本書全面地介紹了水下目標檢測與跟蹤領域的系統知識及最新成果，主要內容包括聲納圖像分割方法、聲納圖像目標檢測方法、基于不同原理的聲納圖像目標識別方法、基于最小生成樹的目標跟蹤方法、基于圖的半監督目標跟蹤方法、基于?1圖半監督學習的目標跟蹤方法、基于多視圖半監督協同訓練的目標跟蹤方法。此外，還給出了一些水下目標檢測與跟蹤應用的案例。結合不同的應用背景，分析梳理并解決相關算法的環境適應性修正，為工程化應用提供必要的技術基礎和有價值的參考。
李軻，男，1985年生，海軍上校，2013年獲系統工程專業博士學位。研究方向為目標檢測與識別、協同探測與數據融合。主持和參與10余項國家自然科學基金項目、原總裝預研項目、軍內外重點科研項目，主持湖北省自然科學基金項目2項、"十三五”教育科研課題1項。在國內外期刊和學術會議上發表學術論文16篇，其中第一作者12篇，通訊作者2篇，SCI收錄6篇、EI收錄4篇，出版專著1部、國防出版譯著基金資助譯著2部，獲得國防發明/實用新型專利授權7項和軟件著作權4項。
第1章 概述1
1.1 水下目標檢測與跟蹤的意義1
1.2 目標檢測技術的研究現狀2
1.3 目標跟蹤技術的研究現狀5
1.4 基于圖理論的算法6
1.4.1 基于圖方法的基本概念6
1.4.2 圖的構造方法7
1.4.3 基于圖方法在視頻跟蹤中的應用10
參考文獻11
第2章 圖像預處理14
2.1 引言14
2.2 濾波算法簡述15
2.2.1 平滑線性濾波15
2.2.2 維納濾波16
2.2.3 低通濾波17
2.2.4 中值濾波18
2.2.5 基于數學形態學的濾波19
2.2.6 基于神經網絡的濾波19
2.2.7 基于偏微分方程的濾波21
2.2.8 基于小波變換的濾波22
2.3 聲吶圖像灰度統計模型特性分析23
2.3.1 聲吶圖像統計特性23
2.3.2 統計模型描述24
2.3.3 對比分析26
2.4 基于偏微分方程的非線性擴散濾波算法28
2.4.1 相干斑噪聲28
2.4.2 非線性擴散濾波模型29
2.4.3 算法改進31
2.4.4 實驗研究34
2.5 基于窗口選擇的自適應增強算法36
2.5.1 窗口選擇37
2.5.2 自適應窗口增強方法37
2.5.3 實驗研究38
2.6 小結40
參考文獻40
第3章 聲吶圖像分割43
3.1 引言43
3.2 圖像分割算法簡述43
3.2.1 閾值化圖像分割43
3.2.2 邊緣檢測圖像分割44
3.2.3 基于區域的分割45
3.2.4 基于形態學分水嶺的分割46
3.3 基于標記和模糊聚類的分水嶺聲吶圖像分割47
3.3.1 分水嶺前處理及變換48
3.3.2 基于粒子群算法的模糊聚類49
3.3.3 實驗研究52
3.4 基于自適應迭代閾值的聲吶圖像分割算法54
3.4.1 算法描述54
3.4.2 實驗研究55
3.5 基于馬爾可夫隨機場的聲吶圖像分割算法55
3.5.1 算法描述56
3.5.2 實驗研究58
3.6 基于哈爾小波變換的水下小型沉底人造目標分割算法60
3.6.1 算法描述61
3.6.2 二值化閾值63
3.6.3 干擾抑制65
3.7 小結67
參考文獻67
第4章 目標檢測70
4.1 引言70
目 錄
4.2 基于灰度統計量的檢測算法71
4.2.1 算法描述71
4.2.2 實驗研究73
4.3 基于紋理特征的目標檢測算法79
4.3.1 算法描述79
4.3.2 實驗研究82
4.4 基于幾何形狀特征的檢測算法86
4.4.1 算法描述86
4.4.2 實驗研究88
4.5 基于灰度分布概率模型的檢測算法90
4.5.1 參數特征檢測算法90
4.5.2 信息熵檢測算法92
4.5.3 實驗研究92
4.6 基于殘留輪廓信息的水下沉船目標檢測算法95
4.6.1 目標和圖像特性分析95
4.6.2 算法描述與實驗研究96
4.7 基于合成孔徑聲吶圖像的水下條狀人造目標檢測算法102
4.7.1 目標和圖像特性分析102
4.7.2 算法描述與實驗研究103
4.8 小結105
參考文獻105
第5章 目標識別108
5.1 引言108
5.2 基于特征提取的聲吶圖像目標識別算法109
5.2.1 圖像規格化110
5.2.2 特征選擇與提取111
5.2.3 實驗研究112
5.2.4 基于主成分分析的特征優化114
5.3 基于形狀描述直方圖的聲吶圖像目標識別算法116
5.3.1 算法描述116
5.3.2 實驗研究119
5.4 基于形狀上下文的聲吶圖像目標識別算法122
5.4.1 算法描述122
5.4.2 實驗研究123
5.5 小結124
參考文獻125
第6章 聲吶圖像目標跟蹤算法127
6.1 引言127
6.1.1 圖像視覺特征與跟蹤方法分類127
6.1.2 圖像序列分析128
6.2 基于卡爾曼濾波和數據關聯的跟蹤算法131
6.2.1 算法描述131
6.2.2 實驗研究134
6.3 基于形態特征的水下運動小目標跟蹤算法136
6.3.1 單邊分段自適應閾值化136
6.3.2 形態特征提取和跟蹤137
6.3.3 實驗研究140
6.4 基于支持向量機的水下動目標跟蹤算法141
6.4.1 圖像預處理142
6.4.2 特征參數提取和跟蹤143
6.4.3 實驗研究144
6.5 基于聲吶序列圖像的水下小目標檢測算法147
6.5.1 屏蔽背景噪聲區147
6.5.2 濾波去噪149
6.5.3 消除“雙影”和“空洞”現象的雙幀差檢測149
6.5.4 圖像弱化腐蝕151
6.5.5 生成警戒區152
6.5.6 實驗研究153
6.6 基于全局最近鄰數據關聯的水下動目標跟蹤算法155
6.6.1 目標參數計算155
6.6.2 基于面積約束的全局域最近鄰數據關聯156
6.6.3 波浪跟蹤160
6.7 小結161
參考文獻162
第7章 基于最小生成樹的目標跟蹤算法164
7.1 引言164
7.2 單類分類器與目標跟蹤165
7.2.1 目標跟蹤中的單類分類器與兩類分類器165
7.2.2 單類分類問題166
7.3 最小生成樹單類描述子168
7.4 基于最小生成樹的目標跟蹤算法169
7.4.1 目標運動模型170
7.4.2 目標類訓練樣本集的構建170
7.4.3 基于最小生成樹的目標跟蹤算法172
7.4.4 圖的更新172
7.4.5 算法步驟173
7.5 實驗研究173
7.5.1 與兩類分類器的比較175
7.5.2 樣本選擇策略的有效性175
7.5.3 最小生成樹節點數目的影響178
7.5.4 與其他算法的比較178
7.6 小結189
參考文獻190
第8章 基于圖的半監督目標跟蹤算法192
8.1 引言192
8.2 背景知識193
8.2.1 基于圖的半監督學習193
8.2.2 局部敏感判別分析方法196
8.3 基于圖的半監督目標跟蹤197
8.3.1 樣本集的構建197
8.3.2 基于部件的目標表示199
8.3.3 基于圖的半監督跟蹤200
8.3.4 圖的更新200
8.3.5 算法步驟201
8.4 實驗研究202
8.4.1 樣本集構建方法分析202
8.4.2 圖的節點數目對算法影響的分析203
8.4.3 與其他算法的比較205
8.5 小結215
參考文獻216
第9章 基于1圖半監督學習的目標跟蹤算法217
9.1 引言217
9.2 背景知識217
9.2.1 圖的構建方法217
9.2.2 1圖的構建219
9.3 基于1圖的目標跟蹤219
9.3.1 特征空間221
9.3.2 樣本采集221
9.3.3 基于1圖的半監督學習222
9.3.4 多特征融合與目標定位223
9.4 實驗研究223
9.4.1 與k近鄰圖的比較223
9.4.2 與其他算法的比較226
9.5 小結235
參考文獻236
第10章 基于多視圖半監督協同訓練的
目標跟蹤算法237
10.1 引言237
10.2 基于多視圖半監督協同學習的目標跟蹤238
10.2.1 算法框架239
10.2.2 樣本采集239
10.2.3 多視圖數據集的建立239
10.2.4 單視圖下分類器的構建241
10.2.5 基于負類的多視圖協同訓練241
10.2.6 分類器權重估計與目標定位242
10.2.7 圖的更新243
10.3 實驗研究243
10.3.1 定量比較243
10.3.2 定性比較251
10.4 小結253
參考文獻254
第11章 基于圖的目標跟蹤算法在無人機對
地（海）面目標視頻
跟蹤中的應用255
11.1 引言255
11.2 無人機對地（海）面目標視頻跟蹤的特點255
11.3 無人機對地（海）面目標視頻跟蹤實驗256
11.3.1 實驗數據庫256
11.3.2 實驗結果260
11.4 小結271
參考文獻272
新書資訊