基于前视声呐图像的AUV目标识别与跟踪

声呐图像由于水体不均匀、边界不规则以及声呐设备本身性能的限制,导致图像噪声明显、亮度不均、分辨率低,使得水下AUV装备在使用前视声呐进行水下目标检测时难度较大。针对该问题,基于m750d声呐探测获得的AUV声呐数据,进行了数据提取、高斯滤波处理、扇形映射处理,并采用Jet映射对声呐灰度图像进行了伪彩色映射提高数据标注速度和精度,制作获得了4组2 500张声呐图像的AUV目标检测数据集;采用YOLOv4-tiny目标检测算法开展AUV目标检测研究,研究结果表明该方法在该数据集上表现优秀,mAP@0.50达到94.17%,FPS在22帧左右,说明该轻量级网络在水下AUV目标识别与跟踪应用上具有较好的应用价值。

一种基于前视声呐的养殖网箱内鱼群数量评估方法

为准确、高效评估养殖网箱场内鱼群数量,科学指导网箱养殖,提出了一种基于前视声呐的养殖网箱内鱼群数量统计方法。方法应用时,以声呐图像处理技术为基础,首先以目标网箱内养殖鱼类在消声水池实验室的声学标定结果为依据,对前视声呐测量声图进行单个鱼体的声学图像阈值划分;其次凭借云台控制声呐旋转,对围栏区域进行遍历探测,随后将声学标定结果确定的阈值作为划分依据,将不同角度所测声学图像中鱼类进行划分、统计,估算得到整个养殖网箱内的鱼类数量;最后结合探测角度以及位置信息,得到网箱养殖区域内的鱼类空间分布特征,用于指导渔民进行后续的网箱养殖。此方法在舟山青浜岛大黄鱼养殖网箱中得以应用。结果显示:该方法估计得到的养殖网箱内大黄鱼数量与人工评估结果基本一致,经多次计算,平均相对误差仅为2.45%,且实现过程更加高效、便捷。本研究能够有效为养殖网箱提供鱼类数量信息,为亟待进行鱼类数量监管的网箱养殖产业提供科学、可靠的数量统计方法,具有广泛的应用场景。

基于帧差法的多波束前视声呐运动目标检测

针对多波束前视声呐图像中运动目标的检测问题,提出一种背景消除算法。该算法以声呐波束数据为处理对象,借鉴光学视频处理中的三帧差分法,从三帧声呐数据中得到运动目标的二值图像。分析了多波束前视声呐数据的结构和成像原理,对比了传统声呐图像处理以显控截图为处理对象和本文以声呐波束数据为处理对象的优缺点,同时也根据声呐图像的特点对三帧差分法进行了改进。实验结果表明,该算法能有效地将运动目标从背景中分离,并且以声呐波束数据为处理对象比以显控截图为处理对象效果好且实时性高,同时改进后的三帧差分法也对算法效果有提升。因此该算法可作为运动目标跟踪、检测和识别的基础,具有应用于水下监控工作的潜力。

基于前视声呐信息的AUV避碰规划研究

在复杂海洋环境中,利用前视声呐获取的障碍物信息指导自治水下机器人(AUV)进行局部避碰。主要采用强化学习的方法对AUV进行控制和决策,综合Q学习算法、BP神经网络和人工势场法对AUV进行避碰规划。强化学习的方法强调AUV在环境的影响中学习,通过环境对不同行为的评价性反馈信号来改变行为选择策略。并且在环境发生变化时,AUV通过学习来实现对新环境的适应,不断改进其自治能力,进而实现在不确定环境下的避障任务。开发了AUV运动规划的虚拟仿真软件系统,仿真实验证明了算法的合理性与可行性。

三维前视声呐信号处理方法

三维前视声像声呐是安装在小型水下载体上的重要声学探测设备。提出了基于波达方向估计技术的三维前视声呐信号处理方法,接收阵水平方向采用波束形成技术,垂直方向采用波达方向估计技术。在波束内采用分裂孔径相位法提高水平方向分辨率,形成声呐阵前方的三维声像。仿真结果和水池实验结果表明:在接收阵面面积相同的条件下,能够获得优于常规技术的分辨率,可以实现点目标和连续目标的探测,适合于在水下载体上安装使用。

改进的Mean Shift算法在前视声呐运动目标跟踪中的应用

多波束前视声呐具有成像速度快、分辨率高的优点,是进行水下目标探测、跟踪和监控的重要设备。针对多波束前视声呐运动目标的跟踪问题,提出了一种改进的MeanShift算法。该算法利用经典的MeanShift算法实现目标的帧间定位,通过基于图像序列的背景消减法实现运动目标分割,根据分割后目标的位置和大小对Mean Shift跟踪框进行更新,并重新建立跟踪模型来迭代实现目标的准确定位和跟踪。实验结果表明,改进后的算法可实现目标跟踪框随目标大小和形状的更新,对目标的定位更加准确。因此,该算法具有应用于水下目标精确跟踪和定位的潜力。

多波束前视声呐在潜器避障中的应用研究

介绍了多波束前视声呐特性及其PC104处理机的功能;描述了避障系统的数据采集和传输方法;提出了用基于栅格图标的方法来完整描述声呐探测信息,从而构建出水下局部环境模型;采用带有增长率算子的运动映射直方图算法作为声呐传感器数据后处理算法,合理地表达了声呐数据的不确定性,克服了探测数据中混带的噪声;设计了基于声呐传感器的反应式避障算法,确保潜器能够及时、有效、安全地避开障碍物;最后通过湖上试验,验证了所作研究的正确性及可行性.

基于Khatri-Rao积的三维前视声呐空间方位估计技术

为了提高3维前视声呐的方位分辨能力,同时避免2维(2D)方位估计(DOA)方法失效,该文提出1维(1D)空间角估计方法、基于Vernier法的垂直角估计方法和基于最小角定理的水平角方位估计方法。首先基于不同子阵构造互协方差矩阵避免2维方位估计模型失效,再利用Khatri-Rao积进行虚拟孔径扩展;将扩展后的阵列导向矢量和观测向量模型用于2维方位估计。与原阵列的导向矢量相比,虚拟阵元数量约增加1倍,阵列的孔径得到有效扩展。仿真实验表明,与单观测向量波束形成2维方位估计方法相比,所提方法在2维方位估计问题中具有更高的分辨能力,均方根误差更低;水池实验进一步验证了该文所提方法的工程实用性。

应用二维稀疏阵列的三维前视声呐方位估计

针对现有三维前视声呐存在二维方位估计性能差、系统复杂度高的问题,本文提出一种一维和Vernier联合方位估计算法。基于二维稀疏声呐基阵模型,由3个阵元间距互质的均匀线阵构成,因而相比二维面阵,阵元数大大降低;通过引入一维方位估计方法完成空间角预估计以替代直接二维方位估计方案,保证了前视声呐系统具备三维探测及较低计算复杂度的需求;依据子阵间的互质特性,采用Vernier法消除相位模糊;根据三维空间几何关系和最小角定理,完成目标二维方位估计。仿真实验表明:所提出的算法具有较低的计算复杂度,且二维方位估计性能稍优于2D波束形成算法;水池和外场实测数据表明:所提出方法能够准确估计目标在三维空间中的方位,工程实用性强。

基于双立方插值的多波束前视声呐数据可视化算法

针对现有的前视声呐数据可视化算法存在的边缘模糊等问题,根据多波束前视声呐成像机理,提出一种将双立方插值应用到声呐数据可视化中的算法。确定插值点的16个邻近回波点,计算每个回波点的距离权值和角度权值,最终将16个回波点的加权像素值作为插值点对应的像素值。仿真数据与Gemini720i前视声呐现场数据可视化实验结果表明:较之现有的可视化算法,本算法具有更高的峰值信噪比和更好的边缘保持效果,能够更有效地提高可视化得到的图像质量。

基于前视声呐信息的AUV避障策略

针对欠驱动型AUV水平面避障问题,考虑其非线性运动特性及障碍物运动状态,提出基于前视声呐信息的避障方法,有效解决了水平面避障问题。首先利用前视声呐获得的障碍物各时刻的位置信息,使用最小二乘法得到障碍物二阶非线性运动信息,建立AUV与障碍物相对运动关系;然后采用时间系数分层控制策略时时调整AUV的期望首向和速度;最后进行仿真试验,试验结果验证了该方法的有效性。

前视声呐多特征自适应融合跟踪方法

为了提高基于前视声呐的水下多目标跟踪精度,在粒子滤波跟踪的基础上,采用多特征自适应线索融合策略,通过在线调整特征融合方法计算粒子权值,提取出每个粒子对应模板的多个特征,包括形状与亮度特征、不变矩数字特征和灰度共生矩阵数字特征。采用自适应融合策略对粒子的各个特征权值进行融合得到最终权值,特征线索良好时采用乘性融合策略,否则采用基于模糊逻辑的加权融合策略。采用2组前视声呐水池试验序列图像,通过与传统融合策略进行对比试验,验证了自适应融合策略的有效性,对于实现水下智能机器人的自主跟踪具有重要的意义。

一种基于前视声呐的目标检测与跟踪方法

随着海洋勘探技术的发展,水声图像在海洋开发中占据越来越重要的地位。针对前视声呐在障碍物识别中存在的高噪声以及目标成像不连续等问题,借鉴神经网络中卷积核的思想,将形态学算子视为特殊的卷积核。同时,将帧间差分图像与当前帧所获取图像的特征相融合,提出一种基于特征融合的目标检测算法。而后利用Mean-shift(均值漂移)算法对检测后得到的清晰的障碍物目标进行跟踪。实验结果表明,该算法能够有效地抑制动态背景中的噪声,同时使障碍物目标能够以连续、稳定变化的运动形态,清晰地呈现在连续多帧图像中,并对目标进行有效地跟踪。以"探索1000"AUV在千岛湖采集的声呐视频序列作为实验数据,表明该算法具有广阔的应用前景。

非下采样轮廓波变换的前视声呐图像融合

针对前视声呐图像清晰程度不同,局部区域模糊的特点,本文提出一种基于非下采样轮廓波变换的前视声呐图像融合算法。依据图像多尺度分解的理论,对源图像进行非下采样轮廓波变换,得到一系列多尺度子带分解系数;根据图像中清晰目标反射声波能量大、对比度高特点,构建前视声呐图像融合规则,即低频子带采用Gabor能量、高频子带计算局部对比度指导融合规则,提出区域一致性校验准则抑制图像噪声,产生融合图像多尺度子带分解系数,并应用非下采样轮廓波逆变换获得融合图像。声呐图像融合对比实验证明,采用提出方法生成的融合图像在主观视觉和客观指标上均优于其他融合方法。

ANLResNet网络的前视声呐图像散斑去噪方法

前视声呐(Forward-Looking Sonar,FLS)使用换能器基阵收发声波,通过回波探测水下物体.在浅海环境,由于水下介质的反射、散射与不均匀波动,前视声呐图像极易引入散斑噪声.本文针对前视声呐图像散斑噪声,结合SRResNet与非对称金字塔非局部块,提出了ANLResNet网络用于前视声呐图像去噪,并针对前视声呐图像特性,使用FieldⅡ构建模拟前视声呐图像数据集,对网络进行训练.实验结果表明,本文提出的ANLResNet网络能有效的去除前视声呐图像中的散斑噪声,获得良好的视觉效果.并通过峰值信噪比(Peak Signal to Noise Ratio,PSNR)、等效视数(Equivalent Number of Looks,ENL)、散斑抑制指数(Speckle Suppression Index,SSI)3个图像质量评价指标评价降噪效果.在模拟前视声呐图像去噪上,本文算法相比于传统算法、改进BM3D算法和Autoencoder网络,平均PSNR至少提高了8.12%.在真实前视声呐图像去噪上,本文算法相比于传统算法、改进BM3D算法和SRResNet等效视数至少提高了16.77%,散斑抑制指数至少降低了2.84%.相比于Autoencoder网络等效视数提高了4.30%.本文方法主要用于前视声呐图像去噪,对于其他声学图像的降噪,散斑噪声的抑制上也有一定的应用价值.

大噪声环境下前视声呐图像目标识别方法研究

提出大噪声环境下前视声呐图像目标识别的研究方法,针对水下无人航行器(UUV)在近岸浅水区航行中由于前视声呐图像噪声较大,难以准确识别目标的问题,通过改进的中值滤波和Otus阈值检测算法,对前视声呐图像进行滤波和二值化。利用区域增长算法分割疑似目标区域图像,分别提取分割图像的长度、形状、方向、灰度均值和灰度能量中值等参数,利用支持向量机(SVM)的方法对这些图像参数训练和识别,结果表明该方法能够有效识别大噪声环境下的前视声呐图像目标。

一种单波束前视声呐成像方法

提出了一种针对单波束前视声呐特点的改进成像方法:通过采用波束内插的方法,解决了由于声呐角度维回波数据过少所导致生成图像画质低的问题;通过坐标转换,将声呐数据转化成按图像处理要求的图像格式,并通过物体点畸变成因分析,给出了简易运动补偿公式。通过试验验证了该方法是一种有效的单波束前视声呐成像方法。

前视声呐的多普勒波束锐化技术研究

针对前视声呐方位分辨率受限的问题,将雷达中的多普勒波束锐化技术引入到前视声呐当中,在不改变原有阵列和设备的基础上提高方位分辨率。首先建立了多普勒频率模型,给出了信号获取的方法,分析并进行了距离徙动校正,利用图像拼接的方法获取连续图像,最后在不同情况下进行了仿真验证,利用多普勒波束锐化技术得到的仿真结果明显更优,证明了该方法切实有效。

利用前视和测高声呐的UUV地形跟踪动态路径生成方法

保持对海底地形的定高跟踪航行是无人水下航行器(UUV)执行海洋勘测和水下目标搜索任务时常采用的一种运动形式,其核心是UUV如何对未知起伏的海底地形进行实时探测,并基于探测信息在线、动态地生成跟踪路径,以实现对地形的定高跟踪航行,同时避免与地形发生碰撞。针对上述问题,提出了一种基于前视声呐探测地形信息、基于多项式拟合动态生成跟踪路径的方法。首先,UUV利用前视声呐对海底地形进行实时探测,对获得的地形探测数据进行仿射处理后,得到具有离散特性的定高仿射数据。然后,采用基于最小二乘准则的三次多项式方法对仿射数据进行拟合,生成基于多项式函数描述的UUV地形跟踪航行路径。最后,设计了一种包含声呐探测、数据仿射、路径生成和跟踪控制的动态执行框架,实现UUV的实时地形跟踪航行任务。文中所提出的跟踪路径生成和动态执行框架通过对典型的海底“上坡”地形和“山地”地形跟踪的仿真验证,证明了其有效性和可行性。

基于前视声呐的水下移动障碍物运动参数预测

针对水下未知环境中移动障碍物的运动速度预测,提出一种基于多波束前视声呐预测方法.首先,对多波束前视声呐采集的障碍物三维点云数据进行滤波处理,并采用并行搜索树算法进行数据分块处理以分离出单个障碍物.然后,分别计算声呐每一采样时刻障碍物虚拟质心位置,并修正由无人潜航器船位差所产生的虚拟质心位置变化;建立自适应神经模糊推理系统模型,根据输入的虚拟质心位置依次预测移动障碍物的速度和方向角.最后,进行Matlab仿真实验,仿真结果表明:基于前视声呐探测数据获取的虚拟质心能够准确反映移动障碍物的运动趋势,基于此的自适应神经模糊推理系统能够准确预测移动障碍物的运动参数.