一种基于改进PSO-SVM的前视声呐目标识别方法技术

本发明专利技术公开了基于改进PSO

【技术实现步骤摘要】
一种基于改进PSO
‑
SVM的前视声呐目标识别方法


[0001]本专利技术涉及海洋测量
，具体为一种基于改进PSO
‑
SVM的前视声呐目标识别方法。

技术介绍

[0002][0003]水下机器人通常被用于测量、检查和探索任务，因为其与各国海洋战略的契合，近年来得到了越来越多的关注。对于自主式水下航行器来说，搭建准确且灵敏的水下环境感知系统是其实现的基础。只有准确获取了潜艇、水雷、鱼群、海底沉物、地貌等目标的位置类别信息，才能自主完成各种重要任务。但由于水下环境的限制，如光散射、衰减和水下能见度差，其目标识别能力无法与陆地和空中机器人相比。光与电磁信息无法在水下有效传播，必须使用其他类型的传感器。前视声纳(FLS)可以在高帧率下捕捉水下物体和场景的高细节图像，不受水浊度和光学能见度的影响。如今，声呐图像识别逐渐成为热门的研究领域。
[0004]然而由于海洋环境过于复杂，声波信号在海底传播时会受到强烈的干扰。前视声纳一般中心频率都在几百千赫以上，而频率增长后，能量吸收是以平方次逐渐递增的，在海水介质中，声波的体积还会扩散，这也使得声波在海水中有着较大的损失，影响着图像声波的质量。而且声呐图像容易受到周围环境、噪声等外界因素的影响，如果目标被遮挡，会影响目标识别的准确性；为此提供了一种基于改进PSO
‑
SVM的前视声呐目标识别方法。

技术实现思路

[0005]本专利技术的目的是针对现有技术的缺陷，提供一种基于改进PSO
‑
SVM的前视声呐目标识别方法，以解决上述
技术介绍
提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于改进PSO
‑
SVM的前视声呐目标识别方法，具体步骤如下：
[0007]S1：自适应中值滤波；
[0008]中值滤波就是将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，自适应中值滤波就是在普通中值滤波的基础上，根据预先设定好的条件，改变滤波窗口的尺寸大小，同时还会根据一定的条件判断当前像素是不是噪声，如果是则用邻域中值替换掉当前像素；
[0009]S1：灰度线性变换；
[0010]声呐图像的灰度局限在一个很小的范围内，在显示器上看到的将是一个模糊不清、没有灰度层次的图像，用一个线性单值函数，对图像内的每一个像素做线性扩展，将有效地增强图像视觉效果，同时增大背景和目标物的区别，提高之后对图像进行二值化处理并分割的准确性，这就是灰度线性变换，其公式如下：g(x,y)＝k
×
f(x,y)+b
[0011]当k>1时，图像的像素值在变换后全部增大，同时图像的对比度也增大。
[0012]S3：声呐图像二值化；
[0013]设定固定阈值T，对于每一个大于T可能的阈值t，将直方图分为背景和前景，分别计算背景和前景的灰度方差σ
B
(t)、σ
F
(t)，分别计算一个像素是背景和前景的概率ω
B
(t)、ω
F
(t)。令σ
t
＝ω
B
(t)σ
B
(t)+σ
F
(t)ω
F (t)；选择最优阈值t
a
＝min(σ
t
)，通过Otus算法得到的最优阈值t
a
，以t
a
作为阈值对图像进行二值化处理；
[0014]S4：声呐图像分割；
[0015]通过区域增长的分割算法，为了将各个亮斑分割出来，图像经过分割后，得到若干个区域堆栈，统计每个区域堆栈中元素的数量，将其视为各个亮斑的面积，因为所要识别的目标形成的亮斑面积处于一定的范围内，不会太小或者过大，故设置阈值，去除小面积和大面积区域，得到疑似目标区域，计算每个疑似目标区域堆栈的均值，则得到了每个亮斑的质心，在未经处理的图像上截取以亮斑的质心为中心的矩形至此完成声呐图像的分割，然后，根据按亮斑区域划分出来的目标物的坐标，二值化前的图像上，再进行分割；
[0016]S5：特征提取；
[0017]对分割后的图像进行特征提取，获取其面积、周长、形状参数、灰度均值、灰度方差、HOG共6类特征；
[0018]S6：通过基于烟花算法改进的收缩因子PSO
‑
SVM进行分类；
[0019]通过烟花算法模拟烟花爆炸过程，使收缩因子PSO在为SVM算法寻找最优参数时，可在全局寻优的同时兼顾局部寻优；
[0020]支持向量机是一种能够很好地解决小样本、非线性、高维数等问题的机器学习方法，SVM的思想为基于训练集在样本空间中找到一个具有最大分类间隔的最优超平面；设最优超平面方程为：
[0021]w
T
x+b＝0
[0022]对于非线性问题，约束条件为：
[0023]y
i
w
T
x+b≥1
‑
ε
i
，ε
i
≥0
[0024]目标函数为：
[0025][0026]对于SVM算法而言，确定其核参数的选择至关重要，本专利技术采用径向基函数核；
[0027][0028]在径向基函数核中，惩罚系数C和gamma系数至关重要，需要通过算法寻找最优c,g参数；
[0029]带有惯性权重的粒子群算法存在过早收敛及使粒子收敛快于全局最优解的问题，可以通过引入带收缩因子的粒子群算法来解决这一问题。带收缩因子的粒子群算法在保持了粒子群多样性的同时具有更好的收敛率，其公式为：
[0030]V
i
(T+1)＝τ(V
i
(t)+dir(C1r1(P
i
‑
X
i
(t)+C2r2(P
g
‑
X
i
(t)))
[0031][0032]烟花算法(FWA)是模拟烟花爆炸过程的一种进化算法，可在全局寻优的同时兼顾局部寻优。种群内烟花爆炸变成爆炸火花，同时选择部分烟花通过高斯变异产生变异火花，
有利于增加种群的多样性。将原始烟花、爆炸火花和变异火花合并为一个种群，采用轮盘赌方式选择下一代种群。对于烟花x
i
，其爆炸半径A
i
、爆炸火花数量S
i
如下：
[0033][0034][0035]y
min
＝min(f(x
i
)),y
max
＝max(f(x
i
)),分别表示烟花种群中适应度最差值和最大值，A是用来调整爆炸半径大小的常数，M是调整爆炸产生的火花数量的常数，ε是一个机器最小量，以避免分母为零；
[0036]烟花算法改进的收缩因子粒子群算法引入烟花算法中火花爆炸变异的思想，算法在迭代的过程中，为了对局部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进PSO
‑
SVM前视声呐图像分类的方法，其特征在于，包括以下步骤：S1：自适应中值滤波；S2：灰度线性变换；S3：声呐图像二值化；设定固定阈值T，对于每一个大于T可能的阈值t，将直方图分为背景和前景，分别计算背景和前景的灰度方差σ
B
(t)、σ
F
(t)，分别计算一个像素是背景和前景的概率ω
B
(t)、ω
F
(t)；令σ
t
＝ω
B
(t)σ
B
(t)+σ
F
(t)ω
F
(t)；选择最优阈值t
a
＝min(σ
t
)，通过Otus算法得到的最优阈值t
a
，以t
a
作为阈值对图像进行二值化处理；S4：声呐图像分割；通过区域增长的分割算法，为了将各个亮斑分割出来，图像经过分割后，得到若干个区域堆栈，统计每个区域堆栈中元素的数量，将其视为各个亮斑的面积，因为所要识别的目标形成的亮斑面积处于一定的范围内，不会太小或者过大，故设置阈值，去除小面积和大面积区域，得到疑似目标区域；计算每个疑似目标区域堆栈的均值，则得到了每个亮斑的质心，在未经处理的图像上截取以亮斑的质心为中心的矩形至此完成声呐图像的分割，然后，根据按亮斑区域划分出来的目标物的坐标，二值化前的图像上，再进行分割；S5：特征提取；对分割后的图像进行特征提取，获取其面积、周长、形状参数、灰度均值、灰度方差、HOG共6类特征；S6：通过基于烟花算法改进的收缩因子PSO
‑
SVM进行分类；通过烟花算法模拟烟花爆炸过程，使收缩因子PSO在为SVM算法寻找最优参数时，可在全局寻优的同时兼顾局部寻优；支持向量机是一种能够很好地解决小样本、非线性、高维数等问题的机器学习方法；SVM的思想为基于训练集在样本空间中找到一个具有最大分类间隔的最优超平面；设最优超平面方程为：w
T
x+b＝0对于非线性问题，约束条件为：y
i
w
T
x+b≥1
‑
ε
i
，ε
i
≥0目标函数为：对于SVM算法而言，确定其核参数的选择至关重要，采用径向基函数核；在径向基函数核中，惩罚系数C和gamma系数至关重要，需要通过算法寻找最优c,g参数；带有惯性权重的粒子群算法存在过早收敛及使粒子收敛快于全局最优解的问题，可以通过引入带收缩因子的粒子群算法来解决这一问题；带收缩因子的粒子群算法在保持了粒子群多样性的同时具有更好的收敛率，其公式为：V
...

【专利技术属性】
技术研发人员：孙佳龙，沈志超，夏子铭，胡家祯，于松，朱国豪，赵思聪，吉方正，沈舟，鞠子夏，
申请(专利权)人：连云港蓝途智能科技有限公司，
类型：发明
国别省市：