CN114004982A

CN114004982A - 一种面向水中目标识别的声学Haar特征提取方法及系统

Info

Publication number: CN114004982A
Application number: CN202111255279.4A
Authority: CN
Inventors: 孙飞虎; 冯靖钊; 高善国; 李宇
Original assignee: Institute of Acoustics CAS
Current assignee: Institute of Acoustics CAS
Priority date: 2021-10-27
Filing date: 2021-10-27
Publication date: 2022-02-01

Abstract

本发明涉及水下目标特征提取领域，尤其涉及一种面向水中目标识别的声学Haar特征提取方法及系统，所述方法包括：对接收到的水中目标水声信号进行预处理；对预处理后的信号进行时频特征变换，生成声学视频特征图；基于Haar‑like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；基于AdapBoost算法完成显著性声学特征提取。本发明的方法面向工程应用，针对水中目标的识别提出声学Haar特征提取方法，提取的显著性特征有助于提高训练效率，该方法具备简单易用、清晰明了、实用性强的特点。

Description

一种面向水中目标识别的声学Haar特征提取方法及系统

技术领域

本发明涉及水下目标特征提取领域，尤其涉及一种面向水中目标识别的声学Haar特征提取方法及系统。

背景技术

水声目标识别技术是一种利用声纳接收的被动目标辐射噪声、主动目标回波以及其他传感器信息提取目标特征并且判别目标类型或者类别的信息处理技术。无论在民用还是军事领域，水声目标识别都有着极其重要的应用背景。但由于海洋环境的复杂性和水声信号通道的特殊性，要从目标辐射噪声信号中提取既能反映目标本质特征，又能满足水下目标探测的要求的特征，一直是该领域的热点和难点。

声纳采集的目标信号的声学特征提取和所使用的分类器是水声目标识别的两个重要步骤。特征提取是进行水声目标识别的基础。目前针对这些问题已经提出了许多技术，包括谱分析、时频分析、小波变换等。由于水下目标辐射噪声信号由确定性机械噪声、螺旋桨噪声和水动力噪声组成，且往往具有时变和非平稳的特点，典型的特征提取方法不适合对其进行分类。有必要寻找新的特征提取方法。特征提取后要选择分类器进行识别，由于水中目标信号具有非线性，传统的基于线性的识别方法，识别的准确性比较低。

发明内容

本发明的目的在于克服现有技术缺陷，提出了一种面向水中目标识别的声学Haar特征提取方法，还提出了一种面向水中目标识别的声学Haar特征提取系统。

为了实现上述目的，本发明提出了一种面向水中目标识别的声学Haar特征提取方法，所述方法包括：

对接收到的水中目标水声信号进行预处理；

对预处理后的信号进行时频特征变换，生成声学视频特征图；

基于Haar-like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；

基于AdapBoost算法完成显著性声学特征提取。

作为上述方法的一种改进，所述对接收到的水中目标水声信号进行预处理；具体包括：

对于原始一维水中目标信号x，进行预处理，再进行切分，构造包括m个样本的样本集合x＝{x₁,x₂,x_i,…x_m}。

作为上述方法的一种改进，所述对预处理后的信号进行时频特征变换，生成声学视频特征图；具体包括：

对第i个样本x_i，进行k种不同的时频域特征变换，每一种变换形成一个n帧d维的特征向量

其中j＝1,,k；l＝1,…,n；所述时频特征变换包括：短时傅里叶变换和梅尔频率倒谱系数变换。

对于每个样本的k种变换生成的特征向量组合成混合特征向量

对样本集合的混合特征向量按照时序组合生成声学时频特征图M。

作为上述方法的一种改进，基于Haar-like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；具体包括：

基于Haar-like特征，由边缘特征、线性特征和对角特征组成特征模板；特征模板由黑色和白色两种矩型构成，并定义特征模板的特征值为白色矩形内数值和减去黑色矩形内数值和；

时频特征图M的维度为n×d，宽度上的最大放大倍数为k_w，长度上的最大放大倍数为k_h，满足下式：

其中，w_min和h_min为特征模板的初始宽度和长度；

采用积分图法对时频特征图M进行声学Haar特征计算，积分图上点(a,b)的声学Haar特征值ii(a,b)为：

其中(a′,b′)表示声学时频图M上的元素值。

作为上述方法的一种改进，所述基于AdapBoost算法完成显著性声学特征提取；具体包括：

初始化样本权重D₁(i)＝1/m，初始化特征空间T＝[]，其中，m为样本个数，i为样本集合中的第i个样本；

遍历p＝1,2,…,P，在D_p分布下，遍历所有d维特征，寻找计算值r_p取值最大时对应的特征f^j，记为F_p；其中，p为待选取的特征维数，P表示最大特征维数；

将P个特征F_p加入到特征空间T中，生成P组声学Haar特征:

T＝[F₁(x),F₂(x),…,F_p(x),…,F_P(x)]。

作为上述方法的一种改进，所述遍历p＝1,2,…,P，在D_p分布下，遍历所有d维特征，寻找计算值r_p取值最大时对应的特征f^j，记为F_p；具体包括：

在D_p分布下，遍历所有d维特征，寻找特征x^j，使得计算值r_p取值最大：

其中，y_i表示第i个样本的类型，为0表示负样本，为1表示正样本，H为弱分类器的个数，h_j(x_i)为采用单层决策树定义的弱分类器，f_j(x_i)为第i个样本x_i的特征量，θ_j为阈值，p_j表示不等号方向；

按下式更新弱分类器权重α_p：

其中，r_p为取得的最大计算值；

根据α_p按下式更新D_p+1：

其中,z_p为归一化因子。

一种面向水中目标识别的声学Haar特征提取系统，所述系统包括：预处理模块、时频特征变换模块、混合声学Haar特征提取模块和显著性声学特征提取模块；其中，

所述预处理模块，用于对接收到的水中目标水声信号进行预处理；

所述时频特征变换模块，用于对预处理后的信号进行时频特征变换，生成声学视频特征图；

所述混合声学Haar特征提取模块，用于基于Haar-like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；

所述显著性声学特征提取模块，用于基于AdapBoost算法完成显著性声学特征提取。

与现有技术相比，本发明的优势在于：

本发明的方法面向工程应用，针对水中目标的识别提出声学Haar特征提取方法，提取的显著性特征有助于提高训练效率，该方法具备简单易用、清晰明了、实用性强的特点。

附图说明

图1是本发明的面向水中目标识别的声学Haar特征提取方法框架图；

图2是构造声学时频特征图流程图；

图3是Haar-like声学特征模板；

图4是目标信号时域波形图；

图5是训练样本和测试样本数目；

图6是不同K值下的识别耗时；

图7是不同特征维度K下算法的识别准确率；

图8是不同分类算法识别准确率。

具体实施方式

下面结合附图和实施例对本发明的技术方案进行详细的说明。

实施例1

如图1所示，本发明的实施例提出了一种面向水中目标识别的声学Haar特征提取方法。本方法首先对预处理后的一维原始目标信号进行变换生成声学时频特征图并提取基于Haar-like的声学特征。由于提取的特征量巨大，难以用于分类识别算法的训练，提出了基于AdaBoost的特征筛选算法，筛选出对于识别具有代表性的特征，筛选后的特征组合构成了声学Haar特征向量，此特征作为后续分类器的输入，用于分类器的训练与目标识别。

第一步，原始一维水中目标信号通过时频变换得到二维的声学时频特征图。

声学时频图包含了二维信息，即横轴表示时间维度，纵轴表示频域维度。频域维度的特征可通过常用的声学特征来表示。

构造声学时频特征图的步骤具体如下，其流程图如图2所示。：

步骤1.对于原始一维水中目标信号x，先对其进行预处理，之后进行切分，从而构造m个样本集合x＝{x₁,x₂,…,x_m}；

步骤2.对于第i个样本x_i，对其进行k种不同的时频域特征变换，每一种变换形成一个n帧d维的特征向量

其中j＝1,…,k；l＝1,…,n；

步骤3.对于k种变换生成的特征向量组合成混合特征向量

按照时序组合混合特征向量生成声学视频特征图M。

本发明地时频变换采用两种，分别是短时傅里叶变换(Short Time FourierTransform,STFT)和梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)变换。

第二步，借鉴图像识别中常用的Haar-like特征，本文提取的声学Haar特征包括边缘特征、线性特征和对角特征，如图3所示，5类声学特征组成特征模板。特征模板由黑色和白色两种矩型构成，并定义此模板的特征值为白色矩形内数值和减去黑色矩形内数值和。Haar特征计算就是通过不同的特征模板在声学时频图上滑动，滑动到一个位置，计算特征模板覆盖位置的特征值，从而遍历整个声学时频图。当遍历结束后，特征模板在宽度或长度上成比例的方法大，在重复之前的遍历步骤。

假设时频特征图的维度为n×d，宽度上的最大放大倍数为k_w，长度上的最大放大倍数为k_h，则

其中w_min和h_min为特征模板的初始宽度和长度。

声学Haar特征计算采用积分图法实现快速计算，只需遍历一次声学时频图就可以求出声学时频图所有区域内的特征值，提高了特征值计算的效率。积分图上任意一点(a,b)的值定义为原始声学时频图对应点左上方的所有元素值之和(包括该点)，定义为：

其中，(a′,b′)表示声学时频图M上的元素值。

第三步，基于AdapBoost算法完成显著性声学特征筛选。

由于Haar模式的声学特征数据巨大，存在着特征冗余以及难以训练的问题，本发明采用AdaBoost方法，从Haar模式特征中筛选出对于识别任务具有代表性的声学Haar特征。

AdaBoost采用单层决策树作为弱分类器。定义一个弱分类器h_j(x)，由特征量f_j、阈值θ_j和表示不等号方向的p_j组成。

对于给定m个样本训练数据集，{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)}，其中x_i∈R^d，y_i＝0,1分别表示第i个样本为负样本或正样本。声学特征筛选步骤如下：

步骤1：初始化样本权重D₁(i)＝1/m，初始化特征空间T＝[]。

步骤2：遍历p＝1,2,…,P

步骤2.1)在D_p分布下，遍历所有d维特征，寻找特征f^j，使得式(4)取得最大。同时将特征f^j，记为F_p，作为已选特征加入到特征空间中，其中，p为待选取的特征维数，P表示最大特征维数；

步骤2.2)按公式(5)更新弱分类器权重α_p。

步骤2.3)按公式(6)更新D_p+1。

其中,z_p为归一化因子。

步骤3：最终生成K组声学Haar特征为：

T＝[F₁(x),F₂(x),…F_K(x)] (5)

实施例2

本发明的实施例2提出了一种面向水中目标识别的声学Haar特征提取系统，基于实施例1的方法实现，所述系统包括：预处理模块、时频特征变换模块、混合声学Haar特征提取模块和显著性声学特征提取模块；其中，

本发明使用2019年大连海试试验的水声信号目标信号验证所提方法的有效性。实验中共包含A类，B类，C类三类目标实测水声信号，共5700秒，采样率为20kHz；其中A类目标数据时长1550秒，B类目标数据时长3790秒，C类目标数据时长360秒。对实测水下信号以10秒为一个样本切分，共570个样本。三类目标信号的时域波形如图4所示，为目标时域波形。各类别中训练样本、测试样本具体数目如图5所示。

实验中时频变换采用STFT和MFCC变换方法。分类器使用SVM与AdaBoost两种算法。分类器算法训练采用5折交叉验证的方法，通过网格搜索的方法对算法超参数进行调优。

为了测试所提出特征提取算法的时间效率，统计了不同Haar声学特征维度K下，使用筛选后Harr声学特征和原始声学Haar特征，Adaboost算法的识别时间。如图6可知，所提特征提取方法信息密度高，具有较高的识别速度。

图7测试了不同Harr声学特征维度K下，算法在测试样本上的准确率。从图中看出，对于SVM分类器，当筛选特征维度大于70时，分类准确率趋于平缓。对于AdaBoost分类器的准确率随着K值的不同而波动。实验中对于SVM分类器，选择K＝60作为筛选特征维度，对于AdaBoost分类器，选择K＝70作为筛选特征维度。两种分类算法在测试集上对不同目标的识别准确率如图8所示。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。