CN106772331A - 目标识别方法和目标识别装置 - Google Patents

Abstract

本发明涉及目标识别方法和目标识别装置。该目标识别方法包括：根据声呐设备原始的多通道数据进行变换提取数据样本；采用Moore模型提取所述样本数据集的样本响度特征，所述样本响度特征包括响度、响度质心和总响度；利用特征筛选算法对所述样本响度特征进行特征筛选；和，利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。通过根据本发明的目标识别方法和目标识别装置，可以基于声呐设备有效地区分目标信号和噪声信号，从而显著提高小目标的识别率，改进声呐设备的跟踪效率。

Description

目标识别方法和目标识别装置

技术领域

本发明总的来说涉及图像识别领域，具体来说涉及基于声呐设备的目标识别方法和目标识别装置。

背景技术

由于海水是一种非均匀有损介质,对声能的吸收和声传播的扩展效应,造成声信号的衰减和畸变。

同时在海洋中,除了来自目标的反射信号之外,还有其它散射体的存在,如海洋中大量存在的悬浮物、鱼群、海底的山峦等。由于水声信道是时变和空变的，声信号在传播的过程中会经过信道滤波后到达接收点，所以接收点接收到的回拨信号是时变的，空变的。

比如，在使用成像声呐对蛙人进行探测的情况下，由于蛙人体积小，目标强度低，在远距离的情况下，所得到的回波信号信噪比很低，基本上淹没在噪声里面，所得到的声呐图像很难准确的检测到目标，从而无法准确地对远距离的蛙人等水下小目标进行识别。

因此，对于水下小目标的有效的探测识别一直是水声领域的重点和难点，而当前解决手段往往是利用成像声纳对声纳图像中的目标进行轨迹跟踪，利用目标的运动特征对目标进行识别。当回波信号信噪比较低时，声纳图像中的疑似目标点会增多，大大降低依据声纳图像跟踪目标的有效性。

另一方面，单频信号的探测性能很大程度受到信噪比的影响，低信噪比的信号会导致成像声纳图像中的对于目标点的检测跟踪概率大大降低。

因而，需要提供改进的目标识别方法和目标识别装置。

发明内容

本发明的目的在于针对上述现有技术中的缺陷和不足，提供能够基于声呐设备有效地区分目标信号和噪声信号的新颖的和改进的目标识别方法和目标识别装置。

根据本发明的一方面，提供了一种目标识别方法，包括：根据声呐设备原始的多通道数据进行变换提取数据样本；采用Moore模型提取所述样本数据集的样本响度特征，所述样本响度特征包括响度、响度质心和总响度；利用特征筛选方法对所述样本响度特征进行特征筛选；和，利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。

在上述目标识别方法中，所述根据声呐设备原始的多通道数据进行变换提取数据样本的步骤具体包括：根据所述声呐设备的声呐图像中目标的距离信息和方位信息提取时域信号数据；对所述时域信号数据进行希尔伯特变换以得到第一数据；对所述第一数据进行傅里叶变换以得到各子带频谱；对各子带频谱进行加权求和以提到频域信号数据；和，对所述频域信号数据进行反傅里叶变换以得到所述样本数据集。

在上述目标识别方法中，所述根据声呐设备原始的多通道数据进行变换提取数据样本的步骤进一步包括：对所述样本数据集以最大值进行归一化处理，以作为所述样本数据集。

在上述目标识别方法中，所述样本响度特征的特征向量由多维等价矩形带宽内的响度值、一维响度质心和一维总响度组成。

在上述目标识别方法中，所述采用Moore模型提取所述样本数据集的样本响度特征的步骤之前进一步包括：将所述样本数据集迁移到Moore模型的模型分析频带的中心频率范围中；所述采用Moore模型提取所述样本数据集的样本响度特征的步骤具体包括：将所述中心频率范围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响度作为一维响度值。

在上述目标识别方法中，所述等价矩形带宽的数目是38个，且每个等价矩形带宽ERB(f_c)与中心频率f_c的关系为：

ERB(f_c)＝24.7+0.108f_c。

在上述目标识别方法中，所述利用特征筛选方法对所述样本响度特征进行特征筛选的步骤具体包括：利用主分量分析方法进行特征筛选，以获得所述特征筛选后的样本。

在上述目标识别方法中，所述分类器的训练过程具体包括：将所述特征筛选后的样本输入混合高斯分类器进行训练，以得到分类器参数；

所述利用训练后的分类器对特征筛选后的样本进行分类的步骤具体包括：利用所述分类器参数计算所述特征筛选后的样本的分类矩阵Z：

Z＝{z_hj|h＝1,...,H；j＝1,2,3}

其中，z_hj＝1表示样本属于第j类，否则z_hj＝0表示样本不属于第j类，由此确定目标信号和噪声信号。

根据本发明的另一方面，提供了一种目标识别装置，包括：数据获取单元，用于根据声呐设备原始的多通道数据进行变换提取数据样本；特征提取单元，用于采用Moore模型提取所述样本数据集的样本响度特征，所述样本响度特征包括响度、响度质心和总响度；特征筛选单元，用于利用特征筛选算法对所述样本响度特征进行特征筛选；和，信号分类单元，用于利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。

在上述目标识别装置中，所述数据获取单元具体用于：根据所述声呐设备的声呐图像中目标的距离信息和方位信息提取时域信号数据；对所述时域信号数据进行希尔伯特变换以得到第一数据；对所述第一数据进行傅里叶变换以得到各子带频谱；对各子带频谱进行加权求和以提到频域信号数据；和，对所述频域信号数据进行反傅里叶变换以得到所述样本数据集。

在上述目标识别装置中，所述数据获取单元进一步用于：对所述样本数据集以最大值进行归一化处理，以作为所述样本数据集。

在上述目标识别装置中，所述样本响度特征的特征向量由多维等价矩形带宽内的响度值、一维响度质心和一维总响度组成。

在上述目标识别装置中，进一步包括：频率迁移单元，用于将所述样本数据集迁移到Moore模型的模型分析频带的中心频率范围中；所述特征提取单元具体用于：将所述中心频率范围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响度作为一维响度值。

在上述目标识别装置中，所述等价矩形带宽的数目是38个，且每个等价矩形带宽ERB(f_c)与中心频率f_c的关系为：

ERB(f_c)＝24.7+0.108f_c。

在上述目标识别装置中，所述特征筛选单元具体用于：利用主分量分析方法进行特征筛选，以获得所述特征筛选后的样本。

在上述目标识别装置中，所述分类器的训练过程具体包括：将所述特征筛选后的样本输入混合高斯分类器进行训练，以得到分类器参数；所述信号分类单元具体用于：利用所述分类器参数计算所述特征筛选后的样本的分类矩阵Z：

Z＝{z_hj|h＝1,...,H；j＝1,2,3}

其中，z_hj＝1表示样本属于第j类，否则z_hj＝0表示样本不属于第j类，由此确定目标信号和噪声信号。

通过根据本发明的目标识别方法和目标识别装置，可以基于声呐设备有效地区分目标信号和噪声信号，从而显著提高小目标的识别率，改进声呐设备的跟踪效率。

附图说明

图1是根据本发明实施例的目标识别方法的示意性流程图；

图2是根据本发明实施例的分类器的训练过程的示意性流程图；

图3是根据本发明实施例的目标识别装置的示意性框图。

具体实施方式

以下描述用于公开本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

以下说明书和权利要求中使用的术语和词不限于字面的含义，而是仅由本发明人使用以使得能够清楚和一致地理解本发明。因此，对本领域技术人员很明显仅为了说明的目的而不是为了如所附权利要求和它们的等效物所定义的限制本发明的目的而提供本发明的各种实施例的以下描述。

虽然比如“第一”、“第二”等的序数将用于描述各种组件，但是在这里不限制那些组件。该术语仅用于区分一个组件与另一组件。例如，第一组件可以被称为第二组件，且同样地，第二组件也可以被称为第一组件，而不脱离发明构思的教导。在此使用的术语“和/或”包括一个或多个关联的列出的项目的任何和全部组合。

在这里使用的术语仅用于描述各种实施例的目的且不意在限制。如在此使用的，单数形式意在也包括复数形式，除非上下文清楚地指示例外。另外将理解术语“包括”和/或“具有”当在该说明书中使用时指定所述的特征、数目、步骤、操作、组件、元件或其组合的存在，而不排除一个或多个其它特征、数目、步骤、操作、组件、元件或其组的存在或者附加。

包括技术和科学术语的在这里使用的术语具有与本领域技术人员通常理解的术语相同的含义，只要不是不同地限定该术语。应当理解在通常使用的词典中限定的术语具有与现有技术中的术语的含义一致的含义。

下面结合附图和具体实施方式对本发明作进一步详细的说明：

根据本发明实施例的一方面，提供了一种目标识别方法，包括：根据声呐设备原始的多通道数据进行变换提取数据样本；采用Moore模型提取该样本数据集的样本响度特征，该样本响度特征包括响度、响度质心和总响度；利用特征筛选算法对该样本响度特征进行特征筛选；和，利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。

图1是根据本发明实施例的目标识别方法的示意性流程图。如图1所示，根据本发明实施例的目标识别方法包括：S1，根据声呐设备原始的多通道数据进行变换提取数据样本；S2，采用Moore模型提取该样本数据集的样本响度特征，该样本响度特征包括响度、响度质心和总响度；S3，利用特征筛选算法对该样本响度特征进行特征筛选；和S4，利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。

在上述目标识别方法中，根据声呐设备原始的多通道数据进行变换提取数据样本的步骤具体包括：根据该声呐设备的声呐图像中目标的距离信息和方位信息提取时域信号数据；对该时域信号数据进行希尔伯特变换以得到第一数据；对该第一数据进行傅里叶变换以得到各子带频谱；对各子带频谱进行加权求和以提到频域信号数据；和，对该频域信号数据进行反傅里叶变换以得到该样本数据集。

具体地说，对于主动声纳系统来说，其发射信号为一宽带信号，接收阵列阵元数为M，各阵元接收得到的回波为x_m(i)＝x_m(t)，x_m(i)为连续信号x_m(t)的离散采样，其中m＝1,2,...,M，t＝iT_s，T_s为采样间隔。根据成像声纳发射信号的时间长度t₀及系统采样率f_s，选取数据窗长度为N＝f_st₀，并依据声纳图像检测出的疑似目标的距离信息A(单位：米)及方位信息B(单位：度)进行数据提取。其中，目标在原始数据中的起始点为p1＝2A·f_s/c取整，截止点为p2＝p1+N。

主动声呐系统的第m号接收阵元截取的接收数据可以表示为x_m＝[x_m(0),...,x_m(N-1)]。对x_m进行希尔伯特变换，即，之后，对信号进行N点傅里叶变换，得到各通道频谱，如以下公式(1)所示：

这里，k＝0,...,N-1，为频域子带编号，且各个频率子带的频率对应为f_k＝f_sk/N,(k＝0,...,N/2-1)，提取宽带信号频带范围所对应的子带频谱X_m(k₁),...,X_m(k_n)，其中0＜k₁＜k_n＜N/2-1，并且k₁到k_n为连续n个子带。对上述n个子带依据目标方位信息B及各自子带频率下的阵列流型进行加权求和处理。由于本方法是基于线列阵实现的，所以依据线列阵阵列流型，第m号接收阵元权值由以下公式(2)表示：

ω_m(f_k)＝exp(2π(m-1)d sin(πB/180)/λ_k) (2)

其中d为阵元间距，λ_k为f_k对应的声波波长，则对各子带进行窄带波束形成，输出由以下公式(3)表示

其中，k＝k₁,...,k_n。

对于k₁到k_n外的频率子带，对各通道相对应的子带仅进行加和处理，得到的频域信号Y(k)，k＝0,...,N-1。接下来，对Y(k)进行反傅里叶变换。

之后，对于经过反傅里叶变换之后的时域数据取实部并以最大值归一化，即得到本方法中所述的样本时域数据y(i),i＝0,...,N-1。

也就是说，在上述目标识别方法中，根据声呐设备原始的多通道数据进行变换提取数据样本的步骤进一步包括：对于该频域信号数据进行反傅里叶变换之后得到的时域信号数据，以最大值进行归一化处理，以作为样本数据集。

在根据本发明实施例的目标识别方法中，对于主动声纳发射的宽带信号进行探测来说，回波信号中包含的可利用的频率信息丰富，能够有效地区分目标信号与噪声信号，可显著提高识别率，保证成像声纳跟踪效率。

在上述目标识别方法中，该样本响度特征的特征向量由多维等价矩形带宽内的响度值、一维响度质心和一维总响度组成。

在上述目标识别方法中，该采用Moore模型提取该样本数据集的样本响度特征的步骤之前进一步包括：将该样本数据集迁移到Moore模型的模型分析频带的中心频率范围中；采用Moore模型提取该样本数据集的样本响度特征的步骤具体包括：将所述中心频率范围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响度作为一维响度值。

在上述目标识别方法中，该等价矩形带宽的数目是38个，且每个等价矩形带宽ERB(f_c)与中心频率f_c的关系为：

ERB(f_c)＝24.7+0.108f_c。

具体来说，本方法采用Moore模型进行样本响度特征提取，提取特征包括各个等价矩形带宽(Equivalent Rectangular Bandwidth，ERB)内的响度、响度质心和总响度。由于Moore模型是基于人耳听觉特性建立的，该模型分析频带的中心频率范围为50Hz-15000Hz，所以先对样本信号y进行频谱搬移，搬移到模型所述频带范围内，再进行计算。根据Moore模型建立滤波器组，并在50Hz-15000Hz上划分38个ERB，ERB与中心频率的关系为

ERB(f_c)＝24.7+0.108f_c

选取结果如以下表1所示。

【表1】

根据以下公式(4)和(5)计算每个ERB频带范围内的响度：

其中E表示信号的激励级，E_THRQ为可听阈能量级，P_j是指ERB内频点j处声压值。计算中，根据经验，C取定值0.046871，G取0.1，α取0.2。

根据以下公式(6)和(7)计算响度质心：

f_ERB＝21.4log₁₀(0.00437f_c+1) (7)

其中，N为ERB总数，f_ERB为第n个中心频率f_c对应的ERB频率，N'(n)为第n个ERB的响度值。

根据以下公式(8)计算总响度：

其中总响度为各ERB内响度和的2倍。

在上述目标识别方法中，利用特征筛选算法对该样本响度特征进行特征筛选的步骤具体包括：利用主分量分析方法进行特征筛选，以获得特征筛选后的样本。

具体来说，在根据本发明实施例的目标识别方法中，根据上述模型提取的特征，特征向量由38维ERB的响度值、1维响度质心和1维总响度组成。为了减少后续分类器训练及测试样本的特征维数，保证信息不冗余，可以利用主分量分析方法进行特征筛选。对于第h个样本特征向量Q_h＝[q₁,...,q₄₀]^T，其样本向量协方差矩阵C如以下公式(9)和(10)表示：

其中，为样本均值，H为样本总数；C为对称矩阵，维数为40×40。

计算C的特征值λ₁,...,λ₄₀和对应的特征向量u₁,...,u₄₀，将各特征值按从大到小顺序进行排列λ₁≥...≥λ₄₀。特征值越大，在重构特征矩阵时的贡献越大，由此可以略去小特征值。前m个主分量的贡献率如以下公式(11)表示：

在根据本发明实施例的目标识别方法中，可以按照实际需要来确定m的数目。例如，当前m个主分量累积贡献率大于90％时，取此m值为主分量个数，并取前m个主分量作为提取后的样本特征向量。则前m个主分量可由以下公式(12)得到：

Y_h＝U^TQ_h (12)

其中U＝(u₁,...,u_m)为40×m维主分量矩阵，Y_h＝(y₁,...,y_m)^T为主成分提取后样本，为m维向量。保存矩阵U用于未知样本的主分量提取。

在上述目标识别方法中，该分类器的训练过程具体包括：将特征筛选后的样本输入混合高斯分类器进行训练，以得到分类器参数；

该利用训练后的分类器对特征筛选后的样本进行分类的步骤具体包括：利用该分类器参数计算特征筛选后的样本的分类矩阵Z：

Z＝{z_hj|h＝1,...,H；j＝1,2,3}

其中，z_hj＝1表示样本属于第j类，否则z_hj＝0表示样本不属于第j类，由此确定目标信号和噪声信号。

具体来说，对于通过主分量分析方法特征筛选后提取出来的样本Y_h，输入混合高斯分类器进行训练。混合高斯分类器训练过程如下：

对于样本集Y＝{Y_h|h＝1,...,H}，目标分类数为3类，初始化分类矩阵Z＝{z_hj|h＝1,...,H；j＝1,2,3}，z_hj＝1表示数据Y_h属于第j类，否则z_hj＝0表示数据Y_h不属于第j类。

每个类定义了一个高斯分布，如以下公式(13)表示：

其中μ_j＝[μ_j1,...,μ_jm]^T是第j类m维均值列向量，由以下公式(14)和(15)表示：

先前概率累加，由以下公式(16)表示：

ρ_j·G(Y；μ_j，∑_j·),j＝1,2，3 (16)

则任意一项X_i的概率由以下公式(17)表示：

计算z_hj的期望值，并用它计算最大似然估计，由以下公式(18)和(19)

表示：

E(Z_hj|Y_h；θ_j)＝ρ_j·G(Y_h；μ_j,∑_j·)/p(Y_h) (18)

反复迭代计算μ_j，∑_j·时，并将产生的E替换Z即可，反复迭代，直到收敛。

分类器收敛判断：将前一次迭代计算得到的分类矩阵Z^p与后一次迭代计算得到的Z^p+1作差得迭代误差，由以下公式(20)表示：

当迭代误差e＜e₀时，认为分类器训练收敛，e₀为收敛阈值。保存当前μ_j，∑_j·作为分类器参数。

之后，同样采用根据主分量分析方法得到的特征筛选后的主分量特征向量Y_h，依据上述步骤训练得到的分类器参数μ_j和∑_j·计算z_hj。这样，z_hj＝1当且仅当就达到了数据分类的目的。

图2是根据本发明实施例的分类器的训练过程的示意性流程图。如图2所示，根据本发明实施例的分类器的训练过程包括：S11，根据声呐设备原始的多通道数据进行变换提取数据样本；S12，采用Moore模型提取该样本数据集的样本响度特征，该样本响度特征包括响度、响度质心和总响度；S13，利用特征筛选算法对该样本响度特征进行特征筛选；和S14，以特征筛选后的样本特征向量训练混合高斯分类器，并保存训练得到的分类器参数。

这里，本领域技术人员可以理解，根据本发明实施例的分类器的训练过程中所采用的样本特征向量与根据本发明实施例的目标识别方法中所采用的样本特征向量相同。因此，根据本发明实施例的分类器的训练过程中的步骤S11到S13实质上与根据本发明实施例的目标识别方法中的步骤S1到S3相同。只是通过主分量分析方法特征筛选后的样本特征向量首先用于对混合高斯分类器进行分类，然后再通过训练好的分类器进行分类。

通过根据本发明实施例的目标识别方法，通过对声纳图像检测到的疑似目标点进行再识别，保留目标点，剔除噪声点，将会大大提高成像声纳跟踪效率。另外，根据本发明实施例的目标识别方法显著改善了单频发射信号回波样本识别率低下问题，为成像声呐对水下小目标进行有效的跟踪识别提供了有力保证。

根据本发明实施例的另一方面，提供了一种目标识别装置，包括：数据获取单元，用于根据声呐设备原始的多通道数据进行变换提取数据样本；特征提取单元，用于采用Moore模型提取该样本数据集的样本响度特征，该样本响度特征包括响度、响度质心和总响度；特征筛选单元，用于利用特征筛选算法对该样本响度特征进行特征筛选；和，信号分类单元，用于利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。

图3是根据本发明实施例的目标识别装置的示意性框图。如图3所示，根据本发明实施例的目标识别装置100包括：数据获取单元101，用于根据声呐设备原始的多通道数据进行变换提取数据样本；特征提取单元102，用于采用Moore模型提取数据获取单元101所获取的样本数据集的样本响度特征，该样本响度特征包括响度、响度质心和总响度；特征筛选单元103，用于利用特征筛选算法对特征提取单元102所提取出的样本响度特征进行特征筛选，以得到特征筛选后的样本特征向量；和，信号分类单元104，用于利用训练后的分类器对特征筛选单元103特征筛选后的样本进行分类，以确定目标信号和噪声信号。

在上述目标识别装置中，该数据获取单元具体用于：根据该声呐设备的声呐图像中目标的距离信息和方位信息提取时域信号数据；对该时域信号数据进行希尔伯特变换以得到第一数据；对该第一数据进行傅里叶变换以得到各子带频谱；对各子带频谱进行加权求和以提到频域信号数据；和，对该频域信号数据进行反傅里叶变换以得到该样本数据集。

在上述目标识别装置中，该数据获取单元进一步用于：对该样本数据集以最大值进行归一化处理，以作为该样本数据集。

在上述目标识别装置中，该样本响度特征的特征向量由多维等价矩形带宽内的响度值、一维响度质心和一维总响度组成。

在上述目标识别装置中，进一步包括：频率迁移单元，用于将该样本数据集迁移到Moore模型的模型分析频带的中心频率范围中；该特征提取单元具体用于：将该中心频率范围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响度作为一维响度值。

在上述目标识别装置中，该等价矩形带宽的数目是38个，且每个等价矩形带宽ERB(f_c)与中心频率f_c的关系为：

ERB(f_c)＝24.7+0.108f_c。

在上述目标识别装置中，该特征筛选单元具体用于：利用主分量分析方法进行特征筛选，以获得该特征筛选后的样本。

在上述目标识别装置中，该分类器的训练过程具体包括：将该特征筛选后的样本输入混合高斯分类器进行训练，以得到分类器参数；该信号分类单元具体用于：利用该分类器参数计算该特征筛选后的样本的分类矩阵Z：

Z＝{z_hj|h＝1,...,H；j＝1,2,3}

其中，z_hj＝1表示样本属于第j类，否则z_hj＝0表示样本不属于第j类，由此确定目标信号和噪声信号。

这里，本领域技术人员可以理解，根据本发明实施例的目标识别装置的其它细节与之前关于根据本发明实施例的目标识别方法描述的相应细节相同，因此在这里不再赘述。

在根据本发明的目标识别方法和目标识别装置中，对声纳图像检测到的疑似目标点进行再识别，保留目标点，剔除噪声点，将会显著地提高成像声纳的跟踪效率。

通过根据本发明的目标识别方法和目标识别装置，可以基于声呐设备有效地区分目标信号和噪声信号，从而显著提高小目标的识别率，改进声呐设备的跟踪效率。

当然，本发明还可有其它多种实施例，在不背离本发明的精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (16)

1.一种目标识别方法，包括：

根据声呐设备原始的多通道数据进行变换提取数据样本；

采用Moore模型提取所述样本数据集的样本响度特征，所述样本响度特征包括响度、响度质心和总响度；

利用特征筛选算法对所述样本响度特征进行特征筛选；和

利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。

2.根据权利要求1所述的目标识别方法，其中，所述根据声呐设备原始的多通道数据进行变换提取数据样本的步骤具体包括：

根据所述声呐设备的声呐图像中目标的距离信息和方位信息提取时域信号数据；

对所述时域信号数据进行希尔伯特变换以得到第一数据；

对所述第一数据进行傅里叶变换以得到各子带频谱；

对各子带频谱进行加权求和以提到频域信号数据；和

对所述频域信号数据进行反傅里叶变换以得到所述样本数据集。

3.根据权利要求2所述的目标识别方法，其中，所述根据声呐设备原始的多通道数据进行变换提取数据样本的步骤进一步包括：

对所述样本数据集以最大值进行归一化处理，以作为所述样本数据集。

4.根据权利要求1所述的目标识别方法，其中，所述样本响度特征的特征向量由多维等价矩形带宽内的响度值、一维响度质心和一维总响度组成。

5.根据权利要求4所述的目标识别方法，其中，所述采用Moore模型提取所述样本数据集的样本响度特征的步骤之前进一步包括：

将所述样本数据集迁移到Moore模型的模型分析频带的中心频率范围中；

所述采用Moore模型提取所述样本数据集的样本响度特征的步骤具体包括：

将所述中心频率范围划分为多个等价矩形带宽；和

计算每个等价矩形带宽的频带范围内的响度作为一维响度值。

6.根据权利要求5所述的目标识别方法，其中，所述等价矩形带宽的数目是38个，且每个等价矩形带宽ERB(f_c)与中心频率f_c的关系为：

ERB(f_c)＝24.7+0.108f_c。

7.根据权利要求1所述的目标识别方法，其中，所述利用特征筛选算法对所述样本响度特征进行特征筛选的步骤具体包括：

利用主分量分析方法进行特征筛选，以获得所述特征筛选后的样本。

8.根据权利要求1-7中任意一个所述的目标识别方法，其中，所述分类器的训练过程具体包括：

将所述特征筛选后的样本输入混合高斯分类器进行训练，以得到分类器参数；

所述利用训练后的分类器对特征筛选后的样本进行分类的步骤具体包括：

利用所述分类器参数计算所述特征筛选后的样本的分类矩阵Z：

Z＝{z_hj|h＝1,...,H；j＝1,2,3}

其中，z_hj＝1表示样本属于第j类，否则z_hj＝0表示样本不属于第j类，由此确定目标信号和噪声信号。

9.一种目标识别装置，包括：

数据获取单元，用于根据声呐设备原始的多通道数据进行变换提取数据样本；

特征提取单元，用于采用Moore模型提取所述样本数据集的样本响度特征，所述样本响度特征包括响度、响度质心和总响度；

特征筛选单元，用于利用特征筛选算法对所述样本响度特征进行特征筛选；和

信号分类单元，用于利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。

10.根据权利要求9所述的目标识别装置，其中，所述数据获取单元具体用于：

根据所述声呐设备的声呐图像中目标的距离信息和方位信息提取时域信号数据；

对所述时域信号数据进行希尔伯特变换以得到第一数据；

对所述第一数据进行傅里叶变换以得到各子带频谱；

对各子带频谱进行加权求和以提到频域信号数据；和

对所述频域信号数据进行反傅里叶变换以得到所述样本数据集。

11.根据权利要求10所述的目标识别装置，其中，所述数据获取单元进一步用于：

对所述样本数据集以最大值进行归一化处理，以作为所述样本数据集。

12.根据权利要求9所述的目标识别装置，其中，所述样本响度特征的特征向量由多维等价矩形带宽内的响度值、一维响度质心和一维总响度组成。

13.根据权利要求12所述的目标识别装置，进一步包括：

频率迁移单元，用于将所述样本数据集迁移到Moore模型的模型分析频带的中心频率范围中；

所述特征提取单元具体用于：

将所述中心频率范围划分为多个等价矩形带宽；和

计算每个等价矩形带宽的频带范围内的响度作为一维响度值。

14.根据权利要求13所述的目标识别装置，其中，所述等价矩形带宽的数目是38个，且每个等价矩形带宽ERB(f_c)与中心频率f_c的关系为：

ERB(f_c)＝24.7+0.108f_c。

15.根据权利要求9所述的目标识别装置，其中，所述特征筛选单元具体用于：

利用主分量分析方法进行特征筛选，以获得所述特征筛选后的样本。

16.根据权利要求9-15中任意一个所述的目标识别装置，其中，所述分类器的训练过程具体包括：

将所述特征筛选后的样本输入混合高斯分类器进行训练，以得到分类器参数；

所述信号分类单元具体用于：

利用所述分类器参数计算所述特征筛选后的样本的分类矩阵Z：

Z＝{z_hj|h＝1,...,H；j＝1,2,3}

其中，z_hj＝1表示样本属于第j类，否则z_hj＝0表示样本不属于第j类，由此确定目标信号和噪声信号。