CN105426897A - 基于声呐辅助自航式海底勘探、救援搜索方法 - Google Patents
基于声呐辅助自航式海底勘探、救援搜索方法 Download PDFInfo
- Publication number
- CN105426897A CN105426897A CN201510789505.5A CN201510789505A CN105426897A CN 105426897 A CN105426897 A CN 105426897A CN 201510789505 A CN201510789505 A CN 201510789505A CN 105426897 A CN105426897 A CN 105426897A
- Authority
- CN
- China
- Prior art keywords
- sonar
- image
- auv
- feature
- exploration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
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
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:
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(wi)为局部特征ωi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:
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(wi)为局部特征ωi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:
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,
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(wi)为局部特征ωi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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510789505.5A CN105426897B (zh) | 2015-11-17 | 2015-11-17 | 基于声呐辅助自航式海底勘探、救援搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510789505.5A CN105426897B (zh) | 2015-11-17 | 2015-11-17 | 基于声呐辅助自航式海底勘探、救援搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426897A true CN105426897A (zh) | 2016-03-23 |
CN105426897B CN105426897B (zh) | 2018-08-24 |
Family
ID=55505096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510789505.5A Active CN105426897B (zh) | 2015-11-17 | 2015-11-17 | 基于声呐辅助自航式海底勘探、救援搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426897B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983243A (zh) * | 2018-05-03 | 2018-12-11 | 国家海洋局第二海洋研究所 | 海底声学底质的三维概率密度分类方法 |
CN110276388A (zh) * | 2019-06-14 | 2019-09-24 | 深圳市吉影科技有限公司 | 应用于水下无人机的图像处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231082A (zh) * | 2011-04-08 | 2011-11-02 | 中国船舶重工集团公司第七○二研究所 | 基于迷你声纳的水下目标探测与auv自动避碰方法及其系统 |
US20130024479A1 (en) * | 2011-07-20 | 2013-01-24 | Salesforce.Com, Inc. | Methods and systems for processing large graphs using density-based processes using map-reduce |
-
2015
- 2015-11-17 CN CN201510789505.5A patent/CN105426897B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231082A (zh) * | 2011-04-08 | 2011-11-02 | 中国船舶重工集团公司第七○二研究所 | 基于迷你声纳的水下目标探测与auv自动避碰方法及其系统 |
US20130024479A1 (en) * | 2011-07-20 | 2013-01-24 | Salesforce.Com, Inc. | Methods and systems for processing large graphs using density-based processes using map-reduce |
Non-Patent Citations (1)
Title |
---|
AYOUNG KIM: ""Active Visual SLAM with Exploration for Autonomous Underwater Navigation"", 《DEEP BLUE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983243A (zh) * | 2018-05-03 | 2018-12-11 | 国家海洋局第二海洋研究所 | 海底声学底质的三维概率密度分类方法 |
CN108983243B (zh) * | 2018-05-03 | 2020-10-27 | 国家海洋局第二海洋研究所 | 海底声学底质的三维概率密度分类方法 |
CN110276388A (zh) * | 2019-06-14 | 2019-09-24 | 深圳市吉影科技有限公司 | 应用于水下无人机的图像处理方法及装置 |
CN110276388B (zh) * | 2019-06-14 | 2022-05-31 | 深圳市吉影科技有限公司 | 应用于水下无人机的图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105426897B (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103033817B (zh) | 大型auv避碰用障碍物自主识别系统 | |
CN108344999B (zh) | 一种用于水下机器人导航的声呐地图构建与重定位方法 | |
CN108681321B (zh) | 一种无人船协同编队的水下探测方法 | |
Guth et al. | Underwater SLAM: Challenges, state of the art, algorithms and a new biologically-inspired approach | |
Arain et al. | Improving underwater obstacle detection using semantic image segmentation | |
Heidarsson et al. | Obstacle detection from overhead imagery using self-supervised learning for autonomous surface vehicles | |
CN112650246B (zh) | 一种船舶自主导航方法及装置 | |
Maki et al. | Volumetric mapping of tubeworm colonies in Kagoshima Bay through autonomous robotic surveys | |
CN108037771A (zh) | 一种多自治水下机器人搜索控制系统及其方法 | |
CN103576685A (zh) | 母船回收时uuv的路径确定方法 | |
CN111783557B (zh) | 一种基于深度视觉的可穿戴导盲设备及服务器 | |
CN105787489A (zh) | 一种基于水下地貌的匹配导航算法 | |
Jacobson et al. | Semi-supervised slam: Leveraging low-cost sensors on underground autonomous vehicles for position tracking | |
CN113327297B (zh) | 基于深度学习的深海海底障碍物测量系统与识别方法 | |
CN107870621A (zh) | 在未知复杂海底地形环境中的自主水下机器人避碰方法 | |
CN111412918B (zh) | 无人艇全局安全路径规划方法 | |
Barkby et al. | Bathymetric SLAM with no map overlap using gaussian processes | |
CN105426897A (zh) | 基于声呐辅助自航式海底勘探、救援搜索方法 | |
EP3686776B1 (en) | Method for detecting pseudo-3d bounding box to be used for military purpose, smart phone or virtual driving based on cnn capable of converting modes according to conditions of objects | |
Yao et al. | Vision-based environment perception and autonomous obstacle avoidance for unmanned underwater vehicle | |
CN112880678A (zh) | 一种复杂水域环境中无人艇航行规划方法 | |
Jiang et al. | Underwater loop-closure detection for mechanical scanning imaging sonar by filtering the similarity matrix with probability hypothesis density filter | |
Dos Santos et al. | Satellite and underwater sonar image matching using deep learning | |
Teng et al. | Robust bathymetric SLAM algorithm considering invalid loop closures | |
CN115373383A (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |