中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2025 , Vol. 47 >Issue 3: 116 - 120

DOI: https://doi.org/10.3969/j.issn.1673-3819.2025.03.016

武器信息系统

基于机器视觉被动声呐战位辅助操作技术

  • 代中华 ,
  • 金巧园 ,
  • 杨鼎 ,
  • 程雨
展开
  • 上海船舶电子设备研究所, 上海 201100

代中华(1984—),男,高级工程师,研究方向为水声对抗及图像处理。

金巧园(1993—),女,工程师。

Copy editor: 许韦韦

收稿日期: 2025-02-18

  修回日期: 2025-03-04

  网络出版日期: 2025-05-28

收起

Stationauxiliary operation technology for sonar digital image processing based on machine vision

  • DAI Zhonghua ,
  • JIN Qiaoyuan ,
  • YANG Ding ,
  • CHENG Yu
Expand
  • Shanghai Marine Electronic Equipment Research Institute, Shanghai 201100, China

Received date: 2025-02-18

  Revised date: 2025-03-04

  Online published: 2025-05-28

Fold

摘要

水面舰艇通过敏感海域时,被动声呐操作员需集中精力观测声呐图像及水下/水面目标态势来人工提取关键信息,长时间工作存在漏报误报的风险。针对该问题提出一种基于机器视觉的被动声呐战位辅助操作技术。首先,运用突变信号检测算法提取声呐图像中威胁目标突变信号;其次,运用轨迹检测算法提取威胁目标宽带轨迹、窄带轨迹等关键特征;然后,再综合利用已知水面/水下目标态势、被动声呐关键特征、不同态势下权重因子,生成声呐有效观测范围内来袭目标的威胁判断;最后,根据威判结果自动控制声呐进行威胁目标跟踪。本技术可有效减轻声呐操作员的工作强度,缩短人为反应时间,降低漏报误报风险,提高威胁目标对抗效能。

关键词： 突变信号检测; 宽窄带轨迹提取; 航迹拟合; 威胁判断

本文引用格式

代中华 , 金巧园 , 杨鼎 , 程雨 . 基于机器视觉被动声呐战位辅助操作技术[J]. 指挥控制与仿真, 2025 , 47(3) : 116 -120 . DOI: 10.3969/j.issn.1673-3819.2025.03.016

Abstract

Passive sonar operator of a ship needs to concentrate on observing sonar interface and underwater or surface target situation for a long time to extract key information manually maritime operations when surface vessels pass through sensitive waters, there is the risk of missing and false alarm. A station auxiliary operation technology for sonar digital image processing based on machine vision is proposed. First, the transient signal detection algorithm is used to extract the threat target mutation signal. Secondly, we use trajectory detection algorithm to extract key features of target, such as wideband trajectory and narrowband trajectory. Then, the threat judgment of an incoming threat target in each position within the effective observation range of sonar is generated by synthetically using the situation of a surface or underwater target. Finally, the sonar is automatically controlled to track the threat target according to the result of arbitrage. This technology can effectively reduce the work intensity of sonar operation, shorten the risk of false alarm and improve the threat target adversarial efficiency.

Key words： transient signal detection; wideband and narrowband trajectory detection; track fitting; threat judgment

水下攻击是水面舰艇面临的主要威胁之一,随着鱼雷技术的快速发展,水下威胁的复杂性和危险性日益加剧。在海上作战中,尽早实现对水下来袭目标的方位预警与跟踪,能够为舰艇争取更多时间来实施水声对抗及机动规避策略,从而显著提升舰艇的防御成功率。然而,海洋环境通常复杂多变,尤其在敏感海域航行时,舰艇声呐操作员需长时间集中精力观测声呐界面及水下/水面目标态势,并人工提取关键信息。这种高强度工作模式极易导致操作员疲劳,进而增加漏报和误报的风险。
目前,威胁判断的常用方法主要包括以下几种:一是通过归一化方法将威胁时间转化为攻击时效性系数[1];二是采用威胁因素重要性加权因子,综合考虑尺度特征、空间张角、航行速度、多普勒速度匹配度及距离等因素,评估多目标威胁程度[2];三是基于潜艇攻击阵位计算模型,结合来袭目标的性能参数,确定攻击威胁扇面[3];四是运用层次分析理论,引入编队攻击意图系数和编队攻击达成系数,研究潜艇对水面舰艇编队的威胁判断[4];五是通过迭代法和估算法分析来袭目标的航路范围,确定不同舷角、航速及距离下的水下目标威胁区域[5]。
本文提出了一种基于被动声呐的目标威胁评估与跟踪方法,旨在提升舰艇对水下威胁的自动化应对能力。该方法利用突变信号检测算法从被动声呐能量检测数据中提取目标的瞬态突变信号,并采用轨迹检测算法提取目标的宽带轨迹与窄带轨迹等关键特征。通过综合已知的水面/水下目标态势、被动声呐的关键特征及不同态势下的权重因子设置,构建声呐有效观测范围内各方位来袭目标的威胁评估模型。基于威胁评估结果,实现声呐对威胁目标的自动跟踪控制。该方法在不增加硬件成本的前提下,通过算法优化显著提升了目标跟踪的自动化水平,为舰艇防御提供了更为高效与可靠的技术支撑。

1 图像处理方法

1.1 被动声呐突变信号检测

首先,对被动声呐输出的原始信号数据进行处理,按时间历程归一化为(0~255)的灰度图像。随后,对灰度图像进行顶帽操作,以剔除水面舰船引入的噪声干扰,其中结构元素选用半径为2象素的平面圆盘。采用固定阈值H=0.08对顶帽运算结果进行二值化处理,将目标前景与背景噪声分离。接着,利用形态学开运算操作对目标前景中的细小噪点进行滤波[6]。进一步,采用Canny算子[7-8]进行边缘检测,提取突变信号轮廓。轮廓检索模式设置为仅检测外围轮廓,并保存物体边界上所有连续的轮廓点。基于提取的轮廓点,寻找包覆此轮廓的最小正矩形,并结合突变信号的宽度、高度及面积范围的先验知识,剔除干扰矩形。由于起始时刻和最后一个时刻易产生大量误检,剔除这两个时刻的检测结果。
Canny算子是一种多级图像边缘检测算法,相较于其他基于单一求导方式的边缘检测算法,Canny算法在边缘检测效果上表现出显著优势。该算法包含4个主要步骤:首先对原始图像进行高斯滤波以去除噪声;其次计算图像的梯度幅值与方向;随后通过非极大值抑制细化边缘;最后利用双阈值连接图像边缘,形成完整的边缘线。
(1)图像滤波:利用高斯函数与原始灰度图像进行卷积运算完成对图像的滤波,公式(1)和公式(2)为利用高斯滤波函数对图像进行滤波操作的数学描述:
G(x,y)= 1 2 π σ 2exp(- x 2 + y 2 2 σ 2)
I(x,y)=f(x,y)*G(x,y)
公式(1)中的G(x, y)为二维高斯滤波函数,式中σ为高斯函数标准差。在进行图像滤波时,σ可以控制滤波操作的平滑程度,当选取较小的σ值时,此时滤波器有较好的定位精度,但是对图像的去噪效果较差,而当选取较大σ值时,滤波器的情况与之相反。因此,在利用高斯滤波进行图像去噪时,有必要根据具体应用需求选取合适的高斯滤波参数。公式(2)中的f(x, y)、I(x, y)分别为原始灰度图像和高斯滤波后的图像。
(2)计算图像的梯度幅值与方向:在Canny边缘检测算法中,采用的是2×2邻域内一阶导数的有限差分来计算滤波后图像的梯度幅值与方向。

Px(i,j)= I ( i , j + 1 ) - I ( i , j ) + I ( i + 1 , j + 1 ) - I ( i + 1 , j ) 2

Py(i,j)= I ( i , j ) - I ( i + 1 , j ) + I ( i , j + 1 ) - I ( i + 1 , j + 1 ) 2

根据公式(3)和(4)可计算出图像中任一像素点(i, j)在其x方向和y方向上的偏导数Px(i, j)和Py(i, j),由此便可计算出像素点(i, j)处的梯度幅值M(i, j)和方向θ(i, j),计算方法如公式(5)和(6)所示:

M(i,j)= P x ( i , j ) 2 + P y ( i , j ) 2

θ(i,j)=tan-1 P y ( i , j ) P x ( i , j )

(3)非极大值抑制:此步骤是梯度幅值图像处理的关键环节,不仅能够细化梯度幅值图像的边缘,还能有效抑制非边缘点。在执行该步骤时,以当前像素点(i, j)为中心,将其8邻域像素点根据中心像素点的对称关系划分为4个部分。随后,将当前像素点(i, j)的梯度幅值与具有相同梯度方向的两个相邻像素点进行比较。若中心像素点的梯度幅值小于其中任意一个相邻像素点的梯度幅值,则将其标记为非边缘点。
(4)高低阈值连接边缘:通过设置高、低两个阈值,对经过非极大值抑制后的图像进行进一步处理。基于高低阈值,将边缘像素分为三类:梯度幅值大于高阈值的像素点被标记为强边缘点;梯度幅值介于低阈值与高阈值之间的像素点被标记为弱边缘点;梯度幅值低于低阈值的像素点被标记为非边缘点。随后,对于弱边缘点,通过判断其邻域内是否存在梯度幅值大于高阈值的强边缘点,来确定其是否属于有效边缘点。

1.2 目标历程轨迹检测

在T+1时刻,对被动声呐宽带检测历程图像进行预处理操作,以分离目标与背景信息。在此基础上,采用霍夫变换[9-10]进行轨迹提取,获取本舰周围背景环境的初始态势信息,并初步提取G'个当前时刻的宽带检测目标数据。
霍夫变换作为一种经典的特征提取方法,广泛应用于图像分析、数字图像处理及计算机视觉等领域。其核心思想是通过将图像中的特定形状特征检测问题转化为参数空间中的极值点搜索问题。对于边缘检测后的图像,霍夫变换能够有效提取其中的特定形状特征。具体而言,通过构建相应的参数空间,将图像中的形状特征映射为参数空间中的极值点,这些极值点对应的参数集即为所需提取的特征形状。
在直线检测的应用中,霍夫变换将图像中的直线映射为参数空间中的点(b,m),其中b为截距,m为斜率。然而,对于垂直直线,斜率m趋近于无穷大,导致参数空间表示失效。为解决这一问题,实际应用中通常采用直线的极坐标形式,如公式(7)所示,将图像中的直线映射为霍夫空间中的极坐标点。在此基础上,通过引入累加投票机制,实现对图像中直线的精确检测。
r=xcos θ+ycos θ
通过霍夫变换提取到G'个当前时刻的宽带检测目标数据后,进一步处理T+1时刻被动声呐输出的宽带检测数据。基于目标为局部能量极值点且其能量值比周围环境高出E分贝的假设,对G'个目标数据进行筛选,剔除不符合要求的噪声点,最终得到G个(G≤G')宽带检测目标数据。
根据声呐探测对象的动力学特性,目标运动具有连续性,其位置和运动方向在一定时间范围内不会发生突变。基于这一特性,在T时间内检测到的宽带检测轨迹基础上,外推下一时刻的目标位置。对于轨迹外推值与最新检测值,首先设置距离阈值进行初步筛选,随后从符合条件的候选对象中选取能量强度相似度最高的目标,从而实现G个最新目标检测数据与N条现有宽带检测轨迹的精确数据关联。
对于未匹配到目标检测数据的轨迹,采用外推值代替检测值进行更新。为确保跟踪的可靠性,根据多次实验的结果,采用如下策略。每增加一次外推操作,权重λk递减0.05;当成功匹配到目标检测数据时,外推次数清零,并将权重λk重置为0.2;若外推次数超过4个声呐周期,则该轨迹终止,权重λk置为0。对于未匹配且远离现有轨迹的孤立目标数据,将其处理为新增轨迹的起始点。同时,剔除从T时间内持续存在的轨迹,以提取突现的宽带检测轨迹。窄带检测图像中的目标历程轨迹提取采用与宽带检测相同的方法。
图1展示了宽带检测图像与窄带检测图像经过预处理后的结果。从图中可以看出,原始宽带检测和窄带检测图像中的大量背景噪声被有效滤除,仅保留了关键目标信息,并以归一化灰度图的形式呈现。
图1 声呐图像预处理后效果图

Fig.1 Preprocessed sonar image rendering

1.3 目标特征拟合

根据声呐探测对象的运动规律,采用二阶拟合曲线y=b0+b1x+b2x2作为拟合模型,并基于最小二乘算法对突现的宽带检测轨迹、窄带轨迹及突变信号进行曲线拟合。
图2(a)展示了宽带检测轨迹与突变信号的拟合结果。其中,历程图中的青蓝色小点表示突变信号,蓝色和红色的连续点分别代表宽带检测结果,右侧为能量色卡,蓝色表示低能量,红色表示高能量,黄绿色线条为宽带拟合结果。拟合结果表明,宽带检测轨迹与突变信号具有显著相关性。图2(b)展示了宽带检测结果、窄带检测结果与突变信号的联合拟合结果。历程图中,青蓝色小点表示突变信号,红色和蓝色的连续点分别代表窄带检测结果,右侧为能量色卡,蓝色表示低能量,红色表示高能量,黄绿色线条为窄带拟合结果。拟合结果表明,窄带检测轨迹、宽带检测轨迹与突变信号之间存在显著相关性。
图2 航迹拟合图

Fig.2 Track fitting diagram

2 目标威胁辅助判断生成

在实际作战场景中,声呐操作员在观测被动声呐图像的同时,还可实时获取水下威胁目标发射平台及本舰周围水面舰船的位置信息。基于上文所述的突变信号检测、宽带/窄带轨迹提取及拟合结果,本部分进一步结合水下威胁目标发射平台及本舰周围水面舰船的位置信息,在时间维度上生成被动声呐观测范围内的威胁目标提示图。具体实现步骤如下:
设被动声呐观测范围θx~θy,初始化θx~θy内各角度威胁等级λz=0。
根据本舰其他探测设备输出结果,判断本舰周围是否存在威胁目标发射平台。若存在,则将发射平台方位、距离折算至被动声呐拖线阵基准点,同时将θ方位列为威胁方位,设敌方发射平台威胁等级权重为λi,λz=λi;若不存在,则λz=0。
对被动声呐宽带检测及短积分图像进行边缘检测和轮廓提取,提取瞬态信号。若存在瞬态信号,则将该时刻记为T1时刻,瞬态信号威胁等级权重为λj,其中λz=λj。
在T+1时刻,提取当前被动声呐输出的最新宽带检测目标数据;将最新目标数据与T时间内检测到的宽带检测轨迹进行数据关联。在利用被动声呐探测来袭目标的应用环境中,重点关注T时间之后突然出现的宽带检测轨迹;若存在突现的宽带检测轨迹,则宽带检测轨迹存在的等级权重为λk,λk威胁权重随宽带轨迹在时间上的累计而变化;宽带轨迹附近方位,如果有T1时刻的突变信号或发射平台信息,则利用最小二乘法进行曲线拟合,若拟合成功,则宽带检测轨迹所在方位威胁等级权重为λz=λi+λj+λk;若拟合不成功或附近无突变信号、发射平台信息,则仍为λz=λk。
在T+1时刻,提取当前被动声呐输出的最新窄带检测目标数据;将最新目标数据与T时间内检测到的窄带检测轨迹进行数据关联。重点关注T时间之后突然出现的窄带检测轨迹,若存在突现窄带检测轨迹,则窄带检测轨迹存在的等级权重为λl,λl威胁权重随窄带轨迹在时间上的累计而变化;窄带轨迹附近方位,如果有T1时刻的突变信号、发射平台信息或宽带轨迹,则利用最小二乘法进行曲线拟合;若拟合成功,则窄带检测轨迹所在方位威胁等级权重为λz=λi+λj+λk+λl;若拟合不成功或附近无瞬态信号或发射平台信息、宽带轨迹,则仍为λz=λl。
为减弱水面目标对输出来袭目标威判结果的影响,根据折算的近距水面目标方位,在检测出宽带/窄带轨迹信息并且无突变信号等明显威胁目标来袭特征情况下,反向递减威判权重。无突变信号的宽带/窄带轨迹信息权重为λm,则该方位威胁等级权重为λz=λi+λj+λk+λl-λm。
为方便战位人员直观判断,立足工程应用,将获取被动声呐观测范围θx~θy内各方位的λz按时间历程归一化成(0~255)灰度图像,并将灰度图像按色表转为伪彩图像。根据生成的威判等级结果自动向声呐发送目标录取命令,进行威胁目标跟踪。
在实验过程中,设置发射平台等级权重为λi=0.3,突变信号威胁等级权重为λj=0.3,宽带检测轨迹存在的等级权重为λk=0.2,窄带检测轨迹存在的等级权重为λl=0.2,水面目标威胁等级权重为-0.2。生成被动声呐观测范围内威判图如图3所示。
图3 观测范围内威胁判断图

Fig.3 Threat judgment diagram for observation range

3 结束语

本文围绕通过优化被动声呐的信号处理与目标跟踪算法,提升对来袭目标的威胁评估与跟踪能力。研究采用突变信号检测算法提取目标的瞬态信号,结合轨迹检测算法提取目标的宽带和窄带轨迹特征,并综合目标态势、声呐特征及权重因子设置,实现对声呐观测范围内各方位目标的威胁评估。通过自动控制声呐对威胁目标进行跟踪,能够在不增加硬件成本的前提下,减轻操作员负担,缩短反应时间,降低漏报和误报风险,从而间接提升对水下目标的对抗效能。该技术的应用前景广阔,可广泛应用于军事防御、海洋监测与安全以及海洋科研、水下勘探等领域。未来,随着算法优化和硬件性能的提升,有望在更多复杂场景中实现应用,为水下目标探测与跟踪提供更高效、可靠的解决方案。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
吴文龙, 黄文斌, 刘剑. 水面舰艇编队对潜攻击时效研究[J]. 舰船科学技术, 2009, 31(3): 112-118,159.

WU W L, HUANG W B, LIU J. Research on the time efficiency of submarine attack by surface fleet[J]. Ship Science and Technology, 2009, 31(3): 112-118,159.

[2]
杨向锋, 杨云川, 张奎, 等. 鱼雷多目标威胁评估建模与仿真[J]. 鱼雷技术, 2014, 22(5): 337-340.

YANG X F, YANG Y C, ZHANG K, et al. Modeling and simulation for evaluation of multiple-target threat against torpedo[J]. Journal of Unmanned Undersea Systems, 2014, 22(5): 337-340.

[3]
吴福初, 石文星, 吴杰. 大型舰船受潜艇鱼雷攻击威胁扇面分析[J]. 海军航空工程学院学报, 2014, 29(3): 291-295.

WU F C, SHI W X, WU J. Threat sector analysis of the large ship by submarine torpedo attack[J]. Journal of Naval Aeronautical and Astronautical University, 2014, 29(3): 291-295.

[4]
吴文龙, 黄文斌, 刘剑. NCW背景下的潜艇对水面舰艇编队威胁判断[J]. 指挥控制与仿真, 2008, 30(6): 24-28, 31.

WU W L, HUANG W B, LIU J. Threat assessment of submarine attacking on fleet based on NCW[J]. Command Control & Simulation, 2008, 30(6): 24-28, 31.

[5]
赵向涛, 寇祝, 王佳婧, 等. 声自导鱼雷搜索航路威胁区域分析[J]. 水下无人系统学报, 2021, 29(3): 344-349.

ZHAO X T, KOU Z, WANG J J, et al. Analysis of acoustic homing torpedo searching threat area[J]. Journal of Unmanned Undersea Systems, 2021, 29(3): 344-349.

[6]
程雨, 金巧园, 代中华, 等. 一种基于图像处理的水下小目标航迹自动跟踪方法[J]. 舰船电子工程, 2023, 43(1): 36-40.

CHENG Y, JIN Q Y, DAI Z H, et al. An automatic tracking method for small underwater targets based on image processing[J]. Ship Electronic Engineering, 2023, 43(1): 36-40.

[7]
CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679-698.

PMID

[8]
CHEN D, CHENG J J, HE H Y, et al. Computed tomography reconstruction based on canny edge detection algorithm for acute expansion of epidural hematoma[J]. Journal of Radiation Research and Applied Sciences, 2022, 15(3): 279-284.

[9]
Duda R O, Hart P E. Use of the hough transformation to detect lines and curves in pictures[J]. Communications of the ACM, 1972, 15(1): 11-15.

[10]
HAN S Y, XIAO X, SONG B Y, et al. Automatic borehole fracture detection and characterization with tailored Faster R-CNN and simplified Hough transform[J]. Engineering Applications of Artificial Intelligence, 2023(126): 107 024.

Options
文章导航

/

〈 〉