CN103091679B - 水下运动目标识别方法 - Google Patents

Abstract

本申请涉及一种水下运动目标识别方法。所述方法包括：对主动声纳接收的目标信号进行预处理；对进行所述预处理后的目标信号进行SM时频处理，提取出微多普勒谱；根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征；基于所述帧内微多普勒特征以及帧间微多普勒特征，对水下目标进行分类。本申请通过对主动式高频声纳的水下运动小目标回波波形，提取微多普勒分布特征，所述SM算法可以产生WD相同的自相关项，但是没有互干扰项，解决了LFM信号模糊度函数制约下微多普勒变化量无法获取的问题，实现了仅利用高频主动声纳单波束回波波形的水下运动小目标分类，利用帧间微多普勒特性具有统计稳定性，能够减小随机信道带来的影响，提高了识别稳定性。

Description

水下运动目标识别方法

技术领域

本申请涉及水声信号处理领域，具体来说，涉及一种水下运动目标识别方法。

背景技术

冷战结束后，水下潜水技术日趋成熟。由于水下蛙人的水下隐蔽性好，机动灵活的新兴蛙人恐怖袭击攻击方式颇受恐怖主义分子的青睐。国内外都开始重视针对水下蛙人等运动小目标的水下安保系统建设与应用，以弥补以往声纳设备仅能针对大型舰艇、船只进行探测的不足。蛙人与海洋生物等水下运动小目标的探测与识别技术尤其被重视，欧美等国都投入大量的力量研究这类新兴目标探测的专用识别技术。

近些年来国内外相关研究机构开展了一系列关于水下蛙人等水下运动小目标的识别技术，大多是基于亮点特征和功率谱特征。例如，文献“Perry,S.W.and G.Ling.Detection of small man-made objects in sector scan imageryusingneural networks.in OCEANS,2001.MTS/IEEE Conference and Exhibition.2001.”提出了采用静态特征对扇形扫描声纳的水下目标进行分类；文献“

Lane,D.M.and J.P.Stoner,Automatic interpretation of sonar imagery usingqualitative feature matching.1994.19(3):p.391-405.”提出了利用跟踪后的图像瞬态特征进行水下运动目标分类；文献“Jae-Byung Jung,Gerald F.Denny,Broadband Active Sonar Swimmer Detection and Identification.International Joint Conference on Neural Networks.2006.p.2600-2605.”讨论采用超宽带声纳（60kHz~120kHz）利用功率谱特征来实现了水下蛙人，瓶子以及鱼群之间的分类。

现有技术中的水下小目标识别技术存在以下缺陷：LFM信号模糊度函数制约下微多普勒变化量无法获取；需要依靠高频主动声纳多波束回波波形进行水下运动小目标分类；没有利用帧间微多普勒特性，识别稳定性不好。

发明内容

针对现有技术中的缺陷，本申请的目的是，提供一种水下运动目标识别方法,该方法包括以下步骤：对主动声纳接收的目标信号进行预处理；对进行所述预处理后的目标信号进行SM时频处理，提取出微多普勒谱；根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征；基于所述帧内微多普勒特征以及帧间微多普勒特征，对水下运动目标进行分类。

优选地，所述预处理包括检波、降采样。

优选地，所述帧内微多普勒特征以及帧间微多普勒特征包括峰值、均值及方差。

本申请通过对主动式高频声纳的水下运动小目标回波波形，提取微多普勒分布特征，所述SM算法可以产生WD相同的自相关项，但是没有互干扰项，解决了LFM信号模糊度函数制约下微多普勒变化量无法获取的问题，实现了仅利用高频主动声纳单波束回波波形的水下运动小目标分类，利用帧间微多普勒特性具有统计稳定性，能够减小随机信道带来的影响，提高了识别稳定性。

附图说明

图1是本发明实施例的信号处理过程示意图；

图2为本发明实施例的水下典型目标微多普勒谱的分布示意图；

图3为本发明实施例的帧内微多普勒特征提取结果示意图；

图4是本发明实施例的帧间微多普勒特征提取结果示意图。

具体实施方式

鉴于现有水下运动小目标识别技术存在的问题，考虑采用微多普勒技术。

下面通过结合附图，通过具体实施例，对本发明的技术方案做进一步的详细描述，以便本领域人员更好地了解本发明的原理和具体实施细节。

总体信号处理流程

本发明针对主动式蛙人探测声纳的目标识别问题，提出了一种利用微多普勒分布特征的水下运动小目标识别技术。本发明的目的是通过对主动式高频声纳的水下运动小目标回波波形，提取微多普勒分布特征，用来进行水下运动小目标识别。为了实现这个目的，本发明首先对主动声纳接收的目标信号进行预处理，包括检波、降采样等；然后，采用SM算法解算主动声纳回波的微多普勒信息，提取帧内、帧间微多普勒分布特征，最后用分类器进行目标识别，其信号处理框图如图1所示。

SM算法提取微多普勒信息

本专利所述的识别方法，是以主动式多波束声纳的回波数据为基础，提取目标的微多普勒信息。

1）计算短时傅立叶变换（STFT）

短时傅立叶变换是时频变换中最常用算法之一，其思想是引入一个窗函数w(t)截断分析信号x(t)，然后计算截断信号的瞬时频率。通过滑动窗函数来得到短时傅立叶谱。其数学表示如下式所示：

$\mathrm{STFT}(t,w)={\∫}_{-\∞}^{\∞}x(t+\mathrm{\τ})w\left(\mathrm{\τ}\right)e^{-\mathrm{jw\τ}}\mathrm{d\τ}---\left(1\right)$

其中，x(t)是待分析信号，w(t)是窗函数，τ是时延差。

离散表示如下：

$\mathrm{STFT}(n,k)=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}w\left(m\right)x(n+m)e^{-j\frac{2\mathrm{\π}}{N}\mathrm{mk}}---\left(2\right)$

2）SM方法

魏格纳分布（WD）常用来分析单成分的LFM信号时频分布，然而当接收信号包含有众多回波分量时，WD由于会产生交叉项干扰，而无法获取时频参数。为了改善交叉项影响，可以采用核函数加权WD，本质上说是一种两维平滑WD。然而，这种处理不但平滑了交叉项，也平滑了WD的自相关项。并且计算复杂度也非常高，需要对待处理解析信号进行过采样。因此，本专利提出了一种简单的计算方法，可以产生WD相同的自相关项，但是没有互干扰项，被称为SM方法。

SM方法的离散表达式如下：

$\mathrm{SM}(n,k)=\underset{i=-N/2}{\overset{N/2}{\mathrm{\Σ}}}P\left(i\right)\mathrm{STFT}(n,k+i)\mathrm{STFT}*(n,k-i)---\left(3\right)$

其中，P(i)是窗函数有

微多普勒特征提取

1）帧内特征提取：

每帧计算得到的微多普勒谱SM谱，取模提取最大峰位置及幅度

$P_{\mathrm{sm}}=\underset{f}{\arg \max \left|\mathrm{SM}\left(f\right)\right|}---\left(5\right)$

得到当频率为f＝f_sm，得到SM谱幅度为P_sm。

2）帧间特征提取：

由于海洋环境变化，水声信道具有瞬态特性，因此利用帧间微多普勒特性具有统计稳定性，能够减小随机信道带来的影响，提高识别稳定性。

利用多帧目标回波提取每帧SM谱的最大幅度值序列{P_sm(NF)}以及峰值所在频点序列{f_sm(NF)}，其中NF为帧号。

A．计算SM谱最大幅度统计特性

对提取到的最大幅度值序列{P_sm(NF)}求帧间均值，如下所示

${\stackrel{-}{P}}_{\mathrm{sm}}\left(\mathrm{NF}\right)=\frac{1}{2n}\underset{j=\mathrm{NF}-n}{\overset{\mathrm{NF}+n}{\mathrm{\Σ}}}{P}_{\mathrm{sm}}\left(j\right)---\left(6\right)$

其中，n是帧数窗长的一半，P_sm(j)是第j帧SM谱提取得到的最大幅值。

则SM谱最大幅度标准差：

${{\mathrm{\δ}}_P}_{\mathrm{sm}}\left(\mathrm{NF}\right)=\sqrt{\frac{1}{2n}\underset{j=\mathrm{NF}-n}{\overset{\mathrm{NF}+n}{\mathrm{\Σ}}}}{(P_{\mathrm{sm}}\left(j\right)-{\stackrel{-}{P}}_{\mathrm{sm}}\left(\mathrm{NF}\right))}^2---\left(7\right)$

其中，

是SM谱最大幅值的帧间平均。

B．计算SM谱峰值频点位置统计特性

对提取到的峰值频点序列{f_sm(NF)}求帧间均值，如下所示

${\stackrel{-}{f}}_{\mathrm{sm}}\left(\mathrm{NF}\right)=\frac{1}{2n}\underset{j=\mathrm{NF}-n}{\overset{\mathrm{NF}+n}{\mathrm{\Σ}}}{f}_{\mathrm{sm}}\left(j\right)---\left(8\right)$

其中，n是帧数窗长的一半，f_sm(j)是第j帧SM谱提取得到的峰值频点。

则SM谱峰值频点标准差：

${{\mathrm{\δ}}_f}_{\mathrm{sm}}\left(\mathrm{NF}\right)=\sqrt{\frac{1}{2n}\underset{j=\mathrm{NF}-n}{\overset{\mathrm{NF}+n}{\mathrm{\Σ}}}}{(f_{\mathrm{sm}}\left(j\right)-{\stackrel{-}{f}}_{\mathrm{sm}}\left(\mathrm{NF}\right))}^2---\left(9\right)$

其中，

是峰值频点的帧间平均。

峰值频点的方差反映离散程度，可以作为分类依据。SM谱最大值幅度（即归一化相关系数）反映了短时谱相关性，其均值反映了归一化短时谱的相关程度，方差反映了稳定程度，均可以作为分类依据。

实现本发明的最佳实施例

下面进一步详细描述本发明最佳实施方案。

实例：主动式蛙人探测声纳采用中心频率70kHz，带宽8kHz，脉冲长度为6ms的线性调频信号LFM信号，对水下蛙人目标和鱼群目标进行探测。

首先，主动式蛙人声纳接收到目标的回波数据进行预处理包括带通滤波、降采样等，然后，采用SM方法分别对水下蛙人和鱼群进行处理,得到每帧回波数据的SM时频分布如图（2）所示。其中（a）为水下闭式呼吸器蛙人微多普勒谱；（b）为水下鱼群微多普勒谱。

再次，在SM谱计算结果的基础上，按照公式（5）计算回波数据的帧内微多普勒特征，图3展示了针对水下蛙人、鱼群目标的帧内微多普勒特征分析结果，其中（a）为峰值频点位置示意图；（b）为SM谱最大幅值（即归一化相关系数）示意图。

最后，在回波数据SM谱的帧内微多普勒特征计算结果的基础上，计算水下蛙人和水下鱼群目标的帧间微多普勒特征，以10帧提取为例，提取结果如图4所示。从图4中可以看出，水下蛙人和水下鱼群目标的帧间微多普勒与帧内微多普勒相比具有更好的目标区分能力，可以作为识别特征用于水下蛙人小目标的主动识别和分类。

综上，本发明具有如下主要优点:

采用SM算法能够解算水下运动目标的微多普勒信息，解决了线性频率调制LFM信号模糊度函数制约下微多普勒变化量无法获取的问题。

通过提取微多普勒特征，不需要利用多波束数据，实现了仅利用高频主动声纳单波束回波波形的水下运动小目标分类；

利用帧间微多普勒特性具有统计稳定性，能够减小随机信道带来的影响，提高了识别稳定性。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (2)

1.一种水下运动目标识别方法,其特征在于，所述方法包括：

对主动声纳接收的目标信号进行预处理；

对进行所述预处理后的目标信号进行SM时频处理，提取出微多普勒谱；

根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征；

基于所述帧内微多普勒特征以及帧间微多普勒特征，对水下运动目标进行分类；

所述SM时频处理，提取出微多普勒谱具体包括以下步骤：

计算短时傅立叶变换（STFT）：引入一个窗函数w(t)截断分析信号x(t)，然后计算截断信号的瞬时频率，通过滑动窗函数来得到短时傅立叶谱，其数学表示为：其中，x(t)是待分析信号，w(t)是窗函数，τ是时延差；离散表示为：

SM方法：所述SM方法可以产生魏格纳分布相同的自相关项，且没有互干扰项，SM方法的离散表达式为： $\mathrm{SM}=(n,k)=\underset{i=-N/2}{\overset{N/2}{\mathrm{\Σ}}}P\left(i\right)\mathrm{STFT}(n,k+i){\mathrm{STFT}}^{*}(n,k-i),$ 其中，P(i)是窗函数有

所述根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征具体包括以下步骤：

帧内特征提取：每帧计算得到的微多普勒谱SM谱，取模提取最大峰位置及幅度

得到当频率为f=f_sm，得到SM谱幅度为P_sm；

帧间特征提取：利用多帧目标回波提取每帧SM谱的最大幅度值序列{P_sm(NF)}以及峰值所在频点序列{f_sm(NF)}，其中NF为帧号；对提取到的最大幅度值序列{P_sm(NF)}求帧间均值，如下所示

其中，n是帧数窗长的一半，P_sm(j)是第j帧SM谱提取得到的最大幅值，则SM谱最大幅度标准差为： ${\mathrm{\δ}}_{P_{\mathrm{sm}}}\left(\mathrm{NF}\right)=\sqrt{\frac{1}{2n}\underset{j=\mathrm{NF}-n}{\overset{\mathrm{NF}+n}{\mathrm{\Σ}}}{(P_{\mathrm{sm}}\left(j\right)-{\stackrel{\‾}{P}}_{\mathrm{sm}}\left(\mathrm{NF}\right))}^2},$ 其中，

是SM谱最大幅值的帧间平均；对提取到的峰值频点序列{f_sm(NF)}求帧间均值，如下所示

其中，n是帧数窗长的一半，f_sm(j)是第j帧SM谱提取得到的峰值频点，则SM谱峰值频点标准差为：

${\mathrm{\δ}}_{f_{\mathrm{sm}}}\left(\mathrm{NF}\right)=\sqrt{\frac{1}{2n}\underset{j=\mathrm{NF}-n}{\overset{\mathrm{NF}+n}{\mathrm{\Σ}}}{(f_{\mathrm{sm}}\left(j\right)-{\stackrel{\‾}{f}}_{\mathrm{sm}}\left(\mathrm{NF}\right))}^2},$ 其中，

是峰值频点的帧间平均。

2.根据权利要求1所述的方法，其特征在于：所述预处理包括检波、降采样。

Images