AUV前视声纳成像与目标特征提取方法研究

论文摘要

随着海洋探测与开发的不断深入,具有自主导航能力的水下航行器的需求越来越大。在复杂的水下环境中,声纳传感器是自主水下机器人(AUV)重要的感知设备,水下环境探测、目标特征提取与目标识别也是AUV领域中的核心问题,与传统声纳系统不同,AUV的声视觉系统必须具备环境感知、信息获取、声图生成与构建、目标特征提取与目标识别等功能。因此,这方面的研究具有重要的意义。本论文依托国家863项目——基于声纳和水下视觉的深海复杂环境下AUV组合导航系统关键技术,主要工作就是对AUV的水声探测及导航系统进行进一步的研究,寻找适合AUV声纳图像处理及目标特征提取与识别的相关技术。在声纳成像方面,本文介绍了利用Tritech公司的Super Seaking DST频数字机械扫描前视声纳作为组合导航主要的传感器,连续发送并接收环境中反馈的回波数据,将得到的固定范围内的回波数据通过有效的选择和处理后,使其可视化显示,即生成实际环境的原始声纳图像。在声纳图像预处理方面,本文首先介绍和分析了脉冲耦合神经网络(PCNN)与交叉皮层神经元(ICM)模型的结构模型、基本原理以及在图像处理中的应用,其中进行了对比分析,而后,在ICM神经元模型的基础上对声纳图像进行了对比度变换、图像分割等预处理,增加了预处理与特征提取阶段的连续性、实时性、有效性等。在目标特征提取方面,本文首先介绍了经典的几何不变特征,以及具有旋转、平移和比例不变性的矩特征,作为描述目标的特征向量。在此,研究了一种改进的图像几何特征提取的计算框架,该框架结合顶点链码与离散格林,优化了特征向量的计算,能够快速地计算目标特征向量,同时可以有效地应用于后续的目标分类识别与跟踪工作。同时,针对水下环境中返回相对要平缓的大面积闭合斑块,对比分析了最小二乘基本理论,以及对于区域目标进行椭圆拟合的应用,同样地,采用该计算框架计算矩特征值,表征并提取区域斑块椭圆特征。最后,结合前几章中总结的图像特征提取和识别技术,以及声纳图像的特点,以AUV为出发点,提出并实现了具体的声纳图像处理与目标特征提取方法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 国内外发展现状
• 1.2.1 国内研究现状
• 1.2.2 国外研究现状
• 1.3 声纳技术研究现状
• 1.4 声纳图像处理技术研究现状
• 1.5 声纳图像特征提取研究现状
• 1.6 论文研究内容和组织结构
• 2 声纳成像研究
• 2.1 水声信号传播特点
• 2.2 单波束前视扫描声纳成像特点
• 2.3 SUPER SEAKING DST 前视声纳
• 2.3.1 SUPER SEAKING DST 前视声纳
• 2.3.2 声纳回波数据接收
• 2.3.3 声纳回波数据解析
• 2.3.4 声纳回波数据显示
• 2.5 本章小结
• 3 声纳图像预处理
• 3.1 PCNN 及图像处理应用
• 3.1.1 PCNN 模型
• 3.1.2 PCNN 图像处理应用
• 3.2 ICM 声纳图像预处理
• 3.2.1 ICM 模型
• 3.2.2 ICM 平滑去噪
• 3.2.3 ICM 灰度变换
• 3.2.4 ICM 图像分割
• 3.3 本章小结
• 4 目标特征提取
• 4.1 经典几何特征
• 4.2 不变矩特征
• 4.2.1 图像的几何矩
• 4.2.2 几何矩的物理意义
• 4.2.2 Hu 不变矩特征
• 4.3 区域特征
• 4.3.1 椭圆表示
• 4.3.2 椭圆特征
• 4.4 改进的图像几何特征提取
• 4.4.1 顶点链码
• 4.4.2 顶点链码抽取
• 4.4.3 顶点链码与离散格林结合
• 4.5 AUV 声纳目标特征提取
• 4.5.1 点特征提取
• 4.5.2 斑特征提取
• 4.6 本章小结
• 5 总结展望
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文