水下無人航行器主動(dòng)目標(biāo)自動(dòng)檢測(cè)方法研究

任宇飛， 吳玉泉， 李 宇， 黃海寧

（1.中國(guó)科學(xué)院 聲學(xué)研究所，北京 100190；2.中國(guó)科學(xué)院大學(xué)，北京 100190）

0 引 言

水下無人航行器自從20世紀(jì)中期出現(xiàn)以來，受到各國(guó)的高度重視。經(jīng)過多年迅速發(fā)展，在水下地形探測(cè)、環(huán)境監(jiān)測(cè)、探魚和探礦等領(lǐng)域得到了廣泛應(yīng)用。相較于使用其他艦只執(zhí)行類似任務(wù)，水下無人航行器具有成本低、生產(chǎn)周期短、無需人工干預(yù)等優(yōu)點(diǎn)。探測(cè)聲納作為無人水下航行器的重要組成部分，承擔(dān)了系統(tǒng)感知環(huán)境的重要任務(wù)。為了滿足復(fù)雜環(huán)境下的任務(wù)要求，探測(cè)聲納所需要探索和實(shí)現(xiàn)的功能早已遠(yuǎn)遠(yuǎn)不是水下無人平臺(tái)的“眼睛”這么簡(jiǎn)單，而必須承擔(dān)部分“大腦”的功能，包括對(duì)目標(biāo)存在、位置等參數(shù)進(jìn)行估計(jì)和自動(dòng)判決，時(shí)間維度上自動(dòng)關(guān)聯(lián)和跟蹤等。文獻(xiàn)[1]對(duì)水下無人航行器發(fā)展方向進(jìn)行了梳理和展望，將目標(biāo)自動(dòng)判決作為重要的中長(zhǎng)期重點(diǎn)發(fā)展方向之一提出。水下無人航行器在能量、尺寸等方面的限制，對(duì)實(shí)現(xiàn)目標(biāo)自動(dòng)判決也提出了很大的挑戰(zhàn)。

目標(biāo)探測(cè)聲納設(shè)備主要分為被動(dòng)聲納和主動(dòng)聲納兩類。其中主動(dòng)聲納發(fā)射聲波信號(hào)，探測(cè)目標(biāo)的反射波和散射波，從而定位目標(biāo)。主動(dòng)聲納的目標(biāo)回波具有數(shù)據(jù)量大、混響背景復(fù)雜的特點(diǎn)，從中選取目標(biāo)并估計(jì)目標(biāo)參數(shù)非常困難。目前常見的主動(dòng)聲納中，聲納員具有重要的地位，實(shí)現(xiàn)目標(biāo)檢測(cè)主要依賴聲納員的觀察和選取。

在水下無人航行器系統(tǒng)中，傳統(tǒng)的人工干預(yù)方法無法使用。為了使無人航行器具有自動(dòng)判決的能力，其裝備的探測(cè)系統(tǒng)需要實(shí)現(xiàn)主動(dòng)目標(biāo)自動(dòng)檢測(cè)。曲超[2]和Kalyan等[3]全面總結(jié)了恒虛警算法在主動(dòng)目標(biāo)自動(dòng)檢測(cè)中的應(yīng)用。在混響環(huán)境下，恒虛警算法可能出現(xiàn)預(yù)設(shè)參數(shù)失配的問題，導(dǎo)致檢測(cè)效果降低。哈爾濱工程大學(xué)的聶東虎等[4]使用高斯小波方法實(shí)現(xiàn)了主動(dòng)目標(biāo)自動(dòng)檢測(cè)，但局限于單通道時(shí)域信號(hào)的一維數(shù)據(jù)檢測(cè)。游波等[5]提出了累積和檢驗(yàn)算法確定主動(dòng)回波門限，有效減少了虛警，但仍缺乏混響背景下目標(biāo)檢測(cè)的實(shí)例。國(guó)外很少發(fā)表有效的目標(biāo)檢測(cè)方法。因此，迫切需要實(shí)現(xiàn)一種目標(biāo)自動(dòng)檢測(cè)方法，在混響背景下有效檢測(cè)主動(dòng)目標(biāo)回波。

本文將目標(biāo)自動(dòng)檢測(cè)問題轉(zhuǎn)換為圖像分割問題。將經(jīng)過匹配濾波之后的主動(dòng)聲納回波信號(hào)看作距離—方位二維灰度圖像，主動(dòng)目標(biāo)檢測(cè)問題即按照灰度值和區(qū)域關(guān)系從圖像中分離出目標(biāo)。通過預(yù)處理、求取梯度圖像以及分水嶺圖像分割算法，實(shí)現(xiàn)主動(dòng)目標(biāo)自動(dòng)檢測(cè)。并在此基礎(chǔ)上提出了一種主動(dòng)目標(biāo)自動(dòng)檢測(cè)的自適應(yīng)閾值選取方法。采用某次海試主動(dòng)回波數(shù)據(jù)，證明了本文方法在混響背景下可以有效自動(dòng)檢測(cè)主動(dòng)目標(biāo)，與恒虛警算法相比可以有效減少虛警。

1 主動(dòng)聲納目標(biāo)檢測(cè)

主動(dòng)聲納系統(tǒng)處理流程[6]如圖1所示，通過發(fā)射預(yù)知的信號(hào)，接收目標(biāo)回波并分析處理得到目標(biāo)信息。其中最主要運(yùn)算過程包括波束形成、匹配濾波以及目標(biāo)檢測(cè)等。經(jīng)過波束形成以及匹配濾波的處理結(jié)果是一個(gè)隨距離、方位變化的二維能量分布圖。圖中每個(gè)距離—方位點(diǎn)的能量值為一個(gè)像素，能量越強(qiáng)像素點(diǎn)亮度越高，代表存在目標(biāo)的可能性越大。傳統(tǒng)主動(dòng)聲納目標(biāo)判決主要依靠聲納員通過聽測(cè)回波信號(hào)與觀察聲圖進(jìn)行人工判斷[7]，目標(biāo)自動(dòng)檢測(cè)方法用于輔助聲納員判斷。在無人航行器中，主動(dòng)目標(biāo)檢測(cè)全過程必須自動(dòng)完成，在無人條件下實(shí)現(xiàn)自動(dòng)判決、分離主動(dòng)目標(biāo)，并得到目標(biāo)參數(shù)。

混響是主動(dòng)聲納目標(biāo)檢測(cè)中的主要干擾因素。混響由環(huán)境中非目標(biāo)物體反射和散射的聲信號(hào)共同形成，其形式往往與發(fā)射信號(hào)類似，因而在聲圖中亮度也較高。專家和學(xué)者們充分研究了混響的分布情況，建立了K分布[8]和Pareto分布[9]模型，以及混合分布模型[10]等對(duì)混響進(jìn)行預(yù)測(cè)。這些模型的共同特點(diǎn)是非高斯分布，且似然函數(shù)的計(jì)算比較困難。圖2為一幀主動(dòng)聲納回波數(shù)據(jù)的距離—方位聲能量圖像。由于混響的存在，信號(hào)發(fā)射后1 s左右時(shí)間之內(nèi)出現(xiàn)大量沒有明顯規(guī)則的亮點(diǎn)。

圖1 主動(dòng)聲納處理流程圖Fig.1 Flowchart of active sonar processing

相比于艦船和潛艇平臺(tái)，在水下無人平臺(tái)上實(shí)現(xiàn)主動(dòng)目標(biāo)自動(dòng)檢測(cè)有一些新難點(diǎn)。第一、水下無人平臺(tái)尺寸較小，內(nèi)部空間有限，難以在結(jié)構(gòu)上采取措施抑制自噪聲，需要從檢測(cè)技術(shù)角度減輕自噪聲干擾。第二、水下無人平臺(tái)搭載聲納孔徑有限，主動(dòng)聲納回波圖像信噪比較低，幾乎處處充滿區(qū)域極值，對(duì)目標(biāo)判決造成不利影響。第三、水下無人平臺(tái)主要工作于淺海區(qū)域，背景混響強(qiáng)，信號(hào)發(fā)射后一段時(shí)間之內(nèi)的圖像中充斥著大量由混響產(chǎn)生的亮點(diǎn)，容易造成虛警。最后，水下無人平臺(tái)由于體積和功耗的限制，運(yùn)算資源有限，實(shí)時(shí)目標(biāo)自動(dòng)檢測(cè)具有一定難度。

綜上所述，為克服水下無人平臺(tái)主動(dòng)目標(biāo)自動(dòng)檢測(cè)中的種種困難，非常需要一種有效、穩(wěn)定的主動(dòng)目標(biāo)自動(dòng)檢測(cè)新方法。

圖2 距離—方位能量圖Fig.2 An example of distance-beam energy

2 算法簡(jiǎn)介

本文采用的主動(dòng)目標(biāo)自動(dòng)檢測(cè)方法主要分為三個(gè)步驟：預(yù)處理、獲得梯度圖像以及圖像分割。首先，通過預(yù)處理去除主動(dòng)聲納回波聲圖中的大量局部極大值，防止分水嶺算法產(chǎn)生圖像過分割。本文中提供兩種預(yù)處理方法：形態(tài)學(xué)重建和低通濾波。其次，梯度圖像作為灰度間斷程度的度量，為目標(biāo)檢測(cè)提供標(biāo)準(zhǔn)。最后，使用分水嶺算法分割圖像，得到目標(biāo)的編號(hào)以及參數(shù)估計(jì)。

2.1 形態(tài)學(xué)重建

Vincent[14]率先使用形態(tài)學(xué)重建的方法預(yù)處理圖像，極大改善了分水嶺方法的過分割問題。本文使用建立在灰度形態(tài)學(xué)膨脹運(yùn)算上的灰度形態(tài)學(xué)重建方法，根據(jù)發(fā)射信號(hào)的模糊度函數(shù)圖以及陣列的角度分辨率，選擇合適的結(jié)構(gòu)元素B，對(duì)圖像進(jìn)行開運(yùn)算，去除結(jié)構(gòu)元素尺寸以下的極值。令原圖像為J，其灰度形態(tài)學(xué)開重建定義為：

其中：符號(hào) 。表示開運(yùn)算，⊕表示膨脹運(yùn)算。灰度形態(tài)學(xué)重建是一個(gè)遞推過程，其結(jié)束條件是遞推穩(wěn)定，即滿足基于膨脹運(yùn)算的灰度形態(tài)學(xué)重建也即對(duì)開運(yùn)算圖像不斷進(jìn)行有最大限制的膨脹操作，直到圖像穩(wěn)定。

2.2 低通濾波

灰度形態(tài)學(xué)重建方法雖然被證明是一種良好的圖像預(yù)處理方法，但是其運(yùn)算量較大，難以在實(shí)時(shí)探測(cè)的聲納系統(tǒng)中使用。中科院聲學(xué)所的高麗等[15]提出了基于標(biāo)記的一種新分水嶺算法，利用低頻濾波去除圖像局部極值，運(yùn)算量小且效果顯著。

我們的目的是去除圖像中不必要的極小值，減少干擾。認(rèn)為這些極小值是干擾一般有兩個(gè)原因：局部起伏過于頻繁，或者起伏相比于圖像亮度很小。為了減少起伏頻繁的極小值，將主動(dòng)聲納回波圖像看作數(shù)字信號(hào)進(jìn)行低頻濾波。選取3階巴特沃斯低通濾波器，對(duì)圖像的行、列分別濾波。設(shè)定“采樣率”為fs，截止頻率由模糊度函數(shù)可以計(jì)算得到理論值。設(shè)模糊度函數(shù)中匹配結(jié)果半峰寬為l1，則距離軸向?yàn)V波的截止頻率表示為：

同理，根據(jù)陣列角度分辨率可以得到波束方向?yàn)V波的截止頻率。低通濾波處理從主動(dòng)聲納回波圖像中去除了寬度達(dá)不到半峰寬度且頻繁起伏的極值。

2.3 自適應(yīng)閾值選取

經(jīng)過預(yù)處理的圖像中，灰度值大幅度間斷是目標(biāo)最顯著的特征。檢測(cè)灰度值間斷的一個(gè)重要方法是邊緣檢測(cè)算法。Canny[16]提出了一個(gè)近似最佳的邊緣檢測(cè)算法，稱為Canny算子：首先用二維高斯函數(shù)的一階導(dǎo)數(shù)對(duì)圖像進(jìn)行平滑操作；再用2×2鄰域差值計(jì)算梯度的幅值和方向；之后保留幅值局部變化最大的點(diǎn)，細(xì)化幅值圖像、抑制非極大值；最后檢測(cè)和連接邊緣，并使用雙閾值方法減少錯(cuò)檢。使用Canny邊緣算子得到的梯度圖像中剩余少量低起伏的極小值干擾。

設(shè)定閾值如下：

其中：I為梯度圖像中所有像素灰度值的集合，λ是取值范圍為0～1的相對(duì)門限值。剔除門限之下的邊緣之后，對(duì)梯度圖像進(jìn)行分水嶺運(yùn)算得到分割結(jié)果。由于水下環(huán)境以及不同種類目標(biāo)回波的不確定性，λ取固定值時(shí)目標(biāo)自動(dòng)檢測(cè)穩(wěn)定性較差。

為實(shí)現(xiàn)λ的自適應(yīng)取值，本文研究了梯度圖像的灰度分布。首先將梯度圖像的灰度進(jìn)行歸一化，然后將梯度圖像歸一化強(qiáng)度劃分為100個(gè)區(qū)間進(jìn)行統(tǒng)計(jì)以減小隨機(jī)誤差。統(tǒng)計(jì)結(jié)果如圖3所示，為顯示清楚，將橫坐標(biāo)分為兩部分顯示，圖 3（a）、（b）分別顯示相對(duì)強(qiáng)度范圍0-0.2以及0.2-1的能量出現(xiàn)頻率。

圖3 聲圖能量分布統(tǒng)計(jì)Fig.3 Statistics of energy intensity in an acoustic image

梯度圖像歸一化強(qiáng)度分布基本可以分為兩部分，一部分如圖3（a）所示，頻率隨能量梯度呈反相關(guān)，較為符合隨機(jī)噪聲梯度結(jié)果；另一部分則如圖3（b）所示，頻率與能量梯度之間呈反相關(guān)趨勢(shì)但有所浮動(dòng)，這是混響或目標(biāo)能量的出現(xiàn)所造成的。理想的λ取值應(yīng)該將背景與目標(biāo)能量分開。本文中采用一個(gè)簡(jiǎn)化模型，在頻率—?dú)w一化能量梯度曲線中，選取從0點(diǎn)開始第一個(gè)不符合反相關(guān)規(guī)律的數(shù)據(jù)點(diǎn)，對(duì)應(yīng)的歸一化相對(duì)能量梯度作為λ取值，認(rèn)為混響和目標(biāo)造成的灰度間斷在λ之上。

2.4 分水嶺算法

圖像分割是計(jì)算機(jī)視覺領(lǐng)域的經(jīng)典問題之一，也是最困難的任務(wù)之一。目前主流的圖像分割算法在分割效果、適用性、運(yùn)算量等方面各有特點(diǎn)，其中分水嶺算法分割位置精準(zhǔn)，能夠提供精確到單個(gè)像素的完全封閉分割。分水嶺圖像分割方法應(yīng)用非常廣泛，在SAR雷達(dá)地理圖像自動(dòng)識(shí)別[11]以及側(cè)掃聲納目標(biāo)自動(dòng)分類[12]中都取得了良好效果。

將分水嶺算法用于圖像分割的思想由Beucher等首次提出[13]，將圖像看成如圖4所示的自然地貌，像素灰度看作地形圖的海拔高度。高度的極小值位置及其附近地貌稱作 “集水盆”，向每個(gè)集水盆不斷注水。當(dāng)兩塊集水盆即將因?yàn)椴粩嘧⑺鴧R合時(shí)，在將要匯合位置建立無限高的“堤壩”。當(dāng)所有像素只剩余水面和堤壩時(shí)，認(rèn)為堤壩是圖像分割的邊緣，完成圖像分割。

圖4 分水嶺算法原理示意圖Fig.4 Schematic diagram of watershed algorithm

主動(dòng)聲納目標(biāo)回波結(jié)果是聲能量分布圖像，由于水聲信道的復(fù)雜性，局域不均勻現(xiàn)象非常嚴(yán)重。如果直接使用分水嶺算法分割主動(dòng)目標(biāo)回波圖像，將產(chǎn)生無法容忍的大量虛警。分水嶺算法對(duì)圖像局域起伏非常敏感，即使在肉眼無法分辨的亮度變化區(qū)域有時(shí)也會(huì)產(chǎn)生分割，形成過分割現(xiàn)象。為解決分水嶺算法的過分割問題，學(xué)者們做出了大量研究和試驗(yàn)，提出的解決方法主要分為兩類：分割前減少圖像極小值；或分割后合并彼此接近的分塊。本文所研究的主動(dòng)目標(biāo)回波圖像結(jié)構(gòu)復(fù)雜，局域起伏多，合并相似分塊的方法需要處理大量的分塊，無論計(jì)算邏輯、計(jì)算量還是程序?qū)崿F(xiàn)上都將相對(duì)復(fù)雜。因此，我們從預(yù)處理圖像的分水嶺算法著手解決這一問題。使用分水嶺算法處理主動(dòng)目標(biāo)回波，將圖像自動(dòng)劃分為目標(biāo)、背景，算法具有準(zhǔn)確性和穩(wěn)定性。

3 試驗(yàn)結(jié)果

試驗(yàn)中無人航行器上搭載了信號(hào)處理機(jī)、發(fā)射和接收基陣。發(fā)射陣為單個(gè)的換能器，安裝在航行器艏部，接收陣為兩個(gè)有一定夾角的直線舷側(cè)陣，分別嵌入安裝在航行器兩翼，探測(cè)角度范圍-157°-157°。近似認(rèn)為發(fā)射陣和接收陣處于同一位置。將一個(gè)應(yīng)答器固定在母船上模擬點(diǎn)狀目標(biāo)，與水下無人航行器處于相同深度，目標(biāo)強(qiáng)度設(shè)置為6 dB。經(jīng)過波束形成以及匹配濾波后得到回波圖像。

選取一段無人航行器距離母船較近，目標(biāo)位于混響背景下的數(shù)據(jù)，共60個(gè)周期，總時(shí)間15 min。分別使用恒虛警（CFAR）算法、兩種不同固定閾值下的灰度形態(tài)學(xué)重建分水嶺（MP-Watershed）算法、兩種不同固定閾值下的低通濾波分水嶺算法 （LP-Watershed）、自動(dòng)閾值下形態(tài)學(xué)重建分水嶺算法（ATMP-Watershed）和自動(dòng)閾值下低通濾波分水嶺算法（ATLP-Watershed），進(jìn)行自動(dòng)目標(biāo)檢測(cè)。

圖5 目標(biāo)檢測(cè)結(jié)果對(duì)比圖Fig.5 Result comparison of different target detection methods

選取一個(gè)比較具有代表性的周期，目標(biāo)位于155°，230 m左右。幾種方法的目標(biāo)自動(dòng)檢測(cè)結(jié)果對(duì)比如圖5所示，分割邊界用黑色線表示。其中第一行圖像從左至右分別為ATMP-Watershed算法以及取固定值0.2、0.3時(shí)MP-Watershed算法目標(biāo)檢測(cè)結(jié)果。第二行圖像從左至右分別為ATLP-Watershed算法以及λ取固定值0.2、0.3時(shí)LP-Watershed算法目標(biāo)檢測(cè)結(jié)果。λ取0.2時(shí)MP-Watershed算法虛警較多，LP-Watershed算法給出了較好分割。λ取0.3時(shí)兩種固定閾值算法都沒有檢測(cè)到目標(biāo)，LP-Watershed算法給出了較少的虛警。自動(dòng)閾值方法分割結(jié)果檢測(cè)到了目標(biāo)，且相對(duì)固定閾值方法中λ取0.2時(shí)虛警較少，更為符合人工判決結(jié)果。

統(tǒng)計(jì)所有目標(biāo)檢測(cè)結(jié)果，得到檢測(cè)概率及平均每個(gè)周期的虛警數(shù)如表1所示。

表1 自動(dòng)檢測(cè)結(jié)果統(tǒng)計(jì)Tab.1 Statistic result of autonamous target detection

CFAR算法目標(biāo)檢測(cè)雖然采用了經(jīng)過試驗(yàn)后相對(duì)較為理想的相對(duì)閾值，但是檢測(cè)結(jié)果仍然不穩(wěn)定，產(chǎn)生了大量虛警。當(dāng)λ取固定值0.2、0.3時(shí)，MP-Watershed算法從高亮度像素分布形狀和參數(shù)兩方面都給出了對(duì)檢測(cè)到的潛在目標(biāo)的描述。其中λ取0.2時(shí)檢測(cè)出了所有目標(biāo)，但是虛警率較高；λ取0.3時(shí)將虛警率控制在較低水平，但是出現(xiàn)了漏警。當(dāng)λ取固定值時(shí)，LP-Watershed方法與MP-Watershed方法目標(biāo)檢測(cè)結(jié)果類似：λ取0.2時(shí)一些回波檢測(cè)結(jié)果出現(xiàn)了較多虛警，而λ取0.3時(shí)一些回波檢測(cè)結(jié)果出現(xiàn)了漏警。

ATMP-Watershed算法和ATLP-Watershed算法均正確檢測(cè)出了所有目標(biāo)，與CFAR算法以及固定閾值方法相比較，明顯減少了虛警的出現(xiàn)。對(duì)比兩種預(yù)處理方法，形態(tài)學(xué)重建算法比低通濾波算法去除局部極小值的能力好，檢測(cè)結(jié)果虛警少。

在Matlab環(huán)境中，得到幾種方法的平均運(yùn)算時(shí)間如表2所示。

表2 運(yùn)行時(shí)間Tab.2 Running time

可以看到恒虛警算法耗時(shí)最長(zhǎng)，LP-Watershed方法耗時(shí)最短。自動(dòng)閾值的ATMP-Watershed和ATMP-Watershed方法都較對(duì)應(yīng)的固定閾值方法耗時(shí)長(zhǎng)0.7 s左右，用于自動(dòng)閾值的計(jì)算，但是仍然具有較好的實(shí)時(shí)性。

4 結(jié) 論

本文將水下主動(dòng)目標(biāo)檢測(cè)轉(zhuǎn)換為圖像分割問題，提出了一種水下無人航行器主動(dòng)目標(biāo)自動(dòng)檢測(cè)方法。首先，分別通過形態(tài)學(xué)重建和低通濾波兩種算法對(duì)圖像進(jìn)行預(yù)處理，去除大量無序噪點(diǎn)。其次，采用Canny邊緣算子計(jì)算得到梯度圖像。最后，使用分水嶺算法分割圖像，得到目標(biāo)編號(hào)以及參數(shù)估計(jì)。在聲圖能量梯度統(tǒng)計(jì)基礎(chǔ)上提出了自適應(yīng)閾值選取方法。經(jīng)過試驗(yàn)數(shù)據(jù)的檢驗(yàn)，本文方法可以在混響背景下有效檢測(cè)到目標(biāo)，相比于傳統(tǒng)的恒虛警算法檢測(cè)結(jié)果更加穩(wěn)定、運(yùn)算量更小，適合于水下無人航行器主動(dòng)目標(biāo)自動(dòng)檢測(cè)的實(shí)時(shí)實(shí)現(xiàn)。