基于形態(tài)特征的水下小目標識別方法

李 軻，劉 忠，毛 盾

(海軍工程大學，湖北 武漢 430033)

0 引言

傳統(tǒng)上，海上探測和防御的對象主要是艦船和潛艇等大型目標，但是印度孟買發(fā)生的恐怖襲擊和2008年5月斯里蘭卡泰米爾“猛虎”組織發(fā)動的水下偷襲讓世界各國開始重視水下小目標的威脅?？植澜M織利用“非對稱”戰(zhàn)的特點，使用蛙人、蛙人運載器、水下機器人等小型武器對海軍艦艇基地、民用港口、海上鉆井平臺等海濱重要設施進行攻擊，將會造成巨大的生命和財產(chǎn)損失［1］。在這種形勢下，各國都投入了大量的人力、物力來研究針對蛙人、水下機器人等小目標的檢測、識別技術。

目前，聲波在水中進行遠距離傳播的效果最好，低頻聲波在水中的傳播距離甚至可以達到幾百千米。因此，聲信號就成為水下探測技術中的首選探測信號，而聲吶也就成為水下目標探測的主要電子設備。蛙人探測聲吶是一種以小目標為探測對象的高分辨率圖像聲吶，工作頻率越高，系統(tǒng)方位分辨率越高，對小目標的描述就越細致。蛙人探測聲吶的工作環(huán)境主要是淺海。由于淺海地形復雜、混響強度較高，導致聲吶圖像上會出現(xiàn)大量干擾信號，目標可能淹沒在這些干擾信號中，影響水下小目標的識別效果［2］。

本文旨在通過數(shù)字圖像處理技術結合水下小目標的物理特性，對所獲取的聲吶圖像進行處理、分析和理解，提出基于形態(tài)特征的水下小目標識別方法，并在實驗中得到了令人滿意的結果。

1 國內(nèi)外研究現(xiàn)狀［3］

目前，世界上只有幾個軍事發(fā)達國家擁有基于蛙人探測聲吶的水下小目標識別系統(tǒng)，下面簡要介紹一下各國的發(fā)展狀況。

美國C－TECH公司推出的CSDS－850 mm警戒聲吶是其第三代高性能圖像聲吶，安裝在港口或艦船上用于探測攜帶開式或閉式呼吸器的水下蛙人、運載器及小潛艇等小目標。其提供的技術指標為:探測距離最遠可達2 000 m;水平全向探測也可扇區(qū)掃描;垂直窄波束并可以電子俯仰;系統(tǒng)頻率80 kHz，高分辨率波束形成，目標自動檢測及報警。

俄羅斯、烏克蘭的MOK－А水聲系統(tǒng)是主動發(fā)射的海洋警戒裝置，用于檢測非法進入的潛水器、蛙人及水面運載器等。該系統(tǒng)采用匹配場設計原理，最大的特點是可以探測帶吸聲材料的隱身蛙人，探測距離達100 m左右。另外，挪威考達公司的Echo scope系列三維成像聲吶也用于水下目標成像和蛙人探測中。

國內(nèi)相關單位也已開展了蛙人探測聲吶的相關研究工作。中國科學院聲學研究所成功研制了全部自主知識產(chǎn)權的蛙人探測聲吶，該系統(tǒng)在北京奧運會的水下安保中得到了成功應用。

2 水下小目標識別方法

2.1 圖像預處理

圖像預處理主要完成對孤立熱噪聲和混響噪聲的去除，提高圖像的信噪比，包括中值濾波、閾值化等步驟。

2.1.1 中值濾波

中值濾波的主要目的是去除孤立噪聲，然而由于蛙人等目標本身也很小，因此在去除噪聲的同時必須注意保留這些小目標的相關信息。在蛙人探測聲吶圖像中。均值濾波和中值濾波是圖像預處理中最常用的2種方式。然而，均值濾波會平滑掉目標的邊沿信息，降低目標的灰度值，從而影響后續(xù)目標判定的效果;相反，中值濾波有助于保留目標的這些特征，同時消除孤立噪聲。另外，由于水下小目標與噪聲相比具有較高的強度，我們采用式(1)的方法對高強度小目標進行保護，即當某像素的N鄰域按由大到小排序后的第k個灰度值大于閾值T時，保持該像素的灰度值不變，這里要求k＜(N+2)/2。

其中，f'i(x，y)為像素(x，y)的N鄰域按由大到小排序后的第i個灰度值。N一般為偶數(shù)，取4或者8。f'1(x，y)≥f'2(x，y)≥…≥f'k(x，y)≥…≥f'N+1(x，y)，k＜(N+2)/2。例如，排序后8鄰域內(nèi)的第3個灰度值超過220(其中灰度最大值為255)，則該像素的灰度值不變。實際上，中值濾波是它的特殊情況。

2.1.2 分段自適應閾值化

閾值化的主要目的是消除面積大而強度較弱的混響噪聲，與傳統(tǒng)的閾值化不同，這里為了保留目標的灰度信息，并結合蛙人探測聲吶的特點，進行單邊分段自適應閾值。

單邊閾值是指在閾值化過程中，只將小于閾值的像素點設置為背景，而大于閾值的像素點則保持灰度值不變。閾值化后的圖像為:

分段自適應閾值是將整個圖像按照與聲吶圓心的距離分為近區(qū)、遠區(qū)，對每個區(qū)域分別進行自適應閾值化。一般而言，由于近區(qū)混響噪聲強，相應的閾值也要高一些，而遠區(qū)的閾值要低一些。

自適應閾值分割的基本思想是根據(jù)虛警率和成像背景的變化情況動態(tài)地改變閾值。算法通過在固定閾值的基礎上增加1個反映成像環(huán)境整體變化情況的附加項Δt來設置動態(tài)閾值，其數(shù)學表達式描述如下:

式中:M×N為檢測區(qū)域的像素總數(shù);Δt反映了成像環(huán)境的整體變化情況。如果圖像成像環(huán)境變化較小，動態(tài)閾值Δt很小;如果圖像變化明顯，則動態(tài)閾值Δt將明顯增大，這就有效地抑制了成像環(huán)境變化帶來的影響;f'(x，y)為當前幀中像素(i，j)的灰度值;f(x，y)為初始幀中像素(i，j)的灰度值，這是個定值，可事先存儲。

然而，對每幀圖像都改變閾值是沒有必要的，也會增加系統(tǒng)的負擔，降低系統(tǒng)效率。因此算法為每幀圖像設置了1個二元組(CF，CT)。其中CF為本幀中檢錄到的虛警目標的數(shù)量，CT為本幀中檢錄到的目標的總數(shù)量，由CF和CT可以計算出本幀中檢錄到的目標的虛警率。

規(guī)則1 當連續(xù)N幀所檢測到目標總數(shù)大于閾值Ttotal，且虛警率也大于閾值Tratio時，閾值按式(3)進行更新。

當連續(xù)N幀所檢測到目標總數(shù)大于閾值Ttotal，且虛警率也大于閾值Tratio時，說明成像環(huán)境持續(xù)惡化，原來的閾值過低已經(jīng)不再適應于新的環(huán)境。在這種情況下，原來的閾值T按式(3)式通過附加Δt升高到T'。閾值的升高是漸進式，隨著閾值的提高，系統(tǒng)所檢測到的目標數(shù)和虛警率都會降低，如果新的閾值T'仍達不到要求，目標數(shù)和虛警率仍高于Ttotal和Tratio，系統(tǒng)會繼續(xù)按照式(3)式進行更新閾值，直到獲得達到要求的閾值為止。

規(guī)則2 每隔一段時間t將閾值重新置回初始狀態(tài)T0。

這是因為成像環(huán)境的惡化大多數(shù)情況下是突發(fā)性的，持續(xù)時間不會太長。例如下雨天會對蛙人探測聲吶的成像效果產(chǎn)生較大的影響，不過這種影響一般也就持續(xù)3～5 h，多則2～3天，之后聲吶的成像環(huán)境將恢復到原來的狀況，因此原來升高的閾值有必要降回初始水平，否則會影響目標檢測的效果。如果這時的成像環(huán)境仍然沒有改善，根據(jù)規(guī)則1，閾值T仍將按式(3)式再次進行更新。系統(tǒng)重置閾值的時間間隔可由用戶根據(jù)情況輸入。

2.2 基于形態(tài)特征的小目標檢測方法

首先使用背景相減法，通過統(tǒng)計得到背景模型中的1個背景模型，然后將當前幀與背景模型相減，如果像素差值大于某一閾值，則判斷此像素屬于運動目標，否則屬于背景圖像。這種方法能較好地提取出目標的特征數(shù)據(jù)，但對于外界環(huán)境的變化非常敏感。本文所提出的基于形態(tài)特征的小目標檢測方法的原理非常簡單，其主要工作過程如圖1所示。首先利用式(4)式計算背景圖像B(x，y)與當前圖像f(x，y)的差，然后對差分圖像D(x，y)進行二值化，最后對二值化后的圖像R(x，y)進行形態(tài)分析，當圖像中的某一連通區(qū)域的形態(tài)特征滿足所設定的判斷規(guī)則時，就認為這個連通區(qū)域為蛙人或水下機器人等水下小目標。

圖1 處理流程圖Fig.1 Processing flow chart

目標形態(tài)特征判斷準則如下:

1)對連續(xù)三幀圖像進行基于數(shù)學形態(tài)學的骨架提取，得到三幀圖像中各個對象的骨架，然后分別計算相對應對象的骨架長度平均值，再將這些平均值和已知的先驗值進行比較，進行初步目標識別，并將超出先驗值范圍的干擾圖像剔除掉;

2)依次計算所得圖像中余下每一個對象的面積平均值，然后與先驗值進行比較，判斷蛙人目標的存在，剔除超出判定范圍的干擾目標。這樣經(jīng)過以上兩步處理后剩下的對象既滿足長度要求、也符合面積要求，可判定為蛙人目標。

步驟1 計算連續(xù)三幀圖片中相對應的各個對象骨架長度的平均值Li，將它作為本輪判斷的骨架長度值:

然后判斷不等式: α≤Li≤β。

其中，α和β是關于蛙人目標骨架長度范圍的經(jīng)驗值，若不等式不成立就剔除該對象，若成立就進入步驟2。

最后判斷不等式: γ≤Sj≤δ。

其中，γ和δ是關于蛙人面積范圍的經(jīng)驗值。若不等式成立則判定該對象是蛙人目標，否則重新讀取3幀圖像，進入步驟1。

3 實測聲吶圖像處理結果

為了驗證本文所提出算法的有效性，這里對含有蛙人目標的連續(xù)三幀實測聲吶圖像進行了處理。實測環(huán)境:晴天，蛙人著閉式潛水衣，潛水深度10 m，海況3級。圖2中(a)～(c)分別顯示了蛙人探測聲吶的連續(xù)3幀偽彩色圖像，(d)～(f)分別顯示了經(jīng)本文所提出預處理算法處理后的圖像，(g)～(i)顯示了經(jīng)過基于形態(tài)特征檢測后的目標圖像。從圖中可以清楚地看到，從聲吶正北方向侵入的蛙人被成功地檢測到。

圖2 實測聲吶圖像Fig.2 Practical sonar image

4 結語

從實驗結果可以看出，本文提出的基于形態(tài)特征的水下小目標識別方法能在混響嚴重的淺海區(qū)域成功地檢測到蛙人等小目標，而且檢測準確率高，運算速度快，符合工程實踐要求。盡管如此，對于水下小目標檢測，本文只做了初步探索，還有很多問題需要進行研究和解決。

［1］張波，陳小泉.蛙人探測及蛙人探測聲吶［J］.中國科技信息，2009，(2):51 －52.ZHANG Bo，CHEN Xiao-chuan.Diver detecting sonar［J］.China Science and Technology Information，2009，(2):51－52.

［2］田曉東，周德超，劉忠.基于聲圖像序列的快速目標跟蹤算法［J］.計算機仿真，2007，24(7):5 －8.TIAN Xiao-dong，ZHOU De-chao，LIU Zhong.A fast object tracking algorithm based on sonar image sequences［J］.Computer Simulation，2007，24(7):5 －8.

［3］蔣立軍，楊娟，許楓.蛙人探測聲吶技術研究進展［J］.科學通報，2009，54(3):269 －272.JIANG Li-jun，YANG Juan，XU Feng.Technological progress of diver detection sonar［J］.Chinese Science Bulletin，2009，54(3):269 －272.

［4］李毅，等.一種改進的幀差和背景減相結合的運動檢測方法［J］.中國圖像圖形學報，2009，14(6):1162 －1168.LI Yi，et al.An improved method for motion detection by frame difference and background subtraction［J］.Journal of Image and Graphics，2009，14(6):1162 －1168.

［5］李軻，劉忠，毛盾.基于反蛙人聲吶的小目標檢測算法［J］.艦船電子工程，2010，30(7):173 －176.LI Ke，LIU Zhong，MAO Dun.Algorithm for detection of small target in sonar image based on anti－ diver sonar［J］.Ship Electronic Engineering，2010，30(7):173 －176.

［6］SARANGAPANI S，MILLER J H，POTTY G R，et al.Measurements and modeling of the target strength of diver［J］.Oceans，2005，2(20 －23):952 －956.

［7］GONZALEZ R C.數(shù)字圖像處理［M］.北京:電子工業(yè)出版社，2007.