CN104536007A - 一种基于多视角声学数据的鱼类识别方法 - Google Patents

Abstract

一种基于多视角声学数据的鱼类识别方法。利用一个单波束相控换能器向鱼体发射声信号，利用M个水听器在M个不同方位接收鱼体散射声信号；对获得的多视角散射信号进行滤波归一化等处理；通过小波包分解、重构，小波包子带能量求解，离散余弦变换方法进行特征提取得到变换系数，将小波包子带能量、变换系数组成特征量输入到第一级分类器进行决策，并将决策结果用概率估计公式得到每个方位输出的后验概率向量，将每个方位的后验概率向量进行组合，得到多视角决策后验概率，将多视角决策后验概率输入至第二级支持向量机，输出最终分类结果，得到鱼类识别方法。解决了以往只能在单一方位探测鱼的散射信息，而导致数据丢失的问题。

Description

一种基于多视角声学数据的鱼类识别方法

技术领域

本发明涉及的是一种声学鱼类识别方法，更具体地说是涉及一种基于多视角声学数据的鱼类识别方法。

背景技术

201210063846.0一种基于小波包多尺度信息熵的鱼类识别方法及系统，介绍了一种基于声学方法的鱼类识别技术，鱼是一个复杂的声散射体，鱼体及鱼鳔的方位、大小、形状严重影响鱼的声散射特征，从而使得鱼的声散射信号也变得非常复杂，从复杂信号中提取能反映鱼本质声散射特性的特征在鱼类识别中尤为重要。但是对于有鳔鱼种，鱼鳔是散射信号的主要贡献体，不同种类鱼的鱼鳔在大小、形状上不同，导致鱼在不同声散射方位上表现的散射特性是不同的，因此单一方位探测势必会丢失鱼的散射信息。而且鱼在水中是自由游动的，探测时不能预见鱼在波束内的具体方位，因此实际环境下获得鱼的声散射特性在散射方位上表现出一定的随机性，造成在鱼类识别过程中存在由于鱼的方位不同引起的分类精度差、甚至不能正确分类的问题。

发明内容

本发明的目的在于解决基于声学回波数据的高精度鱼类识别问题，而提供一种基于多视角声学数据的鱼类识别方法。

本发明是这样实现的：

一种基于多视角声散射数据决策层融合的鱼类识别方法，利用一个单波束相控换能器向鱼体发射声信号，利用M个水听器在M个不同方位接收鱼体散射声信号，获得多视角鱼体散射数据，M＝6-9；对获得的多视角散射信号进行滤波归一化等处理；通过小波包分解、重构，小波包子带能量求解，离散余弦变换方法进行特征提取得到变换系数，将小波包子带能量、变换系数组成特征量输入到第一级分类器进行决策，并将决策结果用概率估计公式得到每个方位输出的后验概率向量，将每个方位的后验概率向量进行组合，得到多视角决策后验概率，将多视角决策后验概率输入至第二级支持向量机，输出最终分类结果，得到鱼类识别方法。

本发明的优点是：解决了以往只能在单一方位探测鱼的散射信息，而导致数据丢失的问题；本发明一种基于多视角声学数据的鱼类识别方法，结构简单，实现方便；提取的特征反映了鱼的声学本质特征；解决单方位分类不清，甚至不能正确分类的问题；多视角数据获取能更准确的分析鱼的类别。

附图说明

图1是基于多视角数据鱼类识别方法结构框图

图2是多视角数据获取方法示意图

图3是特征提取方法结构框图

图4是多视角数据融合方法结构框图

具体实施方式

下面结合附图和实施对本发明作进一步介绍：

图2为多视角数据获取方法示意图，其中中间黑色点代表发射换能器，两侧灰色点代表接收换能器，本发明发射换能器为窄带相控阵换能器，接收换能器为标准水听器。

本发明中采用小波包分解与离散余弦变换相结合的方式进行特征提取，特征提取流程如图3所示。特征提取主要包括小波包变换离散余弦变换、特征降维等几个步骤，子带能量包含了鱼对不同频带的响应信息，而离散余弦变换包含了不同形状鱼及其组成的散射特征信息。

小波包变换是一种时频分析方法，它能够在时频域表征信号的局部特征，是获取信号局部特征的良好工具。对回波信号进行小波包多尺度分解得到小波包系数，并对小波包系数进行重构，得到鱼体回波信号各个频带内的时域信号，小波包变换后能得到更小频带内的时域信号，有利于在不同频域子带内表征鱼的特征，进行划分后每个子带的频带宽度是相等的。

不同形状的鱼，其内部解剖结构差异也较大，其各个部分对回波的贡献是有差异的，因此，回波信号会表现出不同的能量分布特性。对单体鱼回波包络信号进行小波包变换，则小波包子带能量反映了包络信号的在不同频带内的能量分布特性。离散余弦变换是一种实数域变换，其变换核为实的余弦函数，并具有快速算法，而且离散余弦变换是次最佳变换，变换后的系数分布比较集中，利用很少的系数集中了信号大部分的能量，离散余弦变换变换主要用来表征不同形状目标的特征。

特征提取方法得到的特征具有维数高的特点，高维的特征对于鱼类识别具有不同贡献。有些特征对于识别的贡献较大且稳定性较好，有些特征则不是。因此，对高维特征进行降维处理，保留对识别有贡献的特征，去除冗余特征，对提高识别率、降低识别复杂度具有十分重要的意义。

通过公式(1)进行小波包分解：

$\left\{\begin{array}{c}{d}_k^{m,j+\mathrm{1,2}n}=\underset{l}{\mathrm{\Σ}}{h}_{0(2l-k)}{d}_l^{m,j,n}\\ d_k^{m,j+\mathrm{1,2}n+1}=\underset{l}{\mathrm{\Σ}}{h}_{1(2l-k)}{d}_l^{m,j,n}\end{array}\right.---\left(1\right)$

其中，为上一级小波分解结果，d_k ^m,j+1,2n，d_k ^m,j+1,2n+1分别为下一级小波包分解系数； h_0(2l-k)，h_1(2l-k)分别为小波包分解的低通、高通滤波器组。

所述的表示对第m个方位数据进行层数为j的小波包分解时，第n个频带的第l个小波包系数，即为第m个方位的鱼体回波信号，设为S_m。

通过公式(2)对小波包系数进行重构，得到每个小波包子带的重构信号：

$\begin{array}{c}{d}_l^{m,j,n}=\underset{k}{\mathrm{\Σ}}[h_{0(l-2k)}{d}_k^{m,j+\mathrm{1,2}n}+h_{1(l-2k)}{d}_k^{m,j+\mathrm{1,2}n}]\\ =\underset{k}{\mathrm{\Σ}}\left[g_{0(l-2k)}{d}_k^{m,j+\mathrm{1,2}n}\right]+\underset{k}{\mathrm{\Σ}}\left[g_{1(l-2k)}{d}_k^{m,j+\mathrm{1,2}n}\right]\end{array}$

其中，g_0(l-2k)为小波包重构的低通滤波器组；g_1(l-2k)为小波包重构的高通滤波器组。小波包分解层数j为6-12。

通过公式(3)得到小波包子带能量：

$E_{m,n}=\underset{f=0}{\overset{F-1}{\mathrm{\Σ}}}{\left|S_{m,n}\left(f\right)\right|}^2---\left(3\right)$

其中，S_m,n(f)为小波包节点重构序列，m为接收方位号，n为小波包重构序列节点号，F为信号点数。

小波包子带能量特征为：

T_sp,m＝(E_m,1,E_m,2,…,E_m,n)   (4) 

通过公式(5)进行离散余弦变换：

$D_m\left(l\right)=\sqrt{\frac{2}{F}}c\left(f\right)\underset{f=0}{\overset{F-1}{\mathrm{\Σ}}}{S}_m\left(f\right)\cos \left[\frac{\mathrm{\πl}(2f+1)}{2F}\right]---\left(5\right)$

其中

$f=\mathrm{0,1},...,F-1;c\left(f\right)=\left\{\begin{array}{cc}1/\sqrt{2}& f,l=0\\ 1& l\≠0\end{array}\right.---\left(6\right)$

D_m(l)即为特征量，l＝0,1,…,L-1为特征量个数。

所述的离散余弦变换系数特征为：

T_sd,m＝(D_m,1,D_m,2,…,D_m,n)   (7) 

融合特征为：

T_m＝(T_sp,m,T_sd,m)   (8)

在特征提取的基础上，通过公式(9)进行特征降维：

$D_T=\frac{{|{\mathrm{\μ}}_i-{\mathrm{\μ}}_j|}^2}{{\mathrm{\σ}}_i^2-{\mathrm{\σ}}_j^2}---\left(9\right)$

其中i,j代表类别，其中μ_i,μ_j,分别为类i,j对应特征量的均值与方差。降维后的特征量为T′_m。

采用支持向量机分类器进行鱼类识别，支持向量机输出为：

f_m(x)＝wφ(x)+b   (10)

其中，f_m(x)为输出超平面，w为权向量，b为偏倚量，φ为非线性映射。

通过公式(11)得到后验概率估计：

$p\left(c\right|x)=\frac{\exp (w_c\mathrm{\φ}\left(x\right)+b)}{{\mathrm{\Σ}}_{c=1}^C\exp (w_c\mathrm{\φ}\left(x\right)+b)}---\left(11\right)$

每个方位输出的后验概率向量为：

p_j＝(p(c＝1|T_j),…,p(c＝C|T_j))   (12) 

将每个方位的后验概率向量进行组合，得到多视角决策后验概率：

P＝(p₁,…p_M)   (13)

其中M为方位数。

将组合后的概率P作为特征向量，输入下一级支持向量机，做出最终类决策，进行鱼类识别。

本发明的优点是：解决了以往只能在单一方位探测鱼的散射信息，而导致数据丢失的问题；本发明一种基于多视角声学数据的鱼类识别方法，结构简单，实现方便；提取的特征反映了鱼的声学本质特征；解决单方位分类不清，甚至不能正确分类的问题；多视角数据获取能更准确的分析鱼的类别。

Claims (1)

1.一种基于多视角声散射数据决策层融合的鱼类识别方法，其特征是：利用一个单波束相控换能器向鱼体发射声信号，利用M个水听器在M个不同方位接收鱼体散射声信号，获得多视角鱼体散射数据，M＝6-9；对获得的多视角散射信号进行滤波归一化等处理；通过小波包分解、重构，小波包子带能量求解，离散余弦变换方法进行特征提取得到变换系数，将小波包子带能量、变换系数组成特征量输入到第一级分类器进行决策，并将决策结果用概率估计公式得到每个方位输出的后验概率向量，将每个方位的后验概率向量进行组合，得到多视角决策后验概率，将多视角决策后验概率输入至第二级支持向量机，输出最终分类结果，得到鱼类识别方法。