Page 133 - 《应用声学》2021年第2期

第 40 卷 第 2 期 巩文静等： 基于形状特征的水声图像小目标识别方法 301

免的影响，导致最终获得的目标区域形状在一定程 目标区域的形状较为清晰，提取目标区域的多个形
度上发生畸变，使得识别准确率有所降低，但是最高 状参数作为特征向量，输入随机森林分类器对目标
也能达到82.9%，具有较好的效果。 进行识别。通过加入不同程度的高斯噪声和与其他
方法进行对比，最终的结果表明，本文使用的基于形
表 3 不同噪声下识别准确率
状特征的目标识别方法能够抑制背景噪声，较好地
Table 3 Recognition accuracy rate under
满足水下目标识别效果的要求，在识别准确率上相
different noises
较于其他方法具有一定优势，对于手形、动作、交通
平均识别率/% 标志等其他领域的图像识别具有一定参考价值。
高斯噪声 (σ 为方差)
仿真样本 实测样本
无 100 82.9
参 考 文 献
σ = 0.01 99.3 79.6
σ = 0.04 98.9 76.4
[1] 郭戈, 王兴凯, 徐慧朴. 基于声呐图像的水下目标检测、识别与
σ = 0.09 97.7 74.2
跟踪研究综述 [J]. 控制与决策, 2018, 33(5): 906–922.
Guo Ge, Wang Xingkai, Xu Huipu. Review on underwater
3.4 方法比较
target detection, recognition and tracking based on sonar
本文将该方法与基于水平集和不变矩的识别 image[J]. Control and Decision, 2018, 33(5): 906–922.
[2] 刘纪元. 合成孔径声呐技术研究进展 [J]. 中国科学院院刊,
方法、使用支持向量机 (Support vector machine,
2019, 34(3): 283–288.
SVM) 分类器的识别方法进行了比较。对原始水声 [3] 许文海, 续元君, 董丽丽, 等. 基于水平集和支持向量机的图
图像进行去噪和分割处理后，分别进行如下操作： 像声呐目标识别 [J]. 仪器仪表学报, 2012, 33(1): 49–55.
Xu Wenhai, Xu Yuanjun, Dong Lili, et al. Level-set and
(1) 利用水平集提取目标轮廓，得到 Hu不变矩结合
SVM based target recognition of image sonar[J]. Chinese
随机森林分类器进行识别；(2) 按照本文方法提取 Journal of Scientific Instrument, 2012, 33(1): 49–55.
目标特征，使用 SVM 分类器进行识别；(3) 按照上 [4] Dura E, Bell J, Lane D. Superellipse fitting for the re-
covery and classification of mine-like shapes in sidescan
述实验过程，利用目标的形状特征和随机森林的方
sonar images[J]. IEEE Journal of Oceanic Engineering,
法进行识别。实验结果如表4所示。 2008, 33(4): 434–444.
[5] Sinai A, Amar A, Gilboa G. Mine-like objects detection
表 4 不同方法识别准确率 in side-scan sonar images using a shadows-highlights ge-
ometrical features space[C]. OCEANS 2016 MTS/IEEE
Table 4 Recognition accuracy rate of dif-
Monterey, Monterey, CA, 2016: 1–6.
ferent methods [6] Zhai H, Jiang Z, Zhang P, et al. Underwater object high-
light segmentation in SAS image using Rayleigh mixture
平均识别率/%
方法 model[C]. 2015 IEEE International Conference on Control
仿真样本 实测样本 System, Computing and Engineering(ICCSCE), George-
不变矩 + 随机森林 90.1 68.7 Town, 2015: 418–423.
SVM 97.0 80 [7] 王喜龙, 孟禹彤. 基于水平集和支持向量机的图像声呐目标识
别 [J]. 中国新技术新产品, 2016(13): 3–4.
本文方法 100 82.9
[8] Williams D P. Underwater target classification in syn-
thetic aperture sonar imagery using deep convolutional
由表 4可见，对仿真样本来说，本文提出的方法
neural networks[C]. 2016 23rd International Confer-
相较于其他两种方法识别准确率分别提高 9.9% 和 ence on Pattern Recognition (ICPR), Cancun, 2016:
3%，实测样本识别率分别提高 14.2%和2.9%。结果 2497–2502.
[9] 朱可卿, 田杰, 黄海宁. 水下高分辨率声图中小目标的深度网
表明，本文提出的方法能够充分利用目标信息，与其
络分类方法 [J]. 声学学报, 2019, 44(4): 595–603.
他方法相比具有更高的识别率。 Zhu Keqing, Tian Jie, Huang Haining. Underwater ob-
jects classification method in high-resolution sonar images
4 结论 using deep neural network[J]. Acta Acustica, 2019, 44(4):
595–603.
[10] 石洋, 胡长青. 基于粒子群最小二乘支持向量机的前视声呐目
本文利用水声图像中目标的形状特征，实现了
标识别 [J]. 声学技术, 2018, 37(2): 122–128.
完整的目标识别过程。经过图像处理和形态分割后， Shi Yang, Hu Changqing. Forward-looking sonar target