基于多波束測深聲吶的水中氣體目標檢測方法

張萬遠， 王雪斌， 周天， 張宏偉， 李東洋

(1.哈爾濱工程大學 水聲技術重點實驗室，黑龍江 哈爾濱 150001；2.海洋信息獲取與安全工信部重點實驗室(哈爾濱工程大學)，黑龍江 哈爾濱 150001；3.哈爾濱工程大學 水聲工程學院，黑龍江 哈爾濱 150001；4.中海石油深海開發有限公司 深水工程建設中心，廣東 深圳 518000；5.天津大學 機械工程學院，天津 300072)

近年來隨著海洋資源開發和海洋環境保護的迫切需要，水中氣體目標探測已經成為國內外學者重要的研究方向與熱點問題[1-3]。多波束測深聲吶以其搭載平臺多樣化、低可視環境下適應性強等優勢，已成為海底目標探測、海洋資源勘探和海洋環境監測的重要設備之一[4]。與光學探測設備相比，多波束測深聲吶可以實現高精度、高分辨率海底大范圍的地形地貌、底質分類以及水體目標的探測[5-6]，同時兼具水體目標的二維成像能力[7-9]。多波束測深聲吶利用底檢測算法，能夠有效檢測海底地形并估計出高精度深度值，但對于同時存在水體目標的多回波環境，常規的底檢測算法不能滿足復雜海洋環境下目標探測的需求。針對這一問題，Christoffersen[10]提出波束域多次檢測算法，雖然該算法能夠較好地檢測多目標有效回波，但是容易受不均勻背景噪聲和目標回波時寬展比等因素的影響，算法穩定性有待提升。基于多波束測深聲吶水體圖像可以提取紋理特征、幾何特征、矩不變特征、延伸率特征、平均回波強度、方差和對比度等特征，進行水下靜止目標的探測和識別[11-12]。Leighton等[4]提出一種基于水聽器陣列被動探測理論并總結主被動聲學監測方法的適用性。低頻被動聲學監測系統具有低功耗、定位準等特點，主動成像聲吶探測效率高、范圍廣。Schneider等[13]將粒子圖像測速法(particle imaging velocimetry, PIV)應用在多波束測深聲吶圖像序列，在檢測水中氣泡群的同時估計其上升速度，但該方法對于高壓管道泄漏產生的大量密集氣泡群存在圖像序列相關性低等問題，具有一定的應用局限性。

本文提出了一種基于多波束測深聲吶的水中氣體目標檢測方法。該方法基于目標動態和靜態特征，對水中氣體目標進行綜合檢測。在一維波束域上對氣體目標進行回波檢測；在二維聲吶單幀圖像上檢測氣體目標輪廓和尺度不變特征(scale invariant feature transform flow, SIFT)；在三維聲吶圖像序列中，應用SIFT特征流估計氣體目標運動特征。在水池條件下和外場水中氣體目標檢測實驗中驗證該方法的可行性與有效性。

1 水中氣體目標綜合檢測

多波束測深聲吶通過接收水下目標的回聲信號實現目標檢測與參數估計。回聲信號的強弱與目標的聲反射特性密切相關。考慮到海洋環境復雜，常有魚群、水草、浮游動植物等目標干擾，僅從回波強度檢測氣體目標是不全面也是不可靠的，本文提出如圖1所示的水中氣體目標檢測流程。

圖1 水中氣體目標檢測流程Fig.1 Detection flow of underwater gas targets

首先獲取第一組聲吶通道數據，對一維波束數據進行自適應閾值多次回波檢測，判斷是否存在水體目標。不存在則重新獲取下一組通道數據，反之則獲取二維聲吶圖像。考慮到多波束測深聲吶圖像普遍分辨率低、噪聲嚴重等特點，采用中值濾波去除聲吶圖像的斑點噪聲，然后應用數學形態學開閉運算提取目標輪廓特征。在二維聲吶圖像中，水草和繩纜等目標同樣具有氣體的形態等靜態特征，因此基于多波束測深聲吶圖像序列的氣體目標動態特征檢測是實現氣體目標檢測的一種新穎方法。文中聲吶圖像序列的動特征檢測通過圖像序列特征匹配來實現。以聲吶圖像全局像素點的SIFT特征向量實現對應點匹配，在匹配過程中采用由粗到精的層次匹配策略和嚴格的匹配約束，從整體細化到局部，最后通過求解能量泛函最小化問題來獲取全局最優解，實現全局像素點最優匹配。最終估計目標的運動特征來判別是否為水中氣體目標。

1.1 自適應閾值多次檢測

在一維波束域中，本文結合恒虛警檢測器對多次檢測算法進行改進，提出一種自適應閾值多測檢測算法，提高了算法對復雜背景環境的適應性與穩定性。

1.1.1 多次檢測基本原理

多次檢測算法包括預檢測和底檢測2部分[10]，預檢測是在波束形成的基礎上自動計算檢測閾值，確定有效的目標回波區間，結合底檢測算法對目標回波區間進行處理分析，完成對水體和海底目標的檢測。底檢測和預檢測處理相對獨立，且國內外已經進行了大量研究，本文不再贅述。圖2是預檢測處理示意圖。

圖2 預檢測示意Fig.2 Pre-detection diagram

多次檢測算法基于波束包絡計算檢測閾值，從而確定預檢測區間：

(1)

其中：

(2)

式中：A為一個波束的波束幅度；M為波束總采樣點數；參數K為比例因子，用于調整閾值的計算。該方法基于全局波束數據計算閾值，當目標回波時寬占總回波時寬比例發生變化或者背景分布不均勻時，使用該固定閾值不能穩定檢測目標回波區間。考慮到多波束測深聲吶不均勻背景噪聲分布和邊緣波束目標回波展寬的特點，檢測算法需要一種恒虛警檢測器自適應計算檢測閾值。

1.1.2 可變性指示恒虛警檢測器

恒虛警檢測(constant false-alarm rate, CFAR)是根據檢測單元的局部背景自適應地計算檢測門限，保持虛警概率恒定，被廣泛應用于聲吶信號檢測。單元平均(cell averaging, CA)CFAR檢測器在背景分布均勻的情況下，擁有較強的檢測性能，但其在非均勻背景中檢測性能下降；有序統計(ordered statistic, OS)CFAR檢測器在已知干擾目標數目時，其檢測性能優于CA-CFAR，但在干擾目標數目未知時，檢測性能下降；自動刪除平均(automatic censoring cell averaging, ACCA)CFAR自適應檢測器通過自動刪除背景估計單元中的干擾目標，提高了檢測器在干擾目標未知時的適應性，但其他情況下，有較大的檢測損失；Verma[14]將基于可變性指示(variability index, VI)CFAR檢測器用于聲吶信號檢測，根據前沿滑窗和后沿滑窗估計單元的變化性，自適應選擇CA-CFAR、最大選擇(greatest of, GO)CFAR和最小選擇(smallest of, SO)CFAR檢測器，體現了檢測器的自適應能力。

VI-CFAR檢測器[15]檢測原理如圖3所示，圖中檢測器以平方檢波結果作為輸入，D為檢測單元，檢測單元兩邊為用于背景噪聲功率估計的參考滑窗，參考滑窗與檢測單元之間存在長度為lng的保護單元防止目標能量進入參考滑窗。VI-CFAR通過前沿和后沿滑窗的可變性指數VI和統計均值比(mean ratio, MR)分別與閾值KVI和KMR比較，判斷檢測器前沿和后沿滑窗是否均勻和相同，并選擇相應背景噪聲估計單元計算VI并求和和門限系數CN計算自適應閾值[14]。如果檢測單元的值超過自適應閾值，判斷為目標存在，用H1表示；反之，判斷為目標不存在，用H2表示。

圖3 VI-CFAR檢測器原理Fig.3 VI-CFAR detector block diagram

1.1.3 水體目標檢測

由于水體環境復雜，有鰾魚類和浮游動植物與氣泡有相似的回波強度，對水中氣體目標檢測造成嚴重的干擾。本文根據多次檢測結果，預先判斷并提取水體目標。如圖4所示，根據多次檢測結果在水平方向上設置寬度為W的水平滑動窗口，然后將滑動窗口沿水平方向從左到右進行移動，每次移動距離為W/2。在每次移動中，統計滑動窗口內的測深點數目，若測深點數大于設定閾值，則認為該滑動窗口內存在水體目標，并記錄該滑動窗口位置以及該窗口內的最大、最小測深值，

圖4 水體目標檢測Fig.4 Water column target detection

1.2 水中氣體目標圖像序列檢測

對二維聲吶圖像運用數學形態學處理，去除圖像中目標內部較小的空洞、平滑目標邊緣，最終提取目標輪廓特征，進一步判斷水中氣體目標。為了剔除水草等目標的干擾，提取圖像SIFT特征并基于聲吶圖像序列進行稠密匹配，估計目標運動特征，為氣體目標的分布規模定量評估奠定基礎。

1.2.1 數學形態學處理

在圖像處理領域，利用數學形態學方法進行圖像處理具有簡化圖像數據、保持目標的基本形態特征等優點。考慮到圖像中水中氣體邊緣模糊，內部有細小空洞等特點，運用形態學開運算去除圖像中較小的突出，使目標輪廓平滑，斷開圖像中的細小連接；形態學閉運算填充圖像中較小的空洞，目標輪廓存在的細小斷裂得以彌合。

形態學運算定義如下：假設圖像用f(x,y)表示，結構元素用k(x,y)表示，則膨脹的表達式為：

(f⊕k)(x,y)=max{f(x-i,y-j)-k(i,j)|

k(i,j)∈K,f(x-i,y-j)∈F}

(3)

腐蝕的表達式為：

(fΘk)(x,y)=max{f(x-i,y-j)+k(i,j)|

k(i,j)∈K,f(x-i,y-j)∈F}

(4)

對圖像先進行腐蝕后膨脹為開運算：

F°K=(AΘK)⊕K

(5)

對圖像先進行膨脹后腐蝕為閉運算：

F·K=(A⊕K)ΘK

(6)

式中：符號⊕表示膨脹運算，符號Θ表示腐蝕運算，符號°表示開運算，符號·表示閉運算，F為圖像集合；K為結構元素集合。

聲吶原始圖像如圖5所示，從圖中可以清晰得到在聲吶圖像中直立向上的部分為水體氣體目標、一條水平的亮線為海底，而圖中明顯的圓弧由旁瓣泄漏引起。選取合適的結構元素對目標圖像進行數學形態學運算，再將得到的結果與原圖像相減得到目標的輪廓特征。結果如圖6所示，圖6(a)為水體目標圖像，圖6(b)為經過形態學處理后得到的水體目標輪廓。

圖5 聲吶原始圖像Fig.5 Sonar original image

圖6 水體目標、輪廓提取Fig.6 The water column target and its contour

1.2.2 尺度不變特征(SIFT)向量集

Lowe[16]提出SIFT局部特征，在不同尺度空間上查找特征點，計算出關鍵點的方向。查找到的關鍵點是一些十分突出，不會因光照，放射變換和噪聲等因素而變化的點，如角點、邊緣點、亮區的暗點及暗區的亮點等。Liu等[17]基于稠密匹配理論提出的尺度不變特征變化流，在光學圖像配準和人臉識別領域已有成功的先例。SIFT描述子具有旋轉、縮放和平移不變性，對入射角度、噪聲和復雜環境多目標的干擾保持一定程度的魯棒性。

為了更好地解決密集目標的匹配問題，本文僅采用其特征提取部分。對聲吶原始圖像采用中值濾波和動態亮度分配進行預處理，提高圖像質量，將圖像中某一個像素點鄰域16×16窗口分成4×4單元陣列，每個單元以45°為間隔量化為8個方向，從而生成一個128維特征向量作為該像素的SIFT描述子。遍歷圖像中所有像素點，全部像素點的SIFT描述子構成一幀圖像的SIFT特征向量集。

1.2.3 稠密匹配

在連續多幀聲吶圖像SIFT特征向量集中，本文借鑒光流法中能量泛函的思想[18]，基于SIFT流場光滑和目標小位移運動2條基本假設進行SIFT特征的匹配。能量函數為：

min(α|v(p)-v(q)|,d)

(7)

式中：s1和s2為連續2幀聲吶圖像的SIFT特征向量集。w(p)=(u(p),v(p))為p點流場速度向量，p(x,y)為圖像網格坐標；u(p)為水平方向速度矢量；v(p)為垂直方向速度矢量，由連續2幀聲吶圖像像素點的SIFT描述子匹配計算得出；ε為p點四鄰域空間；t和d分別為截斷L1范數的閾值。式中第1項為數據項，限定SIFT描述子沿著速度矢量方向進行匹配；第2項為小位移項，對于特征比較弱的區域點，保證其偏移量盡可能小；其他項為平滑項，表示相鄰特征點的速度矢量相近。對于該能量泛函最小化問題，通過循環信念傳播優化算法[19](loopy belief propagation, LBP)進行求解，最終實現聲吶圖像逐點稠密匹配。

1.2.4 由粗到精金字塔匹配策略

由聲吶圖像稠密匹配可知，假設聲吶圖像像素點數為L2個，則LBP算法的時間復雜度為O(L4)。為了減少計算時間，使用由粗到精的匹配策略進行優化。如圖7所示在金字塔匹配策略中，將待匹配的連續2幀聲吶圖像的SIFT特征向量集s1和s2通過高斯函數進行模糊以及降采樣處理得到聲吶圖像金字塔。在金字塔頂層上粗略地估計SIFT流，即每個像素點的速度矢量，最后逐步地從粗到細向下進行傳播和細化。經過實驗驗證，處理1對256×256圖像，直接的LBP算法處理時間需要超過2 h，僅式(7)中的數據項所需運行內存已經超過16 GB，而由粗到精的金字塔匹配算法的復雜度為O(L2lbL)，處理時間為30 s左右，相比于直接的匹配算法運算速度取得了顯著的提升。

圖7 由粗到精金字塔匹配示意Fig.7 Coarse-to-fine pyramid matching diagram

2 水池與外場實驗

2.1 水池實驗

為了驗證本文所提出方法的有效性，選用實驗設備為哈爾濱工程大學研制的多波束測深聲吶。聲吶系統工作頻率為300 kHz，脈沖寬度為35 μs，波束寬度為1°×1°。

在哈爾濱工程大學水聲技術國家重點實驗室信道水池對水中氣體目標綜合檢測算法進行驗證。在水池實驗中將多波束測深聲吶傾斜來更好地獲取水中氣體目標的整體形態，實驗裝置布放如圖8所示。

圖8 信道水池實驗示意Fig.8 Channel pool experiment

空氣壓縮機、氣管和噴嘴等裝置模擬水中氣體目標實驗環境，進行多波束測深聲吶水中氣體目標綜合檢測實驗。實驗結果如圖9所示，為連續3幀聲吶圖像的檢測結果以及SIFT特征流算法估計出水體目標向上的上升速度。在靜水條件下，氣體的上升速度方向垂直向上，伴有左右微弱振蕩。

圖9 信道水池氣體目標速度Fig.9 Gas targets velocity in channel pool

2.2 松花湖實驗

為了進一步驗證算法的穩定性與有效性，在外場條件下模擬水中氣體目標綜合檢測場景，以實驗船為平臺對水中氣體目標進行綜合檢測實驗，實驗船和實驗裝置如圖10所示，首先利用三角鐵架將水管及噴嘴固定，然后將其放入湖底，在岸上水管的另一端與空氣壓縮機連接作為氣體發生裝置，通過閥門開關控制壓力大小。實驗數據處理結果如圖11所示，圖11為連續3幀聲吶圖像的檢測結果以及SIFT特征流算法估計出目標運動特征，在松花湖外場條件下，水中氣體目標的在上升的同時受水流等因素影響產生水平方向的速度矢量。速度方向可分為左上、右上和垂直向上3種情況。

圖10 實驗船和實驗裝置Fig.10 Experiment vessel and device

圖11 松花湖氣體目標速度Fig.11 Gas targets velocity in Songhua River

2.3 氣體目標速度統計分析

在外場實驗中，改變氣體的泄漏壓力和噴嘴孔徑來探究泄漏壓力和噴嘴孔徑對泄漏氣體上升速度的影響。選取直徑為0.50 mm的噴嘴，泄漏壓強分別采用0.15、0.30、0.50和0.70 MPa 4個檔位。圖12(a)給出了不同泄漏壓強下氣體上升速度的盒形圖。從統計分析結果可得知，在噴嘴孔徑不變條件下，泄漏氣體的上升速度隨著泄漏壓力的增加而增大。在0.30 MPa泄漏壓強條件下，噴嘴孔徑分別采用0.50，1.00和2.00 mm進行3組實驗，統計分析結果如圖12(b)所示。壓力恒定時，泄漏氣體上升速度隨著噴嘴孔徑的增大而增大。

圖12 壓力與噴嘴孔徑對泄漏氣體上升速度的影響Fig.12 The influence of pressure and nozzle aperture on the rising speed of leakage gas

3 結論

1)在復雜背景條件下，自適應閾值多次檢測算法有效穩定地檢測多目標回波以及水中氣體目標，實現一維波束域水中氣體目標檢測。

2)基于多波束測深聲吶二維圖像，數學形態學處理可以平滑氣體目標邊緣較小的突出，填充目標內部的空洞。

3)基于圖像金字塔和稠密匹配理論的SIFT流檢測算法可以有效的估計出水中氣體的運動特征。

該方法具有較強的實用性和重要的工程應用性，下一步工作考慮搭載水下移動平臺實現對近海海域油氣管道泄漏的自動檢測，進工程應用嘗試。