工程. 2004(03)
[9]侧扫声纳图像增强技术[J]. 滕惠忠,严晓明,李胜全,李军,郭思海,徐晓晗. 海洋测绘. 2004(02)
[10]高性能水下目标识别系统及其实验研究[J]. 景志宏,赵俊渭,林钧清,林良骥. 船舶工程. 1999(04)
本文编号：3441485
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3441485.html
最近更新
教材专著
