基于無人平臺(tái)的水下目標(biāo)自動(dòng)檢測(cè)方法

李子高，李淑秋，聞疏琳

(中國(guó)科學(xué)院 聲學(xué)研究所，北京 100190)

基于無人平臺(tái)的水下目標(biāo)自動(dòng)檢測(cè)方法

李子高，李淑秋，聞疏琳

(中國(guó)科學(xué)院 聲學(xué)研究所，北京 100190)

在水下復(fù)雜的聲場(chǎng)環(huán)境中，對(duì)水聲目標(biāo)的自動(dòng)檢測(cè)技術(shù)是無人平臺(tái)自主探測(cè)的基礎(chǔ)，具有重要的研究?jī)r(jià)值。針對(duì)無人平臺(tái)自噪聲在聲場(chǎng)中對(duì)目標(biāo)檢測(cè)的干擾，提出了一種結(jié)合峰值信息與梯度信息的目標(biāo)峰值判決方法；針對(duì)由于干擾信號(hào)以及信噪比低造成的目標(biāo)航跡信息缺失現(xiàn)象，設(shè)計(jì)了一種基于自適應(yīng)區(qū)域生長(zhǎng)的航跡修復(fù)方法，改善目標(biāo)航跡的質(zhì)量；基于檢測(cè)前跟蹤思想，利用霍夫變換獲取方位歷程圖中目標(biāo)航跡信息的提取與估計(jì)。使用上述方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，較為有效地抑制了載體平臺(tái)自噪聲、環(huán)境噪聲、雜波等的干擾，完成無人干預(yù)條件下目標(biāo)的自動(dòng)檢測(cè)，取得了預(yù)期的效果。

水下無人平臺(tái)；目標(biāo)檢測(cè)；自動(dòng)檢測(cè)；信息融合；自適應(yīng)區(qū)域生長(zhǎng)；檢測(cè)前跟蹤；霍夫變換

無人水下航行器(unmanned underwater vehicle, UUV)由于其優(yōu)秀的隱蔽性和機(jī)動(dòng)性，在水下偵察預(yù)警領(lǐng)域具有很高的戰(zhàn)術(shù)價(jià)值和軍事應(yīng)用前景。近年來基于UUV載體的聲吶設(shè)備對(duì)水下目標(biāo)的探測(cè)跟蹤方法是水聲學(xué)領(lǐng)域的熱門研究課題之一。在UUV無人干預(yù)的工作環(huán)境下，如何讓聲吶對(duì)未知目標(biāo)進(jìn)行自動(dòng)檢測(cè)，具有很高的研究意義和應(yīng)用價(jià)值。

常規(guī)的目標(biāo)檢測(cè)跟蹤算法是一種檢測(cè)后跟蹤方法(track after detection, TAD)。通過對(duì)聲吶設(shè)備采集到的陣列數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，獲取對(duì)目標(biāo)方位的估計(jì)?；谇靶驍?shù)據(jù)中的目標(biāo)方位信息，完成對(duì)目標(biāo)的跟蹤。在實(shí)際的水下聲場(chǎng)環(huán)境中，由于水下雜波、噪聲、載體自噪聲等諸多干擾因素的影響，會(huì)出現(xiàn)目標(biāo)信噪比低、航跡不連續(xù)的現(xiàn)象。在這種情況下上述方法存在如下缺點(diǎn)：1)難以從干擾峰值中篩選出有效目標(biāo)峰值，2)對(duì)于航跡連續(xù)性差的目標(biāo)，無法有效檢測(cè)。

針對(duì)上述情況，基于檢測(cè)前跟蹤(track before detection, TBD)思想[1]，將多幀數(shù)據(jù)統(tǒng)籌分析，把目標(biāo)檢測(cè)問題轉(zhuǎn)化為方位歷程圖中線條識(shí)別問題，從而克服噪聲干擾、航跡斷續(xù)的影響。同時(shí)，為了改善算法性能，提出了對(duì)方位歷程圖的兩個(gè)預(yù)處理算法：基于信息融合的二值化處理，有效抑制載體自噪聲干擾；基于自適應(yīng)區(qū)域生長(zhǎng)理論[2]的航跡增強(qiáng)算法，提升非連貫航跡的檢測(cè)效果。

1 信號(hào)模型

以N元均勻線形傳感器陣列為例。陣列接收的遠(yuǎn)場(chǎng)窄帶信號(hào)y的數(shù)學(xué)模型如下

(1)

(2)

式中：d為等間距線型水聽器陣列的間距，水聽器數(shù)目為N，f為信號(hào)中心頻率，c為聲速。

2 自動(dòng)目標(biāo)檢測(cè)算法

2.1 方位預(yù)處理及二值化

目標(biāo)檢測(cè)算法流程圖如圖1所示，觀察圖可知，算法的第一步稱為方位預(yù)處理及二值化。在這個(gè)階段，原始陣列采樣數(shù)據(jù)經(jīng)波束形成器生成方位歷程圖，并通過一系列處理，由灰度圖像轉(zhuǎn)變?yōu)槎祷瘓D像。本階段包含三部分處理：1)波束形成， 2)低通濾波，3)基于信息融合的峰值判定。

圖1 目標(biāo)檢測(cè)算法流程圖Fig.1 Target detection framework

2.1.1 獲取方位歷程圖

檢測(cè)與跟蹤的基礎(chǔ)，是基于波束形成方法得到的目標(biāo)方位估計(jì)。水下目標(biāo)噪聲往往呈現(xiàn)為寬帶信號(hào)，而針對(duì)寬帶信號(hào)的高精度波束形成算法，具有很大的計(jì)算量，對(duì)于在功耗和計(jì)算能力上有限的水下航行器信號(hào)處理系統(tǒng)并不適用。常規(guī)波束形成算法[3]對(duì)于寬帶信號(hào)具有計(jì)算量小和魯棒性高的優(yōu)點(diǎn)，能夠滿足本文需求。

2.1.2 低通濾波消除噪點(diǎn)

由于多波束系統(tǒng)對(duì)0°～180°范圍內(nèi)的波束曲線離散采樣，因此在方位譜中存在高頻突變成分。此外，波束曲線中偶爾也會(huì)出現(xiàn)噪點(diǎn)、野值。為避免這些成分對(duì)目標(biāo)檢測(cè)構(gòu)成干擾，采用低通濾波對(duì)方位歷程圖進(jìn)行預(yù)處理，流程如下：1)將方位歷程圖像變換至傅里葉空間;2)設(shè)計(jì)低通濾波器進(jìn)行頻域?yàn)V波;3)經(jīng)傅里葉逆變換回圖像空間。

2.1.3 信息融合峰值檢測(cè)

在拖曳陣的工作環(huán)境中，距離較近的載體輻射噪聲相對(duì)于遠(yuǎn)場(chǎng)目標(biāo)是一個(gè)非常強(qiáng)的干擾源。實(shí)驗(yàn)結(jié)果顯示，在淺海環(huán)境下載體勻速直線運(yùn)動(dòng)時(shí)，載體自噪聲呈現(xiàn)為多途干擾[4]，輻射能量在方位10°～30°之間平緩分布。針對(duì)以上特征，設(shè)計(jì)了一種結(jié)合峰值信息與梯度信息的二值化方法，在檢測(cè)出遠(yuǎn)場(chǎng)目標(biāo)峰值的同時(shí)，屏蔽平臺(tái)自噪聲的干擾峰值。本方法包含三個(gè)步驟：峰值檢測(cè)，梯度分析，融合判定。

1)峰值閾值檢測(cè)

閾值處理的關(guān)鍵在于識(shí)別系數(shù)DT和檢測(cè)門限γ的選取。記聲場(chǎng)環(huán)境噪聲均值為M，噪聲起伏為σ2。當(dāng)波束曲線中出現(xiàn)目標(biāo)峰值時(shí)，記為L(zhǎng)P(θ)。檢測(cè)指數(shù)定義為DT=20lg[(LP(θ)-M)/σ]?；谀温?皮爾遜準(zhǔn)則的接收機(jī)工作特性(ROC)曲線，在水下聲場(chǎng)環(huán)境中，識(shí)別系數(shù)閾值取經(jīng)驗(yàn)值γ=6 dB，此時(shí)正確檢測(cè)概率Pd≈96%[5]。

綜上，峰值檢測(cè)準(zhǔn)則為

(3)

2)梯度分析

根據(jù)分布特征的區(qū)別，選取適當(dāng)?shù)奶荻乳撝祦韰^(qū)分拖體自噪聲與目標(biāo)峰值。閾值門限設(shè)定為R=λ·mean(G(p,θ))，其中，mean(G(p,θ))為波束曲線梯度均值，λ為經(jīng)驗(yàn)門限系數(shù)，取值2.0。判決準(zhǔn)則如下：

(4)

3)融合判定

綜合峰值特征與梯度信息，提出如下目標(biāo)檢測(cè)方案：掃描所有檢測(cè)出的峰值點(diǎn)，其對(duì)應(yīng)的角度鄰域中，是否存在梯度非零值，如果存在，則該峰值點(diǎn)被判定為有效目標(biāo)峰值，否則，視為干擾并置零。

2.2 基于TBD思想的航跡提取方法

檢測(cè)前跟蹤(TBD)是一種基于時(shí)間融合思想，對(duì)目標(biāo)進(jìn)行跟蹤和檢測(cè)的技術(shù)[6-7]。與傳統(tǒng)檢測(cè)后跟蹤方法不同之處在于，TBD技術(shù)不會(huì)針對(duì)單次采樣數(shù)據(jù)給出處理結(jié)果，而是通過對(duì)多幀累積數(shù)據(jù)統(tǒng)一處理，統(tǒng)籌目標(biāo)峰值在各幀數(shù)據(jù)之間的連續(xù)性，從而得到目標(biāo)的特征估計(jì)。

Hough變換是一種常見的TBD算法，常應(yīng)用于圖像處理中邊緣檢測(cè)[8]。一些學(xué)者將Hough變換應(yīng)用于雷達(dá)、聲吶目標(biāo)信號(hào)檢測(cè)領(lǐng)域[9]，研究結(jié)果證明了該方法的適用性?；贖ough變換的目標(biāo)航跡檢測(cè)具有以下的特點(diǎn)與優(yōu)勢(shì)。

1)檢測(cè)方法簡(jiǎn)單。通過將圖像空間中的直線轉(zhuǎn)換為參數(shù)空間中的峰值點(diǎn)，Hough變換將復(fù)雜的整體特征檢測(cè)問題轉(zhuǎn)化為相對(duì)容易解決的局部峰值檢測(cè)問題。

2)對(duì)于不連續(xù)航跡的容忍度高，抗干擾能力強(qiáng)。對(duì)于順序檢測(cè)算法難以有效跟蹤的不連貫航跡，Hough變換通過累加同一航跡上的峰值點(diǎn)，突出航跡信息，忽略航跡局部中斷，以及一些噪點(diǎn)野值對(duì)檢測(cè)結(jié)果的影響。

3)計(jì)算量小。普通灰度圖像的Hough變換計(jì)算量往往較大，但是經(jīng)過上文所述的二值化處理之后，方位歷程圖中有效值數(shù)量大幅減小，大大減小Hough變換的計(jì)算量。

基于以上特點(diǎn)，在無人工干預(yù)的工作環(huán)境，為了有效跟蹤不連續(xù)的目標(biāo)航跡，選取Hough變換來進(jìn)行目標(biāo)航跡檢測(cè)。具體的算法流程如下：

1)將預(yù)處理所得二值化方位歷程圖經(jīng)Hough變換至參數(shù)空間。采用Duda于1972年提出的改進(jìn)Hough變換方法[10]，以避免產(chǎn)生過大的運(yùn)算量。

2)將參數(shù)空間等分為離散的區(qū)塊。對(duì)數(shù)據(jù)空間映射過來的曲線所經(jīng)過的區(qū)塊進(jìn)行累積，統(tǒng)計(jì)累加量超過設(shè)定閾值的有效區(qū)塊。

3)獲取有效區(qū)塊中的局部峰值，運(yùn)用質(zhì)心法[11]計(jì)算峰值鄰域U內(nèi)的等效重心，作為該鄰域等效峰值的估計(jì)。重心計(jì)算公式如下

(5)

(6)

其中，f(rho,theta)為參數(shù)空間對(duì)應(yīng)區(qū)塊的累積量。

4)通過逆Hough變換，將重心反映射至圖像空間，得到對(duì)應(yīng)航跡的估計(jì)。對(duì)應(yīng)關(guān)系如下：

(7)

2.3 基于自適應(yīng)生長(zhǎng)的航跡增強(qiáng)算法

上節(jié)介紹了基于Hough變換的航跡提取、目標(biāo)檢測(cè)算法，該方法具有檢測(cè)方式簡(jiǎn)單，對(duì)干擾和非連貫航跡寬容度高的特點(diǎn)。但是在實(shí)際工作中，目標(biāo)航跡往往存在斷點(diǎn)且斷點(diǎn)間隔較大的情況，如圖2中目標(biāo)B所示。由于航跡峰值點(diǎn)太少，該目標(biāo)在Hough參數(shù)域的對(duì)應(yīng)峰值很低，難以被有效檢測(cè)。圖2為根據(jù)某次實(shí)驗(yàn)數(shù)據(jù)計(jì)算所得方位歷程圖。

圖2 方位歷程圖Fig.2 Bearing-time image

針對(duì)上述目標(biāo)的特點(diǎn)，提出的一種航跡增強(qiáng)算法，其核心思想是將屬于相同航跡的斷點(diǎn)互連，達(dá)到修補(bǔ)缺失航跡、增強(qiáng)目標(biāo)特征的目的。

形態(tài)學(xué)中常用的斷點(diǎn)互聯(lián)算法是膨脹腐蝕算法[12]。但是由于該算法實(shí)質(zhì)上是對(duì)斷點(diǎn)進(jìn)行無差別互連，存在計(jì)算量過大、航跡變形以及不同航跡峰值點(diǎn)誤連等缺點(diǎn)。采用的斷點(diǎn)連接算法稱為自適應(yīng)區(qū)域生長(zhǎng)[13]，常應(yīng)用于圖像分割等領(lǐng)域。其原理是選取圖像中一個(gè)或多個(gè)像素點(diǎn)作為生長(zhǎng)點(diǎn)，依據(jù)一定的生長(zhǎng)準(zhǔn)則逐步增長(zhǎng)連接區(qū)域，直至沒有可以歸并的像素點(diǎn)為止?；谧赃m應(yīng)區(qū)域生長(zhǎng)的工作機(jī)制，提出如下航跡增強(qiáng)算法，分為生成斷點(diǎn)分布、建立生長(zhǎng)準(zhǔn)則和航跡生長(zhǎng)三步。

2.3.1 生成斷點(diǎn)分布

在航跡生長(zhǎng)之前，需要先將方位歷程圖中所有斷點(diǎn)坐標(biāo)標(biāo)注出來，方法如下：

1)由上至下掃描binspec(p,θ)，找到值為“1”的點(diǎn)后，將其置為“0”；

2)考察該點(diǎn)八鄰域，若鄰域內(nèi)全部為“0”，則判定該點(diǎn)為斷點(diǎn)，將其值重置為“1”；若八鄰域中有非零值點(diǎn)，則該點(diǎn)非斷點(diǎn)，保持“0”值；

3)掃描結(jié)束，即得到正向斷點(diǎn)子集Df；

4)由下至上，以相同方式掃描，得到逆向斷點(diǎn)子集Dr；

5)計(jì)算兩次掃描所得譜圖的并集D=Df∪Dr，即二值方位歷程圖斷點(diǎn)集合。

斷點(diǎn)集D記錄了方位歷程圖中各航跡段的起點(diǎn)與終點(diǎn)，以及獨(dú)立的噪點(diǎn)、野值的坐標(biāo)。

2.3.2 建立生長(zhǎng)準(zhǔn)則

斷點(diǎn)生長(zhǎng)準(zhǔn)則(相似性準(zhǔn)則)是對(duì)航跡進(jìn)行有效劃分的關(guān)鍵，選取符合邏輯、寬容度合適的生長(zhǎng)準(zhǔn)則，能得到更好的生長(zhǎng)效果。根據(jù)目標(biāo)方位航跡的特點(diǎn)，提出如下相似性準(zhǔn)則：

1)同一快拍中不同方位的斷點(diǎn)，一定屬于不同航跡；

2)快拍間隔Δp：確立最大容忍快拍間隔Pmax，凡兩斷點(diǎn)間快拍間隔Δp>Pmax，則判定兩者不屬于同一航跡；

3)方位變化量Δθ：遠(yuǎn)場(chǎng)目標(biāo)的方位角應(yīng)該是一個(gè)時(shí)間緩變函數(shù)，限定其方位角隨時(shí)間的變化率Ra(Rateofazimuthchange)，則相同航跡的斷點(diǎn)之間方位角差異不可超過Ra·Δp；

4)能量差異Δe：同一目標(biāo)的輻射量級(jí)在短時(shí)間內(nèi)不會(huì)劇烈變化，因此航跡兩相鄰斷點(diǎn)的能量差異應(yīng)該在一定范圍內(nèi)：

Re表征閾值占目標(biāo)能量的比例。

5)斜率變化Δk：考慮到目標(biāo)航跡的前后一致性，為避免將噪點(diǎn)和野值納入航跡，生長(zhǎng)準(zhǔn)則中引入基于斜率控制[14]的判定準(zhǔn)則。如圖3所示，a、b為已知屬于同一航跡的兩斷點(diǎn)，c、d為待判定斷點(diǎn)。記ab之間斜率kab，bc之間斜率kbc，則ab與bc的夾角

(8)

同理，可計(jì)算bd夾角Δk2。設(shè)定閾值Φ，凡Δk>Φ，則判定當(dāng)前斷點(diǎn)不屬于前序航跡。如示意圖4所示，相比峰值d、c更符合航跡ab的后續(xù)斷點(diǎn)。

2.3.3 航跡生長(zhǎng)

基于上文所給出的生長(zhǎng)準(zhǔn)則，可以從方位歷程圖斷點(diǎn)中規(guī)劃出屬于不同航跡的斷點(diǎn)子集。基于得到的航跡斷點(diǎn)子集，在方位歷程圖中將相同航跡的相鄰斷點(diǎn)以單像素線條相連，從而完成航跡的自適應(yīng)生長(zhǎng)。具體的規(guī)劃流程如圖4所示。

3 實(shí)驗(yàn)數(shù)據(jù)分析

3.1 實(shí)驗(yàn)環(huán)境

截取某次海試數(shù)據(jù)進(jìn)行算法驗(yàn)證。接收陣的形式為拖曳線列陣，拖船航速6kn，保持勻速直線運(yùn)動(dòng)。水聽器陣列距拖船150m，入水深度10～15m，從而模擬以水下無人平臺(tái)為載體的聲場(chǎng)環(huán)境。信號(hào)入射角定義為：接收陣行進(jìn)方向?yàn)?°，陣尾方向?yàn)?80°。拖曳陣圍繞聲源機(jī)動(dòng)，目標(biāo)方位角在45°～135°間緩變。聲源發(fā)射間歇性寬帶信號(hào)，從而形成非連貫航跡的目標(biāo)特征。

圖4 航跡規(guī)劃流程圖Fig.4 Target track growing framework

3.2 數(shù)據(jù)處理結(jié)果及分析

本次試驗(yàn)中，線列陣數(shù)據(jù)采樣率為10kHz，每96ms產(chǎn)生一幀方位曲線。選取625次快拍(96ms×625=60s)作為TBD算法的檢測(cè)時(shí)間窗，即假定在1min內(nèi)，目標(biāo)航跡近似直線段，從而滿足Hough變換的檢測(cè)前提。

對(duì)圖3中的數(shù)據(jù)進(jìn)行二值化處理，相關(guān)結(jié)果在圖5(a)、(b)、(c)中給出?？梢钥闯?，圖5(a)中峰值檢測(cè)結(jié)果中包含了65°附近的非連續(xù)的目標(biāo)方位峰值、路過船只在正橫方向附近的航跡峰值，以及30°附近的載體自噪聲峰值。圖5(b)所示梯度分析結(jié)果印證了上文對(duì)載體自噪聲分布特征的預(yù)測(cè)，自噪聲譜在梯度譜中被大量濾除。在圖5(c)所示的信息融合檢測(cè)結(jié)果中，在保留絕大部分目標(biāo)峰值的前提下，剔除了大部分載體自噪聲的干擾峰值。

航跡增強(qiáng)結(jié)果在圖6中給出。圖6(a)顯示了二值化方位歷程圖的斷點(diǎn)分布結(jié)果，圖6(b)給出經(jīng)過自適應(yīng)生長(zhǎng)后航跡的增強(qiáng)效果。可以看出在保持原始方位歷程圖中航跡不變的前提下，對(duì)屬于同一目標(biāo)航跡的斷點(diǎn)進(jìn)行了連接，增強(qiáng)了目標(biāo)B航跡的連續(xù)性,并且通過選取合適的生長(zhǎng)準(zhǔn)則，避免了不同目標(biāo)之間的誤連現(xiàn)象。

方位歷程圖的Hough變換域結(jié)果在圖7、8中給出。圖7對(duì)比了航跡增強(qiáng)前后Hough變換域中峰值分布?？梢钥闯觯瑢?duì)于原始的方位歷程圖，變換域中目標(biāo)B對(duì)應(yīng)峰值較低，與載體自噪聲相近，從峰值能量上難以區(qū)分。通過對(duì)航跡增強(qiáng)，目標(biāo)B峰值由圖7(a)中的-7dB增至圖7(b)中的-1.633dB。采用全局最大值的0.3倍(-5dB)作為檢測(cè)閾值，經(jīng)測(cè)試能夠正確檢測(cè)目標(biāo)峰值的同時(shí)屏蔽載體噪聲干擾峰值A(chǔ)。

圖5 方位歷程圖二值化結(jié)果Fig.5 Binaryzation result

圖6 航跡自適應(yīng)生長(zhǎng)Fig.6 Adaptive growing of target tracks

圖7 增強(qiáng)效果對(duì)比Fig.7 Comparison between the original peaks and enhanced peaks in hough domain

圖8 航跡特征提取Fig.8 Target track extraction

圖9 連續(xù)處理結(jié)果Fig.9 Continuous process result with different lengths of TBD window

根據(jù)上文分析，完整的航跡信息分布于峰值鄰域內(nèi)?；谫|(zhì)心法求取鄰域等效重心作為相應(yīng)航跡的參數(shù)估計(jì)，再由Hough反變換得到方位歷程圖中的航跡估計(jì)，結(jié)果如圖8所示。圖8(a)顯示了質(zhì)心法得到的等效重心分布，圖8(b)繪出根據(jù)重心坐標(biāo)參數(shù)得到的航跡估計(jì)?？煽闯錾鲜龇椒ㄝ^準(zhǔn)確地跟蹤了目標(biāo)航跡，同時(shí)屏蔽了自噪聲航跡的干擾。

考查時(shí)間窗長(zhǎng)度對(duì)檢測(cè)結(jié)果的影響，對(duì)一段10min的采樣數(shù)據(jù)分別以625次快拍和312次快拍為時(shí)間窗進(jìn)行處理，得到對(duì)目標(biāo)航跡的連續(xù)處理結(jié)果，如圖9所示。結(jié)果顯示采用較小的時(shí)間窗具有更好的跟蹤效果，航跡的細(xì)節(jié)更豐富。

4 結(jié)論

依據(jù)TBD思想，針對(duì)基于無人平臺(tái)的拖曳線列陣聲吶的工作模式提出了一種基于純方位分析的自動(dòng)目標(biāo)檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)載體自噪聲、環(huán)境噪聲以及雜波具有比較好的抗干擾能力，對(duì)航跡不連貫?zāi)繕?biāo)寬容度好，檢測(cè)率高，可有效識(shí)別并提取不連續(xù)目標(biāo)的方位軌跡，在無人工干預(yù)條件下能夠滿足水聲目標(biāo)自動(dòng)檢測(cè)的需求。

[1]KEMPER Jr P J, DIMARCO J S. Imaging infrared seeker signal processing overview: image processing, adaptive thresholding, and track processing[C]//Proceedings of the SPIE Conference on Infrared Imaging Systems: Design, Analysis, Modeling, and Testing. Orlando, Florida, USA, 1999: 266-273.

[2]CHANG Y L, LI Xiaobo. Adaptive image region-growing[J]. IEEE transactions on image processing, 1994, 3(6): 868-872.

[3]李啟虎. 聲吶信號(hào)處理引論[M]. 北京: 海洋出版社, 2000.

[4]HUI J, ZHAO A B, SUN K P, et al. The simulation of tow ship noise on towed linear array[J]. Advanced materials research, 2012, 433-440: 2706-2711.

[5]BOUVET M, SCHWARTZ S C. Comparison of adaptive and robust receivers for signal detection in ambient underwater noise[J]. IEEE transactions on acoustics, speech, and signal processing, 1989, 37(5): 621-626.

[6]DAVEY S, RUTTEN M, GORDON N. Track-before-detect techniques[M]. New Jersey: Wiley, 2012: 311-362.

[7]GROSSI E, LOPS M, VENTURINO L. Track-before-detect for multiframe detection with censored observations[J]. IEEE transactions on aerospace and electronic systems, 2014, 50(3): 2032-2046.

[8]RAO Bin, ZONG Zhiwei, NIE Yuanping. Track-before-detect of weak ballistic target using elliptical Hough transform[C]//Proceedings of IET International Radar Conference. Xi'an: IEEE, 2013.

[9]CARLSON B D, EVANS E D, WILSON S L. Search radar detection and track with the Hough transform. I. System concept[J]. IEEE transactions on aerospace and electronic systems, 1994, 30(1): 102-108.

[10]DUDA R O, HART P E. Use of the Hough transformation to detect lines and curves in pictures[J]. Communications of the ACM, 1972, 15(1): 11-15.

[11]張愛華, 王亮. 基于時(shí)變圖像序列的脈搏信息提取[J]. 儀器儀表學(xué)報(bào), 2007, 28(5): 820-825. ZHANG Aihua, WANG Liang. Information detection of pulse wave base on time-varying images[J]. Chinese journal of scientific instrument, 2007, 28(5): 820-825.

[12]GONZALEZ R C, WOODS R E. Digital image processing[M]. 3rd ed. India: Pearson Education, 2007.

[13]HOLZ D, BEHNKE S. Fast range image segmentation and smoothing using approximate surface reconstruction and region growing[C]//Intelligent Autonomous Systems 12. Berlin Heidelberg: Springer, 2013: 61-73.

[14]于廣婷, 朱聰, 李柏林, 等. 光學(xué)圖像中一種新的邊界斷點(diǎn)連接方法[J]. 計(jì)算機(jī)應(yīng)用研究, 2014, 31(4): 1264-1266, 1280. YU Guangting, ZHU Cong, LI Bailin, et al. New connecting method for border breakpoints in optical image[J]. Application research of computers, 2014, 31(4): 1264-1266, 1280.

Automatic detection of an underwater target based on UUV

LI Zigao, LI Shuqiu, WEN Shulin

(Institute of Acoustics, University of Chinese Academy of Sciences, Beijing 100190, China)

In the complex underwater acoustic field environment, the automatic detection technology for a hydroacoustic target is the basis of autonomous UUV detection and has an important research value. To address the disturbance caused by the noise of UUV to target detection in the acoustic field, a target peak value judgment method was proposed that combines peak information and gradient information. Targeting the loss of the information of target track caused by the disturbance signal and low SNR, a track repair method on the basis of adaptive regional growth was designed to improve the quality of target track. On the basis of the concept of “track before detection,” Hough transform was applied to obtain the extraction and estimate of the object track information in the orientation course map. After processing the sea trial data by using the proposed method, interferences from the platform self-noise, environment noise, and clutter were effectively restrained. Moreover, automatic target detection under unmanned interference was completed, and the proposed method was proven effective in practice.

UUV; automatic detection; target detection; information fusion; adaptive regional growth; tracking before detection; Hough transform

2016-01-06.

時(shí)間：2016-12-12.

國(guó)家“863”計(jì)劃項(xiàng)目(Y212051211).

李子高(1988-)，男，博士研究生； 李淑秋(1963-)，女，研究員，博士生導(dǎo)師.

李淑秋，E-mail:lsq@mail.ioa.ac.cn.

10.11990/jheu.201601012

TP391

A

1006-7043(2017)01-0103-06

李子高，李淑秋，聞疏琳. 基于無人平臺(tái)的水下目標(biāo)自動(dòng)檢測(cè)方法[J]. 哈爾濱工程大學(xué)學(xué)報(bào)， 2017, 38(1): 104-109. LI Zigao, LI Shuqiu, WEN Shulin.Automatic detection of an underwater target based on UUV [J]. Journal of Harbin Engineering University,2017, 38(1): 104-109.

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1390.u.20161212.1631.022.html