图像的水下目标检测与跟踪算法研究
摘 要在水下环境中，由于各种因素的影响，适用于陆地上光学环境的图像处理与目标跟踪方法并不完全适用于水下，因此，开展基于光学图像的水下目标检测技术研究非常重要，这也成为了数字图像处理领域的一个重要课题。本文旨在对水下图像预处理，图像轮廓提取以及水下目标检测和跟踪算法进行深入研究，寻找适用于水下的图像处理方法。文中分析对比三种常见的滤波方法、五种图像形态学处理技术、四种目标轮廓提取算子，两类图形的检测方法以及两种目标跟踪算法。文中通过对所有算法进行实现并进行了实验结果分析，从而得出适合应用于水下图像处理的方法。由于中值滤波抗噪声且不会影响目标的轮廓，因此适用于水下图像的滤波；而Canny算子与Sobel算子抗干扰能力强可以应用于水下目标轮廓提取。目标检测技术主要分析了Hough变换可以实现对任意图形的检测，也可用于水下图像目标检测；基于联合纹理直方图的Mean-shift算法鲁棒性好、抗干扰能力强、运算速度快、实时性好，适用于水下目标的跟踪。
目 录
摘 要 I
ABSTRACT II
目 录 III
第一章 绪论 1
1.1 研究背景及意义 1
1.2 水下目标检测与跟踪算法研究现状 2
1.3 论文内容安排 3
第二章 水下图像预处理技术研究 5
2.1 引言 5
2.2 图像滤波 5
2.2.1 中值滤波 5
2.2.2 邻域均值滤波 6
2.2.3 高斯滤波 7
2.2.4 讨论与分析 8
2.3 图像灰度变换 8
2.3.1 图像灰度化 8
2.3.2 直方图均衡化 10
2.4 图像形态学处理 11
2.4.1 膨胀与腐蚀 11
2.4.2 孔洞填充 12
2.4.3 开运算与闭运算 13
2.5 本章小结 14
第三章 目标轮廓提取算法 15
3.1引言 15
3.2 图像分割 15
3.2.1 二值分割 15
3.2.2 Otsu阈值分割 16
*好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
3.3 目标轮廓提取 17
3.3.1 边缘检测 17
3.3.2 Roberts算子 18
3.3.3 Laplace算子 19
3.3.4 Sobel算子 20
3.3.5 Canny算子 21
3.3.6 讨论与分析 23
3.4 本章小结 24
第四章 图像目标检测算法 25
4.1 引言 25
4.2 Hough变换 25
4.3 直线检测 26
4.4 圆形检测 30
4.5 本章小结 33
第五章 水下目标跟踪算法与实现 34
5.1 引言 34
5.2 视频帧间差分目标跟踪算法 34
5.3 联合颜色纹理直方图的Meanshift算法 37
5.3.1 Meanshift算法 37
5.3.2 LBP纹理特征 38
5.3.3 基于颜色纹理直方图的目标跟踪算法 39
5.5 讨论与分析 42
5.6 本章小结 42
第六章 总结与展望 43
6.1总结 43
6.2 展望 43
参考文献 45
致谢 46
附录 47
附录1：主要程序 47
附录2：外文翻译 51
第一章 绪论
1.1 研究背景及意义
海洋中却有着大量未开采的石油、天然气、矿产等资源，更有丰富的海洋生物资源有待研究开发，所以对具有70%地表面积的海洋的积极深入研究成为当代科学研究的一个重要方向。拥有着海量资源的同时海洋还有着巨大的战略地位，研究水下目标的跟踪检测技术对于海上军事对抗中迅速的发现、摧毁鱼雷、潜艇等敌方目标具有重要意义，所以各国海军水下前沿科技的研究也非常紧迫。随着海洋开发的快速发展,声呐技术的发展给水下作业带来了巨大的改变，随着水下机器人的发展，水下图像的分析应用越来越广泛，在军事上可用于侦察、鱼雷布置与潜水救生；在民用中可用于数据收集、水下考察、水下探测、水下测绘、海底管道铺设、水下设施的维修和维护等。
由于在水下复杂环境当中，水质区域差异、悬浮颗粒的不规则运动，光的散射以及光线随着水深的衰减均比较明显，所以由水下机器人获取的声呐图像与在正常条件下获得的图片之间有很大的差别，总体质量比较差，适用于陆地上的图像处理方法并不能完全适用于水下图像的处理，因此，开展基于图像的水下目标检测跟踪技术的研究非常重要[1]。
1.2 水下目标检测与跟踪算法研究现状
随着人类科学技术的发展以及对水下探索应用需求的增长，水下目标的识别与跟踪技术也日愈完善。自主式水下机器人（AUV）在水下目标识别与跟踪的干扰有很多，水对光的衰减、光的强度和折射衍射的变化、水质水纹、水中悬浮微粒以及水中浮游生物会使视频背景产生变化，对目标的跟踪造成干扰；水中的各种噪声也对目标检测跟踪带来很多困难。
图像预处理的研究由于应用广泛，所以技术比较成熟完善。利用平滑或者低通滤波器去噪，用直方图均衡化增加图像对比度等等。根据图像滤波的特点常见的滤波方法有中值滤波、邻域平均滤波、高斯滤波以及维纳滤波，这些滤波方法十分成熟，在图像处理中都有很广泛的应用。
目标的边缘轮廓提取一般分为两种边缘：一种是在边缘两侧的亮度值有显著区别的阶跃性边缘，另一种是处于图像亮度值变化峰值处的屋顶边缘。主动轮廓算法可以灵活方便地选择起始的边缘轮廓、作用区域、约束力等参数，可以供各类图像处理应用，分割效果显著。该技术也是技术研究中的热点问题，由Chan与Vese等人提出的CV模型图像分割算法是应用较多的主动轮廓算法，适用于水下球体以及椭球体的分割。另外Roberts算子、Laplace算子、Sobel算子、Canny算子等都是经典常用的边缘提取算法。
水下目标识别技术是国外最优先发展的重要技术之一。比如美军正在研究和使用的BQQ3的潜用声呐目标分类系统，美国ORCAVII视觉系统，日本SK8海岸预警系统，英国Plymouth和Cranfield联合研发的AUV“Hammerhead”系统都是现代表性的识别系统，一般研究中识别常用方法有BP(Back Propagation)神经网络、小波变换、分形理论、Hough变换等[2]。目标识别一般流程为：
待识别目标
图像预处理
轮廓提取
选取特征量
识别判断
输出结果
图1.1 目标识别的流程
因为人工神经网络拥有自主学习、联想、计算、控制等能力，能由简单的非线性元素的联合映射从而得到更强的非线性处理能力，所以基于BP神经网络的识别方法在图像目标识别技术中具有很大的优越性，并且能够达到自动识别的目的，比如英国的C.R.Gent与C.P.sheepard研发的被动声呐分类系统还有A.P.RuSS与J.meister等研发的分类器就属于神经网络的应用。小波是一个函数，具有特殊的属性，并且积分为零，小波具有衰减性和波动性。图像识别中应用的分形理论是运用盒维数来计算图像的分形维数作为识别特征，从而获得检测的效果。Hough变换是Paul Hough在1962年提出的，它将一幅图像从当前图像空间映射到参数空间，经过Hough变换后参数空间中的峰值即可能是目标的边缘线。
目 录
摘 要 I
ABSTRACT II
目 录 III
第一章 绪论 1
1.1 研究背景及意义 1
1.2 水下目标检测与跟踪算法研究现状 2
1.3 论文内容安排 3
第二章 水下图像预处理技术研究 5
2.1 引言 5
2.2 图像滤波 5
2.2.1 中值滤波 5
2.2.2 邻域均值滤波 6
2.2.3 高斯滤波 7
2.2.4 讨论与分析 8
2.3 图像灰度变换 8
2.3.1 图像灰度化 8
2.3.2 直方图均衡化 10
2.4 图像形态学处理 11
2.4.1 膨胀与腐蚀 11
2.4.2 孔洞填充 12
2.4.3 开运算与闭运算 13
2.5 本章小结 14
第三章 目标轮廓提取算法 15
3.1引言 15
3.2 图像分割 15
3.2.1 二值分割 15
3.2.2 Otsu阈值分割 16
*好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
3.3 目标轮廓提取 17
3.3.1 边缘检测 17
3.3.2 Roberts算子 18
3.3.3 Laplace算子 19
3.3.4 Sobel算子 20
3.3.5 Canny算子 21
3.3.6 讨论与分析 23
3.4 本章小结 24
第四章 图像目标检测算法 25
4.1 引言 25
4.2 Hough变换 25
4.3 直线检测 26
4.4 圆形检测 30
4.5 本章小结 33
第五章 水下目标跟踪算法与实现 34
5.1 引言 34
5.2 视频帧间差分目标跟踪算法 34
5.3 联合颜色纹理直方图的Meanshift算法 37
5.3.1 Meanshift算法 37
5.3.2 LBP纹理特征 38
5.3.3 基于颜色纹理直方图的目标跟踪算法 39
5.5 讨论与分析 42
5.6 本章小结 42
第六章 总结与展望 43
6.1总结 43
6.2 展望 43
参考文献 45
致谢 46
附录 47
附录1：主要程序 47
附录2：外文翻译 51
第一章 绪论
1.1 研究背景及意义
海洋中却有着大量未开采的石油、天然气、矿产等资源，更有丰富的海洋生物资源有待研究开发，所以对具有70%地表面积的海洋的积极深入研究成为当代科学研究的一个重要方向。拥有着海量资源的同时海洋还有着巨大的战略地位，研究水下目标的跟踪检测技术对于海上军事对抗中迅速的发现、摧毁鱼雷、潜艇等敌方目标具有重要意义，所以各国海军水下前沿科技的研究也非常紧迫。随着海洋开发的快速发展,声呐技术的发展给水下作业带来了巨大的改变，随着水下机器人的发展，水下图像的分析应用越来越广泛，在军事上可用于侦察、鱼雷布置与潜水救生；在民用中可用于数据收集、水下考察、水下探测、水下测绘、海底管道铺设、水下设施的维修和维护等。
由于在水下复杂环境当中，水质区域差异、悬浮颗粒的不规则运动，光的散射以及光线随着水深的衰减均比较明显，所以由水下机器人获取的声呐图像与在正常条件下获得的图片之间有很大的差别，总体质量比较差，适用于陆地上的图像处理方法并不能完全适用于水下图像的处理，因此，开展基于图像的水下目标检测跟踪技术的研究非常重要[1]。
1.2 水下目标检测与跟踪算法研究现状
随着人类科学技术的发展以及对水下探索应用需求的增长，水下目标的识别与跟踪技术也日愈完善。自主式水下机器人（AUV）在水下目标识别与跟踪的干扰有很多，水对光的衰减、光的强度和折射衍射的变化、水质水纹、水中悬浮微粒以及水中浮游生物会使视频背景产生变化，对目标的跟踪造成干扰；水中的各种噪声也对目标检测跟踪带来很多困难。
图像预处理的研究由于应用广泛，所以技术比较成熟完善。利用平滑或者低通滤波器去噪，用直方图均衡化增加图像对比度等等。根据图像滤波的特点常见的滤波方法有中值滤波、邻域平均滤波、高斯滤波以及维纳滤波，这些滤波方法十分成熟，在图像处理中都有很广泛的应用。
目标的边缘轮廓提取一般分为两种边缘：一种是在边缘两侧的亮度值有显著区别的阶跃性边缘，另一种是处于图像亮度值变化峰值处的屋顶边缘。主动轮廓算法可以灵活方便地选择起始的边缘轮廓、作用区域、约束力等参数，可以供各类图像处理应用，分割效果显著。该技术也是技术研究中的热点问题，由Chan与Vese等人提出的CV模型图像分割算法是应用较多的主动轮廓算法，适用于水下球体以及椭球体的分割。另外Roberts算子、Laplace算子、Sobel算子、Canny算子等都是经典常用的边缘提取算法。
水下目标识别技术是国外最优先发展的重要技术之一。比如美军正在研究和使用的BQQ3的潜用声呐目标分类系统，美国ORCAVII视觉系统，日本SK8海岸预警系统，英国Plymouth和Cranfield联合研发的AUV“Hammerhead”系统都是现代表性的识别系统，一般研究中识别常用方法有BP(Back Propagation)神经网络、小波变换、分形理论、Hough变换等[2]。目标识别一般流程为：
待识别目标
图像预处理
轮廓提取
选取特征量
识别判断
输出结果
图1.1 目标识别的流程
因为人工神经网络拥有自主学习、联想、计算、控制等能力，能由简单的非线性元素的联合映射从而得到更强的非线性处理能力，所以基于BP神经网络的识别方法在图像目标识别技术中具有很大的优越性，并且能够达到自动识别的目的，比如英国的C.R.Gent与C.P.sheepard研发的被动声呐分类系统还有A.P.RuSS与J.meister等研发的分类器就属于神经网络的应用。小波是一个函数，具有特殊的属性，并且积分为零，小波具有衰减性和波动性。图像识别中应用的分形理论是运用盒维数来计算图像的分形维数作为识别特征，从而获得检测的效果。Hough变换是Paul Hough在1962年提出的，它将一幅图像从当前图像空间映射到参数空间，经过Hough变换后参数空间中的峰值即可能是目标的边缘线。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/3044.html
