[發(fā)明專利]一種低秩矩陣分解的譜線檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010121155.6
• 申請(qǐng)日: 2020-02-26
• 公開(kāi)（公告）號(hào): CN111368679B
• 公開(kāi)（公告）日: 2022-03-22
• 發(fā)明（設(shè)計(jì)）人: 韓一娜;鄧劍晶;劉清宇;馬遠(yuǎn)良
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06V10/30;G01S7/539
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 劉新瓊

本發(fā)明涉及一種基于視頻處理的譜線檢測(cè)方法，運(yùn)用提取視頻背景處理方法對(duì)LOFAR圖進(jìn)行處理，以實(shí)現(xiàn)譜線提取的效果。本發(fā)明在較低的信噪比的條件下可以提取LOFAR圖中的譜線。

技術(shù)領(lǐng)域

本發(fā)明屬于水聲技術(shù)中的被動(dòng)檢測(cè)技術(shù)，特別涉及一種對(duì)譜線檢測(cè)的創(chuàng)新方法。

背景技術(shù)

提高提取LOFAR(Low Frequency And Recording)圖中譜線的能力，對(duì)被動(dòng)聲吶的目標(biāo)檢測(cè)跟蹤和分類識(shí)別具有重要的意義。在低信噪比情況下成功提取出LOFAR圖中的譜線面臨多方面的挑戰(zhàn)：一是要提取出低信噪比的譜線，必須選擇低的檢測(cè)門限，由此導(dǎo)致的過(guò)多噪聲點(diǎn)不易剔除；二是存在信號(hào)和背景起伏以及寬帶干擾等情況，導(dǎo)致LOFAR圖中的譜線時(shí)明時(shí)暗，甚至在譜線中間也會(huì)出現(xiàn)許多斷點(diǎn)；三是信號(hào)和噪聲的動(dòng)態(tài)范圍都比較大，即使對(duì)應(yīng)同一目標(biāo)的LOFAR圖，也經(jīng)常會(huì)出現(xiàn)多根強(qiáng)弱譜線并存的情況。LOFAR圖中的譜線提取問(wèn)題從上世紀(jì)40年代中期LOFAR圖出現(xiàn)就開(kāi)始研究。自上世紀(jì)80年代開(kāi)始到現(xiàn)在，LOFAR圖中的譜線自動(dòng)提取問(wèn)題又吸引了更多具有圖像處理、人工智能和統(tǒng)計(jì)信號(hào)處理等領(lǐng)域背景的學(xué)者的廣泛關(guān)注。 Thomas A Lampert等人將LOFAR圖中的譜線提取問(wèn)題看作是周期圖中的軌跡檢測(cè)問(wèn)題，根據(jù)與成功應(yīng)用有關(guān)的一系列準(zhǔn)則對(duì)軌跡檢測(cè)算法進(jìn)行了綜述，并指出尚未有一種算法滿足所有的準(zhǔn)則。這些準(zhǔn)則包括算法應(yīng)對(duì)背景噪聲的變化、軌跡的強(qiáng)弱變化、軌跡頻率變化的能力，分辨距離很近軌跡的能力，低信比下的軌跡檢測(cè)能力，是否需要軌跡的起止時(shí)間等先驗(yàn)信息，以及算法的計(jì)算量大小等。LOFAR圖中的譜線提取問(wèn)題從上世紀(jì)中期到現(xiàn)在一直是一個(gè)值得深入研究的課題。

本發(fā)明從視頻處理的角度對(duì)譜線圖像進(jìn)行處理。本發(fā)明通過(guò)將處理監(jiān)控視頻的算法——基于混合高斯分布的低秩矩陣分解算法引入水聲領(lǐng)域的LOFAR圖譜線提取處理中，并得到了較好的效果。

下面介紹本發(fā)明所使用的算法——基于混合高斯分布的低秩矩陣分解算法。設(shè)數(shù)據(jù)矩陣為其中d，n分別表示數(shù)據(jù)維數(shù)和數(shù)據(jù)個(gè)數(shù)，每一個(gè)列向量x_i表示d維測(cè)度。一般的低秩矩陣分解(Low Rank Matrix Factorization，LRMF)問(wèn)題可以表述為：

其中和都是低維矩陣r＜＜min(d，n)。w是與X大小相同的指示矩陣，其中w_ij＝0(x_ij缺失)1(其他)。表示取L_p范數(shù)。

公式(1-1)可以在最大似然估計(jì)(Maximum Likihood Estimate，MLE)框架下等效地理解為

x_ij＝(u_i)^Tv_j+ε_ij (1-2)

其中分別是U和V的第i行和第j行向量，ε_ij表示加至x_ij中的噪聲元素。

為了使模型對(duì)復(fù)雜噪聲具有魯棒性，可以將噪聲建模將噪聲建模為混合高斯分布(MoG)。令式(1-2)中ε_ij的概率分布為

其中N(ε|0，σ²)表示均值為0，方差為σ²的高斯分布；π_k≥0表示混合比例且滿足那么x中每一個(gè)元素x_ij的概率密度分布可寫為

其中∏＝{π₁，π₂，…，π_K}，∑＝{σ₁，σ₂，…，σ_K}。因此可將X的似然寫為：

其中，Ω是X中未丟失元素的集合。