CN111414847A - 蛙人识别方法、装置、设备和介质 - Google Patents

Abstract

本申请公开了一种蛙人识别方法、装置、设备和介质，该方法包括：获取待识别被动声呐信号；对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图；将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。实现对被动声呐获取的声波信号是否为蛙人吸气信号的判断。

Description

蛙人识别方法、装置、设备和介质

技术领域

本发明一般涉及人工智能识别技术领域，具体涉及一种蛙人识别方法、装置、设备和介质。

背景技术

蛙人机动性强，隐蔽性高，是可以执行水下特殊作业的主力军，其对军事港口、舰船、潜艇具有极大的威胁，蛙人的识别逐渐受到广泛的重视。

声呐是水下目标的常用探测设备，根据水下目标的探测方式不同，声呐主要分为主动声呐和被动声呐，主动声呐通过发射声波信号，根据接收的探测目标返回的声波信号进行目标探测；被动声呐则通过接收探测目标的辐射噪声或者发射的声波信号进行目标探测。

主动声呐是蛙人识别技术中的常用设备，但是，主动声呐价格昂贵，有效识别距离短，隐蔽性差，容易目标被识别，从而规避探测；且主动声呐发射的声波信号能量较高，会造成声污染，影响水下生物的繁殖和生长。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种判断被动声呐识获取的声波信号是否为蛙人吸气信号的方法、装置、设备和介质。

第一方面，本申请实施例提供一种蛙人识别方法，方法包括：

获取待识别被动声呐信号；

对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图；

将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。

第二方面，本申请实施例提供一种蛙人识别装置，装置包括：

获取模块，被配置为获取待识别被动声呐信号；

变换模块，被配置为对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图；

识别结果获取模块，被配置为将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。

第三方面，本申请实施例提供一种计算机设备，计算机设备包括：

处理器；

用于存储处理器的可执行指令的存储器；

其中，处理器被配置为执行如第一方面蛙人识别方法。

第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当可读存储介质在处理组件上运行时，使得处理组件执行如第一方面的蛙人识别方法。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请的实施例提供的蛙人识别方法、装置、设备和介质。可以获取待识别被动声呐信号；对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图；将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。实现对被动声呐获取的声波信号是否为蛙人吸气信号的判断。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请实施例提供的一种蛙人识别方法的过程示意图；

图2为本申请实施例提供的一种蛙人识别模型的结构示意图；

图3为本申请实施例提供的一种训练数据集构造方法的过程示意图；

图4为本申请实施例提供的一种第二合成被动声呐信号的时频图；

图5为本申请实施例提供的一种蛙人识别装置的结构示意图；

图6为本申请实施例提供的一种蛙人识别系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本申请实施例提供一种蛙人方法，可以基于构造的蛙人识别模型对被动声呐采集的被动声呐信号进行识别，确定该被动声呐信号是否为蛙人吸气信号。该方法可以应用于固定终端(台式电脑)或服务器中。如图1所示，该方法包括：

步骤101、获取待识别被动声呐信号。

在本申请实施例中，被动声呐可以部署于需要进行蛙人监控的水下位置，可以实时采集该被动声呐部署位置周围的声波信号，该被动声呐的部署位置可以是江河、海洋或者湖泊等水下位置。

在本步骤中，可以利用5秒的滑动窗提取被动声呐实时采集的声波信号，将该提取的声波信号作为待识别被动声呐信号；其中，为保证获取的待识别被动声呐信号的连续性，在信号提取过程中，滑动窗的当前位置与下一滑动位置的可以重叠，该重叠度可以为50％。

步骤102、对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图。

在本步骤中，可以采用短时傅里叶变换得到待识别被动声呐信号的时频图，相较于传统的傅里叶变换，短时傅里叶变换可以更精准的反映待识别信号在每个时间点的声波信息。

步骤103、将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果。

在本申请实施例中，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。可选的，该蛙人识别模型包括：依次连接的数据降维子模型，特征提取第一子模型，特征提取第二子模型，预估子模型。如图2所示，图2示出了一种蛙人识别模型的结构图，其中，数据降维子模型包括依次连接的128个一维卷积神经网络层，规范层和激活层：特征提取第一子模型包括依次连接的门控循环单元(英文：gated recurrent unit；简称：GRU)层、正则化层和规范层；特征提取第二子模型，包括依次连接的门控循环单元层、正则化层、规范层和正则化层；预估子模型，包括依次连接的密集层和激活层。

在该蛙人识别模型进行蛙人识别过程中，128个一维卷积神经网络层可以实现数据维度降低，提高该蛙人识别模型的数据处理速度；正则化层用于防止该蛙人识别模型过拟合；规范层用于解决蛙人识别模型的梯度消失问题；门控循环单元层为循环卷积神经网络，用于对输入的待识别被动声呐信号的时频图进行序列处理，提取蛙人吸气信号时频图的图像特征；密集层用于与正则化层的神经元进行全部连接，实现对蛙人吸气信号时频图的图像特征的非线性组合；激活层用于得到对蛙人吸气信号的识别结果。

在本申请实施例中，建立蛙人识别模型的过程包括：构造训练数据集，该训练数据集包含多个蛙人吸气信号的样本时频图像；将每个样本时频图像输入待训练蛙人识别模型中得到与样本时频图像对应的预估值；确定多个样本时频图像的交叉熵损失函数，在交叉熵损失函数达到最小值时，得到蛙人识别模型。其中，样本时频图像中与蛙人吸气信号特征图像连接的图像进行了第一类标记处理，以表示该样本视频图像中出现了蛙人吸气信号，可选的，该与蛙人吸气信号特征图像连接的图像可以被标注为数值1，该预估值表示蛙人识别模型准确识别标注数值1的概率值，该交叉熵损失函数可以是二进制交叉熵函数，可以利用Adam优化器优化该待训练蛙人识别模型，直至该交叉熵损失函数达到最小值，得到蛙人识别模型。

可选的，如图3所示，构造训练数据集的过程可以包括以下步骤：

步骤S1、采集样本被动声呐信号。

在本步骤中，对于需要进行蛙人监控的水下位置，可以部署被动声呐，并安排实验蛙人在该水下位置处活动，在该实验蛙人在水下活动时，被动声呐采集的水波信号为样本被动声呐信号。

步骤S2、对样本被动声呐信号进行滤波处理，得到第一被动声呐信号。

在本申请实施例中，第一被动声呐信号为滤波频带内的被动声呐信号，该滤波频带基于被动声呐部署位置的环境条件确定。需要说明的是，蛙人吸气信号频带一般为2kHz～20kHz，在不同环境条件下，蛙人吸气信号的频带不同，可以基于预先设定的不同位置处的蛙人吸气信号频带与环境噪声信号的信噪比阈值，确定该位置处的蛙人吸气信号的频带，将该蛙人吸气信号的频带确定为滤波频带。其中，环境噪声信号为水下环境中不存在海洋生物或者蛙人的呼吸信号以及其他强干扰信号时的环境噪声产生的信号，该环境噪声信号在被动声呐部署海域长期存在，该环境噪声可以利用被动声呐采集。示例的，在本申请实施例中，确定的被动声呐部署海域处的滤波频带为3500Hz～5500Hz。

在本步骤中，可以利用确定的滤波频带对被动声呐采集的被动声呐信号进行滤波处理，得到第一被动声呐信号。

步骤S3、对第一被动声呐信号进行信号提取，得到多个蛙人吸气信号、多个环境噪声信号和多个干扰信号。

在本步骤中，获取的蛙人吸气信号、环境噪声信号和干扰信号的数量和每类信号的时长可以基于实际需要确定，本申请实施例对此不做限定。其中，蛙人吸气信号的持续时长一般为1至2秒，可以将第一被动声呐信号中频谱强度集中，且持续时长为1至2秒的信号时段确定为蛙人吸气信号时段，其余信号时段为非蛙人吸气信号时段。

示例的，蛙人吸气信号的数量可以为20，则可以从第一被动声呐信号中截取20个蛙人吸气信号，该每个蛙人吸气信号的时长可以为1至2秒；环境噪声信号的数量可以为10，时长可以为5秒，则可以从第一被动声呐信号中的非蛙人吸气信号时段中截取10个5秒左右的环境噪声信号；干扰信号的数量可以为10，时长可以小于等于1秒，从该第一被动声呐信号中随机截取10个1秒以内的信号作为干扰信号，该干扰信号为途经被动声呐部署海域的船只或者水下工事产生的强噪声信号，该干扰信号偶尔出现。

步骤S4、确定每个蛙人吸气信号、环境噪声信号和干扰信号的能量值。

步骤S5、基于预设的能量阈值值对能量值进行调整处理。

在本步骤中，在对蛙人吸气信号、环境噪声信号和干扰信号进行处理过程中，为防止信号能量过低导致信号难以检测或丢失，或者信号能量过高导致信号产生噪声，对每类信号(蛙人吸气信号、环境噪声信号和干扰信号)的能量值得大小有一定的要求，每类信号都要处于一定的能量值范围中，该能量值范围可以基于实际需要确定；如果某个信号的能量值超出该类信号的能量值范围，需要基于与该类信号对应的预设能量阈值，对该信号的能量值进行调整。其中，与每类信号对应的预设能量阈值可以基于实际需要确定，本申请实施例对此不做限定。例如，蛙人吸气信号和干扰信号的预设能量阈值可以为-5dB～+5dB，背景噪声信号的预设能量阈值可以为-15dB～+15dB。

示例的，若要求蛙人吸气信号的检测和识别能量值要大于-5dB(分贝)，若确定的某一蛙人吸气信号的能量值为-7dB，则需要将蛙人吸气信号至少增大2dB；若要求干扰信号的检测和识别能量值在5dB左右浮动，浮动范围为±1dB，若确定的某一干扰信号的能量值为5.2dB，则不需要对干扰信号的能量值进行调整。

步骤S6、将多个蛙人吸气信号、多个环境噪声信号和多个干扰信号进行整合，构造训练数据集。

在本步骤中，该过程可以是：将至少一个蛙人吸气信号、一个环境噪声信号和至少一个干扰信号进行叠加处理，得到第一合成被动声呐信号，该叠加处理的过程是：将至少一个蛙人吸气信号和至少一个干扰信号叠加于一个环境噪声信号中；重复上述操作，得到多个第一合成被动声呐信号；对每个第一合成被动声呐信号进行分段和标记处理，得到第二合成被动声呐信号；对每个第二合成被动声呐信号进行短时傅里叶变换处理，得到与每个第二合成被动声呐信号对应的时频图；对时频图进行截取，得到多个蛙人吸气信号特征图像作为蛙人吸气信号的样本时频图像；将多个蛙人吸气信号的样本时频图像确定为训练数据集。其中，至少一个蛙人吸气信号和至少一个干扰信号的数量可以基于实际需要确定，本申请实施例对此不做限定。

需要说明的是，在本申请实施例中，将至少一个蛙人吸气信号叠加于一个环境噪声信号中时，该至少一个蛙人吸气信号需要按照预先设定的时间阈值间隔叠加于环境噪声信号中，且该至少一个蛙人吸气信号的结束位置不能与环境噪声信号的结束位置重合，该至少一个蛙人吸气信号的结束位置与环境噪声信号的结束位置至少相差预设时长的环境噪声信号，该预先设定的时间阈值和预设时长可以基于实际需要确定，本申请实施例对此不做限定。

其中，对每个第一合成被动声呐信号进行分段和标记处理，得到第二合成被动声呐信号的过程，包括：对每个第一合成被动声呐信号进行分段，得到N个时长相等的信号分段，N为自然数；从N个信号分段中确定至少一个蛙人吸气信号段，该蛙人吸气信号段包含M个连续的与蛙人吸气信号对应的信号分段，M为正整数；将至少一个蛙人吸气信号段之后的T个信号分段进行第一类标记处理；将未进行第一类标记处理的其他信号分段进行第二类标记处理，得到第二合成被动声呐信号。其中，数值N和数值T可以基于实际需要确定，第一类标记可以为1，第二类标记可以为0。

示例的，可以从多个蛙人吸气信号、多个环境噪声信号和多个干扰信号中分别随机选择两个1秒的蛙人吸气信号、一个5秒的环境噪声信号和3个20毫秒的干扰信号，且预先设定的时间阈值可以为1秒钟，预设时长可以为0.5秒，则信号叠加过程中两个蛙人吸气信号之间的时间间隔为1秒钟，且每个蛙人吸气信号的结束位置与环境噪声信号的结束位置至少相差0.5秒的环境噪声信号，则可以将两个1秒的蛙人吸气信号分别叠加于5秒的环境噪声信号第2秒和第4秒的信号时段中，并在该环境噪声信号的任意位置叠加3个20毫秒的干扰信号，获取一个第一合成被动声呐信号，可以基于该方法获取多个第一合成被动声呐信号；可选的，当第一合成被动声呐信号为64位浮点型数据时，可以将每个64位浮点型第一合成被动声呐信号转换成16位或32为整型数据，以加快数据的处理速度。

进一步的，对每个第一合成被动声呐信号，将其分段获取495个时长相等的信号分段，每个信号分段时长约0.01秒；假设该第一合成被动声呐信号第2秒和第4秒的信号时段为叠加的两个1秒的被动声呐信号，可以从495个信号分段中确定两个蛙人吸气信号段，该每个蛙人吸气信号段包含约100个连续的与蛙人吸气信号对应的信号分段，将两个蛙人吸气信号段之后的50个信号分段标注为数值1；将未进行数值1标注的其他信号分段标注为数值0，得到第二合成被动声呐信号；对每个第二合成被动声呐信号进行短时傅里叶变换处理，得到与每个第二合成被动声呐信号对应的时频图，如图4所示，图4为一个第二合成被动声呐信号的时频图，横轴表示时间，单位为秒，纵轴表示信号频率，单位为赫兹，其中，颜色的深浅代表能量的高低，可以将颜色较深且持续时长为2秒左右的信号段确定为蛙人吸气信号段A，蛙人吸气信号段的图像为蛙人吸气信号特征图像，截取多个蛙人吸气信号特征图像，得到多个蛙人吸气信号特征图像作为蛙人吸气信号的样本时频图像；将多个蛙人吸气信号的样本时频图像确定为训练数据集。

在本步骤中，可以将待识别被动声呐信号的时频图输入预先建立的蛙人识别模型中，调用数据降维子模型对时频图进行数据降维处理，得到降维时频图，并将降维时频图发送至特征提取第一子模型；调用特征提取第一子模型对降维时频图进行特征提取，得到第一特征图，并将第一特征图发送至特征提取第二子模型；调用特征提取第二子模型对第一特征图进行特征提取，得到第二特征图，将第二特征图发送至预估子模型；调用预估子模型对第二特征图进行特征识别，得到识别结果；该识别结果表示蛙人识别模型判定该时频图为蛙人吸气信号特征图像的概率值，基于该概率值与预设概率阈值的大小关系，确定待识别被动声呐信号是否为蛙人吸气信号。可选的，该概率阈值可以为0.5，当该概率值大于0.5时，确定待识别被动声呐信号为蛙人吸气信号，当该概率值小于0.5时，确定待识别被动声呐信号不是蛙人吸气信号。

综上所述，本申请实施例提供的蛙人识别方法，可以获取待识别被动声呐信号；对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图；将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。实现对被动声呐获取的声波信号是否为蛙人吸气信号的判断。

本申请实施例提供一种蛙人识别装置，如图5所示，该装置20包括：

获取模块201，被配置为获取待识别被动声呐信号；

变换模块202，被配置为对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图；

识别结果获取模块203，被配置为将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。

可选的，蛙人识别模型包括依次连接的数据降维子模型，特征提取第一子模型，特征提取第二子模型，预估子模型，识别结果获取模块203，被配置为：

调用数据降维子模型对时频图进行数据降维处理，得到降维时频图，并将降维时频图发送至特征提取第一子模型；

调用特征提取第一子模型对降维时频图进行特征提取，得到第一特征图，并将第一特征图发送至特征提取第二子模型；

调用特征提取第二子模型对第一特征图进行特征提取，得到第二特征图，将第二特征图发送至预估子模型；

调用预估子模型对第二特征图进行特征识别，得到识别结果。

可选的，蛙人识别模型通过如下过程建立，包括：

构造训练数据集，训练数据集包含多个蛙人吸气信号的样本时频图像；

将每个样本时频图像输入待训练蛙人识别模型中得到与样本时频图像对应的预估值；

确定多个样本时频图像的交叉熵损失函数，在交叉熵损失函数达到最小值时，得到蛙人识别模型。

可选的，构造训练数据集，包括：

采集多个样本被动声呐信号；

对每个样本被动声呐信号进行滤波处理，得到第一被动声呐信号；

对第一被动声呐信号进行信号提取，得到多个蛙人吸气信号、多个环境噪声信号和多个干扰信号；

将多个蛙人吸气信号、多个环境噪声信号和多个干扰信号进行整合，构造训练数据集。

可选的，将多个蛙人吸气信号、多个环境噪声信号和多个干扰信号进行整合，构造训练数据集，包括：

从多个蛙人吸气信号、多个环境噪声信号和多个干扰信号中选择至少一个蛙人吸气信号、一个环境噪声信号和至少一个干扰信号；

将至少一个蛙人吸气信号、一个环境噪声信号和至少一个干扰信号进行叠加处理，得到第一合成被动声呐信号；

重复上述操作，得到多个第一合成被动声呐信号；

对每个第一合成被动声呐信号进行分段和标记处理，得到第二合成被动声呐信号；

对每个第二合成被动声呐信号进行短时傅里叶变换处理，得到与每个第二合成被动声呐信号对应的时频图；

对时频图进行截取，得到多个蛙人吸气信号特征图像作为蛙人吸气信号的样本时频图像；

将多个蛙人吸气信号的样本时频图像确定为训练数据集。

可选的，对每个第一合成被动声呐信号进行分段和标记处理，得到第二合成被动声呐信号，包括：

对每个第一合成被动声呐信号进行分段，得到N个时长相等信号分段，N为自然数；

从对N个信号分段中确定至少一个蛙人吸气信号段，蛙人吸气信号段包含的M个连续的与蛙人吸气信号对应的信号分段，M为正整数；

将至少一个蛙人吸气信号段之后的T个信号分段进行第一类标记处理；

将未进行第一类标记处理的其他信号分段进行第二类标记处理，得到第二合成被动声呐信号。

可选的，在将多个蛙人吸气信号、多个环境噪声信号和多个干扰信号进行整合，构造训练数据集之前，装置还包括：

确定每个蛙人吸气信号、环境噪声信号和干扰信号的能量值；

基于预设的能量阈值对能量值进行调整处理。

综上所述，本申请实施例提供的蛙人识别装置，可以获取待识别被动声呐信号；对待识别被动声呐信号进行短时傅里叶变换得到待识别被动声呐信号的时频图；将时频图输入预先建立的蛙人识别模型中，输出待识别被动声呐信号的识别结果，识别结果用于确定待识别被动声呐信号是否为蛙人吸气信号，蛙人识别模型通过对时频图依次进行数据降维、特征提取和特征识别处理得到识别结果。实现对被动声呐获取的声波信号是否为蛙人吸气信号的判断。

图6是根据一示例性实施例示出的一种计算机系统，该计算机系统包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有系统操作所需的各种程序和数据。CPU301、ROM302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本申请的实施例，上文图1和图3描述的过程可以被实现为计算机软件程序。例如，本申请的各个实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图1至图5示出了按照本申请各种实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、变换模块和识别结果获取模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块还可以被描述为“用于获取待识别被动声呐信号的获取模块”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的蛙人识别方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种蛙人识别方法，其特征在于，所述方法包括：

获取待识别被动声呐信号；

对所述待识别被动声呐信号进行短时傅里叶变换得到所述待识别被动声呐信号的时频图；

将所述时频图输入预先建立的蛙人识别模型中，输出所述待识别被动声呐信号的识别结果，所述识别结果用于确定所述待识别被动声呐信号是否为蛙人吸气信号，所述蛙人识别模型通过对所述时频图依次进行数据降维、特征提取和特征识别处理得到所述识别结果。

2.根据权利要求1所述的方法，其特征在于，所述蛙人识别模型包括依次连接的数据降维子模型，特征提取第一子模型，特征提取第二子模型，预估子模型，所述蛙人识别模型通过对所述时频图依次进行数据降维、特征提取和特征识别处理得到所述识别结果，包括：

调用所述数据降维子模型对所述时频图进行数据降维处理，得到降维时频图，并将所述降维时频图发送至所述特征提取第一子模型；

调用所述特征提取第一子模型对所述降维时频图进行特征提取，得到第一特征图，并将所述第一特征图发送至所述特征提取第二子模型；

调用所述特征提取第二子模型对所述第一特征图进行特征提取，得到第二特征图，将所述第二特征图发送至所述预估子模型；

调用所述预估子模型对所述第二特征图进行特征识别，得到所述识别结果。

3.根据权利要求1所述的方法，其特征在于，建立蛙人识别模型，包括以下步骤：

构造训练数据集，所述训练数据集包含多个蛙人吸气信号的样本时频图像；

将每个所述样本时频图像输入待训练蛙人识别模型中得到与所述样本时频图像对应的预估值；

确定多个所述样本时频图像的交叉熵损失函数，在所述交叉熵损失函数达到最小值时，得到所述蛙人识别模型。

4.根据权利要求3所述的方法，其特征在于，所述构造训练数据集，包括以下步骤：

采集多个样本被动声呐信号；

对每个所述样本被动声呐信号进行滤波处理，得到第一被动声呐信号；

对所述第一被动声呐信号进行信号提取，得到多个蛙人吸气信号、多个环境噪声信号和多个干扰信号；

将所述多个蛙人吸气信号、多个环境噪声信号和多个干扰信号进行整合，构造训练数据集。

5.根据权利要求4所述的方法，其特征在于，所述将所述多个蛙人吸气信号、多个环境噪声信号和多个干扰信号进行整合，构造训练数据集，包括：

从所述多个蛙人吸气信号、多个环境噪声信号和多个干扰信号中选择至少一个蛙人吸气信号、一个环境噪声信号和至少一个干扰信号；

将所述至少一个蛙人吸气信号、一个环境噪声信号和至少一个干扰信号进行叠加处理，得到第一合成被动声呐信号；

重复上述操作，得到多个所述第一合成被动声呐信号；

对每个所述第一合成被动声呐信号进行分段和标记处理，得到第二合成被动声呐信号；

对每个所述第二合成被动声呐信号进行短时傅里叶变换处理，得到与每个所述第二合成被动声呐信号对应的时频图；

对所述时频图进行截取，得到多个蛙人吸气信号特征图像作为所述蛙人吸气信号的样本时频图像；

将所述多个蛙人吸气信号的样本时频图像确定为训练数据集。

6.根据权利要求5所述的方法，其特征在于，所述对每个所述第一合成被动声呐信号进行分段和标记处理，得到第二合成被动声呐信号，包括：

对每个所述第一合成被动声呐信号进行分段，得到N个时长相等的信号分段，N为自然数；

从所述N个信号分段中确定至少一个蛙人吸气信号段，所述蛙人吸气信号段包含M个连续的与蛙人吸气信号对应的信号分段，M为正整数；

将所述至少一个蛙人吸气信号段之后的T个信号分段进行第一类标记处理；

将未进行所述第一类标记处理的其他信号分段进行第二类标记处理，得到第二合成被动声呐信号。

7.根据权利要求4所述的方法，其特征在于，在将所述多个蛙人吸气信号、多个环境噪声信号和多个干扰信号进行整合，构造训练数据集之前，所述方法还包括：

确定每个所述蛙人吸气信号、环境噪声信号和干扰信号的能量值；

基于预设的能量阈值对所述能量值进行调整处理。

8.一种蛙人识别装置，其特征在于，所述装置包括：

获取模块，被配置为获取待识别被动声呐信号；

变换模块，被配置为对所述待识别被动声呐信号进行短时傅里叶变换得到所述待识别被动声呐信号的时频图；

识别结果获取模块，被配置为将所述时频图输入预先建立的蛙人识别模型中，输出所述待识别被动声呐信号的识别结果，所述识别结果用于确定所述待识别被动声呐信号是否为蛙人吸气信号，所述蛙人识别模型通过对所述时频图依次进行数据降维、特征提取和特征识别处理得到所述识别结果。

9.一种计算机设备，其特征在于，所述计算机设备包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为执行如权利要求1至7任一所述的蛙人识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述可读存储介质在处理组件上运行时，使得处理组件执行如权利要求1至7任一所述的蛙人识别方法。

Images