一种基于前视声呐的水下目标检测及定位方法

技术领域

本发明属于水下声纳检测技术领域，具体涉及一种基于前视声呐的水下目标检测及定位方法。

背景技术

现代海战是一场围绕对抗与反对抗技术的较量，使用大量的水下电子对抗。由于水下环境本来就非常复杂，存在各种各样自然界的随即干扰，再加上水下电子对抗技术的发展，目标可能采取多种人为欺骗和干扰措施，使得现代水下武器系统对于目标检测和目标识别的要求越来越高。因此，水下目标识别技术的研究非常有必要，对提高水下复杂环境的作战能力有着重要意义。

目前，声呐是水下目标识别中使用最广泛的设备，各国都在大力发展声呐新技术，声呐的新技术为及时准确发现水下目标提供了必要的技术保障。目标识别作为声呐后置数据处理的一个重要环节，主要利用声呐发射脉冲声信号，根据接收到的回波信号特性对目标类属性作出判决。水下目标识别利用目标信息的多种参数作为特征量，如水下目标识别中，目标反射回波是目标类型、距离、方位等函数，包含了诸如回波展宽、幅度、相位、反射系数、目标尺度、能谱等表征目标的特征信息。目标识别主要有两个作用：一是剔除虚警，识别真目标：比如在执行中区分人造目标与自然界存在的“假目标”，如鱼群，珊瑚等；二是对于多个目标进行分类：在发现多个目标的情况下，可以将目标进行分类处理，进行选择性的攻击。随着科技的迅速发展，对于无人值守的水中武器来说，迫切需要进行水下目标自动识别及定位系统。并且水下目标识别系统的日益成熟使得用于分析处理的数据信息显著增加。因此，发展水下目标识别定位技术变得尤为重要。

现有技术中的声呐图像处理技术还是通过设定阈值从而筛选目标区域，但是阈值的设定与水下环境密切相关，参数设定不足，又无法起到较好地噪声过滤效果，易造成误检、虚警率高的现象。现有技术中也有采用深度学习神经网络模型检测水下目标，但声纳水下目标识别定位技术之所以发展较为缓慢，在于极其复杂的水下背景环境，这些环境干扰对水下武器系统工作性能以及水下目标识别的影响不可忽视。主要干扰因素有传输信道多且复杂、混响的影响、目标的辐射声场和受激产生的散射声场十分复杂、环境噪声的影响等。

发明内容

本发明的发明目的是提供一种基于前视声呐的水下目标检测及定位方法，基于前视声呐的回波强度图像，提取目标特征有效信息，既可以实现水下目标的自主检测识别，又能够解决水下目标精确定位的问题。

本发明的具体技术方案是一种基于前视声呐的水下目标检测和目标定位方法，其特征在于，具体包括以下步骤：

S1)将多波束声呐回波信号强度映射至二维图像；

S2)对步骤S1中生成的二维回波强度图像进行预处理，所述的预处理过程包括将声呐二维信号强度图像由二维极坐标系转为笛卡尔坐标系，对转为笛卡尔坐标系的图像进行填充处理，对填充处理后图像进行滤波、图像增强和伪彩色处理；

S3)对经对步骤S2处理的图像进行水下目标识别，给每一帧图像中识别的目标赋予相应的目标信息，所述的目标信息中包括目标中心点像素值(x,y)；

S4)进行目标定位，读取目标信息中的目标中心点像素值(x,y)、将其转换为极坐标系下的(r,θ)距离-方位值，根据水声定位仪器已知声呐接入的经纬度(X1,Y1)，根据目标距声呐的距离和方位角(r,θ)，推算出目标的经纬度(X2,Y2)；

S5)进行图像序列目标检测，设当前共有n帧二维回波强度图像，将当前第n帧中识别的目标与之前的1至n-1帧中的所有识别目标进行距离比较，如果小于设定的距离阈值L，则判定为同一目标，并更新击中次数，击中次数为判定为同一目标的次数，否则视为不同目标；设定击中次数阈值P，从识别目标中筛选出击中次数大于P的目标，判定为真实目标；

S6)输出真实目标的目标信息和经纬度(X2,Y2)，从而实现基于前视声呐的水下目标检测和目标定位。

更进一步地，所述的步骤2中的对转为笛卡尔坐标系的图像进行填充处理的方法为，采用双线性插值算法进行填充处理，具体填充步骤如下：

S221)设转为笛卡尔坐标系的图像为原图Src，图像宽度src_W，图像高度src_H，输出的目标图像为目标图Dst，图像宽度dst_W，图像高度dst_H，设原图Src中的任一点为Psrc(src_x,src_y)对应目标图Dst中Pdst(dst_x,dst_y)，首先通过下式计算出目标图Dst中像素点位置Pdst(dst_x,dst_y)映射回原图Src的像素点位置Psrc(src_x,src_y)，映射公式为下式(IV)：

S222)对点Psrc(src_x,src_y)在原图Src中，根据对角四邻域的坐标关系得到其邻近点：Q11、Q12、Q21、Q22；

对角四领域即位于Psrc(src_x,src_y)处的像素点有4个对角相邻像素，这组像素称为Psrc(src_x,src_y)的4邻域，

S223)利用得到的邻近点进行分别沿着X、Y方向进行一维线性插值完成双线性插值过程：首先沿着X方向，分别对Q11、Q21和Q12、Q22进行一维线性插值，共两次，得到R1(src_x,y1)、R2(src_x,y2)，然后利用R1、R2沿着Y方向对其进行一维线性插值，共一次，得到最终的二维线性插值结果f(Pdst)，具体计算按下式(V)：

/>

其中，f为像素点的灰度值。

更进一步地，所述的步骤2中的图像增强为动态亮度分配的方法，通过优化映射函数增强目标与背景之间的对比度和图像亮度，映射如下式(VII)：

其中：L为图像回波强度的最小值；H为回波强度的最大值，为避免产生孤立单峰，取回波强度前1％的平均为最大值，Zin是图像输入强度值，Zout是图像输出强度值；γ为映射参数，γ＝1产生线性变换，γ<1增强图像整体亮度，γ>1减弱图像整体亮度。

更进一步地，所述的步骤4中目标定位的具体步骤如下：

S41)目标坐标转换：读取识别的目标中心点像素值(x,y)、将其转换为极坐标系下的(r,θ)距离-方位值。设定一目标P中心点像素值为(n,m)，根据坐标转换公式，如下式(VIII)：

式中：α为多波束前视声呐水平视角；N为波束个数；M为距离采样个数；T为时间采样率；c为水中声速；r为目标的距离；θ为波束角度。

S42)目标经纬度计算：，通过下式(IX)、(X)根据水声定位仪器已知声呐接入的经纬度(X1,Y1)，根据目标距声呐的距离和方位角(r,θ)，算出目标的经纬度(X2,Y2)为：

式中：r为目标的探测距离；R为地球半径；θ为目标的方位角；ΔX

为两点经度差；ΔY为两点纬度差。

本发明的有益效果是1)本发明的具有一个声呐图像完成的处理过程，包括图像生成、预处理、水下目标识别、水下目标定位和图像序列目标检测全过程，基于前视声呐的回波强度图像，提取目标特征有效信息，既可以实现水下目标的自主检测识别，又能够解决水下目标精确定位的问题；2)对二维回波强度图像进行有效预处理，将声呐二维信号强度图像由二维极坐标系转为笛卡尔坐标系，对转为笛卡尔坐标系的图像采用双线性插值算法进行填充处理，对填充处理后图像进行滤波、伪彩色处理和动态亮度分配的方法进行图像增强，有效地提高了神经网络的目标识别率，神经网络模型处理速率约为40FPS/s，实时性和精度均满足水下目标检测及定位系统需求；3)通过图像序列步骤检测还可提升水下目标识别准确率，降低虚警率和误检率。

本发明的方法为水下复杂噪音背景下的探测感知提供了有效的技术支撑及技术基础，因此，无论在军用或民用领域，水下目标的特征提取及识别技术都具有十分重要的理论意义和工程应用价值。

附图说明

图1本发明的基于前视声呐的水下目标检测及定位方法的流程图；

图2本发明的基于前视声呐的水下目标检测及定位方法的多波束声呐图像映射的流程图；

图3本发明的基于前视声呐的水下目标检测及定位方法的声呐图像预处理的流程图；

图4本发明的基于前视声呐的水下目标检测及定位方法的水下目标识别的流程图；

图5本发明的基于前视声呐的水下目标检测及定位方法的水下目标定位的流程图；

图6本发明的基于前视声呐的水下目标检测及定位方法的图像序列检测目标的流程图；

图7本发明的基于前视声呐的水下目标检测及定位方法的用到的坐标转换示意图；

图8本发明的基于前视声呐的水下目标检测及定位方法的用到的双线性插值方法示意图；

图9本发明的基于前视声呐的水下目标检测及定位方法的一个具体实施列中生成的原始二维回波强度图像；

图10本发明的基于前视声呐的水下目标检测及定位方法的一个具体实施列中原始二维回波强度图像经预处理后的图像；

图11本发明的基于前视声呐的水下目标检测及定位方法的一个具体实施列中对预处理后的二维回波强度图像进行识别检测后的结果；

具体实施方式

下面结合说明书附图对本发明的技术方案作进一步地描述。

如附图1-6所示，本发明的一种基于前视声呐的水下目标检测和目标定位方法，具体包括下列步骤：

S1)将多波束声呐回波信号强度映射至二维图像。

S11)读取声呐波束N、距离采样个数M以及数据块回波强度等声纳参数。

回波强度反映的是波束与其海底投射点的相互作用产生的声能得变化情况。对于回波强度测量的是一个回向散射强度序列。单位时间内，时序采样的个数是测深采样的几倍或十几倍。每个时许采样是球形面得发射波束模式与环形面得接收波束模式在(t,t+dt)内对于连续波CW在dt小于脉冲长度时间段内形成得交界面。不同于深度测量，回波强度采样测量的是该穿透区由多个波束模式所包围得波束投射点圆区域。工作原理是：声呐扫测系统每完成一次测量，便在扇面与海底的交线上形成一组回波强度时序观测量，经过多次测量，即可获得测区内不同位置的回波强度。

S12)对数据块回波强度进行数据滤波。

声波穿透区的声强可以通过一定的灰度级来描述，呈现一定的明暗变化。既可以反映回波强度水平，也反映了水下目标的属性。为了得到真实的回波强度，首先必须对影响回波强度的多种因素进行考虑，采用滤波等方法对海底噪声进行补偿。由于声波数据量较大，常采用简单的数据滤波算法，本方法采用滑动平均滤波，模型公式为：

式中：N为选定窗口内声强的采样个数；BSi为第i个被平滑对象；BSj为窗口内声强采样。

S13)基于波束N、距离采样个数M以及采样点的回波强度生成二维回波强度图像。以横坐标为波束N、纵坐标为采样点个数M，基于每个采样点的回波强度值，映射到二维坐标系中，生成原始二维回波强度图像。

S2)对步骤S1中生成的二维回波强度图像进行预处理。

S21)将声呐二维信号强度图像由二维极坐标系转为笛卡尔坐标系。

如附图8所示，左侧图的横坐标为波束N、纵坐标为采样点个数M，每个方块都代表一个回波点，为了更好地表示前视声呐扇形扫面区域内的目标特征与分布情况，需要把二维极坐标的回波强度数据转换到笛卡尔坐标系下，如附图8右侧图所示。

设多波束前视声呐水平视角为α，波束个数为N，距离采样个数为M，时间采样率为T，水中声速为c，假设声呐的二维可视区域关于y轴对称，极坐标系的原点和笛卡尔坐标系的原点重合。

现有一点A位于声呐成像矩阵的m行n列，则A点在极坐标下的坐标如下式(II)：

A点在笛卡尔坐标下的坐标如下式(III)：

通过以上坐标系的转换，极坐标系下的回波点(r,θ)的强度转换成笛卡尔坐标系下(x,y)的强度值进行表示。

S22)双线性插值算法填充处理。对比附图8的左侧图和右侧图，可以发现在角度方向，靠近扇形圆心的图形被压缩，远离圆心的图形被拉伸。这种图像变形的问题，会导致图像中出现“空洞”(“空洞”在图中未示出)，需要进行数据插值来对图像进行填充。常用的插值算法有最邻近插值、双线性插值、双立方插值等，填充效果相似，但是双线性插值的算法效率更好，所以采用双线性插值算法对声呐图像进行填充处理。

双线性插值方法对图像起平滑作用，具体填充步骤如下：

S221)设目标图Dst中Pdst(dst_x,dst_y)对应原图Src中的点为Psrc(src_x,src_y)，原图的图像宽度为src_W，图像高度为src_H，目标图的图像宽度为dst_W，图像高度为dst_H，首先通过公式计算出目标图Dst中像素点位置Pdst(dst_x,dst_y)映射回原图Src的像素点位置Psrc(src_x,src_y)，映射公式为下式(IV)：

S222)对点Psrc(src_x,src_y)在原图Src中，根据对角四邻域的坐标关系得到其邻近点：Q11、Q12、Q21、Q22；

对角四领域即位于Psrc(src_x,src_y)处的像素点有4个对角相邻像素，这组像素称为Psrc的4邻域，坐标关系如图9左侧图所示。

S223)如图9右侧图所示，利用得到的邻近点进行分别沿着X、Y方向进行一维线性插值完成双线性插值过程：首先沿着X方向，分别对Q11、Q21和Q12、Q22进行一维线性插值，共两次，得到R1(src_x,y1)、R2(src_x,y2)；然后利用R1、R2沿着Y方向对其进行一维线性插值，共一次，得到最终的二维线性插值结果f(Pdst)。具体计算公式为：

其中，f为像素点的灰度值。

对声呐图像进行滤波去噪，图像增强和伪彩色映射等算法预处理。本步骤目的是为了便于后续水下目标检测的模型训练和显控端的人眼观测。相较于声呐回波强度图像，人眼对于经过预处理后的图像更为敏感，便于进行数据样本标注。

S23)声呐图像中的噪声大部分是由海底反射、水汽或漂浮物影响产生的椒盐噪声。中值滤波对于椒盐噪声处理效果较好，能够在平滑图像的同时，减少图像信息的损失，简单有效。

中值滤波是一种成熟的非线性平滑技术，可以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。基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。通过使用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分别为滤波前输入图像和处理后图像。W为二维模板，通常设置为3*3，5*5区域。

S24)采用图像增强算法来优化图像，提高图像的视觉清晰度。相较于细节较少的光华图像，人眼对细节纹理较多的图像更为敏感，并且噪声在细节纹理较多的图像中的可见度也比光滑图像中的要低。如果图像在细节纹理上增强的幅度远远大于光滑图像的增强幅度时，那么就可以达到整体图像增强的视觉效果。

本发明采用动态亮度分配的方法来进行图像增强。动态亮度分配是将回波强度映射到线性灰度[0,255]的过程，通过优化映射函数增强目标与背景之间的对比度和图像亮度，映射如下式(VI)：

其中：L为图像回波强度的最小值；H为回波强度的最大值(为避免产生孤立单峰，取回波强度前1％的平均为最大值)；z

S25)伪彩色处理根据一定的映射方法，将灰度图像转为彩色图像。多波束声呐成像一般为灰度图像，但是由于人眼对彩色更为敏感，所以在显控端显示图像时需要将多波束图像映射为彩色图像，这种彩色图像是根据彩色映射表将灰度值映射到R、G、B三通道的强度值。

设灰度图像中某点的像素值为f(x,y)，映射的伪彩色图像的RGB三通道强度值为R(x,y)，G(x,y)，B(x,y)，这三个值合起来表征彩色图像的一个像素值。本方法使用jet映射方法，由蓝色渐变到红色，如下式(VII)：

/>

式中：f(x,y)为(x,y)像素点的灰度值，R(x,y)，G(x,y)，B(x,y)分别为彩色图像的三个基色分量。

S3)水下目标识别

读取一帧经预处理后的二维回波强度图像，基于深度学习神经网络模型检测水下目标，本方法采用现有技术中通用的YOLOv5目标检测模型。不需要提取图像中的目标候选区域，而是直接对整幅图片进行回归训练，拥有更高的运行速度，满足水下目标识别的实时性要求。经预处理后的二维回波强度图像经过深度学习神经网络模型进行目标识别后，给目标赋予包括目标ID、目标中心点像素值(x,y)、目标大小(w,h)、目标分类等信息的目标信息。

S4)水下目标定位

S41)目标坐标转换：读取识别的目标中心点像素值(x,y)、将其转换为极坐标系下的(r,θ)距离-方位值。设定一目标P中心点像素值为(n,m)，根据坐标转换公式，如下式(VIII)：

式中：α为多波束前视声呐水平视角；N为波束个数；M为距离采样个数；T为时间采样率；c为水中声速；r为目标的距离；θ为波束角度。

S42)目标经纬度计算：通过下式(IX)、(X)根据水声定位仪器已知声呐接入的经纬度(X1,Y1)，根据目标距声呐的距离和方位角(r,θ)，算出目标的经纬度(X2,Y2)为：

式中：r为目标的探测距离；R为地球半径；θ为目标的方位角；ΔX

为两点经度差；ΔY为两点纬度差。

S5)图像序列目标检测：本步骤的目的是为了降低虚警率、误检率及漏检率。通过设定击中次数阈值，筛选出水下真实目标，滤除图像噪声、水汽、海底噪音等影响。

S51)读取步骤S3)得到的目标信息，并存储至识别目标队列targets；

S52)遍历历史声呐队列，计算历史存储的目标与当前批次目标之间的距离；

S53)判断是否有两点之间目标距离小于设定的距离阈值L(具体数值可根据不同水况设定)，若小于L，则可将这两点视为同一目标，同时更新击中次数和目标ID，击中次数为判定为同一目标的次数；若大于L，则视为不同目标，更新目标存储队列信息；

S54)设定击中次数阈值P，从识别目标队列targets中筛选出击中次数大于P的目标，判定为真实目标。

S6)输出真实目标的目标ID、目标中心点像素值(x,y)、目标大小(w,h)、目标分类和经纬度等信息，从而实现基于前视声呐的水下目标检测和目标定位。

本发明的基于前视声呐的水下目标检测和目标定位方法的一个具体实施例是：本发明使用保利天同科技公司的700D多波束前视声呐探测水下静态目标，并利用该探测系统在试验水域采集了部分数据用于模型训练和算法评估。经过步骤S1图像映射，得到如图9所示的前视声呐二维原始回波图像；在经过步骤S2的图像预处理，得到如图10所示的伪彩色图像；并将这一系列的原始图像和伪彩色图像作为YOLOv5模型训练的样本数据，共采集了约1400张具有目标的声呐图片，对其中1000张图像利用Labelimg标注组成训练数据集，剩下400张图片组成100组测试数据集。硬件设备搭载NVDIA 3080Ti显卡的服务器进行训练和测试。经过步骤S3，得到如图11所示的声呐图像的检测结果示例。

试验将测试数据分为100组数据集，包含沉底雷、锚雷两类小目标，每组4张图片，共400张图片，400张图片中包含481个目标，其中有215个沉底雷测试样本目标，266个锚雷测试样本目标。输入训练模型进行推断，记录测试的时间、目标位置信息。本次测试平均准确率为0.8725，目标识别测试结果如下表所示：

表1目标识别测试结果

目标定位测试情况：本次测试分析了100组测试数据集(每组4张图片，共400张图片)的目标位置偏差结果。在目标识别准确的基础上，通过步骤S4，计算样本数据中目标的经纬度信息，并与布放目标时记录的经纬度(样本目标布放经纬度：沉底雷(121.6656335，38.8595881)；锚雷(121.6656911，38.8596661))比较，计算可得到目标位置偏差信息。根据任务场景，设定距离阈值L＝20，击中次数阈值P＝10，经过步骤S5，筛选并输出真实目标信息。选取部分试验结果如表2，展示了9张图片的识别结果、经纬度信息和位置偏差值。

表2目标定位测试结果

注：样本目标布放经纬度：沉底雷(121.6656335，38.8595881)；锚雷(121.6656911，38.8596661)

本次测试结果，统计分析了测试数据集的目标识别准确率为87.25％，目标位置平均偏差为10.2m。

虽然本发明已经以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。