水下無人航行器主動目標自動檢測方法研究

任宇飛， 吳玉泉， 李 宇， 黃海寧

（1.中國科學院 聲學研究所，北京 100190；2.中國科學院大學，北京 100190）

0 引 言

水下無人航行器自從20世紀中期出現(xiàn)以來，受到各國的高度重視。經(jīng)過多年迅速發(fā)展，在水下地形探測、環(huán)境監(jiān)測、探魚和探礦等領域得到了廣泛應用。相較于使用其他艦只執(zhí)行類似任務，水下無人航行器具有成本低、生產(chǎn)周期短、無需人工干預等優(yōu)點。探測聲納作為無人水下航行器的重要組成部分，承擔了系統(tǒng)感知環(huán)境的重要任務。為了滿足復雜環(huán)境下的任務要求，探測聲納所需要探索和實現(xiàn)的功能早已遠遠不是水下無人平臺的“眼睛”這么簡單，而必須承擔部分“大腦”的功能，包括對目標存在、位置等參數(shù)進行估計和自動判決，時間維度上自動關聯(lián)和跟蹤等。文獻[1]對水下無人航行器發(fā)展方向進行了梳理和展望，將目標自動判決作為重要的中長期重點發(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，對實現(xiàn)目標自動判決也提出了很大的挑戰(zhàn)。

目標探測聲納設備主要分為被動聲納和主動聲納兩類。其中主動聲納發(fā)射聲波信號，探測目標的反射波和散射波，從而定位目標。主動聲納的目標回波具有數(shù)據(jù)量大、混響背景復雜的特點，從中選取目標并估計目標參數(shù)非常困難。目前常見的主動聲納中，聲納員具有重要的地位，實現(xiàn)目標檢測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)的人工干預方法無法使用。為了使無人航行器具有自動判決的能力，其裝備的探測系統(tǒng)需要實現(xiàn)主動目標自動檢測。曲超[2]和Kalyan等[3]全面總結(jié)了恒虛警算法在主動目標自動檢測中的應用。在混響環(huán)境下，恒虛警算法可能出現(xiàn)預設參數(shù)失配的問題，導致檢測效果降低。哈爾濱工程大學的聶東虎等[4]使用高斯小波方法實現(xiàn)了主動目標自動檢測，但局限于單通道時域信號的一維數(shù)據(jù)檢測。游波等[5]提出了累積和檢驗算法確定主動回波門限，有效減少了虛警，但仍缺乏混響背景下目標檢測的實例。國外很少發(fā)表有效的目標檢測方法。因此，迫切需要實現(xiàn)一種目標自動檢測方法，在混響背景下有效檢測主動目標回波。

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

1 主動聲納目標檢測

主動聲納系統(tǒng)處理流程[6]如圖1所示，通過發(fā)射預知的信號，接收目標回波并分析處理得到目標信息。其中最主要運算過程包括波束形成、匹配濾波以及目標檢測等。經(jīng)過波束形成以及匹配濾波的處理結(jié)果是一個隨距離、方位變化的二維能量分布圖。圖中每個距離—方位點的能量值為一個像素，能量越強像素點亮度越高，代表存在目標的可能性越大。傳統(tǒng)主動聲納目標判決主要依靠聲納員通過聽測回波信號與觀察聲圖進行人工判斷[7]，目標自動檢測方法用于輔助聲納員判斷。在無人航行器中，主動目標檢測全過程必須自動完成，在無人條件下實現(xiàn)自動判決、分離主動目標，并得到目標參數(shù)。

混響是主動聲納目標檢測中的主要干擾因素?；祉懹森h(huán)境中非目標物體反射和散射的聲信號共同形成，其形式往往與發(fā)射信號類似，因而在聲圖中亮度也較高。專家和學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]等對混響進行預測。這些模型的共同特點是非高斯分布，且似然函數(shù)的計算比較困難。圖2為一幀主動聲納回波數(shù)據(jù)的距離—方位聲能量圖像。由于混響的存在，信號發(fā)射后1 s左右時間之內(nèi)出現(xiàn)大量沒有明顯規(guī)則的亮點。

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

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

綜上所述，為克服水下無人平臺主動目標自動檢測中的種種困難，非常需要一種有效、穩(wěn)定的主動目標自動檢測新方法。

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

2 算法簡介

本文采用的主動目標自動檢測方法主要分為三個步驟：預處理、獲得梯度圖像以及圖像分割。首先，通過預處理去除主動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。本文中提供兩種預處理方法：形態(tài)學重建和低通濾波。其次，梯度圖像作為灰度間斷程度的度量，為目標檢測提供標準。最后，使用分水嶺算法分割圖像，得到目標的編號以及參數(shù)估計。

2.1 形態(tài)學重建

Vincent[14]率先使用形態(tài)學重建的方法預處理圖像，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)學膨脹運算上的灰度形態(tài)學重建方法，根據(jù)發(fā)射信號的模糊度函數(shù)圖以及陣列的角度分辨率，選擇合適的結(jié)構(gòu)元素B，對圖像進行開運算，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)學開重建定義為：

其中：符號 。表示開運算，⊕表示膨脹運算。灰度形態(tài)學重建是一個遞推過程，其結(jié)束條件是遞推穩(wěn)定，即滿足基于膨脹運算的灰度形態(tài)學重建也即對開運算圖像不斷進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)學重建方法雖然被證明是一種良好的圖像預處理方法，但是其運算量較大，難以在實時探測的聲納系統(tǒng)中使用。中科院聲學所的高麗等[15]提出了基于標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。認為這些極小值是干擾一般有兩個原因：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，將主動聲納回波圖像看作數(shù)字信號進行低頻濾波。選取3階巴特沃斯低通濾波器，對圖像的行、列分別濾波。設定“采樣率”為fs，截止頻率由模糊度函數(shù)可以計算得到理論值。設模糊度函數(shù)中匹配結(jié)果半峰寬為l1，則距離軸向濾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濾波的截止頻率。低通濾波處理從主動聲納回波圖像中去除了寬度達不到半峰寬度且頻繁起伏的極值。

2.3 自適應閾值選取

經(jīng)過預處理的圖像中，灰度值大幅度間斷是目標最顯著的特征。檢測灰度值間斷的一個重要方法是邊緣檢測算法。Canny[16]提出了一個近似最佳的邊緣檢測算法，稱為Canny算子：首先用二維高斯函數(shù)的一階導數(shù)對圖像進行平滑操作；再用2×2鄰域差值計算梯度的幅值和方向；之后保留幅值局部變化最大的點，細化幅值圖像、抑制非極大值；最后檢測和連接邊緣，并使用雙閾值方法減少錯檢。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的相對門限值。剔除門限之下的邊緣之后，對梯度圖像進行分水嶺運算得到分割結(jié)果。由于水下環(huán)境以及不同種類目標回波的不確定性，λ取固定值時目標自動檢測穩(wěn)定性較差。

為實現(xiàn)λ的自適應取值，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行歸一化，然后將梯度圖像歸一化強度劃分為100個區(qū)間進行統(tǒng)計以減小隨機誤差。統(tǒng)計結(jié)果如圖3所示，為顯示清楚，將橫坐標分為兩部分顯示，圖 3（a）、（b）分別顯示相對強度范圍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Fig.3 Statistics of energy intensity in an acoustic image

梯度圖像歸一化強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，較為符合隨機噪聲梯度結(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趨勢但有所浮動，這是混響或目標能量的出現(xiàn)所造成的。理想的λ取值應該將背景與目標能量分開。本文中采用一個簡化模型，在頻率—歸一化能量梯度曲線中，選取從0點開始第一個不符合反相關規(guī)律的數(shù)據(jù)點，對應的歸一化相對能量梯度作為λ取值，認為混響和目標造成的灰度間斷在λ之上。

2.4 分水嶺算法

圖像分割是計算機視覺領域的經(jīng)典問題之一，也是最困難的任務之一。目前主流的圖像分割算法在分割效果、適用性、運算量等方面各有特點，其中分水嶺算法分割位置精準，能夠提供精確到單個像素的完全封閉分割。分水嶺圖像分割方法應用非常廣泛，在SAR雷達地理圖像自動識別[11]以及側(cè)掃聲納目標自動分類[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”，向每個集水盆不斷注水。當兩塊集水盆即將因為不斷注水而匯合時，在將要匯合位置建立無限高的“堤壩”。當所有像素只剩余水面和堤壩時，認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

主動聲納目標回波結(jié)果是聲能量分布圖像，由于水聲信道的復雜性，局域不均勻現(xiàn)象非常嚴重。如果直接使用分水嶺算法分割主動目標回波圖像，將產(chǎn)生無法容忍的大量虛警。分水嶺算法對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)域有時也會產(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，學者們做出了大量研究和試驗，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。本文所研究的主動目標回波圖像結(jié)構(gòu)復雜，局域起伏多，合并相似分塊的方法需要處理大量的分塊，無論計算邏輯、計算量還是程序?qū)崿F(xiàn)上都將相對復雜。因此，我們從預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目標回波，將圖像自動劃分為目標、背景，算法具有準確性和穩(wěn)定性。

3 試驗結(jié)果

試驗中無人航行器上搭載了信號處理機、發(fā)射和接收基陣。發(fā)射陣為單個的換能器，安裝在航行器艏部，接收陣為兩個有一定夾角的直線舷側(cè)陣，分別嵌入安裝在航行器兩翼，探測角度范圍-157°-157°。近似認為發(fā)射陣和接收陣處于同一位置。將一個應答器固定在母船上模擬點狀目標，與水下無人航行器處于相同深度，目標強度設置為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，目標位于混響背景下的數(shù)據(jù)，共60個周期，總時間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）、自動閾值下形態(tài)學重建分水嶺算法（ATMP-Watershed）和自動閾值下低通濾波分水嶺算法（ATLP-Watershed），進行自動目標檢測。

圖5 目標檢測結(jié)果對比圖Fig.5 Result comparison of different target detection methods

選取一個比較具有代表性的周期，目標位于155°，230 m左右。幾種方法的目標自動檢測結(jié)果對比如圖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MP-Watershed算法目標檢測結(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LP-Watershed算法目標檢測結(jié)果。λ取0.2時MP-Watershed算法虛警較多，LP-Watershed算法給出了較好分割。λ取0.3時兩種固定閾值算法都沒有檢測到目標，LP-Watershed算法給出了較少的虛警。自動閾值方法分割結(jié)果檢測到了目標，且相對固定閾值方法中λ取0.2時虛警較少，更為符合人工判決結(jié)果。

統(tǒng)計所有目標檢測結(jié)果，得到檢測概率及平均每個周期的虛警數(shù)如表1所示。

表1 自動檢測結(jié)果統(tǒng)計Tab.1 Statistic result of autonamous target detection

CFAR算法目標檢測雖然采用了經(jīng)過試驗后相對較為理想的相對閾值，但是檢測結(jié)果仍然不穩(wěn)定，產(chǎn)生了大量虛警。當λ取固定值0.2、0.3時，MP-Watershed算法從高亮度像素分布形狀和參數(shù)兩方面都給出了對檢測到的潛在目標的描述。其中λ取0.2時檢測出了所有目標，但是虛警率較高；λ取0.3時將虛警率控制在較低水平，但是出現(xiàn)了漏警。當λ取固定值時，LP-Watershed方法與MP-Watershed方法目標檢測結(jié)果類似：λ取0.2時一些回波檢測結(jié)果出現(xiàn)了較多虛警，而λ取0.3時一些回波檢測結(jié)果出現(xiàn)了漏警。

ATMP-Watershed算法和ATLP-Watershed算法均正確檢測出了所有目標，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)。對比兩種預處理方法，形態(tài)學重建算法比低通濾波算法去除局部極小值的能力好，檢測結(jié)果虛警少。

在Matlab環(huán)境中，得到幾種方法的平均運算時間如表2所示。

表2 運行時間Tab.2 Running time

可以看到恒虛警算法耗時最長，LP-Watershed方法耗時最短。自動閾值的ATMP-Watershed和ATMP-Watershed方法都較對應的固定閾值方法耗時長0.7 s左右，用于自動閾值的計算，但是仍然具有較好的實時性。

4 結(jié) 論

本文將水下主動目標檢測轉(zhuǎn)換為圖像分割問題，提出了一種水下無人航行器主動目標自動檢測方法。首先，分別通過形態(tài)學重建和低通濾波兩種算法對圖像進行預處理，去除大量無序噪點。其次，采用Canny邊緣算子計算得到梯度圖像。最后，使用分水嶺算法分割圖像，得到目標編號以及參數(shù)估計。在聲圖能量梯度統(tǒng)計基礎上提出了自適應閾值選取方法。經(jīng)過試驗數(shù)據(jù)的檢驗，本文方法可以在混響背景下有效檢測到目標，相比于傳統(tǒng)的恒虛警算法檢測結(jié)果更加穩(wěn)定、運算量更小，適合于水下無人航行器主動目標自動檢測的實時實現(xiàn)。