一种两维多特征融合的水下目标快速检测方法与流程

本发明涉及水下目标探测，尤其是涉及一种两维多特征融合的水下目标快速检测方法。

背景技术：

为了探测和开发海洋资源，智能化的水声装备研制成为学术界和应用部门的着重关注。在新的水声软硬件技术演变形势下，海军迫切需要新型目标识别技术作为测控装备、声纳系统等发展的技术支撑，进而提高水下目标探测的准确率，为海军提供高可靠的水下防御和预警装备。

目前，水下潜艇、舰艇、鱼雷、蛙人等会广泛使用目标探测技术，将探测到的水下目标应用于水下节点通讯、探测、侦察、灭雷、救生、考古、资源开发等领域。adriana针对对无约束水下视频，提出一种单目标检测算法，自动地确定最佳空间尺度，来获取最佳目标轮廓。杨杰等人依据角点数、光滑度、主轴角度等8个主要特征，检测水下单目标。张铭钧等人在实现水下图像的模糊增强的基础上，利用灰度-梯度不变矩，提高单目标检测的鲁棒性和检测准确率。christian等人运用规范化的轮廓区域选择算法，实现水下单目标探测和识别，减少初始化参数的影响，提高了算法的收敛性。张恒研究一种水下协同目标的检测方法，利用自适应notch数字滤波器，以及频率方差加权方法检测水下目标信号，实现不同目标的定位估计。利用盖尔圆定理，wu等人提出了一种gde多目标检测算法，准确估计背景噪声下的信号源数目。另外，正交子空间类方法、极大似然方法等方法，在相干或非相干多目标源方位估计的基础上，利用目标所在方位信息，检测出多目标的数目。

同时，先进水声信号探测的研发项目也受国内外重视。2013年，美国海军围绕主/被动信号处理、鱼雷探测、加密、定位、鱼雷防御、电子战和导航等相关技术，启动了反潜/反舰声学信号处理长期研究项目，应用于海洋探测、跟踪和攻击敌方舰艇。2015年，美国海军又进一步计划近海水下持续监测系统，并将系统部署在近海战斗舰上。在英国未来战略部署中，同巴布科克公司合作，为核潜艇设计水下信号发射器，提供了海上救援的支持。通过学术研究和项目研发分析可知，水下目标检测的相关理论、方法和技术正在不断地朝向自动化推进，也取得一定程度的成果。

然而，当前水下目标检测方法是在有限的观测数据条件下来确定信号源数目，在某一个限定的变换域下，水声信号特征可能被淹没在海洋中，降低了目标检测的准确性。并且，传感器捕获的水声信号可能来源于不同的信号源，将复杂的源信号进行特征提取，带来计算量大的问题，导致检测效率低。尤其，在复杂动态的海洋环境下，水下多传感器之间存在相互干扰，单一特征的检测难以充分利用多特征关联的价值信息。

技术实现要素：

本发明的目的在于针对现有的复杂海洋环境下目标信号被淹没的难题，以及捕获的多目标信号数据量大，存在相互间干扰，导致的水下目标检测方法的准确性低、效率低问题，提供一种两维多特征融合的水下目标快速检测方法。

本发明包括以下步骤：

1)横向多域特征融合；

2)纵向多信源多特征融合；

3)数据级融合；

4)特征级融合；

5)决策级融合。

在步骤1)中，所述横向多域特征融合的具体方法可为：以chirp信号作为基函数，对傅里叶变换域、分数阶傅里叶变换域、小波变换域等变换域下稀疏特征分解，提取不同变换域下的主要信号特征，并采用信息融合技术，将特征进行融合；

在步骤2)中，所述纵向多信源多特征融合的具体方法可为：将多种传感器捕获的目标信号多域特征数据，分别从数据级、特征级和决策级进行不同程度的融合，使用有效的数据融合算法对信号源检测；

在步骤3)中，所述数据级融合的具体方法可为：对分布在舰船同类型物理场下的声、磁、水压传感器，利用方差贡献率的动态融合系数，实现优选的多域特征数据信息融合，保持尽可能多的舰船物理场数据的细微信息；

在步骤4)中，所述特征级融合的具体方法可为：从各传感器获取观测目标融合的数据信息，将优选的特征集进行统一化和标准化处理，实现特征的稀疏压缩、拼接，利用d-s证据理论，建立目标特征向量融合的推理模型；

在步骤5)中，所述决策级融合的具体方法可为：从载频、调制方式、脉冲宽度、脉冲重频等信号特征，对多目标观测站下，多周期产生多信息源的基本概率赋值(bpa)，利用d-s证据理论，建立决策级融合的目标推理识别模型。

本发明采用横向多域特征融合模块和纵向多信源特征融合模块，包括：对于每一种水声信号，进行傅里叶变换域、分数阶傅里叶变换域、小波变换域等多域变换，稀疏分解后，提取不同变换域对应的主特征，利用拼接法，实现横向多域特征融合，获取到更易于被标注的单目标信号，提高检测的准确率；然后，对于从不同传感器捕获来的复杂多信号源，分别递进式地进行数据级融合、特征级融合、决策级融合，实现纵向的特征融合，降低多目标检测算法的计算复杂度。

本发明的有益效果是：本发明结合横向的多域特征融合和纵向的多信号源特征融合，充分挖掘目标信号中隐藏的价值信息，能尽可能地利用信号源的细微变化特征量，克服单目标信号源被淹没的缺陷，提高目标检测的准确率。同时，本发明对大量的信号进行稀疏分解压缩，减少不必要的计算量，提高检测效率，能降低水下目标探测装备的能量消耗。

附图说明

图1是本发明一种两维多特征融合的水下目标快速检测方法的整体框架图；

图2是本发明横向多变换域的特征融合模块示意图；

图3是本发明纵向多信号源的多级特征融合模块示意图；

图4是本发明纵向多信号源的数据级融合示意图；

图5是本发明纵向多信号源的特征级融合示意图；

图6是本发明纵向多信号源的决策级融合示意图。

具体实施方式

1、一种两维多特征融合的水下目标快速检测方法

参见图1～3，本发明主要集成横向多域特征融合模块和纵向多信源特征融合模块的水下目标检测方法，海洋或海底的水声信号传感器、磁传感器或其他主要的传感器，采集监测目标的水声通信信号，通过预处理后，初始化设计dct冗余字典，求解稀疏系数，获取单信号源稀疏表示，以chirp信号作为基函数，进行压缩感知的稀疏分解，并进行横向多域特征融合和纵向多信源特征融合。

为了解决实际中由于水声信道存在随机起伏以及目标的散射特性的影响，在不同变换域下，分别对同一种声信号进行稀疏特征提取，并通过有效的融合途径获得能表征多域的特征信号，缓解波形中含有随机的畸变成分引起的匹配滤波器性能下降的现象，改善后期目标识别的正确率。横向多域特征融合，以chirp信号作为基函数，研究傅里叶变换域、分数阶傅里叶变换、小波变换域等变换域下稀疏特征分解，不同变换域特征提取，并采用主成分分析法的信息融合技术，特征优选将特征进行多域融合，作为纵向多信源特征融合的样本输入。

针对水下目标探测和识别任务，信息融合技术进一步扩展为“数据-特征-识别”的目标分类处理过程，得到多传感器与多信源的水下目标融合分类模型，提高水下目标检测方法。纵向多信源特征融合的事例识别模型结构，按信息抽象的程度被分为三个融合级别：数据级融合、特征级融合、决策级融合。

在正常情况下，在舰船同等量级和同质的物理场下，从分布式的的声、磁传感器，采集原始数据进行横向多域特征融合后，采用主成分分析法、小波分频带融合法，降低数据量。

在数据级融合的前提下，舰船声场信号提取舰船噪声的功率谱、舰船的基频、场强变化率、声压级、特性谱等特征量，再综合地分析和处理特征向量，获得融合的特征向量。利用融合效率高的d-s推理算法，对特征级的信源进行识别，减少主特征数据损失量，提高检测的精度。

在特征级融合的前提下，结合时频特征置信度，将单周期、单传感器主特征值导出的信源，计算多信源的基本概率赋值(bpa)，并作为决策级融合的输入，并对信号源进行判决，输出目标检测结果。

2、横向多域特征融合

参见图2，以frft为例，chirp基函数稀疏分解：利用frft变换可以在frfd对信号进行chirp基函数族的稀疏分量提取，并且不改变信号分量sn(t)和剩余分量rⁿx的正交性，期间需要进行frft的正反变换和frfd的滤波，具体步骤如下：

i.寻找max{|f^p(r^n-1x)|²}>d在平面p(a,u)上对应的(an,un)，d为阈值；

ii.构造矩形窗函数计算

iii.计算

iv.更新rⁿx＝r^n-1x-sn(t)，重复上述步骤直到提取出所有稀疏分量。

chirp基的调频率和初始频率参数由frft的旋转角a和u值决定，根据frft的性质可以确定参数的范围为：

其中，fmax为水中目标信号的最高频率；t为脉冲持续时间(数字信号处理中可以用采样频率和采样时间代替)。frft相位函数中定义初始频率f和频率μ分别为：

此时，保证了水中目标信号参数的范围为调频率μ∈(-∞,+∞)，初始频率f∈[fmin,fmax]。

frft实际上是在平面p(a,u)内对信号进行分解，确定δa和δu，相当于确定平面p(a,u)的分辨率以及超完备字典集g的原子数，大大减少了计算量。假设原子总数为j×k，超完备字典集g可表示为矩阵形式：

稀疏分解的实质是将平面p(a,u)划分成j×k个栅格构成超完备字典集g，确定存在信号最大投影的栅格。

取矩阵g中的任意原子1≤j≤j，1≤k≤k。当δu→0时，设则信号rⁿx和的内积可表示为：

式(2)表明frft和稀疏分解完备字典集g之间的关系，frft实际上是信号在一组aj为定值的chirp基函数的投影。因此，在分辨率为(δa,δu)的情况下，利用frft可以得到信号在平面p(a,u)上的投影系数，即信号的能量分布。参数(an,un)可以利用frft对平面p(a,u)进行能量峰值搜索得到，即

其中，argmax(·)表示取对应最大值的参数值。式(3)将对信号最大chirp基分解系数的求解#转化为对信号在frfd中的最大能量峰值求解，结合能量峰值对应的坐标参数(an,un)和式(1)，可以求得chirp基的特征参数。采用frft函数作为稀疏分解基函数，可以利用frft快速算法进行计算。

位计算信号稀疏分量sn(t)，需要计算两重积分，在实际应用中为了简化计算，可以采用δa为步长对a进行取值，将两重重积分化为一重积分为：

式(4)将参数a作为定值，对u在点un附近进行积分，此时稀疏信号分量sn(t)可表示为一组具有相同调频率和相近初始频率的chirp基函数的线性组合。利用frft进行计算，将式(2)代入式(4)可得：

依据式(2)和frft旋转可加性，式(5)可化为：

其中，为在阶数为pn时frfd的矩形窗函数。

式(6)表明，特征参数为(un,pn)的chirp基稀疏分量sn(t)可以对n阶剩余信号rⁿx先进行pn阶frft，然后在frfd点un处窄带滤波，最后进行pn阶反frft后获得。

将式(6)代入递推式得：

式(7)表明，对于剩余分量rⁿx可以在时域利用r^n-1x减去第n个稀疏分量sn(t)求得，或者在pn阶frfd，利用函数对r^n-1x的pn阶frft滤波后，再进行pn阶反frft获得。

根据式(6)、(7)和frft旋转可加性，有：

将上述分析过程用于fft、wt和其他各类变换方式，得到fft主特征、wt主特征和其他域主特征，从而将各类特征进行融合，提取出融合后的特征。

3、特征级融合

参见图4，纵向多信源数据级融合是以横向多域特征融合为输入参数，通过多传感器(图中传感器1～传感器n)采集数据并分别进行特征融合，稀疏分解之后进行信息融合的过程。

参见图3和5，矩阵g1,g2,…,gt都是q×n的bpa矩阵，通过传感器观测值计算得到。传感器包括声传感器(a1～an)和磁传感器(b1～bn)等，通过不同类型的传感器采集特征，并进行数据级融合。得到矩阵g1,g2,…,gt之后，将证据进行加权平均，通过d-s组合规则输出推理矩阵g，通过分类组合，得到矩阵

q表示划分的特征数，t指特征数。为矩阵gc的列向量，表示传感器c对特征t的观测赋值，即为特征t各划分的观测分配权值，其向量和为1。

矩阵m1,m2,…,mt都是q×h的数据信源种类的先验概率矩阵，通过多个特征数据的匹配库来计算得到。对m1,m2,…,mt进行分类组合，得到的为矩阵mt的横向量，表示特征n的划分q的置信度，同时也是特征n的划分q的bpa函数，表示已知目标特征的先验评价权值，其向量和为1。

在具体的实例中，矩阵m1,m2,…,mt可记作信号载频特征、带宽特征、调制特征、符号速率特征、脉冲宽度特征的置信度补零矩阵。

为了便于计算，特征划分数q取最大值，划分特征不足q，需将剩余划分特征用0填充。

定义则该推理模型的数学模型为

其中，为特征t的qt划分的观测概率，为特征t的qt划分对应的bpa。将和组合输出，使用d-s组合规则判决。f1(q1,q2,…,qt)^∨t表示组内融合后的bpa函数。求解f1(q1,q2,...,qt)的过程即为组内bpa加权平均的过程，求解f2(q1,q2,...qt)的过程即为组间bpa加权平均的过程，r为所有观测证据和先验证据融合后通信目标种类的可信度。在得到r后，进行基本概率赋值的决策。求得信任函数后，执行信任函数的决策。

4、决策级融合

参见图3和6，对于特征级获得的综合特征信源，需要进一步d-s证据理论的决策级融合，同样要构造主元素的基本概率。图3中特征集融合的输出分为多个决策id，加上其他子系统的决策进行决策融合。不同传感器测得的观测值经过预处理之后，得到bel1,pl1...beln,pln的参数矩阵(即bpa矩阵)，根据特征级的综合目标种类可信度，经过特征级融合的概率值符合基本概率赋值的条件，则d-s证据理论的概率分配为：

m(gj)＝rjj＝1,2,…,n

m(θ)＝0

将同一时刻测得的不同测点的证据进行融合(图6中d-s组合规则之后的输出矩阵bel1,pl1...beln,pln)。依据时频特征的置信度，计算决策级信源种类的基本概率赋值(bpa)。最后，根据融合后的决策级基本概率赋值(bpa)，对目标进行判决，决策规则如下：

规则1，目标具有最大可信度；

规则2，目标的可信度与其他目标的可信度的差大于某一阈值ε1；

规则3，不确定性区间小于某一阈值ε2；

规则4，目标可信度值大于不确定性区间长度。

通过结构简单的推理模型，降低计算复杂度。由推理模型结构可知，将特征级融合的信源特征，作为决策级融合的输入，计算更精确的基本概率赋值(bpa)。