CN105182350A - 一种应用特征跟踪的多波束声呐目标探测方法 - Google Patents

Abstract

本发明提供的是一种应用特征跟踪的多波束声呐目标探测方法。(1)通过声呐***采集数据，成像形成声呐图像，将连续的声呐图像组成声呐图像序列；(2)进行预处理；(3)提取预处理后每帧声呐图像的尺度不变特征变换特征；(4)在声呐图像序列的前两帧展开特征匹配，匹配成功的特征标定为潜在目标，将匹配不成功的特征丢弃；(5)在声呐图像序列的后续帧跟踪代表潜在目标的特征，遍历图像序列后从潜在目标中筛选出真实目标，并得到真实目标的特征轨迹。本发明方法针用在单帧图像中判断目标的有无，而通过声呐图像序列中对多个目标特征同时进行跟踪，从潜在目标中筛选出真实目标，使得该方法具有更广的适用性。

Description

一种应用特征跟踪的多波束声呐目标探测方法

技术领域

本发明涉及的是一种水下目标探测方法，具体地说是一种应用特征跟踪的多波束声呐目标探测方法。

背景技术

随着国家海洋战略的牵引，水下目标探测技术得到了快速发展，其应用需求包括水下避障与导航、沉物搜索与救捞、管道维护与桥墩检测等领域。研究人员普遍借助声呐成像，形成水下场景的声图像，通过图像分割实现水下目标探测，面临的问题包括分割阈值的选择和单幅图像信息的局限。检测前跟踪(TrackBeforeDetect,TBD)是一种新兴的微弱目标探测理论，对单帧图像中有无目标先不进行判断，在图像序列中对多个目标同时进行跟踪，然后依据目标轨迹从潜在目标中筛选出真实目标。基于TBD在水下声图像序列中进行特征跟踪，是实现水下目标探测的一种新颖的方法。

特征选择是实现水下声图像序列跟踪的关键，常用特征包括统计特征、纹理特征、形状特征、数学变换特征等。这些特征应用在水下目标探测中，仍然存在区分能力弱、计算复杂度大、鲁棒性差等问题。Lowe提出的尺度不变特征变换(ScaleInvariantFeatureTransform,SIFT)，基于尺度空间理论，在光学图像匹配和识别领域已经有成功的应用先例。尺度不变特征变换生成的特征对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性，能够更好的表征成像质量相对较低和易受环境干扰的声呐图像中的潜在目标。

发明内容

本发明的目的在于提供一种不用在单帧图像中判断目标的有无，通过声纳图像序列中对多个目标特征同时进行跟踪，从潜在目标中筛选出真实目标的应用特征跟踪的多波束声呐目标探测方法。

本发明的目的是这样实现的：

(1)通过声呐***采集数据，对所采集的数据成像形成声呐图像，将连续的声呐图像组成声呐图像序列；

(2)对所述声呐图像序列中的每帧图像进行预处理；

(3)提取预处理后每帧声呐图像的尺度不变特征变换特征；

(4)在声呐图像序列的前两帧展开特征匹配，匹配成功的特征标定为潜在目标，将匹配不成功的特征丢弃；

(5)在声呐图像序列的后续帧跟踪代表潜在目标的特征，遍历图像序列后从潜在目标中筛选出真实目标，并得到真实目标的特征轨迹。

本发明还可以包括：

1、所述声呐***为浅水高分辨多波束测深***，声学基阵为“T”型，发射基阵为多元弧阵，接收基阵为80阵元的均匀线阵；工作频率为300kHz，采样频率为40kHz，选用的脉冲宽度为1ms。

2、所述预处理采用动态亮度分配增强对比度、通过中值滤波实现噪声滤除，动态亮度分配时将原始图像强度映射到线性灰度[0，255]，在原始图像中以强度最小值为L，将原始图像强度的前1％取平均作为最大值H，输入强度和输出灰度的映射函数关系如下，

$\left\{\begin{array}{cc}{z}_{out}=0& z_{in}=L\\ z_{out}=255{\left(\frac{z_{in}-L}{H-L}\right)}^{\mathrm{\&gamma;}}& L<z_{in}<H\\ z_{out}=255& z_{in}\&GreaterEqual;H\end{array}\right.$

其中z_in是图像输入强度值，z_out是图像输出灰度值，γ是映射参数、取值范围是[0.5-2.0]。

3、所述尺度不变特征变换特征包含坐标、尺度和方向信息，以及128维的特征描述向量。

4、特征匹配以尺度不变特征变换的特征描述向量欧式距离作为相似性度量，采用最近邻比值法，寻找待匹配特征点的最近邻和次近邻，如果最近邻距离与次近邻距离的比值小于某阈值，则认为最近邻点与该特征为最佳匹配对，否则视为匹配失败。

本发明提供了一种水下目标探测方法，不用在单帧图像中判断目标的有无，而通过声纳图像序列中对多个目标特征同时进行跟踪，从潜在目标中筛选出真实目标。

本发明由于采取以上技术方案，其具有以下优点

(1)本发明利用中值滤波和动态亮度分配，显著改善了水下声图像质量，为特征提取和跟踪创造了有利条件。

(2)本发明采用的尺度不变特征变换特征，包含较多的帧内信息、帧间匹配的鲁棒性更强、适用于表征水下声图像序列中的潜在目标。

(3)本发明使用特征跟踪方法，不用在单帧图像中判断目标的有无，而通过图像序列中对多个目标的特征同时进行跟踪，从潜在目标中筛选出真实目标，为水下目标探测提供了一条新的途径。

附图说明

图1为本发明所设计特征跟踪的水下目标探测方法的流程图。

图2为本发明采集图像序列第1帧原始图像。

图3a至图3d为本发明图像序列第1帧在不同映射参数时动态亮度分配效果，其中图3a，γ＝0.5；图3b，γ＝1；图3c，γ＝1.5；图3d，γ＝2。

图4为本发明图像序列第1帧预处理图像。

图5为本发明提取的图像序列第1帧尺度不变特征变换特征。

图6为本发明图像序列第1帧和第2帧尺度不变特征变换特征匹配状况。

图7为本发明设计的特征跟踪的算法流程。

图8为本发明特征跟踪的目标探测实验结果。

具体实施方式

应用特征跟踪的多波束声呐水下目标探测方法的总体流程图如图1所示。下面结合实施案例，对本发明的方法作进一步详细描述。

1、通过声呐***采集数据，对数据成像形成声呐图像，将连续的声呐图像组成声呐图像序列。

试验设备为浅水高分辨多波束测深***。***的声学基阵为“T”型，发射基阵为多元弧阵，接收基阵为80阵元的均匀线阵。***工作频率为300kHz，采样频率为40kHz，选用的脉冲宽度为1ms。水深为20～30m，将油桶作为动态小目标，试验中将测量船停靠在岸边，声呐***固定安装，在舷侧使用两根粗缆绳吊放油桶，并让其在水中做缓慢的垂直和水平运动。将采集的数据成像，图像尺寸为，选取连续的28帧组成图像序列。从图像序列中读取第1帧，成像效果如图2所示。

2、对声呐图像序列中的每帧图像进行预处理。采用动态亮度分配增强对比度，通过中值滤波实现噪声滤除；

动态亮度分配时，输入强度和输出灰度的映射函数关系如下：

$\left\{\begin{array}{cc}{z}_{out}=0& z_{in}=L\\ z_{out}=255{\left(\frac{z_{in}-L}{H-L}\right)}^{\mathrm{\&gamma;}}& L<z_{in}<H\\ z_{out}=255& z_{in}\&GreaterEqual;H\end{array}\right.$

分别设定映射参数γ值为0.5、1、1.5、2.0进行对比，试验结果如图3所示，比较发现当γ＝1.5时对比度强化和细节保留的平衡最好，因此选择映射参数γ＝1.5。中值滤波采用滑动窗大小为3×3，经过预处理的图像如图4所示。

3、提取水下声图像中的尺度不变特征变换特征表征潜在目标。

将水下声图像定义为I(x,y)，高斯核函数为G(x,y,σ)，表达式如下式所示。

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2}}$

式中，σ为尺度空间因子，反映了图像被平滑的程度。将I(x,y)和G(x,y,σ)卷积得到图像在不同尺度下的尺度空间表示如下：

R(x,y,σ)＝G(x,y,σ)*I(x,y)

图像的差分高斯(DifferenceofGaussian,DoG)算子定义为：

D(x,y,σ)＝R(x,y,kσ)-R(x,y,σ)

式中k为相邻尺度间的比例因子。由DoG算子构成图像的DoG金字塔，DoG金字塔中的每个点需要跟同一尺度的周围邻域8个点和相邻尺度对应位置的周围邻域18个点进行比较。当该点为局部极值时，判定为候选特征点。定义图像的候选特征点集合U₀，依据下列公式从中剔除对比度低和位于边缘特征点，筛选出关键点S(x,y)。

$\left\{\begin{array}{c}u\&Element;S,\left|D\right(\hat{u}\left)\right|\&GreaterEqual;T_c\\ u\&NotElement;S,\left|D\left(\hat{u}\right)\right|<T_c\end{array}\right.$

式中，u∈U₀,T_c为对比度阈值，为对比度绝对值。

$\left\{\begin{array}{c}u\&Element;S,\frac{Tr{\left(u\right)}^2}{Det\left(He\right)}\&le;\frac{{(T_{\mathrm{\&gamma;}}+1)}^2}{T_{\mathrm{\&gamma;}}}\\ u\&NotElement;S,\frac{Tr{\left(u\right)}^2}{Det\left(He\right)}>\frac{{(T_{\mathrm{\&gamma;}}+1)}^2}{T_{\mathrm{\&gamma;}}}\end{array}\right.$

式中,T_γ为主曲率比值阈值，Tr(u)为u的迹，Det(He)为Hessian矩阵的行列式。

通过下式计算其梯度的模m(x,y)与方向θ(x,y)。以S(x,y)为中心的邻域窗口内利用直方图的方式统计邻域像素的梯度分布，直方图的峰值反映S(x,y)所处邻域梯度的主方向，通过抛物线插值精确得到S(x,y)的方向。

$\left\{\begin{array}{c}m(x,y)=\frac{\sqrt{{\&lsqb;R(x+1,y)-R(x-1,y)\&rsqb;}^2}}{+{\&lsqb;R(x,y+1)-R(x,y-1)\&rsqb;}^2}\\ \mathrm{\&theta;}(x,y)={\tan }^{-1}\frac{R(x,y+1)-R(x,y-1)}{R(x+1,y)-R(x-1,y)}\end{array}\right.$

以关键点为中心取16×16窗口，在每个4×4小块中计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，每个关键点使用16个种子点来描述。关键点即尺度不变特征变换特征，包含坐标、尺度和方向信息，以及128维的特征描述向量。以图像序列第1帧特征提取效果如图5所示，提取特征79个。图中横坐标代表相对基阵的水平位置，纵坐标代表距离水面的深度，箭头指向和长度分布表示特征方向和尺度。从图像可以看出特征集中于深度为17m的动态小目标和深度为22～26m的水底轮廓。

4、在声呐图像序列的前两帧展开特征匹配，匹配成功的特征标定为潜在目标，将匹配不成功的特征丢弃。

特征匹配以尺度不变特征变换的特征描述向量欧式距离作为相似性度量，采用最近邻比值法。寻找待匹配特征点的最近邻和次近邻，如果最近邻距离与次近邻距离的比值小于某阈值，则认为最近邻点与该特征为最佳匹配对，否则视为匹配失败。图像序列第1帧和第2帧图像共有42个匹配特征，匹配状况如图6所示。从图中可以看出表征动态小目标和水底轮廓的特征都实现了匹配，但也有一些非目标的特征匹配，需要通过完整的图像序列跟踪来进一步判定是否代表真实目标。

5、在声呐图像序列的后续帧跟踪代表潜在目标的特征，遍历图像序列后从潜在目标中筛选出真实目标，并得到真实目标的特征轨迹。

特征跟踪的算法流程如图7所示。

1)读取一帧图像，获取尺度不变特征变换特征集并存为一个模板；

2)读取下一帧图像，将提取的每个尺度不变特征变换特征与模板进行匹配，匹配成功将该特征标定为潜在目标暂存

3)连续3帧匹配不成功则该特征有极大可能表征虚警，可以从暂存空间中剔除该特征；

4)完成整个跟踪后将依然存留的特征判定为代表真实目标，同时获取该目标的特征轨迹。

目标探测结果如图8所示。从图像序列中成功跟踪到6组尺度不变特征变换特征，其中5组偏移量较小的表征静态水底轮廓，而1组偏移量较大的表征动态小目标。水底轮廓特征位置分布是(-13.0，24.4)、(-7.0，24.1)、(5.8，23.8)、(16.2，23.2)和(20.8，23.0)，动态小目标从17m开始向上运动，到11m开始水平运动。

Claims (9)

1.一种应用特征跟踪的多波束声呐目标探测方法，其特征是：

(1)通过声呐***采集数据，对所采集的数据成像形成声呐图像，将连续的声呐图像组成声呐图像序列；

(2)对所述声呐图像序列中的每帧图像进行预处理；

(3)提取预处理后每帧声呐图像的尺度不变特征变换特征；

(4)在声呐图像序列的前两帧展开特征匹配，匹配成功的特征标定为潜在目标，将匹配不成功的特征丢弃；

(5)在声呐图像序列的后续帧跟踪代表潜在目标的特征，遍历图像序列后从潜在目标中筛选出真实目标，并得到真实目标的特征轨迹。

2.根据权利要求1所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：所述声呐***为浅水高分辨多波束测深***，声学基阵为“T”型，发射基阵为多元弧阵，接收基阵为80阵元的均匀线阵；工作频率为300kHz，采样频率为40kHz，选用的脉冲宽度为1ms。

3.根据权利要求1或2所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：所述预处理采用动态亮度分配增强对比度、通过中值滤波实现噪声滤除，动态亮度分配时将原始图像强度映射到线性灰度[0，255]，在原始图像中以强度最小值为L，将原始图像强度的前1％取平均作为最大值H，输入强度和输出灰度的映射函数关系如下，

$\left\{\begin{array}{cc}{z}_{out}=0& z_{in}=L\\ z_{out}=255{\left(\frac{z_{in}-L}{H-L}\right)}^{\mathrm{\&gamma;}}& L<z_{in}<H\\ z_{out}=255& z_{in}\&GreaterEqual;H\end{array}\right.$

其中z_in是图像输入强度值，z_out是图像输出灰度值，γ是映射参数、取值范围是[0.5-2.0]。

4.根据权利要求1或2所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：所述尺度不变特征变换特征包含坐标、尺度和方向信息，以及128维的特征描述向量。

5.根据权利要求3所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：所述尺度不变特征变换特征包含坐标、尺度和方向信息，以及128维的特征描述向量。

6.根据权利要求1或2所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：特征匹配以尺度不变特征变换的特征描述向量欧式距离作为相似性度量，采用最近邻比值法，寻找待匹配特征点的最近邻和次近邻，如果最近邻距离与次近邻距离的比值小于某阈值，则认为最近邻点与该特征为最佳匹配对，否则视为匹配失败。

7.根据权利要求3所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：特征匹配以尺度不变特征变换的特征描述向量欧式距离作为相似性度量，采用最近邻比值法，寻找待匹配特征点的最近邻和次近邻，如果最近邻距离与次近邻距离的比值小于某阈值，则认为最近邻点与该特征为最佳匹配对，否则视为匹配失败。

8.根据权利要求4所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：特征匹配以尺度不变特征变换的特征描述向量欧式距离作为相似性度量，采用最近邻比值法，寻找待匹配特征点的最近邻和次近邻，如果最近邻距离与次近邻距离的比值小于某阈值，则认为最近邻点与该特征为最佳匹配对，否则视为匹配失败。

9.根据权利要求5所述的应用特征跟踪的多波束声呐目标探测方法，其特征是：特征匹配以尺度不变特征变换的特征描述向量欧式距离作为相似性度量，采用最近邻比值法，寻找待匹配特征点的最近邻和次近邻，如果最近邻距离与次近邻距离的比值小于某阈值，则认为最近邻点与该特征为最佳匹配对，否则视为匹配失败。