目标识别方法和目标识别装置技术领域
本发明总的来说涉及图像识别领域，具体来说涉及基于声呐设备的目标识别方法
和目标识别装置。
背景技术
由于海水是一种非均匀有损介质,对声能的吸收和声传播的扩展效应,造成声信
号的衰减和畸变。
同时在海洋中,除了来自目标的反射信号之外,还有其它散射体的存在,如海洋中
大量存在的悬浮物、鱼群、海底的山峦等。由于水声信道是时变和空变的，声信号在传播的
过程中会经过信道滤波后到达接收点，所以接收点接收到的回拨信号是时变的，空变的。
比如，在使用成像声呐对蛙人进行探测的情况下，由于蛙人体积小，目标强度低，
在远距离的情况下，所得到的回波信号信噪比很低，基本上淹没在噪声里面，所得到的声呐
图像很难准确的检测到目标，从而无法准确地对远距离的蛙人等水下小目标进行识别。
因此，对于水下小目标的有效的探测识别一直是水声领域的重点和难点，而当前
解决手段往往是利用成像声纳对声纳图像中的目标进行轨迹跟踪，利用目标的运动特征对
目标进行识别。当回波信号信噪比较低时，声纳图像中的疑似目标点会增多，大大降低依据
声纳图像跟踪目标的有效性。
另一方面，单频信号的探测性能很大程度受到信噪比的影响，低信噪比的信号会
导致成像声纳图像中的对于目标点的检测跟踪概率大大降低。
因而，需要提供改进的目标识别方法和目标识别装置。
发明内容
本发明的目的在于针对上述现有技术中的缺陷和不足，提供能够基于声呐设备有
效地区分目标信号和噪声信号的新颖的和改进的目标识别方法和目标识别装置。
根据本发明的一方面，提供了一种目标识别方法，包括：根据声呐设备原始的多通
道数据进行变换提取数据样本；采用Moore模型提取所述样本数据集的样本响度特征，所述
样本响度特征包括响度、响度质心和总响度；利用特征筛选方法对所述样本响度特征进行
特征筛选；和，利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声
信号。
在上述目标识别方法中，所述根据声呐设备原始的多通道数据进行变换提取数据
样本的步骤具体包括：根据所述声呐设备的声呐图像中目标的距离信息和方位信息提取时
域信号数据；对所述时域信号数据进行希尔伯特变换以得到第一数据；对所述第一数据进
行傅里叶变换以得到各子带频谱；对各子带频谱进行加权求和以提到频域信号数据；和，对
所述频域信号数据进行反傅里叶变换以得到所述样本数据集。
在上述目标识别方法中，所述根据声呐设备原始的多通道数据进行变换提取数据
样本的步骤进一步包括：对所述样本数据集以最大值进行归一化处理，以作为所述样本数
据集。
在上述目标识别方法中，所述样本响度特征的特征向量由多维等价矩形带宽内的
响度值、一维响度质心和一维总响度组成。
在上述目标识别方法中，所述采用Moore模型提取所述样本数据集的样本响度特
征的步骤之前进一步包括：将所述样本数据集迁移到Moore模型的模型分析频带的中心频
率范围中；所述采用Moore模型提取所述样本数据集的样本响度特征的步骤具体包括：将所
述中心频率范围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响
度作为一维响度值。
在上述目标识别方法中，所述等价矩形带宽的数目是38个，且每个等价矩形带宽
ERB(fc)与中心频率fc的关系为：
ERB(fc)＝24.7+0.108fc。
在上述目标识别方法中，所述利用特征筛选方法对所述样本响度特征进行特征筛
选的步骤具体包括：利用主分量分析方法进行特征筛选，以获得所述特征筛选后的样本。
在上述目标识别方法中，所述分类器的训练过程具体包括：将所述特征筛选后的
样本输入混合高斯分类器进行训练，以得到分类器参数；
所述利用训练后的分类器对特征筛选后的样本进行分类的步骤具体包括：利用所
述分类器参数计算所述特征筛选后的样本的分类矩阵Z：
Z＝{zhj|h＝1,...,H；j＝1,2,3}
其中，zhj＝1表示样本属于第j类，否则zhj＝0表示样本不属于第j类，由此确定目
标信号和噪声信号。
根据本发明的另一方面，提供了一种目标识别装置，包括：数据获取单元，用于根
据声呐设备原始的多通道数据进行变换提取数据样本；特征提取单元，用于采用Moore模型
提取所述样本数据集的样本响度特征，所述样本响度特征包括响度、响度质心和总响度；特
征筛选单元，用于利用特征筛选算法对所述样本响度特征进行特征筛选；和，信号分类单
元，用于利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。
在上述目标识别装置中，所述数据获取单元具体用于：根据所述声呐设备的声呐
图像中目标的距离信息和方位信息提取时域信号数据；对所述时域信号数据进行希尔伯特
变换以得到第一数据；对所述第一数据进行傅里叶变换以得到各子带频谱；对各子带频谱
进行加权求和以提到频域信号数据；和，对所述频域信号数据进行反傅里叶变换以得到所
述样本数据集。
在上述目标识别装置中，所述数据获取单元进一步用于：对所述样本数据集以最
大值进行归一化处理，以作为所述样本数据集。
在上述目标识别装置中，所述样本响度特征的特征向量由多维等价矩形带宽内的
响度值、一维响度质心和一维总响度组成。
在上述目标识别装置中，进一步包括：频率迁移单元，用于将所述样本数据集迁移
到Moore模型的模型分析频带的中心频率范围中；所述特征提取单元具体用于：将所述中心
频率范围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响度作为
一维响度值。
在上述目标识别装置中，所述等价矩形带宽的数目是38个，且每个等价矩形带宽
ERB(fc)与中心频率fc的关系为：
ERB(fc)＝24.7+0.108fc。
在上述目标识别装置中，所述特征筛选单元具体用于：利用主分量分析方法进行
特征筛选，以获得所述特征筛选后的样本。
在上述目标识别装置中，所述分类器的训练过程具体包括：将所述特征筛选后的
样本输入混合高斯分类器进行训练，以得到分类器参数；所述信号分类单元具体用于：利用
所述分类器参数计算所述特征筛选后的样本的分类矩阵Z：
Z＝{zhj|h＝1,...,H；j＝1,2,3}
其中，zhj＝1表示样本属于第j类，否则zhj＝0表示样本不属于第j类，由此确定目
标信号和噪声信号。
通过根据本发明的目标识别方法和目标识别装置，可以基于声呐设备有效地区分
目标信号和噪声信号，从而显著提高小目标的识别率，改进声呐设备的跟踪效率。
附图说明
图1是根据本发明实施例的目标识别方法的示意性流程图；
图2是根据本发明实施例的分类器的训练过程的示意性流程图；
图3是根据本发明实施例的目标识别装置的示意性框图。
具体实施方式
以下描述用于公开本发明以使本领域技术人员能够实现本发明。以下描述中的优
选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定
的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背
离本发明的精神和范围的其他技术方案。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，
一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不
能理解为对数量的限制。
以下说明书和权利要求中使用的术语和词不限于字面的含义，而是仅由本发明人
使用以使得能够清楚和一致地理解本发明。因此，对本领域技术人员很明显仅为了说明的
目的而不是为了如所附权利要求和它们的等效物所定义的限制本发明的目的而提供本发
明的各种实施例的以下描述。
虽然比如“第一”、“第二”等的序数将用于描述各种组件，但是在这里不限制那些
组件。该术语仅用于区分一个组件与另一组件。例如，第一组件可以被称为第二组件，且同
样地，第二组件也可以被称为第一组件，而不脱离发明构思的教导。在此使用的术语“和/
或”包括一个或多个关联的列出的项目的任何和全部组合。
在这里使用的术语仅用于描述各种实施例的目的且不意在限制。如在此使用的，
单数形式意在也包括复数形式，除非上下文清楚地指示例外。另外将理解术语“包括”和/或
“具有”当在该说明书中使用时指定所述的特征、数目、步骤、操作、组件、元件或其组合的存
在，而不排除一个或多个其它特征、数目、步骤、操作、组件、元件或其组的存在或者附加。
包括技术和科学术语的在这里使用的术语具有与本领域技术人员通常理解的术
语相同的含义，只要不是不同地限定该术语。应当理解在通常使用的词典中限定的术语具
有与现有技术中的术语的含义一致的含义。
下面结合附图和具体实施方式对本发明作进一步详细的说明：
根据本发明实施例的一方面，提供了一种目标识别方法，包括：根据声呐设备原始
的多通道数据进行变换提取数据样本；采用Moore模型提取该样本数据集的样本响度特征，
该样本响度特征包括响度、响度质心和总响度；利用特征筛选算法对该样本响度特征进行
特征筛选；和，利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声
信号。
图1是根据本发明实施例的目标识别方法的示意性流程图。如图1所示，根据本发
明实施例的目标识别方法包括：S1，根据声呐设备原始的多通道数据进行变换提取数据样
本；S2，采用Moore模型提取该样本数据集的样本响度特征，该样本响度特征包括响度、响度
质心和总响度；S3，利用特征筛选算法对该样本响度特征进行特征筛选；和S4，利用训练后
的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信号。
在上述目标识别方法中，根据声呐设备原始的多通道数据进行变换提取数据样本
的步骤具体包括：根据该声呐设备的声呐图像中目标的距离信息和方位信息提取时域信号
数据；对该时域信号数据进行希尔伯特变换以得到第一数据；对该第一数据进行傅里叶变
换以得到各子带频谱；对各子带频谱进行加权求和以提到频域信号数据；和，对该频域信号
数据进行反傅里叶变换以得到该样本数据集。
具体地说，对于主动声纳系统来说，其发射信号为一宽带信号，接收阵列阵元数为
M，各阵元接收得到的回波为xm(i)＝xm(t)，xm(i)为连续信号xm(t)的离散采样，其中m＝1,
2,...,M，t＝iTs，Ts为采样间隔。根据成像声纳发射信号的时间长度t0及系统采样率fs，选
取数据窗长度为N＝fst0，并依据声纳图像检测出的疑似目标的距离信息A(单位：米)及方位
信息B(单位：度)进行数据提取。其中，目标在原始数据中的起始点为p1＝2A·fs/c取整，截
止点为p2＝p1+N。
主动声呐系统的第m号接收阵元截取的接收数据可以表示为xm＝[xm(0),...,xm
(N-1)]。对xm进行希尔伯特变换，即，之后，对信号进行N点傅
里叶变换，得到各通道频谱，如以下公式(1)所示：
这里，k＝0,...,N-1，为频域子带编号，且各个频率子带的频率对应为fk＝fsk/N,
(k＝0,...,N/2-1)，提取宽带信号频带范围所对应的子带频谱Xm(k1),...,Xm(kn)，其中0＜
k1＜kn＜N/2-1，并且k1到kn为连续n个子带。对上述n个子带依据目标方位信息B及各自子带
频率下的阵列流型进行加权求和处理。由于本方法是基于线列阵实现的，所以依据线列阵
阵列流型，第m号接收阵元权值由以下公式(2)表示：
ωm(fk)＝exp(2π(m-1)d sin(πB/180)/λk) (2)
其中d为阵元间距，λk为fk对应的声波波长，则对各子带进行窄带波束形成，输出由
以下公式(3)表示
其中，k＝k1,...,kn。
对于k1到kn外的频率子带，对各通道相对应的子带仅进行加和处理，得到的频域信
号Y(k)，k＝0,...,N-1。接下来，对Y(k)进行反傅里叶变换。
之后，对于经过反傅里叶变换之后的时域数据取实部并以最大值归一化，即得到
本方法中所述的样本时域数据y(i),i＝0,...,N-1。
也就是说，在上述目标识别方法中，根据声呐设备原始的多通道数据进行变换提
取数据样本的步骤进一步包括：对于该频域信号数据进行反傅里叶变换之后得到的时域信
号数据，以最大值进行归一化处理，以作为样本数据集。
在根据本发明实施例的目标识别方法中，对于主动声纳发射的宽带信号进行探测
来说，回波信号中包含的可利用的频率信息丰富，能够有效地区分目标信号与噪声信号，可
显著提高识别率，保证成像声纳跟踪效率。
在上述目标识别方法中，该样本响度特征的特征向量由多维等价矩形带宽内的响
度值、一维响度质心和一维总响度组成。
在上述目标识别方法中，该采用Moore模型提取该样本数据集的样本响度特征的
步骤之前进一步包括：将该样本数据集迁移到Moore模型的模型分析频带的中心频率范围
中；采用Moore模型提取该样本数据集的样本响度特征的步骤具体包括：将所述中心频率范
围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响度作为一维响
度值。
在上述目标识别方法中，该等价矩形带宽的数目是38个，且每个等价矩形带宽ERB
(fc)与中心频率fc的关系为：
ERB(fc)＝24.7+0.108fc。
具体来说，本方法采用Moore模型进行样本响度特征提取，提取特征包括各个等价
矩形带宽(Equivalent Rectangular Bandwidth，ERB)内的响度、响度质心和总响度。由于
Moore模型是基于人耳听觉特性建立的，该模型分析频带的中心频率范围为50Hz-15000Hz，
所以先对样本信号y进行频谱搬移，搬移到模型所述频带范围内，再进行计算。根据Moore模
型建立滤波器组，并在50Hz-15000Hz上划分38个ERB，ERB与中心频率的关系为
ERB(fc)＝24.7+0.108fc
选取结果如以下表1所示。
【表1】
根据以下公式(4)和(5)计算每个ERB频带范围内的响度：
其中E表示信号的激励级，ETHRQ为可听阈能量级，Pj是指ERB内频点j处声压值。计算
中，根据经验，C取定值0.046871，G取0.1，α取0.2。
根据以下公式(6)和(7)计算响度质心：
fERB＝21.4log10(0.00437fc+1) (7)
其中，N为ERB总数，fERB为第n个中心频率fc对应的ERB频率，N'(n)为第n个ERB的响
度值。
根据以下公式(8)计算总响度：
其中总响度为各ERB内响度和的2倍。
在上述目标识别方法中，利用特征筛选算法对该样本响度特征进行特征筛选的步
骤具体包括：利用主分量分析方法进行特征筛选，以获得特征筛选后的样本。
具体来说，在根据本发明实施例的目标识别方法中，根据上述模型提取的特征，特
征向量由38维ERB的响度值、1维响度质心和1维总响度组成。为了减少后续分类器训练及测
试样本的特征维数，保证信息不冗余，可以利用主分量分析方法进行特征筛选。对于第h个
样本特征向量Qh＝[q1,...,q40]T，其样本向量协方差矩阵C如以下公式(9)和(10)表示：
其中，为样本均值，H为样本总数；C为对称矩阵，维数为40×40。
计算C的特征值λ1,...,λ40和对应的特征向量u1,...,u40，将各特征值按从大到小
顺序进行排列λ1≥...≥λ40。特征值越大，在重构特征矩阵时的贡献越大，由此可以略去小
特征值。前m个主分量的贡献率如以下公式(11)表示：
在根据本发明实施例的目标识别方法中，可以按照实际需要来确定m的数目。例
如，当前m个主分量累积贡献率大于90％时，取此m值为主分量个数，并取前m个主分量作为
提取后的样本特征向量。则前m个主分量可由以下公式(12)得到：
Yh＝UTQh (12)
其中U＝(u1,...,um)为40×m维主分量矩阵，Yh＝(y1,...,ym)T为主成分提取后样
本，为m维向量。保存矩阵U用于未知样本的主分量提取。
在上述目标识别方法中，该分类器的训练过程具体包括：将特征筛选后的样本输
入混合高斯分类器进行训练，以得到分类器参数；
该利用训练后的分类器对特征筛选后的样本进行分类的步骤具体包括：利用该分
类器参数计算特征筛选后的样本的分类矩阵Z：
Z＝{zhj|h＝1,...,H；j＝1,2,3}
其中，zhj＝1表示样本属于第j类，否则zhj＝0表示样本不属于第j类，由此确定目
标信号和噪声信号。
具体来说，对于通过主分量分析方法特征筛选后提取出来的样本Yh，输入混合高
斯分类器进行训练。混合高斯分类器训练过程如下：
对于样本集Y＝{Yh|h＝1,...,H}，目标分类数为3类，初始化分类矩阵Z＝{zhj|h＝
1,...,H；j＝1,2,3}，zhj＝1表示数据Yh属于第j类，否则zhj＝0表示数据Yh不属于第j类。
每个类定义了一个高斯分布，如以下公式(13)表示：
其中μj＝[μj1,...,μjm]T是第j类m维均值列向量，由以下公式(14)和(15)表示：
先前概率累加，由以下公式(16)表示：
ρj·G(Y；μj，∑j·),j＝1,2，3 (16)
则任意一项Xi的概率由以下公式(17)表示：
计算zhj的期望值，并用它计算最大似然估计，由以下公式(18)和(19)
表示：
E(Zhj|Yh；θj)＝ρj·G(Yh；μj,∑j·)/p(Yh) (18)
反复迭代计算μj，∑j·时，并将产生的E替换Z即可，反复迭代，直到收敛。
分类器收敛判断：将前一次迭代计算得到的分类矩阵Zp与后一次迭代计算得到的
Zp+1作差得迭代误差，由以下公式(20)表示：
当迭代误差e＜e0时，认为分类器训练收敛，e0为收敛阈值。保存当前μj，∑j·作为
分类器参数。
之后，同样采用根据主分量分析方法得到的特征筛选后的主分量特征向量
Yh，依据上述步骤训练得到的分类器参数μj和∑j·计算zhj。这样，zhj＝1当且仅当
就达到了数据分类的目的。
图2是根据本发明实施例的分类器的训练过程的示意性流程图。如图2所示，根据
本发明实施例的分类器的训练过程包括：S11，根据声呐设备原始的多通道数据进行变换提
取数据样本；S12，采用Moore模型提取该样本数据集的样本响度特征，该样本响度特征包括
响度、响度质心和总响度；S13，利用特征筛选算法对该样本响度特征进行特征筛选；和S14，
以特征筛选后的样本特征向量训练混合高斯分类器，并保存训练得到的分类器参数。
这里，本领域技术人员可以理解，根据本发明实施例的分类器的训练过程中所采
用的样本特征向量与根据本发明实施例的目标识别方法中所采用的样本特征向量相同。因
此，根据本发明实施例的分类器的训练过程中的步骤S11到S13实质上与根据本发明实施例
的目标识别方法中的步骤S1到S3相同。只是通过主分量分析方法特征筛选后的样本特征向
量首先用于对混合高斯分类器进行分类，然后再通过训练好的分类器进行分类。
通过根据本发明实施例的目标识别方法，通过对声纳图像检测到的疑似目标点进
行再识别，保留目标点，剔除噪声点，将会大大提高成像声纳跟踪效率。另外，根据本发明实
施例的目标识别方法显著改善了单频发射信号回波样本识别率低下问题，为成像声呐对水
下小目标进行有效的跟踪识别提供了有力保证。
根据本发明实施例的另一方面，提供了一种目标识别装置，包括：数据获取单元，
用于根据声呐设备原始的多通道数据进行变换提取数据样本；特征提取单元，用于采用
Moore模型提取该样本数据集的样本响度特征，该样本响度特征包括响度、响度质心和总响
度；特征筛选单元，用于利用特征筛选算法对该样本响度特征进行特征筛选；和，信号分类
单元，用于利用训练后的分类器对特征筛选后的样本进行分类，以确定目标信号和噪声信
号。
图3是根据本发明实施例的目标识别装置的示意性框图。如图3所示，根据本发明
实施例的目标识别装置100包括：数据获取单元101，用于根据声呐设备原始的多通道数据
进行变换提取数据样本；特征提取单元102，用于采用Moore模型提取数据获取单元101所获
取的样本数据集的样本响度特征，该样本响度特征包括响度、响度质心和总响度；特征筛选
单元103，用于利用特征筛选算法对特征提取单元102所提取出的样本响度特征进行特征筛
选，以得到特征筛选后的样本特征向量；和，信号分类单元104，用于利用训练后的分类器对
特征筛选单元103特征筛选后的样本进行分类，以确定目标信号和噪声信号。
在上述目标识别装置中，该数据获取单元具体用于：根据该声呐设备的声呐图像
中目标的距离信息和方位信息提取时域信号数据；对该时域信号数据进行希尔伯特变换以
得到第一数据；对该第一数据进行傅里叶变换以得到各子带频谱；对各子带频谱进行加权
求和以提到频域信号数据；和，对该频域信号数据进行反傅里叶变换以得到该样本数据集。
在上述目标识别装置中，该数据获取单元进一步用于：对该样本数据集以最大值
进行归一化处理，以作为该样本数据集。
在上述目标识别装置中，该样本响度特征的特征向量由多维等价矩形带宽内的响
度值、一维响度质心和一维总响度组成。
在上述目标识别装置中，进一步包括：频率迁移单元，用于将该样本数据集迁移到
Moore模型的模型分析频带的中心频率范围中；该特征提取单元具体用于：将该中心频率范
围划分为多个等价矩形带宽；和，计算每个等价矩形带宽的频带范围内的响度作为一维响
度值。
在上述目标识别装置中，该等价矩形带宽的数目是38个，且每个等价矩形带宽ERB
(fc)与中心频率fc的关系为：
ERB(fc)＝24.7+0.108fc。
在上述目标识别装置中，该特征筛选单元具体用于：利用主分量分析方法进行特
征筛选，以获得该特征筛选后的样本。
在上述目标识别装置中，该分类器的训练过程具体包括：将该特征筛选后的样本
输入混合高斯分类器进行训练，以得到分类器参数；该信号分类单元具体用于：利用该分类
器参数计算该特征筛选后的样本的分类矩阵Z：
Z＝{zhj|h＝1,...,H；j＝1,2,3}
其中，zhj＝1表示样本属于第j类，否则zhj＝0表示样本不属于第j类，由此确定目
标信号和噪声信号。
这里，本领域技术人员可以理解，根据本发明实施例的目标识别装置的其它细节
与之前关于根据本发明实施例的目标识别方法描述的相应细节相同，因此在这里不再赘
述。
在根据本发明的目标识别方法和目标识别装置中，对声纳图像检测到的疑似目标
点进行再识别，保留目标点，剔除噪声点，将会显著地提高成像声纳的跟踪效率。
通过根据本发明的目标识别方法和目标识别装置，可以基于声呐设备有效地区分
目标信号和噪声信号，从而显著提高小目标的识别率，改进声呐设备的跟踪效率。
当然，本发明还可有其它多种实施例，在不背离本发明的精神及其实质的情况下，
熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和
变形都应属于本发明所附的权利要求的保护范围。