基于聲吶輔助自航式海底勘探、救援搜索方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于聲吶輔助自航式海底勘探、救援搜索方法，屬于自航式海底勘探 搜索策略技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 目前流行的海底勘探、救援的搜索方法，主要是針對(duì)目標(biāo)區(qū)域，預(yù)先規(guī)劃好水下航 行器的航行路線，使水下航行器根據(jù)既定路線完成對(duì)海底的勘探和搜索救援。然而，此種搜 索方法只能對(duì)既定目標(biāo)區(qū)域進(jìn)行搜索，無法完成對(duì)目標(biāo)區(qū)域以外的其他搜索區(qū)域的勘探和 搜索，并且在實(shí)現(xiàn)對(duì)范圍較大的區(qū)域進(jìn)行勘探和搜索時(shí)，具有明顯的人為干預(yù)性和無目的 性，極大的浪費(fèi)了人力物力，顯示出了目前海底勘探、搜索策略的局限性和非智能性。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服現(xiàn)有自航式海底勘探搜索策略存在的上述缺陷，提出了一 種基于聲吶輔助自航式海底勘探、救援搜索方法，通過分析聲吶提供的海底的特征分布，主 動(dòng)感知外部環(huán)境，自主的向海底特征豐富的海域進(jìn)行探索，實(shí)現(xiàn)了海底勘探、救援的自主性 和人工智能性。
[0004] 具體包括如下步驟：
[0005] 步驟一，AUV(AutonomousUnderwaterVehicle，自主式水下潛器）潛入海底，側(cè)掃 聲吶工作，對(duì)海底圖像特征進(jìn)行采集。
[0006] 步驟二、將高維海底聲吶探測(cè)圖像數(shù)據(jù)進(jìn)行降維處理：
[0007] 采用詞袋BoW(BagofWords)局部特征表達(dá)模型來描繪海底探測(cè)圖像，以滿足對(duì) 海量觀測(cè)信息的快速的反應(yīng)能力；
[0008] 步驟三、分別計(jì)算兩側(cè)聲吶圖像的特征顯著率：
[0009] 采用歸一化圖像熵來表示聲吶圖像的特征顯著率：
[0010]
[0011] 其中IωI表示聲吶觀測(cè)圖像中的局部特征總數(shù)，log」ωI為特征均勻分布時(shí)獲得 的最大熵，P(Wl)為局部特征的先驗(yàn)概率密度函數(shù)，圖像熵表 示聲吶探測(cè)圖像中特征的多樣性；
[0012] 步驟四、比較兩側(cè)聲吶圖像的顯著率：
[0013] 對(duì)兩側(cè)聲吶圖像的特征顯著率進(jìn)行比較，為導(dǎo)航?jīng)Q策做準(zhǔn)備；
[0014] 步驟五，根據(jù)比較結(jié)果作出決策，并轉(zhuǎn)至步驟一進(jìn)行下一步的區(qū)域探索：
[0015] 如果AUV兩側(cè)的側(cè)掃聲吶圖像的顯著率相等，則AUV保持繼續(xù)前進(jìn)的姿態(tài)；如果 AUV-側(cè)的側(cè)掃聲吶圖像的顯著率大于另一側(cè)的顯著率，那么AUV選擇往顯著率更高的一 側(cè)偏轉(zhuǎn)。
[0016] 進(jìn)一步地，步驟二中采用詞袋BoW局部特征表達(dá)模型來描繪海底探測(cè)圖像的過程 分為三部分：
[0017] 第一部分，利用SURF(SpeededUpRobustFeatures,快速魯棒性特征）算法從探 測(cè)聲吶圖像中提取海底詞匯向量，這些向量代表的是聲吶圖像中局部不變的特征點(diǎn)。
[0018] 第二部分，將提取到的特征映射到字典樹。
[0019] 第三部分，利用海底聲吶觀測(cè)圖像提取的局部特征生成典型樣本，將典型樣本對(duì) 應(yīng)不同詞匯。通過此種方法將高維海量海底探測(cè)數(shù)據(jù)映射到低維。
[0020] 本發(fā)明的有益效果是：本發(fā)明實(shí)現(xiàn)了AUV自主能動(dòng)的對(duì)海底進(jìn)行探測(cè)和搜索，克 服了傳統(tǒng)勘探、搜索策略中的無目的性和盲目性。對(duì)聲吶采集的圖像信息，通過采用詞袋 BoW局部特征表達(dá)模型來描繪海底探測(cè)圖像，使自航式勘探、救援系統(tǒng)可以滿足海量觀測(cè)信 息的實(shí)時(shí)性的處理需求；并通過對(duì)顯著率的計(jì)算來作為導(dǎo)航?jīng)Q策依據(jù)，為運(yùn)用具有人工智 能的AUV進(jìn)行海底的勘探和救援提供了可行性方案。
【附圖說明】
[0021] 圖1是本發(fā)明所述方法流程示意圖。
[0022] 圖2是本發(fā)明的AUV在海底特征分布下的運(yùn)行軌跡示意圖。
【具體實(shí)施方式】
[0023] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說明。
[0024] 如圖1所示，當(dāng)要進(jìn)行海底勘探、救援工作時(shí)，AUV潛入海底，側(cè)掃聲吶等傳感器開 始工作，利用本發(fā)明所述的基于聲吶輔助自航式海底勘探、救援搜索方法包括如下步驟：
[0025] 步驟一，AUV潛入海底，側(cè)掃聲吶工作，對(duì)海底圖像特征進(jìn)行采集。
[0026] 步驟二、將高維海底聲吶探測(cè)圖像數(shù)據(jù)進(jìn)行降維處理：
[0027] 采用詞袋BoW(BagofWords)局部特征表達(dá)模型來描繪海底探測(cè)圖像，以滿足對(duì) 海量觀測(cè)信息的快速的反應(yīng)能力；
[0028] 首先，利用SURF(SpeededUpRobustFeatures,快速魯棒性特征）算法從探測(cè)聲 吶圖像中提取海底詞匯向量，這些向量代表的是聲吶圖像中局部不變的特征點(diǎn)。而后，將提 取到的特征映射到字典樹。最后，利用海底聲吶觀測(cè)圖像提取的局部特征生成典型樣本，將 典型樣本對(duì)應(yīng)不同詞匯。通過此種方法將高維海量海底探測(cè)數(shù)據(jù)映射到低維。
[0029] 步驟三、分別計(jì)算兩側(cè)聲吶圖像的特征顯著率：
[0030] 采用歸一化圖像熵來表示聲吶圖像的特征顯著率：
[0031]
[0032] 其中|ω|表示聲吶觀測(cè)圖像中的局部特征總數(shù)，l〇g2|ω|為特征均勻分布時(shí)獲得 的最大熵，P(Wl)為局部特征的先驗(yàn)概率密度函數(shù)，圖像熵
良 示聲吶探測(cè)圖像中特征的多樣性。
[0033] 步驟四、比較兩側(cè)聲吶圖像的顯著率：
[0034] 對(duì)兩側(cè)聲吶圖像的特征顯著率進(jìn)行比較，為導(dǎo)航?jīng)Q策做準(zhǔn)備。
[0035] 步驟五，根據(jù)比較結(jié)果作出決策，并轉(zhuǎn)至步驟一進(jìn)行下一步的區(qū)域探索：
[0036] 如果AUV兩側(cè)的側(cè)掃聲吶圖像的顯著率相等，則AUV保持繼續(xù)前進(jìn)的姿態(tài)；如果 AUV-側(cè)的側(cè)掃聲吶圖像的顯著率大于另一側(cè)的顯著率，那么進(jìn)行以下決策：
[0037] ①首先運(yùn)用中值濾波對(duì)聲吶圖像進(jìn)行去噪，并用canny算子對(duì)圖像進(jìn)行邊緣檢 測(cè)。
[0038] ②通過運(yùn)用SUFT算法對(duì)進(jìn)行邊緣檢測(cè)之后的聲吶圖像進(jìn)行特征提取。
[0039] ③提取出聲吶觀測(cè)圖像的特征以后，用DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪聲的基于密度的聚類方法）算法對(duì)特征 進(jìn)行聚類，選擇特征豐富的區(qū)域進(jìn)行下一步處理。
[0040] ④在所生成的聚類中選擇一個(gè)特征作為虛擬節(jié)點(diǎn)。
[0041] ⑤粗略計(jì)算其虛擬節(jié)點(diǎn)與AUV的方位。
[0042] 忽略掉AUV中心點(diǎn)同聲吶圖像近AUV端的距離，即盲區(qū)的距離。
[0043] 設(shè)一副聲吶圖片的分辨率為M*N，相應(yīng)的將聲吶圖像存儲(chǔ)為M*N的矩陣，假設(shè)在虛 擬節(jié)點(diǎn)對(duì)應(yīng)的像素在此矩陣中對(duì)應(yīng)的位置為m行η列，假設(shè)圖片寬度中點(diǎn)對(duì)應(yīng)的像素點(diǎn)的 列數(shù)為k,則此虛擬節(jié)點(diǎn)與AUV的角度粗略估計(jì)為：
[0044]
[0045] 因此，AUV轉(zhuǎn)過（90-Θ) °的角，擬到達(dá)虛擬節(jié)點(diǎn)。
[0046] 當(dāng)然，上述內(nèi)容僅為本發(fā)明的較佳實(shí)施例，不能被認(rèn)為用于限定對(duì)本發(fā)明的實(shí)施 例范圍。本發(fā)明也并不僅限于上述舉例，本技術(shù)領(lǐng)域的普通技術(shù)人員在本發(fā)明的實(shí)質(zhì)范圍 內(nèi)所做出的均等變化與改進(jìn)等，均應(yīng)歸屬于本發(fā)明的專利涵蓋范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于聲吶輔助自航式海底勘探、救援搜索方法，其特征在于，包括如下步驟： 步驟一、AUV潛入海底，側(cè)掃聲吶工作，對(duì)海底圖像特征進(jìn)行采集； 步驟二、將高維海底聲吶探測(cè)圖像數(shù)據(jù)進(jìn)行降維處理： 采用詞袋BoW局部特征表達(dá)模型來描繪海底探測(cè)圖像，以滿足對(duì)海量觀測(cè)信息的快速 的反應(yīng)能力； 步驟三、分別計(jì)算兩側(cè)聲吶圖像的特征顯著率： 采用歸一化圖像熵來表示聲吶圖像的特征顯著率，其中I ω I表示聲吶觀測(cè)圖像中的局部特征總數(shù)，l〇g2| ω I為特征均勻分布時(shí)獲得的最 大熵，P (W1)為局部特征W1的先驗(yàn)概率密度函數(shù)，圖像熵i表示聲 吶探測(cè)圖像中特征的多樣性； 步驟四、比較兩側(cè)聲吶圖像的顯著率： 對(duì)兩側(cè)聲吶圖像的特征顯著率進(jìn)行比較，為導(dǎo)航?jīng)Q策做準(zhǔn)備； 步驟五、根據(jù)比較結(jié)果作出決策，并轉(zhuǎn)至步驟一進(jìn)行下一步的區(qū)域探索： 如果AUV兩側(cè)的側(cè)掃聲吶圖像的顯著率相等，則AUV保持繼續(xù)前進(jìn)的姿態(tài)；如果AUV - 側(cè)的側(cè)掃聲吶圖像的顯著率大于另一側(cè)的顯著率，那么進(jìn)行以下決策： ① 首先運(yùn)用中值濾波對(duì)聲吶圖像進(jìn)行去噪，并用canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)； ② 通過運(yùn)用SUFT算法對(duì)進(jìn)行邊緣檢測(cè)之后的聲吶圖像進(jìn)行特征提??； ③ 提取出聲吶觀測(cè)圖像的特征以后，用DBSCAN算法對(duì)特征進(jìn)行聚類，選擇特征豐富的 區(qū)域進(jìn)行下一步處理； ④ 在所生成的聚類中選擇一個(gè)特征作為虛擬節(jié)點(diǎn)； ⑤ 粗略計(jì)算其虛擬節(jié)點(diǎn)與AUV的方位； 忽略掉AUV中心點(diǎn)同聲吶圖像近AUV端的距離，即盲區(qū)的距離； 設(shè)一副聲吶圖片的分辨率為M*N，相應(yīng)的將聲吶圖像存儲(chǔ)為M*N的矩陣，假設(shè)在虛擬節(jié) 點(diǎn)對(duì)應(yīng)的像素在此矩陣中對(duì)應(yīng)的位置為m行η列，假設(shè)圖片寬度中點(diǎn)對(duì)應(yīng)的像素點(diǎn)的列數(shù) 為k，則此虛擬節(jié)點(diǎn)與AUV的角度粗略估計(jì)為：因此，AUV轉(zhuǎn)過（90- Θ ) °的角，擬到達(dá)虛擬節(jié)點(diǎn)。2. 根據(jù)權(quán)利要求1所述的基于聲吶輔助自航式海底勘探、救援搜索方法，其特征在于： 步驟二中，采用詞袋BoW局部特征表達(dá)模型來描繪海底探測(cè)圖像的過程分為三部分： 第一部分，利用SURF算法從探測(cè)聲吶圖像中提取海底詞匯向量，這些向量代表的是聲 吶圖像中局部不變的特征點(diǎn)； 第二部分，將提取到的特征映射到字典樹； 第三部分，利用海底聲吶觀測(cè)圖像提取的局部特征生成典型樣本，將典型樣本對(duì)應(yīng)不 同詞匯；通過此種方法將高維海量海底探測(cè)數(shù)據(jù)映射到低維。
【專利摘要】本發(fā)明涉及基于聲吶輔助自航式海底勘探、救援搜索方法，屬于自航式海底勘探搜索策略技術(shù)領(lǐng)域，主要解決目前的海底勘探、救援的搜索方法，只能對(duì)既定目標(biāo)區(qū)域進(jìn)行搜索，無法完成對(duì)目標(biāo)區(qū)域以外的其他搜索區(qū)域的勘探和搜索的問題。本發(fā)明包括如下步驟：AUV潛入海底，側(cè)掃聲吶工作，對(duì)海底圖像特征進(jìn)行采集；將高維海底聲吶探測(cè)圖像數(shù)據(jù)進(jìn)行降維處理；分別計(jì)算兩側(cè)聲吶圖像的特征顯著率；比較兩側(cè)聲吶圖像的顯著率；根據(jù)比較結(jié)果作出決策，并轉(zhuǎn)至步驟一進(jìn)行下一步的區(qū)域探索。本發(fā)明實(shí)現(xiàn)了AUV自主能動(dòng)的對(duì)海底進(jìn)行探測(cè)和搜索，克服了傳統(tǒng)勘探、搜索策略中的盲目性，為運(yùn)用具有人工智能的AUV進(jìn)行海底勘探和救援提供了可行性方案。
【IPC分類】G06K9/62, G01S15/88, G06K9/46
【公開號(hào)】CN105426897
【申請(qǐng)?zhí)枴緾N201510789505
【發(fā)明人】何波, 郭佳, 年睿, 沈鉞, 沙啟鑫, 高強(qiáng), 馮晨
【申請(qǐng)人】中國(guó)海洋大學(xué)
【公開日】2016年3月23日
【申請(qǐng)日】2015年11月17日