基于成像聲納的水面小型移動(dòng)目標(biāo)檢測方法

姜 科，王忠康

(杭州應(yīng)用聲學(xué)研究所，浙江 杭州 310018)

0 引言

近年來船舶行業(yè)不斷發(fā)展、海上船舶數(shù)量不斷增加，船舶的自動(dòng)化程度越來越高、航行條件也相對(duì)改善，但是在水面能見度低、漁船船型小不易被發(fā)現(xiàn)等情況下仍然容易發(fā)生碰撞事故。成像聲納系統(tǒng)通常以前視模式用于檢測和躲避海面和海底的障礙物。然而，很多的避障聲納系統(tǒng)僅對(duì)航行前方的環(huán)境進(jìn)行成像，并不對(duì)障礙物進(jìn)行檢測、識(shí)別。因此，通過成像聲納圖像自動(dòng)檢測與跟蹤海面障礙物對(duì)潛艇、AUV的安全浮出水面，港口監(jiān)測等具有重要意義[1]。對(duì)進(jìn)港船只進(jìn)行觀測時(shí)，在水面可見度低的情況下，光學(xué)觀測并不適用，因此需要聲學(xué)探測，并對(duì)潛在的危險(xiǎn)進(jìn)行預(yù)警，尤其是小型快速移動(dòng)目標(biāo)的檢測和定位問題，傳統(tǒng)的成像聲納更加關(guān)注的是水下目標(biāo)的探測，少有針對(duì)水面移動(dòng)目標(biāo)進(jìn)行自動(dòng)檢測定位，因此本文使用成像聲納對(duì)水面運(yùn)動(dòng)目標(biāo)檢測方法進(jìn)行研究。

當(dāng)前僅有少量公開文獻(xiàn)針對(duì)港口監(jiān)測的水面目標(biāo)檢測方法，而且這些方法主要應(yīng)用于被動(dòng)聲納的目標(biāo)檢測[2-3]。在對(duì)主動(dòng)聲納系統(tǒng)探測上，有研究人員對(duì)氣泡動(dòng)力學(xué)和后向散射進(jìn)行研究，并對(duì)艦船尾跡結(jié)構(gòu)進(jìn)行試驗(yàn)和分析，實(shí)現(xiàn)水面艦船的檢測[4-5]。也有研究人員使用主動(dòng)聲納的圖像來實(shí)現(xiàn)自動(dòng)船只的檢測[6-7]，這些方法主要適用于港口監(jiān)測的靜態(tài)配置，且只適用于單目標(biāo)的檢測。

文獻(xiàn)[8]提出了一種針對(duì)水中線狀目標(biāo)的檢測方法，可應(yīng)用于多目標(biāo)的檢測，并與背景消減法、幀間差分法[9]、高斯建模法進(jìn)行了實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)表明文獻(xiàn)所提算法較傳統(tǒng)方法，檢測性能更優(yōu)。但是該方法算法復(fù)雜程度較高，不利于目標(biāo)檢測的實(shí)時(shí)性實(shí)現(xiàn)。文獻(xiàn)[10]把M序列調(diào)制信號(hào)作為成像聲納的發(fā)射信號(hào)，通過測量回波信號(hào)的多普勒信息，實(shí)現(xiàn)水下多個(gè)目標(biāo)的快速檢測與定位，該方法能有效地檢測到多個(gè)運(yùn)動(dòng)目標(biāo)，包括魚群、干擾等，但是并未考慮水面運(yùn)動(dòng)目標(biāo)的情形。文獻(xiàn)[1]根據(jù)水面船只產(chǎn)生的尾流離船只越遠(yuǎn)其尾跡越大這一特點(diǎn)來確定船只所在位置，從而實(shí)現(xiàn)水面船只目標(biāo)的檢測與位置確定，但是不同的成像聲納尾跡檢測能力不同，得到的聲納圖像不一定具有上述特征，進(jìn)而導(dǎo)致該算法失效。

本文在文獻(xiàn)[10]中水面目標(biāo)快速提取方法基礎(chǔ)上考慮尾跡影響，兼顧文獻(xiàn)[1]中尾跡形狀特征不具有共性，使得位置估計(jì)值遠(yuǎn)遠(yuǎn)偏離真實(shí)位置的問題，提出了基于成像聲納的水面小型移動(dòng)目標(biāo)檢測方法。

1 目標(biāo)特征分析以及圖像預(yù)處理

M序列模糊度圖類似于圖釘狀，具有良好的抗混響能力和時(shí)頻分辨率，本文將M序列調(diào)制信號(hào)作為成像聲納的發(fā)射信號(hào)，并采用脈沖對(duì)法[11]實(shí)現(xiàn)目標(biāo)相對(duì)于成像聲納的徑向速度估計(jì)；通過估計(jì)得到的徑向速度信息初步判斷被檢測目標(biāo)的運(yùn)動(dòng)狀態(tài)。

1.1 水面水下運(yùn)動(dòng)目標(biāo)特征

水面目標(biāo)在快速移動(dòng)的過程中，回波信號(hào)中帶有多普勒頻移信息，通過估計(jì)回波信號(hào)的頻率來判斷被檢測目標(biāo)是否為運(yùn)動(dòng)目標(biāo)。另外由于螺旋槳高速的旋轉(zhuǎn)，導(dǎo)致船只尾部產(chǎn)生大量的氣泡，船只在移動(dòng)的過程中會(huì)產(chǎn)生較長的尾跡如圖1中方框標(biāo)記部分所示，從圖中可以看出，目標(biāo)左側(cè)能量強(qiáng)度高，右側(cè)強(qiáng)度低(尾跡)，因此我們可以利用上述尾跡特征，減小尾跡產(chǎn)生的定位誤差。

通過觀察圖1分析可得水面小船行駛過后，水面會(huì)產(chǎn)生明顯的尾跡。通過能量檢測目標(biāo)，尾跡對(duì)應(yīng)的像素點(diǎn)也會(huì)被檢測為目標(biāo)的一部分，進(jìn)而導(dǎo)致估計(jì)目標(biāo)位置出現(xiàn)嚴(yán)重的偏差。由于尾跡產(chǎn)生的回波強(qiáng)度相比于運(yùn)動(dòng)目標(biāo)回波強(qiáng)度較弱，且包含尾跡的目標(biāo)像素點(diǎn)集在平面中的跨度較大，根據(jù)上述兩個(gè)特征對(duì)此類運(yùn)動(dòng)目標(biāo)進(jìn)行單獨(dú)處理，通過剔除部分尾跡像素點(diǎn)以減小定位誤差。

圖1 水面運(yùn)動(dòng)目標(biāo)產(chǎn)生的尾跡Fig.1 The wake of a moving target on the water surface

定義目標(biāo)像素點(diǎn)集合的跨度信息如圖2所示。假設(shè)圖中每一個(gè)方框表示一個(gè)像素點(diǎn)，其中黑色填充和灰色填充的像素點(diǎn)為一個(gè)目標(biāo)的像素點(diǎn)集，記為{(xi,yi)|i∈1,2,…,M}，其中像素點(diǎn)A為目標(biāo)最左側(cè)的像素點(diǎn)，即min(xi),i∈1,2,…，M；B為y值最小的像素點(diǎn)，即min(yi),i∈1,2,…，M；C點(diǎn)即是x值最大(max(xi),i∈1,2,…，M)，也是y值最大的像素點(diǎn)(max(yi),i∈1,2,…，M)，于是得到：

圖2 目標(biāo)跨度定義Fig.2 Define of the target span

x方向上的跨度L1=max(xi)-min(xi),i∈1,2,…，M；

y方向上的跨度L2=max(yi)-min(yi),i∈1,2,…，M。

1.2 脈沖對(duì)法測徑向速度

脈沖對(duì)法對(duì)速度估計(jì)的基本思路是對(duì)信號(hào)做自相關(guān)處理，通過估計(jì)信號(hào)的相位信息，進(jìn)而得到信號(hào)的頻率，最后計(jì)算出多普勒速度。下面對(duì)脈沖對(duì)方法進(jìn)行簡要介紹。

假設(shè)目標(biāo)回波信號(hào)經(jīng)過基帶解調(diào)和低通濾波之后得到z(n)，該信號(hào)由一個(gè)多普勒頻移信號(hào)和加性復(fù)高斯白噪聲序列{θ1(n)+jθ2(n)}組成，即：

z(n)={A(n)+jB(n)}ej2πf0n+{θ1(n)+jθ2(n)}

(1)

式(1)中，f0是信號(hào)的頻率，n表示采樣點(diǎn)的索引值，{A(n)+jB(n)}表示信號(hào)的幅度，此處假設(shè)采樣頻率為1 Hz。A(n)、B(n)、θ1(n)和θ2(n)都是均值為零、相互獨(dú)立、不相關(guān)的高斯序列，且噪聲序列的方差為σ2。PP法，通過滯后m個(gè)樣本對(duì)N個(gè)樣本數(shù)據(jù)分段，對(duì)頻率估計(jì)的計(jì)算方法如式(2)所示：

(2)

式(2)中，Sm是復(fù)觀測數(shù)據(jù)z(n)延遲m個(gè)采樣點(diǎn)后的自相關(guān)函數(shù)。

(3)

令w(n)=1通過多普勒頻率和速度之間的關(guān)系：

fd=2vfc/(c-v)

(4)

(5)

1.3 恒虛警檢測

雷達(dá)信號(hào)處理中二維恒虛警檢測通常為距離和多普勒維，但是在本研究中，二維恒虛警為距離和方位維。如圖3所示，本文使用十字形窗進(jìn)行恒虛警檢測，在兩個(gè)方向分別做一次一維恒虛警檢測，然后把兩次恒虛警檢測的結(jié)果做邏輯與操作，即只有當(dāng)兩個(gè)方向上都被檢測到的單元才能被判定為目標(biāo)像素。其中距離維上使用OS-CFAR檢測，在方位維做CA-CFAR檢測。

圖3 十字型參考窗示意圖Fig.3 Cross reference window

2 水面運(yùn)動(dòng)目標(biāo)檢測定位方法

2.1 水面運(yùn)動(dòng)目標(biāo)檢測定位實(shí)現(xiàn)步驟

本文將成像聲納圖像做恒虛警檢測，獲取圖像中可能是目標(biāo)的像素點(diǎn)，通過聚類分析[12]將檢測到的目標(biāo)像素點(diǎn)進(jìn)行聚類，把每一個(gè)聚類當(dāng)做是一個(gè)目標(biāo)，在此基礎(chǔ)上融合目標(biāo)回波的多普勒信息，以及每一個(gè)聚類中像素點(diǎn)的擴(kuò)跨度信息，提取出水面快速移動(dòng)的目標(biāo)。水面運(yùn)動(dòng)目標(biāo)具體檢測步驟如下：

步驟1 用常規(guī)波束形成算法對(duì)陣元接收到的信號(hào)分段作頻域波束形成，然后再恢復(fù)到時(shí)域波束。

步驟2 使用上述二維恒虛警檢測算法，對(duì)波束形成能量求和后的數(shù)據(jù)做處理，檢測出可能是目標(biāo)像素點(diǎn)，而且對(duì)成像視野中的目標(biāo)個(gè)數(shù)并不確定，因此使用聚類分析法(本文采用dbscan算法)對(duì)檢測到的目標(biāo)像素進(jìn)行聚類的同時(shí)，也實(shí)現(xiàn)了目標(biāo)個(gè)數(shù)的估計(jì)，每個(gè)聚類表示一個(gè)目標(biāo)。

步驟3 根據(jù)步驟2檢測到含有目標(biāo)像素點(diǎn)，然后找到步驟1中對(duì)應(yīng)位置波束形成后的時(shí)域波束數(shù)據(jù)，使用脈沖對(duì)法對(duì)波束數(shù)據(jù)作速度估計(jì)，計(jì)算得到每個(gè)目標(biāo)像素點(diǎn)對(duì)應(yīng)的速度。

步驟4 設(shè)定一個(gè)速度閾值，若某一目標(biāo)區(qū)域計(jì)算得到的速度值均值大于閾值，則認(rèn)為該區(qū)域檢測到的目標(biāo)為動(dòng)目標(biāo)。

步驟5 對(duì)每個(gè)聚類、檢測后的運(yùn)動(dòng)目標(biāo)，分別計(jì)算其x方向上和y方向上的跨度L1和L2，當(dāng)其中任意一維跨度超出設(shè)定的閾值，則判定該運(yùn)動(dòng)目標(biāo)為水面移動(dòng)目標(biāo)。

步驟6 對(duì)于檢測的到水面運(yùn)動(dòng)目標(biāo)，目標(biāo)像素點(diǎn)按照能量強(qiáng)度進(jìn)行從大到小排序，選取其中能量值排名前15%的像素點(diǎn)，若取得像素點(diǎn)的個(gè)數(shù)為N，每個(gè)像素點(diǎn)對(duì)應(yīng)的坐標(biāo)為(xj,yj),j=1,2,…,N。假設(shè)目標(biāo)的等效坐標(biāo)中心為(x0,y0)，建立目標(biāo)函數(shù)f(x0,y0)，該函數(shù)的意義是計(jì)算(x0,y0)的坐標(biāo)點(diǎn)到各個(gè)目標(biāo)像素點(diǎn)對(duì)應(yīng)坐標(biāo)之間的距離之和，使得f(x0,y0)最小時(shí)，對(duì)應(yīng)的坐標(biāo)作為該目標(biāo)的等效中心點(diǎn)。其數(shù)學(xué)表達(dá)式如下：

(6)

上述目標(biāo)函數(shù)的計(jì)算可以使用標(biāo)準(zhǔn)粒子群優(yōu)化算法來實(shí)現(xiàn)，此時(shí)獲取的目標(biāo)的位置信息消除了部分尾跡的影響，減少了水面移動(dòng)目標(biāo)定位誤差。

2.2 粒子群優(yōu)化算法

步驟6中所述的標(biāo)準(zhǔn)粒子群優(yōu)化算法，通過產(chǎn)生一群隨機(jī)的粒子，每個(gè)粒子包含位置信息和速度信息，通過迭代計(jì)算找到目標(biāo)函數(shù)的最優(yōu)解。在每一次的迭代中，粒子通過跟蹤兩個(gè)“極值”p和g來更新自己。在找到這兩個(gè)最優(yōu)值后，粒子通過下面的公式來更新自己的速度和位置：

vi=vi+c1×rand()×(pi-zi)+
c2×rand()×(gi-zi)

(7)

zi=zi+vi

(8)

式(7)、式(8)中，i=1,2,…,M，M表示粒子個(gè)數(shù)；vi表示粒子的速度；rand()表示介于(0～1)之間的隨機(jī)數(shù)；zi表示粒子的當(dāng)前位置；c1、c2表示學(xué)習(xí)因子；p和g分別表示粒子群的局部和全局最優(yōu)位置；設(shè)定|vi|≤Vmax。

實(shí)際使用時(shí)，設(shè)置粒子坐標(biāo)值為對(duì)應(yīng)二維坐標(biāo)值zi=(xi,yi)，算法的具體步驟如下：

1)初始化一群微粒(群體規(guī)模為M)，包括隨機(jī)位置和速度；

2)評(píng)價(jià)每個(gè)微粒的適應(yīng)度；

3)對(duì)每個(gè)粒子，將其適應(yīng)值與其經(jīng)過的最優(yōu)位置p作比較，如果較好，則將其作為當(dāng)前的最優(yōu)位置p；

4)對(duì)每個(gè)粒子，將其適應(yīng)值與其經(jīng)過的最優(yōu)位置g作比較，如果較好，則將其作為當(dāng)前的最優(yōu)位置g；

5)根據(jù)式(7)、式(8)更新每個(gè)粒子速度和位置；

6)未達(dá)到終止條件則轉(zhuǎn)第2)步。

迭代終止條件根據(jù)具體問題一般選為最大迭代次數(shù)G或粒子群迄今為止搜索到的最優(yōu)位置滿足預(yù)定最小適應(yīng)閾值。

由于成像聲納的分辨率較低，每一幀圖像的像素點(diǎn)數(shù)目不多，對(duì)于單個(gè)目標(biāo)的像素點(diǎn)總數(shù)也并不會(huì)很高，設(shè)置粒子群的粒子個(gè)數(shù)為25，因此使用標(biāo)準(zhǔn)的粒子群優(yōu)化算法并不會(huì)消耗大量的計(jì)算資源，滿足實(shí)時(shí)性要求。

3 仿真與實(shí)驗(yàn)結(jié)果

3.1 步驟1至步驟4的仿真

對(duì)2.1節(jié)所述步驟1至步驟4進(jìn)行仿真驗(yàn)證。假設(shè)聲納探測視野中同時(shí)存在運(yùn)動(dòng)目標(biāo)和靜目標(biāo)，某一時(shí)刻運(yùn)動(dòng)目標(biāo)相對(duì)于基陣的徑向速為2 m/s，方位10°，距離80 m，靜止目標(biāo)的方位20°，距離112 m。聲納接收基陣陣元數(shù)64，陣元間距6 mm，角度掃描范圍-60°～60°，預(yù)成波束數(shù)225個(gè)。在圖4(a)中可觀察到兩個(gè)目標(biāo)，恒虛警檢測后提取出這兩個(gè)目標(biāo)，如圖4(b)所示；另外觀察圖4(c)可以清晰地看到一個(gè)峰，該峰所在位置與圖4(b)中左下角的目標(biāo)相對(duì)應(yīng)，由此利用徑向速度信息可將動(dòng)目標(biāo)提取出來，檢測結(jié)果如圖4(d)所示。

圖4 聯(lián)合徑向速度動(dòng)目標(biāo)檢測仿真結(jié)果Fig.4 Simulation results of the moving target detection method combined radial velocity

3.2 實(shí)驗(yàn)條件

試驗(yàn)時(shí)將成像聲納固定安裝于靜止的實(shí)驗(yàn)平臺(tái)，等效于港口監(jiān)測環(huán)境。實(shí)驗(yàn)現(xiàn)場，距離500 m范圍內(nèi)，水面可見目標(biāo)，示意圖如圖5所示。

圖5 實(shí)驗(yàn)現(xiàn)場環(huán)境示意圖Fig.5 Schematic diagram of test site environment

使用成像聲納進(jìn)行探測，波束開角120°范圍內(nèi)成像的結(jié)果如圖6所示，圖中用方框標(biāo)記部分為水面可見目標(biāo)，與實(shí)際觀測相符合，其他亮點(diǎn)所對(duì)應(yīng)的目標(biāo)在水下，可能是暗礁也可能是魚。

圖6 單幀成像結(jié)果Fig.6 Single frame imaging

3.3 實(shí)驗(yàn)結(jié)果

對(duì)任意一幀含有運(yùn)動(dòng)目標(biāo)的數(shù)據(jù)執(zhí)行步驟1至步驟4得到恒虛警檢測結(jié)果。含有目標(biāo)區(qū)域的局部放大圖，如圖7(a)所示；速度估計(jì)平面包含運(yùn)動(dòng)目標(biāo)區(qū)域的局部放大圖，如圖7(b)所示。觀察可得：恒虛警檢測結(jié)果中運(yùn)動(dòng)目標(biāo)區(qū)域，用圓圈標(biāo)記，對(duì)應(yīng)于速度平面中的區(qū)域可以看到一個(gè)亮點(diǎn)，該亮點(diǎn)表示其速度值比周圍區(qū)域大很多，從而說明該速度大的區(qū)域?qū)?yīng)左圖中的目標(biāo)是動(dòng)目標(biāo)。

圖7 單幀恒虛警檢測結(jié)果和速度平面Fig.7 One frame detected result by CFAR and velocity plane

對(duì)湖上實(shí)驗(yàn)采集的單水面運(yùn)動(dòng)目標(biāo)數(shù)據(jù)進(jìn)行處理，并使用圓圈標(biāo)記出每一幀檢測到的運(yùn)動(dòng)目標(biāo)，檢測結(jié)果如圖8所示，實(shí)驗(yàn)結(jié)果表明，使用上述方法可以有效地將運(yùn)動(dòng)目標(biāo)提取出來。觀察多幀的成像結(jié)果發(fā)現(xiàn)，存在較多的虛警，包含了一部分水下的運(yùn)動(dòng)目標(biāo)。本文所述的運(yùn)動(dòng)目標(biāo)檢測方法在仿真條件下，擁有較好的動(dòng)目標(biāo)檢測效果，但是在使用實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證時(shí)，受到實(shí)際環(huán)境的影響，會(huì)將靜止目標(biāo)檢測為運(yùn)動(dòng)目標(biāo)，而同一個(gè)目標(biāo)檢測結(jié)果受多種因素的干擾，檢測結(jié)果并不穩(wěn)定。

圖8 單水面運(yùn)動(dòng)目標(biāo)前4個(gè)步驟檢測結(jié)果Fig.8 Test results of the first 4 steps of single-surface moving targets

根據(jù)本文的算法對(duì)水面移動(dòng)船只進(jìn)行檢測與定位，若執(zhí)行到步驟5，直接對(duì)同一聚類的像素點(diǎn)進(jìn)行處理，計(jì)算等效坐標(biāo)中心，得到結(jié)果如圖9左側(cè)圖片所示。增加步驟6后的實(shí)驗(yàn)結(jié)果如圖9右側(cè)所示。圖中方框所標(biāo)記的是計(jì)算得到的等效坐標(biāo)中心位置，對(duì)應(yīng)的目標(biāo)的坐標(biāo)值如表1所示，表中目標(biāo)1表示成像視野中位于左側(cè)的目標(biāo)，目標(biāo)2表示位于右側(cè)的目標(biāo)。

圖9 增加步驟6前后估計(jì)結(jié)果對(duì)比Fig.9 Comparison of estimation results before and after adding step 6

表1 圖9中目標(biāo)的坐標(biāo)值Tab.1 The coordinates of the target in Fig.9

續(xù)表1

對(duì)比分析可得，對(duì)聚類后的像素點(diǎn)集不做任何處理，定位得到的坐標(biāo)點(diǎn)遠(yuǎn)遠(yuǎn)偏離目標(biāo)的實(shí)際位置；使用本文方法，檢測定位的結(jié)果更加準(zhǔn)確，更加接近目標(biāo)實(shí)際位置。

4 結(jié)論

本文提出了基于成像聲納的水面小型移動(dòng)目標(biāo)檢測方法。該方法將成像聲納圖像作恒虛警檢測，獲取圖像中可能是目標(biāo)的像素點(diǎn)，通過聚類分析將檢測到的目標(biāo)像素點(diǎn)進(jìn)行聚類，每一個(gè)聚類是一個(gè)目標(biāo)，在此基礎(chǔ)上融合目標(biāo)回波的多普勒信息，確定運(yùn)動(dòng)目標(biāo)，通過仿真與實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證該方法的有效性。最后計(jì)算每一個(gè)運(yùn)動(dòng)目標(biāo)聚類中像素點(diǎn)的擴(kuò)跨度信息，提取出水面快速移動(dòng)的目標(biāo)，只取回波能量高的部分像素點(diǎn)進(jìn)行目標(biāo)位置計(jì)算，從而提高成像聲納水面目標(biāo)定位準(zhǔn)確性。仿真實(shí)驗(yàn)結(jié)果表明，該方法通過取出部分尾跡像素點(diǎn)，大大減小了定位誤差，提高了成像聲納水面目標(biāo)定位準(zhǔn)確性。

該算法在水紋環(huán)境良好，目標(biāo)速度大于2 kn的條件下，適用于長度小于50 m的移動(dòng)船只，比如小型游艇、皮劃艇等小型目標(biāo)的檢測。另外該算法能夠提高水面運(yùn)動(dòng)目標(biāo)的定位精度，但缺少尾流大小、目標(biāo)個(gè)數(shù)、多目標(biāo)之間的運(yùn)動(dòng)狀態(tài)對(duì)目標(biāo)檢測的影響實(shí)驗(yàn)數(shù)據(jù)，因此后續(xù)可進(jìn)行有關(guān)試驗(yàn)，作更深入的研究，以提升該算法的性能。