CN105426897A - 基于声呐辅助自航式海底勘探、救援搜索方法 - Google Patents

Abstract

本发明涉及基于声呐辅助自航式海底勘探、救援搜索方法，属于自航式海底勘探搜索策略技术领域，主要解决目前的海底勘探、救援的搜索方法，只能对既定目标区域进行搜索，无法完成对目标区域以外的其他搜索区域的勘探和搜索的问题。本发明包括如下步骤：AUV潜入海底，侧扫声呐工作，对海底图像特征进行采集；将高维海底声呐探测图像数据进行降维处理；分别计算两侧声呐图像的特征显著率；比较两侧声呐图像的显著率；根据比较结果作出决策，并转至步骤一进行下一步的区域探索。本发明实现了AUV自主能动的对海底进行探测和搜索，克服了传统勘探、搜索策略中的盲目性，为运用具有人工智能的AUV进行海底勘探和救援提供了可行性方案。

Description

基于声呐辅助自航式海底勘探、救援搜索方法

技术领域

本发明涉及基于声呐辅助自航式海底勘探、救援搜索方法，属于自航式海底勘探搜索策略技术领域。

背景技术

目前流行的海底勘探、救援的搜索方法，主要是针对目标区域，预先规划好水下航行器的航行路线，使水下航行器根据既定路线完成对海底的勘探和搜索救援。然而，此种搜索方法只能对既定目标区域进行搜索，无法完成对目标区域以外的其他搜索区域的勘探和搜索，并且在实现对范围较大的区域进行勘探和搜索时，具有明显的人为干预性和无目的性，极大的浪费了人力物力，显示出了目前海底勘探、搜索策略的局限性和非智能性。

发明内容

本发明的目的在于克服现有自航式海底勘探搜索策略存在的上述缺陷，提出了一种基于声呐辅助自航式海底勘探、救援搜索方法，通过分析声呐提供的海底的特征分布，主动感知外部环境，自主的向海底特征丰富的海域进行探索，实现了海底勘探、救援的自主性和人工智能性。

具体包括如下步骤：

步骤一，AUV(AutonomousUnderwaterVehicle，自主式水下潜器)潜入海底，侧扫声呐工作，对海底图像特征进行采集。

步骤二、将高维海底声呐探测图像数据进行降维处理：

采用词袋BoW(BagofWords)局部特征表达模型来描绘海底探测图像，以满足对海量观测信息的快速的反应能力；

步骤三、分别计算两侧声呐图像的特征显著率：

采用归一化图像熵来表示声呐图像的特征显著率：

$S=\frac{{\mathrm{\Σ}}_{i}p\left({\mathrm{\ω}}_i\right){\log }_{2}p\left({\mathrm{\ω}}_i\right)}{1{\mathrm{og}}_2\left|\mathrm{\ω}\right|};$

其中|ω|表示声呐观测图像中的局部特征总数，log₂|ω|为特征均匀分布时获得的最大熵，p(w_i)为局部特征ω_i的先验概率密度函数，图像熵表示声呐探测图像中特征的多样性；

步骤四、比较两侧声呐图像的显著率：

对两侧声呐图像的特征显著率进行比较，为导航决策做准备；

步骤五，根据比较结果作出决策，并转至步骤一进行下一步的区域探索：

如果AUV两侧的侧扫声呐图像的显著率相等，则AUV保持继续前进的姿态；如果AUV一侧的侧扫声呐图像的显著率大于另一侧的显著率，那么AUV选择往显著率更高的一侧偏转。

进一步地，步骤二中采用词袋BoW局部特征表达模型来描绘海底探测图像的过程分为三部分：

第一部分，利用SURF(SpeededUpRobustFeatures,快速鲁棒性特征)算法从探测声呐图像中提取海底词汇向量，这些向量代表的是声呐图像中局部不变的特征点。

第二部分，将提取到的特征映射到字典树。

第三部分，利用海底声呐观测图像提取的局部特征生成典型样本，将典型样本对应不同词汇。通过此种方法将高维海量海底探测数据映射到低维。

本发明的有益效果是：本发明实现了AUV自主能动的对海底进行探测和搜索，克服了传统勘探、搜索策略中的无目的性和盲目性。对声呐采集的图像信息，通过采用词袋BoW局部特征表达模型来描绘海底探测图像，使自航式勘探、救援系统可以满足海量观测信息的实时性的处理需求；并通过对显著率的计算来作为导航决策依据，为运用具有人工智能的AUV进行海底的勘探和救援提供了可行性方案。

附图说明

图1是本发明所述方法流程示意图。

图2是本发明的AUV在海底特征分布下的运行轨迹示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，当要进行海底勘探、救援工作时，AUV潜入海底，侧扫声呐等传感器开始工作，利用本发明所述的基于声呐辅助自航式海底勘探、救援搜索方法包括如下步骤：

步骤一，AUV潜入海底，侧扫声呐工作，对海底图像特征进行采集。

步骤二、将高维海底声呐探测图像数据进行降维处理：

采用词袋BoW(BagofWords)局部特征表达模型来描绘海底探测图像，以满足对海量观测信息的快速的反应能力；

首先，利用SURF(SpeededUpRobustFeatures,快速鲁棒性特征)算法从探测声呐图像中提取海底词汇向量，这些向量代表的是声呐图像中局部不变的特征点。而后，将提取到的特征映射到字典树。最后，利用海底声呐观测图像提取的局部特征生成典型样本，将典型样本对应不同词汇。通过此种方法将高维海量海底探测数据映射到低维。

步骤三、分别计算两侧声呐图像的特征显著率：

采用归一化图像熵来表示声呐图像的特征显著率：

$S=\frac{{\mathrm{\Σ}}_{i}p\left({\mathrm{\ω}}_i\right){\log }_{2}p\left({\mathrm{\ω}}_i\right)}{1{\mathrm{og}}_2\left|\mathrm{\ω}\right|};$

其中|ω|表示声呐观测图像中的局部特征总数，log₂|ω|为特征均匀分布时获得的最大熵，p(w_i)为局部特征ω_i的先验概率密度函数，图像熵表示声呐探测图像中特征的多样性。

步骤四、比较两侧声呐图像的显著率：

对两侧声呐图像的特征显著率进行比较，为导航决策做准备。

步骤五，根据比较结果作出决策，并转至步骤一进行下一步的区域探索：

如果AUV两侧的侧扫声呐图像的显著率相等，则AUV保持继续前进的姿态；如果AUV一侧的侧扫声呐图像的显著率大于另一侧的显著率，那么进行以下决策：

①首先运用中值滤波对声呐图像进行去噪，并用canny算子对图像进行边缘检测。

②通过运用SUFT算法对进行边缘检测之后的声呐图像进行特征提取。

③提取出声呐观测图像的特征以后，用DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise,具有噪声的基于密度的聚类方法)算法对特征进行聚类，选择特征丰富的区域进行下一步处理。

④在所生成的聚类中选择一个特征作为虚拟节点。

⑤粗略计算其虚拟节点与AUV的方位。

忽略掉AUV中心点同声呐图像近AUV端的距离，即盲区的距离。

设一副声呐图片的分辨率为M*N，相应的将声呐图像存储为M*N的矩阵，假设在虚拟节点对应的像素在此矩阵中对应的位置为m行n列，假设图片宽度中点对应的像素点的列数为k,则此虚拟节点与AUV的角度粗略估计为：

$\mathrm{\θ}=arctan\left(\frac{n-k}{m}\right)$

因此，AUV转过(90-θ)°的角，拟到达虚拟节点。

当然，上述内容仅为本发明的较佳实施例，不能被认为用于限定对本发明的实施例范围。本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的均等变化与改进等，均应归属于本发明的专利涵盖范围内。

Claims (2)

1.一种基于声呐辅助自航式海底勘探、救援搜索方法，其特征在于，包括如下步骤：

步骤一、AUV潜入海底，侧扫声呐工作，对海底图像特征进行采集；

步骤二、将高维海底声呐探测图像数据进行降维处理：

采用词袋BoW局部特征表达模型来描绘海底探测图像，以满足对海量观测信息的快速的反应能力；

步骤三、分别计算两侧声呐图像的特征显著率：

采用归一化图像熵来表示声呐图像的特征显著率，

$S=\frac{{\mathrm{\Σ}}_{i}p\left({\mathrm{\ω}}_i\right){\log }_{2}p\left({\mathrm{\ω}}_i\right)}{{\log }_2\left|\mathrm{\ω}\right|};$

其中|ω|表示声呐观测图像中的局部特征总数，log₂|ω|为特征均匀分布时获得的最大熵，p(w_i)为局部特征ω_i的先验概率密度函数，图像熵表示声呐探测图像中特征的多样性；

步骤四、比较两侧声呐图像的显著率：

对两侧声呐图像的特征显著率进行比较，为导航决策做准备；

步骤五、根据比较结果作出决策，并转至步骤一进行下一步的区域探索：

如果AUV两侧的侧扫声呐图像的显著率相等，则AUV保持继续前进的姿态；如果AUV一侧的侧扫声呐图像的显著率大于另一侧的显著率，那么进行以下决策：

①首先运用中值滤波对声呐图像进行去噪，并用canny算子对图像进行边缘检测；

②通过运用SUFT算法对进行边缘检测之后的声呐图像进行特征提取；

③提取出声呐观测图像的特征以后，用DBSCAN算法对特征进行聚类，选择特征丰富的区域进行下一步处理；

④在所生成的聚类中选择一个特征作为虚拟节点；

⑤粗略计算其虚拟节点与AUV的方位；

忽略掉AUV中心点同声呐图像近AUV端的距离，即盲区的距离；

设一副声呐图片的分辨率为M*N，相应的将声呐图像存储为M*N的矩阵，假设在虚拟节点对应的像素在此矩阵中对应的位置为m行n列，假设图片宽度中点对应的像素点的列数为k,则此虚拟节点与AUV的角度粗略估计为：

$\mathrm{\θ}=arctan\left(\frac{n-k}{m}\right)$

因此，AUV转过(90-θ)°的角，拟到达虚拟节点。

2.根据权利要求1所述的基于声呐辅助自航式海底勘探、救援搜索方法，其特征在于：步骤二中，采用词袋BoW局部特征表达模型来描绘海底探测图像的过程分为三部分：

第一部分，利用SURF算法从探测声呐图像中提取海底词汇向量，这些向量代表的是声呐图像中局部不变的特征点；

第二部分，将提取到的特征映射到字典树；

第三部分，利用海底声呐观测图像提取的局部特征生成典型样本，将典型样本对应不同词汇；通过此种方法将高维海量海底探测数据映射到低维。