CN108061897A - 一种基于前视声呐的水下结构化环境线特征提取方法 - Google Patents
一种基于前视声呐的水下结构化环境线特征提取方法 Download PDFInfo
- Publication number
- CN108061897A CN108061897A CN201711268143.0A CN201711268143A CN108061897A CN 108061897 A CN108061897 A CN 108061897A CN 201711268143 A CN201711268143 A CN 201711268143A CN 108061897 A CN108061897 A CN 108061897A
- Authority
- CN
- China
- Prior art keywords
- straight line
- points
- theta
- distance
- voting
- 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
- 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
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于前视声呐的水下结构化环境线特征提取方法,包括:对前视声呐数据进行动态阈值分割,获取高回波强度点的总点数及其在载体系下的极坐标;在限定循环次数内从高回波强度点中随机选择两个不孤立且不相邻的点构建直线,选取到该直线距离小于预设阈值的点构成候选点集,计算候选点集的势与总点数的比例,若比例不小于阈值将该条直线作为辅助直线并终止循环;基于辅助直线参数及相应候选点集分布特点,构建结构化环境直线特征参数的投票空间,使用投票算法提取直线特征参数;基于直线特征附近点的分布情况,将直线特征裁剪为线段特征。本发明有效克服了随机采样的盲目性和投票算法的低效性。
Description
技术领域
本发明涉及一种基于前视声呐的水下结构化环境线特征提取方法,属于水下环境声学智能感知与建模领域。
背景技术
对机器人来说,对水下环境的感知与理解能力是制约机器人自主化和智能化水平的重要因素。港口、航道等水下结构化环境是水下机器人常见的工作场景,水下机器人通常基于前视声呐探测这些水下结构化建筑,并利用线段对其进行描述。因此准确、高效的水下结构化环境线特征提取算法是水下机器人实时、正确理解水下结构化环境的根本保证。
但目前水下结构化环境线特征提取的算法仍有不完备之处。一方面,受工作环境和原理限制,前视声呐与陆用激光雷达、结构光、摄像机等设备相比噪声大、精度差,而现有算法主要借鉴陆上环境线特征提取方法,无法有效抑制前视声呐探测数据噪声,影响了线特征提取的准确度;另一方面,现有算法为保证线特征提取的准确性计算量较高,导致特征提取效率低、实时性差;此外现有算法更倾向于提取与环境一致的直线特征而非能更准确描述结构化环境的线段特征,极易导致环境模型构建产生歧义性。针对上述问题,本发明将随机一致性采样算法(RANSAC)与投票算法有机结合,提出一种更高效、更准确的水下结构化环境线特征提取方法。
发明内容
本发明的目的是为了解决现有算法提取水下结构化环境线特征时存在效率低、实时性差以及易产生歧义等问题而提供一种基于前视声呐的水下结构化环境线特征提取方法。
本发明的目的是这样实现的:步骤如下:
步骤一:对前视声呐数据进行动态阈值分割,获取高回波强度点的总点数及其在载体系下的极坐标;
步骤二:在限定循环次数内从高回波强度点中随机选择两个不孤立且不相邻的点构建直线,选取到该直线距离小于预设阈值的点构成候选点集,计算候选点集的势与总点数的比例,若比例不小于阈值则将该条直线作为辅助直线并终止循环;
步骤三:基于辅助直线参数及相应候选点集分布特点,构建结构化环境直线特征参数的投票空间,使用投票算法提取结构化环境直线特征参数;
步骤四:基于直线特征附近点的分布情况,将直线特征裁剪为结构化环境线段特征。
本发明还包括这样一些结构特征:
1.步骤一具体包括:
(1)采集一定声纳开角范围内的前视声纳数据,对前视声纳数据进行动态阈值分割,获取高回波强度点并计算高回波强度点数目;
(2)计算基于当前载体系下所有回波强度大于动态阈值的点的极坐标形式:
2D多波束成像声呐由于同时发出多个波束,给出的数据本身便是当前载体系下回波点的极坐标,则直接获取回波强度大于动态阈值的点的极坐标(θij,ρij);
单波束机械扫描式成像声呐不断连续发出波束,在不断探测过程中载体本身也在运动,因此各个波束的原点一般不同,每个波束上回波点的极坐标的计算公式为:
式中:xij、yij为当前载体系下第i个波束上距离该波束原点j个间隔的回波强度点坐标;xi、yi为第i个波束的波束原点相对当前载体系下的坐标值,可通过导航系统数据并转换得到;ρj为距波束原点j个间隔的距离。
2.步骤二具体包括:
(1)设定辅助直线的最大计算次数;
(2)在高回波强度点中,随机选取两个点,选中的点不能是整个波束上唯一一个回波强度大于阈值的孤立点,同时应该满足该点在波束上相邻两个位置的回波强度均大于阈值;并且所选的两个点在两个不同的波束上,两个波束间至少间隔一定数量的波束,该间隔的设定由波束总数及作用距离等因素决定,可设定为波束总数十分之一左右,参考声呐作用距离具体可作调整;记两点极坐标分别为(θ1,ρ1)和(θ2,ρ2);
(3)利用(2)中的两个点确定一条过两点的直线,直线方程可表示为:
(4)预设距离阈值,该距离阈值可设定在2-3m之间,则所有高回波强度点到(3)中所述的直线的距离为:
到辅助直线距离小于预设距离阈值的点构成候选点集,点集的势即点集内点的个数记为a;
(5)预设比例阈值ηthreshold,此阈值设定为0.7-0.9之间某一定值;
计算比例即候选点集的势与高回波强度点总点数的比例,若比例η≥ηthreshold,停止计算,保存直线参数,将其作为辅助直线;否则返回(2)重新采样并构建直线,直至η≥ηthreshold,若达到(1)中的设定的最大计算次数时比例仍小于预设比例阈值,则认定声呐未探测到线特征,算法结束。
3.步骤三具体包括:
(1)结构化环境直线特征与辅助直线在角度参数上的最大误差为:
式中:θreal为结构化环境直线特征的角度参数,θ为辅助直线的角度参数,a为辅助直线对应的候选点集的势,n为高回波强度点的总点数;θcom为补偿误差,范围[0° 10°]中取值;
(2)设定备选直线特征的距离参数范围,生成投票算法的投票空间为:
[θ-θError-maxθ+θError-max]
所述备选直线特征的距离参数范围是(0,ρmax],ρmax为声呐探测最大距离;
(3)离散化得到的角度参数范围和距离参数范围,建立投票算法的离散化累加器并进行初始化;
(4)将辅助直线对应的候选点集内的点作为投票点进行投票,记候选点集中第i个点的极坐标为(θi,ρi),计算每个点对应所有的备选直线参数:
式中:θrange-j为投票空间的角度参数范围离散化后的所有值中第j个值;
(5)在(4)中,按照公式计算每个投票点处所有备选直线的参数,每计算出一条备选直线的参数,按照最邻近原则匹配到累加器中最接近该参数的离散化参数处,在累加器中该参数位置处票数加1,所有投票点处备选直线全部计算完成后,即投票完成,得到完整的投票空间;
(6)在投票空间内提取直线特征,在投票空间中寻找票数最高的位置,若该直线大于预设的票数阈值,将其对应的直线选为要提取的直线特征,即结构化环境直线特征(θreal,ρreal),否则不存在可提取的直线。
4.步骤四具体包括:
(1)设定距离阈值,计算所有不孤立的高回波强度点到特征直线的距离,并判断是否小于预设的距离阈值,保存所有距离小于距离阈值的点的极坐标(θij,ρij),距离计算公式为:
d=|ρreal-ρijcos(θij-θreal)|
(2)将(1)中到结构化环境直线特征的距离小于距离阈值的所有点的角度参数按从小到大排列:θ1,θ2,θ3,…,θn;计算同时从i=2开始依次计算前后两个角度差Δθi=θi-θi-1并与kθ(k∈[37],且k∈N)比较大小:
若直至i=n时,仍满足Δθi<kθ',则θmax=θn,θmin=θ1;
若出现Δθi≥kθ'停止计算:
如果i>0.5n,则θmax=θi,θmin=θ1,
如果i≤0.5n,则θmax=θn,θmin=θi;
(3)计算结构化环境在直线特征上对应的线段特征的端点,将直线特征转换成结构化环境线段特征;
结构化环境线段特征的两个端点(θ1,ρ1)和(θ2,ρ2)的极坐标表示:
直角坐标表示:
与现有技术相比,本发明的有益效果是:本发明通过优化候选点集的采样、生成策略与投票空间的构建策略,有效克服了随机采样的盲目性和投票算法的低效性。在保证准确提取结构化环境线特征的前提下有效提高了算法的执行效率和实时性,并通过线段特征更准确地对结构化环境进行描述,克服了环境模型的歧义性。实验表明,本发明算法比RANSAC算法执行效率高出20%-30%;比标准霍夫变换算法执行效率高出50%左右,与累计概率霍夫变换和随机霍夫变换这两种改进的霍夫变换算法相比,执行效率高出30%-40%。
附图说明
图1为载体系下单波束机械扫描式成像声呐探测波束原点相对位置关系示意图
图2为载体系下2D多波束成像声呐探测波束原点相对位置关系示意图
图3为辅助直线示意图
图4为提取到的直线特征效果图
图5为某时刻辨识出的结构化环境线段特征
图6为本发明水下结构化环境线特征提取方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
实施例一:结合图1至图6本发明的基于前视声纳的水下结构化环境线特征提取方法,包括:
步骤一、对前视声呐数据进行动态阈值分割,获取高回波强度点的总点数及其在载体系下的极坐标;
步骤二、在限定循环次数内从高回波强度点中随机选择两个不孤立且不相邻的点构建直线,选取到该直线距离小于预设阈值的点构成候选点集,计算候选点集的势与总点数的比例,若比例不小于阈值则将该条直线作为辅助直线并终止循环;
步骤三、基于辅助直线参数及相应候选点集分布特点,构建结构化环境直线特征参数的投票空间,使用投票算法提取结构化环境直线特征参数;
步骤四、基于直线特征附近点的分布情况,将直线特征裁剪为结构化环境线段特征。
本发明的应用情形可以是一个装载前视声纳的水下机器人,该声呐可以是单波束机械扫描式成像声呐,也可以是2D多波束成像声呐,提供回波强度数据,机器人通过成像声呐对周围结构化环境进行探测,根据本发明的特征提取方法,对前视声呐数据进行动态阈值分割,获取高回波强度点的总点数及其在载体系下的极坐标;在限定循环次数内从高回波强度点中随机选择两个不孤立且不相邻的点构建直线,选取到该直线距离小于预设阈值的点构成候选点集,计算候选点集的势与总点数的比例,若比例不小于阈值将该条直线作为辅助直线并终止循环;基于辅助直线参数及相应候选点集分布特点,构建结构化环境直线特征参数的投票空间,使用投票算法提取直线特征参数;基于直线特征附近点的分布情况,将直线特征裁剪为线段特征。
实施例二:基于上述实施例,步骤一具体为:
步骤一一:采集一定声纳开角范围内的前视声纳数据,对前视声纳数据进行动态阈值分割,获取高回波强度点并计算高回波强度点数目。
需要说明的是,本发明中前视声纳主要指单波束机械扫描式成像声呐和2D多波束成像声呐。两种声呐均通过检测探测距离内等间隔点处的回波强度实现环境探测,它们的探测波束原点在载体系下的相对位置关系分别如图1和图2所示。如某单波束机械扫描式成像声呐不断发射一个波束并按一定方向进行扫描,声呐波束探测距离50m,声呐会返回探测波束上0.1m、0.2m、0.3m...49.9m、50.0m处的回波强度,即声呐每次返回的数据为一个波束上的一系列回波强度,显然一个波束上的声呐数据不足以提取特征,所以采用声呐扫描过的180度数据进行特征提取,如单波束机械扫描式成像声呐扫描过程中每次转动1.8度,则扫描过的180度数据包含100个探测波束;2D多波束成像声呐的开角通常在100度以上,如某2D多波束成像声呐开角130度,开角内256个波束,采集开角内的所有探测波束即能保证特征提取。
由于声呐回波强度大小与障碍物形状和距离等多种因素有关,仅以某一恒定阈值进行数值分割显然不合理,因此需要设定动态阈值,即该阈值与采集到的数据相关而非恒定值。简单的动态阈值可设定为采集数据中最大回波强度的某一百分比,如50%,复杂的动态阈值可利用经典的自适应图像分割法,如Otsu最大类间方差法。
步骤一二:计算基于当前载体系下所有回波强度大于动态阈值的点的极坐标形式(θij,ρij)。
首先需要说明:为表述方便并不失一般性,本发明假设声呐位于载体系原点,导航系统给出的载体位置即为载体系原点位置(实际使用中,声呐位置通常不在载体系原点,导航系统给出的载体位置与载体系原点可能也不一致,但两者通常可以忽略不计,如需计量这两个差距,进行简单的坐标转换即可)。本发明中仅涉及平面运动,采用载体系的XOY平面。
载体坐标设定载体坐标系原点在载体重心或几何形心,X轴指向载体纵前方向,Y轴在载体水平面与X轴垂直指向右,Z轴沿载体竖轴向下,并与X轴、Y轴构成右手直角坐标系,载体坐标系随载体的运动而运动。本发明采用载体系的XOY平面坐标系表示声纳数据。
2D多波束成像声呐由于同时发出多个波束,给出的数据本身便是当前载体系下回波点的极坐标,因此可直接获取回波强度大于动态阈值的点的极坐标(θij,ρij)。
单波束机械扫描式成像声呐不断连续发出波束,在不断探测过程中载体本身也在运动,因此各个波束的原点一般不同,可按照以下公式计算每个波束上回波点的极坐标:
式中xij、yij为当前载体系下第i个波束上距离该波束原点j个间隔的回波强度点坐标;xi、yi为第i个波束的波束原点相对当前载体系下的坐标值,可通过导航系统数据并转换得到,ρj为距波束原点j个间隔的距离;
实施例三:基于上述实施例,步骤二具体为:
步骤二一:设定辅助直线的最大计算次数。
为在较短时间内获取后续步骤中所需的辅助直线,算法必须在有限次数内完成辅助直线的计算,因此设置不超过10的较小定值作为辅助直线的最大计算次数。
步骤二二:在高回波强度点中,随机选取两个点,选中的点不能是整个波束上唯一一个回波强度大于阈值的孤立点,同时应该满足该点在波束上相邻两个位置的回波强度均大于阈值;并且所选的两个点在两个不同的波束上,两个波束间至少间隔一定数量的波束,该间隔的设定由波束总数及作用距离等因素决定,可设定为波束总数十分之一左右,参考声呐作用距离具体可作调整。记两点极坐标分别为(θ1,ρ1)和(θ2,ρ2)。
使采样点不孤立和两点所在波束有一定间隔主要是为了能尽可能地找到两个直线特征附近的点,显然孤立的点很可能不在直线特征附近,选取同一波束上的两点,或者相邻波束上的两点,或者相近波束上两点都不利于得到后续步骤中所需的接近结构化环境直线特征的辅助直线。
步骤二三:利用步骤二二中的两个点确定一条过两点的直线,直线方程可表示为:
步骤二四:预设距离阈值,该距离阈值可设定在2-3m之间。利用以下公式计算所有高回波强度点到步骤二三中直线的距离:
到直线距离小于预设距离阈值的点构成候选点集,点集的势即点集内点的个数记为a。
步骤二五:预设比例阈值ηthreshold,此阈值设定为0.7-0.9之间某一定值。计算比例即候选点集的势与高回波强度点总点数的比例。若比例η≥ηthreshold,停止计算,保存直线参数,将其作为辅助直线;否则返回步骤二二重新采样并构建直线,直至η≥ηthreshold,若达到步骤二一中的设定的最大计算次数时比例仍小于预设比例阈值,则认定声呐未探测到线特征,算法结束。
实施例四:基于上述实施例,步骤三具体为:
步骤三一:通过以下公式大致估计结构化环境直线特征与辅助直线在角度参数上的最大误差:
式中θreal为结构化环境直线特征的角度参数,θ为辅助直线的角度参数,a为辅助直线对应的候选点集的势,n为高回波强度点的总点数。
式中θcom为补偿误差,为一定值,取可在范围[0° 10°]中取值,当步骤二中比例阈值设置较大时,θcom调小,反之则调大。
步骤三二:根据步骤三一设定备选直线的角参数范围,同时设定备选直线特征的距离参数范围,上述参数范围生成投票算法的投票空间,包括:
1.通过步骤三一确定备选直线特征的角参数范围为:
[θ-θError-maxθ+θError-max]
θ为辅助直线角度参数。
2.备选直线特征的距离参数范围为:(0,ρmax]
ρmax为声呐探测最大距离。
步骤三三:离散化上述角度参数范围和距离参数范围,建立投票算法的离散化累加器并进行初始化。
离散化累加器是投票算法的具体表现形式,记录所有备选直线对应的票数。对步骤四一中确定的投票算法的投票空间进行离散化,离散化后的角度范围参数有m个,距离范围参数有n个,以一个m*n的矩阵形式作为离散化累加器,矩阵中第i行、第j列的元素代表一条备选直线得到的票数,该备选直线角度参数为第i个离散化角度,距离参数为第j个离散化距离,建立离散化累加器的同时将离散化累加器中所有元素初始化为0,累加器形式如下:
举例说明本步骤,如某组声纳数据通过步骤四一确定备选直线的角度范围是[301°,360°],距离范围(0m,50m],离散化后的距离参数为0.1m、0.2m、0.3m…49.9m、50m等五百个距离,角度参数为301°、302°、303°…359°、360°等60个角度,建立离散化累加器即建立一个60*500的矩阵,矩阵中a30,100代表角度参数为330度(第30个离散化角度),距离参数为10m(第100个离散化距离)的一条备选直线。初始化累加器即将矩阵中每个元素均初始化为0。
步骤三四:将辅助直线对应的候选点集内的点作为投票点进行投票,记候选点集中第i个点的极坐标为(θi,ρi),根据以下公式计算这些点中每个点对应所有的备选直线参数:
式中θrange-j为投票空间的角度参数范围离散化后的所有值中第j个值,因此对于每个参与投票的点,都需要按照以上公式遍历离散化后的角度参数,每个点都需计算多次。
步骤三五:在步骤三四中,按照公式计算每个投票点处所有备选直线的参数,每计算出一条备选直线的参数,按照最邻近原则匹配到累加器中最接近该参数的离散化参数处,在累加器中该参数位置处票数加1,所有投票点处备选直线全部计算完成后,即投票完成,得到完整的投票空间。
步骤三六:在投票空间内提取直线特征,在投票空间中寻找票数最高的位置,若该直线大于预设的票数阈值,将其对应的直线选为要提取的直线特征,即结构化环境直线特征(θreal,ρreal),否则不存在可提取的直线。图4为某时刻辨识出的声呐图像直线特征。
实施例五:基于上述实施例,步骤四具体为:
步骤四一:设定距离阈值,此处距离阈值相比步骤二中的距离阈值更小,约为0.5m,主要用于裁剪直线。计算所有高回波强度点到特征直线的距离,判断是否小于预设的距离阈值,保存所有距离小于距离阈值的点的极坐标,高回波强度点到结构化环境直线特征的距离计算公式为:
d=|ρreal-ρijcos(θij-θreal)|
式中(θij,ρij)为步骤一中的高回波强度点的极坐标。
步骤四二:将步骤四一中到结构化环境直线特征的距离小于距离阈值的所有点的角度参数按从小到大排列:θ1,θ2,θ3,…,θn。计算同时从i=2开始依次计算前后两个角度差Δθi=θi-θi-1并与kθ(k∈[37],且k∈N)比较大小。
若直至i=n时,仍满足Δθi<kθ',则θmax=θn,θmin=θ1;
若出现Δθi≥kθ'停止计算:
如果i>0.5n,则θmax=θi,θmin=θ1,
如果i≤0.5n,则θmax=θn,θmin=θi。
需要注意的是,本步骤在进行角度参数大小排列时,要考虑角度范围的周期性,如果这些角度的范围跨过了临界值就要对角度进行处理,如设定角度范围为(0°360°],在排列角度时,这些点的角度参数分布在330°到360度以及0°到30度两部分,0°到30°的数据应该考虑周期性加上360度然后再进行排列和后续的计算比较。
步骤四三:计算环境特征在直线特征上对应的线段特征的端点,将直线特征转换成结构化环境线段特征。
结构化环境线段特征的两个端点(θ1,ρ1)和(θ2,ρ2)的极坐标表示:
直角坐标表示:
式中θreal和ρreal为步骤三中得到的结构化环境直线特征参数。
下面结合具体数值给出本发明的一个具有数值的实施例:
以某单波束机械扫描式成像声呐为例,该声呐探测距离50m,不断发出波束进行探测,返回波束上距离波束原点0.1m、0.2m、0.3m...49.9m、50.0m处的回波强度,声呐按逆时针方向扫描,每次转动1.8度。
以当前时刻的载体系处理数据和进行特征提取。
首先采集一定声纳开角范围内的前视声纳数据,具体采集前视声呐在180度开角范围的数据作为原始数据,由于声呐波束每次转动1.8度(不考虑这个过程中载体的运动),因此原始数据包含100个波束。在本实施例中设定动态分割的阈值为采集到的数据中最大回波强度的75%,所有回波强度大于动态阈值的点均可视为探测到障碍物。
通过以下公式计算所有回波强度大于动态阈值的点的极坐标(θij,ρij):
式中xij、yij为第i个波束上距离该波束原点j个间隔距离的回波强度点坐标,xi、yi为第i个波束的波束原点相对当前载体系下的坐标值,可通过导航系统数据转换得到;ρj为距离波束原点为j个间隔的距离,以本实施例中的单波束机械扫描式成像声呐为例,波束上的间隔为0.1m,则波束上第150个间隔处的距离为ρ150=15m;arctan是根据点坐标x和y求解角度的反正切函数,在C语言和matlab中可调用atan2(x,y)实现。
在本实施例中设定辅助直线的最大计算次数为10。
在高回波强度点中,随机选取两个点,选中的点不能是整个波束上唯一一个回波强度大于阈值的孤立点,同时应该满足该点在波束上相邻两个位置的回波强度均大于阈值;并且所选的两个点在两个不同的波束上,两个波束间至少间隔10个波束。记两点极坐标分别为(θ1,ρ1)和(θ2,ρ2)。
利用上述两个点确定一条过两点的直线,该直线可表示为:
在本实施例中取预设距离阈值2.5m,利用以下公式计算所有高回波强度点到直线的距离:
到直线距离小于预设距离阈值2.5m的点构成候选点集,候选点集的势即点集内点的个数记为a。
预设比例阈值ηthreshold,此阈值设定为0.7-0.9之间某一定值,在本实施例中取0.7。计算比例将η与比例阈值ηthreshold进行比较,若η≥ηthreshold,停止采样,保存该直线作为辅助直线,否则重新采样并构建直线并执行后续步骤,直至η≥ηthreshold,若达到设定辅助直线的最大计算次数即第10次,η<ηthreshold,则认定声呐未探测到线特征,算法结束。
通过以下公式大致估计结构化环境直线特征与辅助直线在角度参数上的最大误差:
式中θreal为结构化环境直线特征的角度参数,θ为辅助直线的角度参数,a为辅助直线对应的特征点集的势,n为高回波强度点的总点数。式中θcom为补偿误差,在本实施例中取3°。
根据上述最大误差给出结构化环境直线特征的角度参数范围和距离参数范围,该参数范围即为投票算法的投票空间,包括:
1.角度参数范围:[θ-θError-max θ+θError-max]
2.距离参数范围:(0,ρmax],此声呐ρmax=50m。
离散化上述角度参数范围和距离参数范围,建立用于投票的离散化累加器并进行初始化。离散化后的角度范围参数有m个,距离范围参数有n个,以一个m·n的矩阵形式建立离散化累加器,矩阵中第i行、第j列的元素代表一条备选直线得到的票数,该备选直线角度参数为第i个离散化角度,距离参数为第j个离散化距离,建立离散化累加器的同时将离散化累加器中所有元素初始化为0,累加器形式如下:
如某组声纳数据确定的备选直线的角度范围是[301°,360°],距离范围(0m,50m],离散化后的距离参数为0.1m、0.2m、0.3m…49.9m、50m等五百个距离,角度参数为301°、302°、303°…359°、360°等60个角度,建立离散化累加器即建立一个60*500的矩阵,矩阵中a30,100代表角度参数为330度(第30个离散化角度),距离参数为10m(第100个离散化距离)的一条备选直线。初始化累加器即将矩阵中每个元素均初始化为0。
将辅助直线对应的候选点集内的点作为投票点进行投票,记此点集中第i个点的极坐标为(θi,ρi),根据以下公式计算这些点中每个点对应所有的备选直线参数:
式中θrange-j为投票的角度参数范围离散化后的所有值中第j个值,因此对于每个参与投票的点,都需要按照以上公式遍历离散化后的角度参数,每个点都需计算多次。
按照公式计算每个投票点处所有备选直线的参数,每计算出一条备选直线的参数,按照最邻近原则匹配到累加器中最接近该参数的离散化参数处,在累加器中该参数位置处票数加1,所有投票点处备选直线全部计算完成后,即投票完成,得到完整的投票空间。
在投票空间内提取直线,在投票空间中寻找票数最高的位置,若该直线大于预设的票数阈值,将其对应的直线选为要提取的直线特征(θreal,ρreal),否则不存在可提取的直线。图4为某时刻辨识出的声呐图像直线特征。
设定距离阈值,在本实施例中取0.5m,按照以下公式计算所有的高回波强度点到结构化环境直线特征的距离,并判断是否小于预设的距离阈值,保存所有距离小于距离阈值的点的极坐标(θij,ρij),距离计算公式为:
d=|ρreal-ρijcos(θij-θreal)|
将上述到结构化环境直线特征距离小于距离阈值的所有点的角度参数按从小到大排列:θ1,θ2,θ3,…,θn。计算同时从i=2开始依次计算前后两个角度差Δθi=θi-θi-1并与5θ比较大小。
若直至i=n时,仍满足Δθi<5θ',则θmax=θn,θmin=θ1;
若出现Δθi≥5θ'停止计算:
如果i>0.5n,则θmax=θi,θmin=θ1,
如果i≤0.5n,则θmax=θn,θmin=θi。
需要注意的是,本步骤在进行角度参数大小排列时,要考虑角度范围的周期性,如果这些角度的范围跨过了临界值就要对角度进行处理,如设定角度范围为(0°360°],在排列角度时,这些点的角度参数分布在330°到360度以及0°到30度两部分,0°到30°的数据应该考虑周期性加上360度然后再进行排列和后续的计算比较。
通过以下公式计算结构化环境直线特征对应的线段端点坐标,将结构化环境直线特征裁剪为结构化环境线段特征。
结构化环境线段特征的两端点(θ1,ρ1)的极坐标表示:
其直角坐标表示:
式中θreal和ρreal为前步得到的结构化环境直线特征参数。
图5为某时刻辨识出的结构化环境线段特征。
本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作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。
综上,本发明涉及水下环境声学智能感知与建模领域,提出一种基于前视声呐的水下结构化环境线特征提取方法,包括:对前视声呐数据进行动态阈值分割,获取高回波强度点的总点数及其在载体系下的极坐标;在限定循环次数内从高回波强度点中随机选择两个不孤立且不相邻的点构建直线,选取到该直线距离小于预设阈值的点构成候选点集,计算候选点集的势与总点数的比例,若比例不小于阈值将该条直线作为辅助直线并终止循环;基于辅助直线参数及相应候选点集分布特点,构建结构化环境直线特征参数的投票空间,使用投票算法提取直线特征参数;基于直线特征附近点的分布情况,将直线特征裁剪为线段特征。
Claims (5)
1.一种基于前视声呐的水下结构化环境线特征提取方法,其特征在于:步骤如下:
步骤一:对前视声呐数据进行动态阈值分割,获取高回波强度点的总点数及其在载体系下的极坐标;
步骤二:在限定循环次数内从高回波强度点中随机选择两个不孤立且不相邻的点构建直线,选取到该直线距离小于预设阈值的点构成候选点集,计算候选点集的势与总点数的比例,若比例不小于阈值则将该条直线作为辅助直线并终止循环;
步骤三:基于辅助直线参数及相应候选点集分布特点,构建结构化环境直线特征参数的投票空间,使用投票算法提取结构化环境直线特征参数;
步骤四:基于直线特征附近点的分布情况,将直线特征裁剪为结构化环境线段特征。
2.根据权利要求1所述的一种基于前视声呐的水下结构化环境线特征提取方法,其特征在于:步骤一具体包括:
(1)采集一定声纳开角范围内的前视声纳数据,对前视声纳数据进行动态阈值分割,获取高回波强度点并计算高回波强度点数目;
(2)计算基于当前载体系下所有回波强度大于动态阈值的点的极坐标形式:
2D多波束成像声呐由于同时发出多个波束,给出的数据本身便是当前载体系下回波点的极坐标,则直接获取回波强度大于动态阈值的点的极坐标(θij,ρij);
单波束机械扫描式成像声呐不断连续发出波束,在不断探测过程中载体本身也在运动,因此各个波束的原点一般不同,每个波束上回波点的极坐标的计算公式为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mi>cos</mi>
<mi> </mi>
<mi>r</mi>
<mi>e</mi>
<mi>g</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mi>sin</mi>
<mi> </mi>
<mi>r</mi>
<mi>e</mi>
<mi>g</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mtd>
</mtr>
</mtable>
</mfenced>
式中:xij、yij为当前载体系下第i个波束上距离该波束原点j个间隔的回波强度点坐标;xi、yi为第i个波束的波束原点相对当前载体系下的坐标值,可通过导航系统数据并转换得到;ρj为距波束原点j个间隔的距离。
3.根据权利要求2所述的一种基于前视声呐的水下结构化环境线特征提取方法,其特征在于:步骤二具体包括:
(1)设定辅助直线的最大计算次数;
(2)在高回波强度点中,随机选取两个点,选中的点不能是整个波束上唯一一个回波强度大于阈值的孤立点,同时应该满足该点在波束上相邻两个位置的回波强度均大于阈值;并且所选的两个点在两个不同的波束上,两个波束间至少间隔一定数量的波束,该间隔的设定由波束总数及作用距离等因素决定,可设定为波束总数十分之一左右,参考声呐作用距离具体可作调整;记两点极坐标分别为(θ1,ρ1)和(θ2,ρ2);
(3)利用(2)中的两个点确定一条过两点的直线,直线方程可表示为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mi>a</mi>
<mo>&prime;</mo>
</msup>
<mi>&rho;</mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>&prime;</mo>
</msup>
<mi>&rho;</mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>+</mo>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>a</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>b</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>cos&theta;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>cos&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
(4)预设距离阈值,该距离阈值可设定在2-3m之间,则所有高回波强度点到(3)中所述的直线的距离为:
<mrow>
<mi>d</mi>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msup>
<mi>a</mi>
<mo>&prime;</mo>
</msup>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>cos&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>&prime;</mo>
</msup>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>sin&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msup>
<mi>c</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<msqrt>
<mrow>
<msup>
<mi>a</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>b</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>|</mo>
</mrow>
到辅助直线距离小于预设距离阈值的点构成候选点集,点集的势即点集内点的个数记为a;
(5)预设比例阈值ηthreshold,此阈值设定为0.7-0.9之间某一定值;
计算比例即候选点集的势与高回波强度点总点数的比例,若比例η≥ηthreshold,停止计算,保存直线参数,将其作为辅助直线;否则返回(2)重新采样并构建直线,直至η≥ηthreshold,若达到(1)中的设定的最大计算次数时比例仍小于预设比例阈值,则认定声呐未探测到线特征,算法结束。
4.根据权利要求3所述的一种基于前视声呐的水下结构化环境线特征提取方法,其特征在于:步骤三具体包括:
(1)结构化环境直线特征与辅助直线在角度参数上的最大误差为:
<mrow>
<mo>|</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>&theta;</mi>
<mo>|</mo>
<mo>&le;</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>E</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mo>-</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mfrac>
<mi>a</mi>
<mi>n</mi>
</mfrac>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
式中:θreal为结构化环境直线特征的角度参数,θ为辅助直线的角度参数,a为辅助直线对应的候选点集的势,n为高回波强度点的总点数;θcom为补偿误差,范围[0° 10°]中取值;
(2)设定备选直线特征的距离参数范围,生成投票算法的投票空间为:
[θ-θError-maxθ+θError-max]
所述备选直线特征的距离参数范围是(0,ρmax],ρmax为声呐探测最大距离;
(3)离散化得到的角度参数范围和距离参数范围,建立投票算法的离散化累加器并进行初始化;
(4)将辅助直线对应的候选点集内的点作为投票点进行投票,记候选点集中第i个点的极坐标为(θi,ρi),计算每个点对应所有的备选直线参数:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi>i</mi>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mi>i</mi>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>g</mi>
<mi>e</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi>i</mi>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>g</mi>
<mi>e</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中:θrange-j为投票空间的角度参数范围离散化后的所有值中第j个值;
(5)在(4)中,按照公式计算每个投票点处所有备选直线的参数,每计算出一条备选直线的参数,按照最邻近原则匹配到累加器中最接近该参数的离散化参数处,在累加器中该参数位置处票数加1,所有投票点处备选直线全部计算完成后,即投票完成,得到完整的投票空间;
(6)在投票空间内提取直线特征,在投票空间中寻找票数最高的位置,若该直线大于预设的票数阈值,将其对应的直线选为要提取的直线特征,即结构化环境直线特征(θreal,ρreal),否则不存在可提取的直线。
5.根据权利要求4所述的一种基于前视声呐的水下结构化环境线特征提取方法,其特征在于:步骤四具体包括:
(1)设定距离阈值,计算所有不孤立的高回波强度点到特征直线的距离,并判断是否小于预设的距离阈值,保存所有距离小于距离阈值的点的极坐标(θij,ρij),距离计算公式为:
d=|ρreal-ρijcos(θij-θreal)|
(2)将(1)中到结构化环境直线特征的距离小于距离阈值的所有点的角度参数按从小到大排列:θ1,θ2,θ3,…,θn;计算同时从i=2开始依次计算前后两个角度差Δθi=θi-θi-1并与kθ(k∈[3 7],且k∈N)比较大小:
若直至i=n时,仍满足Δθi<kθ',则θmax=θn,θmin=θ1;
若出现Δθi≥kθ'停止计算:
如果i>0.5n,则θmax=θi,θmin=θ1,
如果i≤0.5n,则θmax=θn,θmin=θi;
(3)计算结构化环境在直线特征上对应的线段特征的端点,将直线特征转换成结构化环境线段特征;
结构化环境线段特征的两个端点(θ1,ρ1)和(θ2,ρ2)的极坐标表示:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>/</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>max</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>/</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>min</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
直角坐标表示:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mi>&rho;</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msub>
<mi>cos&theta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mi>&rho;</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msub>
<mi>sin&theta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mi>&rho;</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>min</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msub>
<mi>cos&theta;</mi>
<mi>min</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mi>&rho;</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>min</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msub>
<mi>sin</mi>
<mi>min</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268143.0A CN108061897B (zh) | 2017-12-05 | 2017-12-05 | 一种基于前视声呐的水下结构化环境线特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268143.0A CN108061897B (zh) | 2017-12-05 | 2017-12-05 | 一种基于前视声呐的水下结构化环境线特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108061897A true CN108061897A (zh) | 2018-05-22 |
CN108061897B CN108061897B (zh) | 2021-06-18 |
Family
ID=62136094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711268143.0A Active CN108061897B (zh) | 2017-12-05 | 2017-12-05 | 一种基于前视声呐的水下结构化环境线特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108061897B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146110A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工程大学 | 一种室内环境机器人线特征icnn数据关联的误匹配判定方法 |
CN110738219A (zh) * | 2019-10-15 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 图像中线条提取方法和装置、存储介质及电子装置 |
CN111123274A (zh) * | 2019-12-27 | 2020-05-08 | 苏州联视泰电子信息技术有限公司 | 一种水下声呐成像系统目标检测方法 |
CN111273221A (zh) * | 2020-02-28 | 2020-06-12 | 海鹰企业集团有限责任公司 | 声呐接收波束水平指向性测量方法、装置和存储介质 |
CN111505651A (zh) * | 2020-04-22 | 2020-08-07 | 西北工业大学 | 一种主动声呐回波图潜在运动目标的特征提取方法 |
CN113702978A (zh) * | 2021-08-04 | 2021-11-26 | 中国科学院声学研究所 | 一种基于前视声呐的海底管道检测定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887577A (zh) * | 2010-06-21 | 2010-11-17 | 哈尔滨工程大学 | 基于区域增长的侧扫声纳图像感兴趣区域提取方法 |
CN102760235A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院声学研究所 | 一种基于多视的水下目标分类系统及方法 |
CN103310122A (zh) * | 2013-07-10 | 2013-09-18 | 北京航空航天大学 | 一种并行随机采样一致方法及其装置 |
US20150199839A1 (en) * | 2012-08-02 | 2015-07-16 | Earthmine, Inc. | Three-Dimentional Plane Panorama Creation Through Hough-Based Line Detection |
CN107220989A (zh) * | 2017-06-19 | 2017-09-29 | 江南大学 | 工件的椭圆轮廓检测方法研究 |
-
2017
- 2017-12-05 CN CN201711268143.0A patent/CN108061897B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887577A (zh) * | 2010-06-21 | 2010-11-17 | 哈尔滨工程大学 | 基于区域增长的侧扫声纳图像感兴趣区域提取方法 |
CN102760235A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院声学研究所 | 一种基于多视的水下目标分类系统及方法 |
US20150199839A1 (en) * | 2012-08-02 | 2015-07-16 | Earthmine, Inc. | Three-Dimentional Plane Panorama Creation Through Hough-Based Line Detection |
CN103310122A (zh) * | 2013-07-10 | 2013-09-18 | 北京航空航天大学 | 一种并行随机采样一致方法及其装置 |
CN107220989A (zh) * | 2017-06-19 | 2017-09-29 | 江南大学 | 工件的椭圆轮廓检测方法研究 |
Non-Patent Citations (1)
Title |
---|
王丽娜: "侧扫声纳目标特征提取方法研究", 《万方数据知识服务平台 学位论文》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146110A (zh) * | 2019-05-20 | 2019-08-20 | 哈尔滨工程大学 | 一种室内环境机器人线特征icnn数据关联的误匹配判定方法 |
CN110738219A (zh) * | 2019-10-15 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 图像中线条提取方法和装置、存储介质及电子装置 |
CN111123274A (zh) * | 2019-12-27 | 2020-05-08 | 苏州联视泰电子信息技术有限公司 | 一种水下声呐成像系统目标检测方法 |
CN111123274B (zh) * | 2019-12-27 | 2021-12-28 | 苏州联视泰电子信息技术有限公司 | 一种水下声呐成像系统目标检测方法 |
CN111273221A (zh) * | 2020-02-28 | 2020-06-12 | 海鹰企业集团有限责任公司 | 声呐接收波束水平指向性测量方法、装置和存储介质 |
CN111505651A (zh) * | 2020-04-22 | 2020-08-07 | 西北工业大学 | 一种主动声呐回波图潜在运动目标的特征提取方法 |
CN113702978A (zh) * | 2021-08-04 | 2021-11-26 | 中国科学院声学研究所 | 一种基于前视声呐的海底管道检测定位方法及系统 |
CN113702978B (zh) * | 2021-08-04 | 2023-07-18 | 中国科学院声学研究所 | 一种基于前视声呐的海底管道检测定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108061897B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108061897B (zh) | 一种基于前视声呐的水下结构化环境线特征提取方法 | |
Palomer et al. | Inspection of an underwater structure using point‐cloud SLAM with an AUV and a laser scanner | |
CN106599808B (zh) | 一种基于全波形激光雷达数据的隐蔽目标提取方法 | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
Park et al. | Radar localization and mapping for indoor disaster environments via multi-modal registration to prior LiDAR map | |
Suresh et al. | Active SLAM using 3D submap saliency for underwater volumetric exploration | |
CN107766818B (zh) | 一种启发式的水下结构化环境线特征提取方法 | |
Burguera et al. | On the use of likelihood fields to perform sonar scan matching localization | |
CN111678516B (zh) | 一种基于激光雷达的有界区域快速全局定位方法 | |
CN113759928B (zh) | 用于复杂大尺度室内场景的移动机器人高精度定位方法 | |
CN114740493A (zh) | 一种基于多线激光雷达的路沿检测方法 | |
Park et al. | Global localization for mobile robots using reference scan matching | |
Donoso-Aguirre et al. | Mobile robot localization using the Hausdorff distance | |
CN112802195A (zh) | 一种基于声呐的水下机器人连续占据建图方法 | |
Jiang et al. | Underwater loop-closure detection for mechanical scanning imaging sonar by filtering the similarity matrix with probability hypothesis density filter | |
Liu et al. | A localizability estimation method for mobile robots based on 3d point cloud feature | |
Spampinato et al. | Deep learning localization with 2D range scanner | |
Hernández et al. | Probabilistic sonar scan matching for an AUV | |
Zhang et al. | A fully‐automatic side‐scan sonar simultaneous localization and mapping framework | |
CN114994705A (zh) | 一种基于激光雷达角度校正的无人艇避障方法 | |
Li et al. | Real time obstacle detection in a water tank environment and its experimental study | |
Gao et al. | Mobile robot sonar backscatter algorithm for automatically distinguishing walls, fences, and hedges | |
Ma et al. | Communication-constrained cooperative bathymetric simultaneous localisation and mapping with efficient bathymetric data transmission method | |
Kita et al. | 3D map building using mobile robot with scan device | |
Hernández et al. | Occupancy grid mapping in an underwater structured environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |