基于随机共振和支持向量机的水下目标检测

黄家闽，杨珑颀

(浙江大学信息与电子工程系，浙江 杭州 310027)

摘要：声纳图像作为探测水下目标的主要工具，常伴有非高斯噪声，传统的目标检测方法无法较好地应用于声纳图像。提出利用随机共振系统对图像进行降噪处理，并提取图像的梯度特征作为支持向量机的输入特征向量，最终实现水下目标的智能检测。仿真实验结果表明，通过调节随机共振系统的参数能够提高目标检测率，并且该方法的计算量小，具有一定的应用前景。

关键词：声纳图像；随机共振；目标检测；支持向量机

DOI: 10.13954/j.cnki.hdu.2015.01.004

基于随机共振和支持向量机的水下目标检测

黄家闽，杨珑颀

(浙江大学信息与电子工程系，浙江 杭州 310027)

摘要：声纳图像作为探测水下目标的主要工具，常伴有非高斯噪声，传统的目标检测方法无法较好地应用于声纳图像。提出利用随机共振系统对图像进行降噪处理，并提取图像的梯度特征作为支持向量机的输入特征向量，最终实现水下目标的智能检测。仿真实验结果表明，通过调节随机共振系统的参数能够提高目标检测率，并且该方法的计算量小，具有一定的应用前景。

关键词：声纳图像；随机共振；目标检测；支持向量机

DOI:10.13954/j.cnki.hdu.2015.01.004

收稿日期：2014-11-03

基金项目：中国博士后基金资助项目(2013M531457)

作者简介：黄家闽(1985-)，男，浙江奉化人，博士后，水声信号处理.

中图分类号：TP391.41

文献标识码：：A

文章编号：：1001-9146(2015)01-0023-04

Abstract:Sonar imaging， as an important tool for underwater target detection， is often corrupted by non-Gaussian noises， thus the conventional object detection algorithms cannot be effectively applied in sonar image processing. This paper proposes a new method in which a stochastic resonance system is applied to preprocess the images and then normed gradients features are input into the support vector machine， so as to intelligently detect underwater targets. The experiment results show that the proposed approach can improve the target detection rate by tuning the parameters of the stochastic resonance system. Moreover， this method has low computational load and relatively broad application prospect.

0引言

声纳图像是探测水下目标的主要工具，它的成像原理有别于普通光学图像，且常伴有大量非高斯噪声。因此，基于高斯噪声假设的传统目标检测方法无法较好地应用于声纳图像。随机共振描述的是增加噪声能够提高部分非线性系统的输出信噪比[1]。并且研究表明通过调节随机共振系统的参数能够降低噪声，可被应用于非高斯噪声背景下的信号检测问题[2-3]。支持向量机(Support Vector Machine，SVM)是一种基于统计学习理论的机器学习方法，具有更容易训练、无局部极小值等优点[4]。本文将随机共振系统作为声纳图像的降噪处理模块，并提取降噪后图像的梯度特征输入训练后的SVM，最终实现对水下目标的检测。

1基于随机共振的图像降噪处理方法Equation Section (Next)

考虑到图像信号由离散的像素点组成，本文采用具有如下形式的离散随机共振系统[2]：

yi=F(yi-1)+xi

(1)

由于图像是二维信号，本方法从上到下、从下到上、从左到右、从右到左逐行(列)扫描图像，得到的4组一维信号。这样的处理方法能够兼顾图像在垂直方向上的信息。并且考虑随机共振系统具有一定的响应滞后，通过往返扫描图像尽可能地抵消图像在某一方向上的畸变。随后将4组一维信号分别输入离散随机共振系统进行处理，输出的信号还原成4幅图像。最后，将处理后的4幅图像加权平均得到降噪处理结果。

2基于SVM的目标检测算法

(2)

式中，wTφ(xi)+b为高维空间中的超平面，φ为非线性映射，ξi为第i个松弛变量，C为惩罚因子。该模型的对偶问题为l阶二次规划问题，通过求解这一规划问题，最终得到SVM函数如下：

(3)

式中，x为测试样本，α为拉格朗日乘子，并且内积运算[φ(xj)，φ(x)]可以用一个核函数K来计算。本文采用径向核函数如下：

(4)

式中，参数γ的取值为特征向量维度的倒数。

图像的梯度值计算简单，并能反映目标的轮廓和内部细节特性[5]。因此，本文以声纳图像的梯度特征作为输入SVM的特征向量x。对于任意位置像素点梯度值的计算公式如下：

(5)

式中，(m，n)为像素的坐标，I为该像素的灰度值。

本文采用滑动窗方法遍历声纳图像，并通过调节窗的大小和形状产生若干数量的图像块。将任意大小的图像块缩放成统一大小(本文采用20×20)，从而保证图像块具有相同的特征向量维度。计算每一个图像块的梯度特征，并输入经过训练的SVM进行分类，进而判断图像块内是否包含目标。

3仿真实验

在仿真实验中，本文共收集了42张声纳图像。首先通过人工标定目标位置用于产生训练实例集。利用随机共振系统对图像进行降噪处理，参数a和b分别取1，1.2，1.4，1.6，1.8和10，100，1 000，10 000，共组合成24组参数对。随后采用留一法检验算法的目标检测性能，即每次取一幅图像作为测试样本，剩余图像作为训练样本。最后将所有性能参数进行平均。部分声纳图像的最优目标检测结果如图1所示，可以看到当背景噪声较小时，本文的算法能够较好地识别目标的位置和大小；当背景噪声较大或者多个目标物位置相近时，本方法的识别性能将有所下降。

图1　声纳图像的最优目标检测结果

本文以目标检测率，即输出检测框在真实检测框中的覆盖率，作为评价算法性能的量化指标。不同随机共振系统参数下目标检测率随SVM阈值的变化如图2所示。从图2可以看到，随着目标检测分类器SVM阈值的从右到左不断减小，目标检测率呈现不断上升的趋势。对于利用参数为a=1.2，b=100的随机共振系统进行处理的图像集，算法的目标检测率可以达到峰值90%，优于未处理图像的检测率。同时，图2中，若干应用随机共振系统(例如a=1.2、b=100；a=2、b=1 000等)处理后的检测性能曲线也完全处于未处理图像结果的上方。因此可以得出结论，利用随机共振系统对声纳图像进行降噪处理有利于提高声纳图像的目标检测率。

图2　不同随机共振系统参数下目标检测率随SVM阈值的变化

4结束语

本文提出了一种基于随机共振的声纳图像降噪处理方法，通过提取降噪后图像的梯度特征作为SVM的输入特征向量，最终实现对水下目标的检测。该方法计算简单，易于实现，具有一定的工程应用前景。仿真实验结果表明，随机共振系统在降噪的同时能够保留目标的梯度信息，并且通过调节随机共振的系统参数能够提高目标检测率。

参考文献

[1]Gammaitoni L， Hänggi P， Jung P，et al. Stochastic resonance[J]. Reviews of modern physics，1998，70(1)，223-283.

[2]Zhang H， Xu B， Li J， et al. Evaluation of bistable systems for binary signal detection in symmetric non-Gaussian noise[J]. Probabilistic Engineering Mechanics，2010，25(1)，119-126.

[3]Huang J M ， Tao W M， Xu B H. Evaluation of an Asymmetric Bistable System for Signal Detection under Levy Stable Noise[J]. Chinese Physics Letters，2012，29(1)，010 501.

[4]Osuna E， Freund R， Girosi F. Training support vector machines: an application to face detection[C] //Computer Vision and Pattern Recognition， 1997. Proceedings.， 1997 IEEE Computer Society Conference on. IEEE，1997:130-136.

[5]Cheng M M， Zhang Z， Lin W Y， et al. BING: Binarized normed gradients for objectness estimation at 300fps[C] //IEEE CVPR，2014.

Underwater Target Detection Based on Stochastic

Resonance and Support Vector Machine

Huang Jiamin， Yang Longqi

(DepartmentofInformationScienceandElectronicEngineering，ZhejiangUniversity，HangzhouZhejiang310027，China)

Key words: sonar image; stochastic resonance; target detection; support vector machine