水下無(wú)人航行器自主檢測(cè)方法研究

周武，張宏滔

水下無(wú)人航行器自主檢測(cè)方法研究

周武，張宏滔

(中國(guó)船舶重工集團(tuán)第七一五研究所聲吶技術(shù)重點(diǎn)實(shí)驗(yàn)室，浙江杭州 310023)

自主檢測(cè)技術(shù)是實(shí)現(xiàn)水下無(wú)人航行器(Underwater Unmanned Vehicle, UUV)智能化的關(guān)鍵技術(shù)，是無(wú)人航行器能夠自主執(zhí)行水下預(yù)警、目標(biāo)跟蹤等任務(wù)的前提。針對(duì)當(dāng)前基于均值類和有序統(tǒng)計(jì)類恒虛驚(Constant False Alarm Rate, CFAR)技術(shù)的自主檢測(cè)方法在背景起伏嚴(yán)重、多目標(biāo)情況下，背景噪聲統(tǒng)計(jì)特性估計(jì)不準(zhǔn)確、自主檢測(cè)性能下降的問(wèn)題，文章提出了一種基于方位-時(shí)間二維參考窗聯(lián)合有序截?cái)嗥骄惴ǖ淖灾鳈z測(cè)方法。首先，該方法設(shè)計(jì)了一種方位-時(shí)間二維參考窗，解決了一維參考窗檢測(cè)參考樣本過(guò)少、噪聲統(tǒng)計(jì)量估計(jì)不準(zhǔn)的問(wèn)題；其次，采用有序截?cái)嗥骄惴ü烙?jì)背景噪聲統(tǒng)計(jì)量，對(duì)起伏背景進(jìn)行均衡；最后，利用背景噪聲均值和方差構(gòu)造恒虛警檢測(cè)器，采用檢測(cè)前跟蹤技術(shù)，實(shí)現(xiàn)起伏背景下、多目標(biāo)自動(dòng)檢測(cè)與跟蹤。湖上試驗(yàn)結(jié)果表明，在水下無(wú)人航行器的自噪聲干擾下，該方法對(duì)多目標(biāo)依然具有較好的自主檢測(cè)效果。

水下無(wú)人航行器(UUV)；自主檢測(cè)；有序截?cái)嗥骄惴?；方?時(shí)間二維參考窗；被動(dòng)聲吶

0 引言

考慮到水聲信道的復(fù)雜性，以及通信速率的限制，對(duì)于水下無(wú)人航行器(Underwater Unmanned Vehicle, UUV)，采取人工干預(yù)的方式實(shí)現(xiàn)目標(biāo)檢測(cè)、跟蹤與目標(biāo)特征分析等工作幾乎是不可能的。這意味著航行器必須具有一定的智能程度，能夠自主地執(zhí)行目標(biāo)檢測(cè)與跟蹤。

目前，自主檢測(cè)難點(diǎn)在于檢測(cè)算法對(duì)復(fù)雜背景干擾的適應(yīng)性差。有經(jīng)驗(yàn)的聲吶員可以根據(jù)個(gè)人經(jīng)驗(yàn)，抓住特征檢測(cè)目標(biāo)，而自主檢測(cè)器只能根據(jù)已設(shè)定好的程序?qū)δ繕?biāo)進(jìn)行檢測(cè)。為使自主檢測(cè)器更加靈活，適應(yīng)背景噪聲的變化，科研人員一直尋求一種自適應(yīng)門限的設(shè)置方法，使背景噪聲、干擾的隨機(jī)性對(duì)系統(tǒng)檢測(cè)性能的影響盡可能小[1-2]。恒虛警率處理(Constant False Alarm Rate, CFAR)技術(shù)就是一種在自主檢測(cè)系統(tǒng)中給檢測(cè)方案提供門限并且使背景噪聲和干擾對(duì)系統(tǒng)虛警概率影響最小化的信號(hào)處理方法。

長(zhǎng)期以來(lái)，CFAR技術(shù)廣泛應(yīng)用于雷達(dá)領(lǐng)域，在水聲信號(hào)被動(dòng)檢測(cè)領(lǐng)域，對(duì)于目標(biāo)信號(hào)的有無(wú)，一直都是采用人工檢測(cè)的方式。但近年來(lái)，隨著水下無(wú)人設(shè)備、智能設(shè)備的蓬勃發(fā)展，水下無(wú)人航行器自主檢測(cè)技術(shù)的需求日益強(qiáng)烈。目前，水聲信號(hào)CFAR檢測(cè)方法通常采用極值檢測(cè)結(jié)合方向維處理器，采用一維參考窗，在單批次波束域數(shù)據(jù)上，通過(guò)估計(jì)輸出信噪比，與給定的閾值門限比較，從而實(shí)現(xiàn)自主檢測(cè)。該方法在背景噪聲平穩(wěn)、目標(biāo)單一的情況下，檢測(cè)效果較為理想。但是當(dāng)背景噪聲起伏不均、目標(biāo)數(shù)量較多的情況下，背景噪聲統(tǒng)計(jì)特性估計(jì)不準(zhǔn)，檢測(cè)效果急劇下降。為適應(yīng)起伏背景、多目標(biāo)情況下自主檢測(cè)應(yīng)用需求，本文提出了一種基于方位-時(shí)間二維參考窗聯(lián)合有序截?cái)嗥骄?Order Truncate Average, OTA)算法的被動(dòng)聲吶自主檢測(cè)方法，該方法利用OTA技術(shù)在方位-時(shí)間二維參考窗上估計(jì)背景噪聲統(tǒng)計(jì)特性，利用均值、方差構(gòu)造CFAR檢測(cè)器，最后采用檢測(cè)前跟蹤技術(shù)進(jìn)一步降低虛警。湖上試驗(yàn)結(jié)果驗(yàn)證了本文所提方法的性能。

1 恒虛警檢測(cè)

信號(hào)檢測(cè)是在大量干擾背景中發(fā)現(xiàn)目標(biāo)的過(guò)程。在聲吶系統(tǒng)中，這種干擾包括海面波浪、雨、海洋生物、海底運(yùn)動(dòng)等產(chǎn)生的環(huán)境噪聲，以及平臺(tái)的自噪聲，各種各樣的噪聲造成了海洋環(huán)境的復(fù)雜性。噪聲強(qiáng)度的變化直接影響了自主檢測(cè)系統(tǒng)的目標(biāo)的檢測(cè)性能。因此，在聲吶系統(tǒng)中，人們往往希望在噪聲強(qiáng)度不穩(wěn)定的情況下，自主檢測(cè)系統(tǒng)具有穩(wěn)定的檢測(cè)性能，即實(shí)現(xiàn)CFAR檢測(cè)。

CFAR檢測(cè)方法根據(jù)背景噪聲的統(tǒng)計(jì)模型是否已知，分為參量檢測(cè)和非參量檢測(cè)。本文假設(shè)聲吶的輸入噪聲和信號(hào)加噪聲均為高斯過(guò)程，討論背景噪聲統(tǒng)計(jì)模型已知情況下的參量CFAR檢測(cè)，其原理圖如圖1所示。圖1中，參考單元是指用于噪聲背景統(tǒng)計(jì)特性估計(jì)的波束域參考樣本；考慮到基陣的空間分辨率，有可能出現(xiàn)同一目標(biāo)占據(jù)多個(gè)波束單元的情形，因此需要在檢測(cè)單元與參考單元之間設(shè)置一定的保護(hù)間隔，使得參考單元不包含任何目標(biāo)。檢測(cè)單元?jiǎng)t是進(jìn)行背景估計(jì)、目標(biāo)自主檢測(cè)的單元。參量檢測(cè)適用于空間統(tǒng)計(jì)上平穩(wěn)的背景，可以分為均值(Mean Level, ML)類CFAR和有序統(tǒng)計(jì)(Ordered Statistics, OS)類CFAR兩大類。ML類CFAR都是在單元平均衡虛警(Cell Averaging CFAR, CA-CFAR)基礎(chǔ)上提出來(lái)的。參量CFAR能夠保持恒虛警檢測(cè)，基于以下兩個(gè)假設(shè)[3]：(1) 參考單元所含干擾的統(tǒng)計(jì)特性與待檢測(cè)單元的統(tǒng)計(jì)特性一致；(2) 參考單元不包含任何目標(biāo)。在上述條件下，待檢測(cè)單元的干擾統(tǒng)計(jì)特性可從臨近參考單元的數(shù)據(jù)得到。

圖1 參量恒虛警檢測(cè)原理圖

在多目標(biāo)情況下，一旦出現(xiàn)當(dāng)前待檢測(cè)單元的參考單元中存在其它目標(biāo)的情況，如果CA-CFAR背景噪聲水平估計(jì)過(guò)高，將會(huì)對(duì)小目標(biāo)產(chǎn)生遮蔽效應(yīng)[5]。為改善ML類方法在多目標(biāo)環(huán)境中的性能，Rohling[6]提出了OS方法，其將參考單元中的數(shù)據(jù)進(jìn)行升序排列，將第個(gè)統(tǒng)計(jì)量作為噪聲功率水平估計(jì)，由此派生的方法被稱為OS類方法。OS-CFAR能很好解決平穩(wěn)背景中多目標(biāo)的檢測(cè)問(wèn)題，但是在起伏背景下，由于其背景噪聲統(tǒng)計(jì)量估計(jì)不準(zhǔn)確，使得自主檢測(cè)性能迅速降低。

2 基于OTA-CFAR算法的自主檢測(cè)

2.1 方位-時(shí)間二維參考窗

式中：N為樣本數(shù)；為虛警數(shù)。假設(shè)，取0.5，則當(dāng)=0.1時(shí)，所需的樣本數(shù)量，即當(dāng)樣本數(shù)量大于360時(shí)，虛警頻率與虛警概率的差別小于0.05的概率大于90%。在一維參考窗上，要獲得如此多的噪聲樣本是不現(xiàn)實(shí)的，因此需要多個(gè)批次的波束域數(shù)據(jù)作為參考。海洋環(huán)境噪聲雖然是一個(gè)時(shí)變的過(guò)程，但其慢變特性使得我們可以認(rèn)為其統(tǒng)計(jì)特性在短時(shí)間內(nèi)是平穩(wěn)的。本文設(shè)計(jì)了如圖2所示的方位-時(shí)間二維參考窗，在時(shí)間維上通過(guò)累積多批數(shù)據(jù)估計(jì)背景噪聲統(tǒng)計(jì)特性，使得參考樣本數(shù)量大大增加，對(duì)背景噪聲統(tǒng)計(jì)量的估計(jì)更為精確。實(shí)際應(yīng)用過(guò)程中，應(yīng)根據(jù)接收機(jī)采樣頻率、信號(hào)批處理長(zhǎng)度，選擇合適數(shù)量的批次累積。

2.2 OTA背景均衡

非各向同性噪聲場(chǎng)中，信號(hào)與噪聲經(jīng)過(guò)接收機(jī)后的輸出作為OTA的輸入如圖3(a)所示。OTA算法在窄帶和寬帶信號(hào)的檢測(cè)中均有應(yīng)用。圖3中為一段信號(hào)序列，縱坐標(biāo)均為信號(hào)幅度。對(duì)于窄帶檢測(cè)，橫坐標(biāo)代表著頻率，艦船輻射噪聲譜具有類似形狀譜結(jié)構(gòu)；對(duì)于寬帶檢測(cè)，橫坐標(biāo)代表著方位，空間上不均勻噪聲場(chǎng)即可產(chǎn)生圖中的非均勻背景。在該不均勻背景下直接采用ML類或者OS類CFAR檢測(cè)算法，均會(huì)導(dǎo)致背景噪聲統(tǒng)計(jì)特性估計(jì)不準(zhǔn)，強(qiáng)目標(biāo)將會(huì)對(duì)弱目標(biāo)產(chǎn)生遮蔽效應(yīng)，使得弱目標(biāo)無(wú)法被檢測(cè)到。

將其從小到大升序排列，獲得新序列：

圖3 非均勻背景下的OTA輸入及其均衡輸出信號(hào)

2.3 檢測(cè)前跟蹤

檢測(cè)前跟蹤方法(Track Before Detection, TBD)是弱目標(biāo)檢測(cè)中常用的方法，它利用目標(biāo)在時(shí)間上的累積，提高輸出信噪比。在被動(dòng)聲吶目標(biāo)檢測(cè)中，短時(shí)間內(nèi)對(duì)于遠(yuǎn)場(chǎng)目標(biāo)，其方位變化量較小，在方位歷程圖上，其航跡近似一條直線。在眾多的直線檢測(cè)方法中，霍夫(Hough)變換是最常用的方法之一，其優(yōu)點(diǎn)在于算法穩(wěn)定性高，抗噪性能好。本文采用Hough變換來(lái)進(jìn)行目標(biāo)檢測(cè)前跟蹤。

如圖4所示，Hough變換是從二維空間到Hough空間的一種映射。二維空間里的每一個(gè)點(diǎn)(,)都對(duì)應(yīng)著Hough空間的一條正弦曲線，當(dāng)這些點(diǎn)位于同一條直線上時(shí)，它們?cè)贖ough空間的曲線將會(huì)經(jīng)過(guò)同一點(diǎn)。其映射關(guān)系為

式中：為原點(diǎn)到直線的距離；為與x夾角。

本文中，采用OTA-CFAR算法，以低閾值門限獲取目標(biāo)方位以及大量虛警，再采用Hough變換方法，利用目標(biāo)在時(shí)間、空間上連續(xù)及虛警隨機(jī)出現(xiàn)的特點(diǎn)，獲取目標(biāo)的真實(shí)方位。

3 試驗(yàn)數(shù)據(jù)處理

圖5 湖上試驗(yàn)使用的UUV

圖6中除目標(biāo)聲源外，還有部分船只及其它目標(biāo)。圖7(a)為某一時(shí)刻的波束域輸出，圖7(b)為其對(duì)應(yīng)的OTA算法進(jìn)行背景均衡的輸出結(jié)果?？梢钥闯?，UUV平臺(tái)的螺旋槳機(jī)械噪聲對(duì)基陣的目標(biāo)檢測(cè)影響明顯。

圖6 目標(biāo)方位歷程

圖7 波束域輸出及其OTA均衡結(jié)果

圖8中虛警較多(150°方向)，采用檢測(cè)前跟蹤算法來(lái)降低虛警。以30個(gè)批次數(shù)據(jù)為一幀，如圖9(a)所示，在該時(shí)段內(nèi)，遠(yuǎn)場(chǎng)目標(biāo)方位基本無(wú)變化，其在Hough空間的映射如圖9(b)所示，可以看見5個(gè)明顯的亮點(diǎn)，即對(duì)應(yīng)圖9(a)中的5條直線。設(shè)置灰度圖中亮點(diǎn)檢測(cè)門限為25(即在同一條直線上，目標(biāo)出現(xiàn)25次以上)，將該亮點(diǎn)對(duì)應(yīng)的直線保留，其余的直線刪除，最終的檢測(cè)結(jié)果如圖10所示。由圖10可以看出，與圖8相比，大部分虛警已經(jīng)被排除。

圖8 OTA-CAFR檢測(cè)結(jié)果

圖9 Hough 變換后的檢測(cè)結(jié)果

圖10 采用檢測(cè)前跟蹤消除虛警

4 結(jié)論

針對(duì)水下移動(dòng)平臺(tái)自噪聲干擾較強(qiáng)，常規(guī)恒虛警檢測(cè)方法不滿足應(yīng)用條件的情況，本文提出了一種基于OTA-CFAR算法的自主檢測(cè)方法，該方法利用OTA算法對(duì)背景噪聲進(jìn)行均衡，采用方位-時(shí)間二維參考窗進(jìn)行背景噪聲統(tǒng)計(jì)量估計(jì)并構(gòu)造恒虛警檢測(cè)器，最后采用檢測(cè)前跟蹤的方式消除虛警。湖上實(shí)驗(yàn)結(jié)果表明，該方法能有效抑制平臺(tái)的螺旋槳噪聲干擾，實(shí)現(xiàn)移動(dòng)平臺(tái)的多目標(biāo)自主檢測(cè)，檢測(cè)性能良好，有一定的實(shí)用性。

[1] 徐從安, 簡(jiǎn)濤, 何友. 方差均值平方比恒虛警檢測(cè)器[J]. 電光與控制, 2012, 19(9): 59-62.

XU Cong’an, JIAN Tao, HE You. Variance and mean square ratio CFAR detector[J]. Electronics Optics and Control, 2012, 19(9): 59-62.

[2] 郝凱利, 易偉. 未知雜波背景下恒虛警檢測(cè)門限獲取方法[J]. 雷達(dá)科學(xué)與技術(shù), 2015, 13(2): 183-189.

HAO Kaili, YI Wei. CFAR detection based on kernel density estimation under background unknown[J]. Radar Science and Technology[J]. Radar Science and Technology, 2015, 13(2): 183-189.

[3] RICHARDS M A(美). 雷達(dá)信號(hào)處理基礎(chǔ)[M]. 邢孟道譯. 北京: 電子工業(yè)出版社, 2012: 260-287.

RICHARDS M A(U.S.A.). Fundamentals of radar signal processing[M]. XING Mengdao, translate. Beijing: Publishing House of Electronics Industry, 2012: 260-287.

[4] 田坦. 聲吶技術(shù)[M]. 哈爾濱: 哈爾濱工程大學(xué)出版社, 2009.

TIAN Tan. Sonar technology[M]. Harbin: Harbin Engineering University Press, 2009

[5] ZAIMBASHI, AMIR. An adaptive averaging-based CFAR detector for interfering targets and clutter-edge situations[J]. Digital Signal Processing, 2014, 31: 59-68.

[6] ROHLING H. Radar CFAR thresholding in clutter and multiple target situation[J]. IEEE Transactions on Aerospace and Electronic Systems, 1983, 19(4): 608-620.

[7] 趙樹杰, 趙建勛. 信號(hào)檢測(cè)與估計(jì)理論[M]. 北京: 清華大學(xué)出版社, 2005: 452-458.

ZHAO Shujie, ZHAO Jianxun. Signal detection and estimation theory[M]. Beijing: Tsinghua University Press, 2005: 452-458.

[8] WOLCIN J J. On the statistical properties of noise background equalization schemes[J]. NUSC Technical Memo, 1978, 76: 1738-1742.

Research on UUV autonomous detection method

ZHOU Wu, ZHANG Hongtao

(Science and Technology on Sonar Laboratory, 715th Institute of CSIC, Hangzhou 310023, Zhejiang, China)

Autonomous detection technology is the key technology to realize underwater intelligent unmanned vehicle, and it is the premise that the unmanned vehicle can independently perform underwater early alert and target tracking. Aiming at the problem that the performance of the existing autonomous detection method based on the mean level constant false alarm rate (CFAR) and the ordered statistics CFAR is degraded under the condition of background fluctuation and multi-target, which is due to the inaccurate estimation of background noise statistical characteristics, an autonomous detection method based on the azimuth-time two-dimensional reference window associating the ordered truncation average (OTA) algorithm is proposed. In this method, the azimuth-time two-dimensional reference window is designed to solve the problem of noise inaccurate estimation caused by less reference samples in one-dimensional reference window, and the ordered truncate average algorithm is used to estimate the background noise statistics and to normalize the fluctuating background. Then, a constant false alarm detector is constructed by using the mean value and variance, and a tracking-before-detection technique is adopted to achieve multi-target automatic detection and tracking in the fluctuating background. The lake-test results show that the autonomous detection method has a good effect on multi-target detection under the interference of UUV self-noise.

underwater unmanned vehicle (UUV); automatic detection; ordered truncation average (OTA) algorithm; azimuth-time two-dimensional reference window; passive sonar

TN911.7

A

1000-3630(2020)-02-0146-05

10.16300/j.cnki.1000-3630.2020.02.004

2019-01-12;

2019-03-31

聯(lián)合基金重點(diǎn)項(xiàng)目(6141B04040301)

周武(1990－), 男, 湖北荊州人, 碩士, 研究方向?yàn)樗曅盘?hào)被動(dòng)檢測(cè)。

周武,E-mail: sklzhouw@163.com