论文部分内容阅读
声呐是水下目标探测的主要手段之一,传统的水下目标检测主要通过人工的方式,从声呐图像中对目标对象进行标识,这种方式费时费力。随着水下机器人技术的发展及声呐成像能力的提高,越来越多的计算机辅助检测技术应用到了水下目标检测的任务当中。由于水下环境复杂,声呐图像受到噪声的影响较大,并且声呐图像的成像质量较低,这都给计算机的自动目标识别带来了一定的困难。在图像识别中,图像特征的选择尤为重要,不同类型的特征在不同类型的图像中的分类效果是不同的。本文研究特征选择的方法,选取具有区分度的特征用于声呐图像中的水下目标的分类。本文将Boosting技术用于特征的选择,使用滑动窗口的方式完成对声呐图像的目标检测。选用GentleBoost方法代替AdaBoost方法,提高分类器的效率。在用于特征选择的特征池的创建上,使用了包括局部特征和模型特征等的共六类特征。在实验部分,选取单一类型特征、双类型特征、三类型特征及全部特征的不同类型的特征组合用于分类器的训练,并且比较了不同特征组合的分类效果。结果表明使用复合特征分类器的分类效果是优于使用单一特征的分类器的。其次将分层及多示例学习的概念应用于分类器的训练与分类,改善分类器的训练方法。通过实验,将使用这些方法训练的分类器与标准方法训练的分类器进行了比较,实验结果表明,这些方法在简化训练过程的同时,对分类的效果有一定的改善。最后,由于声呐图像的获取成本较高,因此本文使用少量的真实数据进行了数据的合成,并且使用上述特征选择的方法,将合成数据与真实数据的训练与分类效果进行了比较。实验结果表明,使用合成数据进行训练的分类器的分类效果与使用真实数据训练的分类器的分类效果近似。因此,在缺乏真实的训练与测试声呐图像数据时,可以使用合成数据对分类算法以及所选特征的分类效果进行近似的评估。