[发明专利]一种基于声呐图像处理的水下沉埋物识别与定位方法

权利要求书

1.一种基于声呐图像处理的水下沉埋物识别与定位方法，其特征在于，包括以下步骤：

S1、构建可扩展的声呐图像数据库：以实际水上作业探测沉埋物的声呐图像数据为基础，丰富和扩展现有声呐图像数据；

S2、建立深度学习的沉埋物图像识别算法：基于深度学习、人工特征工程和其他先验知识的声呐图像沉埋物检测技术，并以基于沉埋物回波特性识别的水声识别技术为补充手段，形成沉埋物探测识别算法；

S3、标定声呐图像的空间位置坐标：基于船只导航定位系统实现图像声呐成像区域的空间位置标定；

S4、沉埋物探测的声呐图像目标自动识别和定位：通过声呐图像沉埋物检测识别算法自动判读声呐图像，获得沉埋物疑似目标在声呐图像上的像素坐标，再根据声呐图像的空间位置标定信息解算沉埋物疑似目标的实际空间位置，从而实现沉埋物探测的声呐图像目标自动识别和定位。

2.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于，步骤S1中所述丰富和扩展现有声呐图像数据的步骤还包括：择试验水池或合适的湖区布设各种姿态的沉装备和目标模拟物，以船只拖曳声呐图像的方式采集不同距离、方位、角度及姿态等条件下的沉埋物声呐图像，以丰富和扩展现有声呐图像数据。

3.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于步骤S2中，所述形成沉埋物探测识别算法的步骤还包括：

采用HOG—方向梯度直方图、SIFT—尺度不变特征变换和CNN—卷积神经网络三种特征提取算法，并结合沉埋物形状特征等先验知识，增加声呐图像特征提取的互补性和冗余性；

采用SS—选择搜索和RPN—区域提名网络两种算法，进行声呐图像沉埋物目标区域提名；

采用FCN—多层全连接网络算法进行声纳图像的分类和识别。

4.根据权利要求3所述的水下沉埋物识别与定位方法，其特征在于，还包括：分别构建CNN+RPN+FCN、HOG+SS+FCN和SIFT+SS+FCN三种独立的水下沉埋物探测声呐图像目标检测算法。

5.根据权利要求4所述的水下沉埋物识别与定位方法，其特征在于，还包括：采用水声多途反射抗干扰检测技术和高精度声线修正技术对沉埋物回波信号进行修正；对沉埋物回波信号进行多分辨率分解，采用小波基函数进行多层分解，获得各尺度上信号分量能量分布为特征向量，并采用多层FCN为分类器实现对水声回波信号的分类、识别。

6.根据权利要求5所述的水下沉埋物识别与定位方法，其特征在于，还包括：通过对数据进行采样、随机子空间、扰动、投影操作生成多个既与原数据集保持相似数据结构分布，又具有差异性的多个新训练集训练基本检测器，采用bagging集成学习算法，深度融合基础检测器形成沉埋物探测识别算法。

7.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于在步骤s3中，还包括：基于船只拖曳图像声呐搜寻沉埋物时，船只的位置、速等信息，图像声呐的扫描范围、扇区角度、视场角、距离物理参数，从而标定声呐图像的空间位置坐标。

8.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于，步骤S4中，还包括：

自动提取沉埋目标的图像坐标：

position_image＝{x_image,y_image,w_image,h_image} 公式1

提取图像声呐成像区域的空间位置标定，解算声呐图像像素坐标系到空间坐标系的转换矩阵W；

position_space＝W^T×position_image 公式2

实现沉埋物探测的声呐图像目标自动识别和定位。