[发明专利]一种基于时间历程累计图像的声呐目标检测方法和系统

说明书

本发明公开一种基于时间历程累计图像的声呐目标检测方法和系统，包括如下步骤，步骤1，将原始声呐数据进行数据插值、坐标变换和反向投影，形成极坐标PPI声呐图像；步骤2，将原始声呐数据中各波束在时间方向上进行累积，形成固定周期的时间历程图像；步骤3，进行隔帧处理；步骤4，设计图像增强算法对隔帧处理后的全局与局部时间历程图像进行线特征增强；步骤5，利用改进多尺度LSD算法对增强后的历程图像进行直线目标检测；步骤6，对直线目标检测结果进行后处理；步骤7，利用DBT技术对PPI声呐图像序列进行运动目标检测，并与直线检测结果进行数据融合，获得最终检测结果。本发明具有增强小目标信噪比和抗背景干扰能力强等优势，能实现复杂水下环境运动目标的准确检测。

技术领域

本发明涉及声呐图像目标检测技术，具体是一种基于时间历程累计图像的声呐目标检测方法和系统，可以应用于水下安防领域及其他水下目标的探测、观察和跟踪，属于图像处理和水下目标探测技术领域。

背景技术

近年来，随着人工智能与智慧海洋等技术的快速发展，水下安防等无人值守防御系统逐渐成为研究热点和难点，其中水下蛙人、UUV等水下目标的检测、跟踪与观察是最为关键的技术，声呐则为实现该目的“当仁不让”的技术设备，声呐目标检测则为技术基础。然而，由于复杂多变的水下环境，声呐目标检测一直是具有挑战性的难题。

早期声呐图像目标检测主要依靠人为判定，自动化水平低，极大增加了人工成本。后来通过图像识别、信号处理等技术，实现自动检测，主要包括先检测后跟踪(Detect-Before-Track,DBT)与检测前跟踪(Track-Before-Detect,TBD)两类方法，前者先在背景抑制基础上，对声呐图像做阈值检测，完成目标参数估计，然后对多帧图像的量测点迹进行数据关联，同时进行跟踪滤波。而后者则先对数据进行关联，再进行阈值检测。尽管这两类方法均实现了自动检测，但仍然难以实现准确率和实时性的双赢，其局限性主要表现为：

(1)目标信噪比低：由于声呐工作环境受到海洋噪声、混响、船只噪声等无源和有源干扰，且干扰常常无规律可循，导致目标容易与噪声混淆。(2)虚警率高：DBT方法阈值检测时主要借助图像序列的帧间差分、背景建模等方法，但需根据不同的环境修改阈值，阈值过高，目标强度较小的目标(如蛙人等)容易出现漏检，阈值过低则误检过多。恒虚警(CFAR)技术，在满足系统对噪声等干扰造成的虚警率的一定要求下，对目标进行自适应阈值检测，虽解决了上述局限，但其只用单帧图像信息，在恶劣环境下性能差。而TBD方法由于噪声等问题在数据关联时也会有较大误差，造成后续虚警较高。(3)声呐图像信息匮乏：声呐图像仅包含目标的强度和运动信息，无法像光学图像一样获取目标的颜色与形状等先验知识，大幅增加了检测算法的设计难度。(4)数据稀缺：由于信息保密、数据采集成本高等局限，包含蛙人、UUV等目标的声呐图像数据难以获得，使流行的深度学习目标检测技术在声呐图像处理中难以发挥优势。

因此，需研制一种实用性较强以及工作可靠性较高的基于时间历程累计图像的声呐目标检测方法和系统是解决上述技术问题的关键所在。

发明内容

针对上述背景技术中存在的诸多缺陷与不足，本发明对此进行了改进和创新，现提供一种基于时间历程累计图像的声呐目标检测方法和系统，该方法不像上述现有技术仅利用单帧数据进行检测，而是将多帧数据进行时间轴向累计，以此形成时间历程累计图像，一方面使得目标轨迹进行能量累计而非目标轨迹则无法积累，以此统计量提高了低信噪比条件下的检测性能，另一方面充分利用了帧间时域的强相关性信息，具有增强小目标信噪比、丰富数据源等优势，同时利用时间历程累计图像的时空强相关性特点，有效凸显了运动目标的直线特征。将十分困难的声呐目标检测问题转换为直线检测问题。同时，除强度和运动特征外，新增了直线特征，进一步可以使用图像梯度等常见图像特征，大大丰富了图像信息。