Page 239 - 应用声学2019年第4期
P. 239

第 38 卷 第 4 期                 王梁等: 基于超椭圆拟合的水下小目标分类                                           699


             数,该方法克服全部参数迭代产生的高计算量问题,                           置不同的方形程度参数,将所有的参数带入超椭圆
             缺点是对不完整的阴影轮廓进行拟合过程中,会产                            函数内得到一个初始的超椭圆曲线。
             生较大的误差,严重时可能出现偏离给定曲线的现                                椭圆函数的一般式为
             象。Rosin等   [10]  提出一种基于欧式距离构造目标函                      f(a, (x, y)) = D · a
             数的方法,该方法生成的曲线在形变程度上低于以
                                                                                   2
                                                                      2
                                                                = a 1 x + a 2 xy + a 3 y + a 4 x + a 5 y + a 6 = 0, (6)
             上几种方法且不存在曲率有偏性问题,在曲线拟合
                                                                            2
                                                                                  2
                                                               其中,D = (x , xy, y , x, y, 1),a = (a 1 , a 2 , a 3 , a 4 ,
             领域应用广泛,本文也采用基于欧式距离的方法构
                                                                                       2
                                                               a 5 , a 6 ),且满足约束条件 a − 4a 2 a 4 = −1,使用边
             造目标函数。                                                                    1
                                                               界的 N 个坐标点 X i = (x i , y i ),i = 1, 2, · · · , N 最
                 基于欧式距离构造目标函数的方法主要是寻
                                                               小化目标函数
             找目标阴影边界坐标点与超椭圆曲线中心连线和
                                                                                      N
             超椭圆曲线的交点到目标阴影边界坐标点的距离,                                   Min∆(a, X) =   ∑  (f(a, X i )) 2
             此距离作为超椭圆模型的欧式距离,如图3 所示,欧                                                i=1
                                                                                      N
             式距离计算表达式为                                                               ∑
                                                                                                T
                                                                                           T
                                                                                  =     (a) (D i ) D i a
                       √
                                               2
                                   2
                   d =   (X p − X s ) + (Y p − Y s ) ,  (3)                          i=1
                                                                                       T
                                                                                  = (a) Sa,               (7)

                                             ] 2/ε
                           /[        (    )
                              1       Y p  2/ε
                                                                              T
                   X s = 1        +              ,   (4)    其中,S = (D i ) D i 是 6 × 6 的矩阵。根据约束条

                              a 2/ε   X p b

                                                               件得到
                           X p
                   Y s = X s  ,                         (5)                       T
                           Y p                                                 (a) Ca = −1,               (8)
             其中,(X p , Y p )、(X s , Y s )和(X c , Y c )分别表示目标阴  其中,C ∈ R      6×6 , 除 C(1, 3) = C(3, 1) = −2、
             影边界的坐标点、超椭圆曲线上的坐标点和超椭圆                            C(2, 2) = 1外,其余为0,则优化问题可以写成
             曲线的中心,公式 (3)∼(5) 中将超椭圆曲线中心设                                            T
                                                                              Min(a) Sa
             置为原点。
                                                                                    T
                                                                              s.t. (a) Ca = −1.           (9)
                                              ↼X p֒ Y p↽
                                                               利用拉格朗日乘子法计算式(10)
                                                                                            T
                                                                                 T
                                                                       L(a) = (a) Sa − λ((a) Ca + 1)     (10)
                                           d i
                                                               对a求解导数得到
                                       ↼X s ֒ Y s ↽
                                                                                 Sa = λCa,               (11)
                             ↼X c ֒ Y c ↽  ↼֒ ↽
                                                               通过式 (11) 可得矩阵 a 内各个系数 a 1 , a 2 , a 3 , a 4 ,
                                                               a 5 , a 6 的值。将椭圆函数的一般式转换为标准式
                                                               后,加上预先估计的方形程度参数得到初始的超椭
                           图 3  欧式距离的定义
                                                               圆曲线。
                   Fig. 3 Definition of Euclidean distance
                                                               1.4  优化算法
             1.3 初值估计                                              为了优化目标函数,本文采用 Nelder-Mead 单
                 在优化目标函数之前,超椭圆函数中所有参数                          纯形法    [12] ,该算法将所有参数的初值带入到目标函
             的初值估计是非常重要的。文献 [11] 中提出的利用                        数内构成初始单纯形,对初始单纯形采用反射、扩
             已知坐标集拟合一个初始的椭圆,将椭圆的长轴、短                           展或压缩的手段代替最差顶点,当以上三种方法均
             轴、旋转角度、水平平移量和垂直平移量的值作为                            无法得到最差顶点时,利用收缩方式使单纯形逐渐
             初始值,这里除了方形程度参数外的所有参数都提                            收敛到一点,该点即为最优值。整个过程只需要计
             供了合理的初步估计,对于方形程度参数,采用循环                           算目标函数值而未进行任何求导运算,减少了计算
             的方式多次计算取最优值,针对不同的阴影形状设                            量。该算法的实现过程如下:
   234   235   236   237   238   239   240   241   242   243   244