一种多亮点聚类分析的水下细长体特征识别方法技术

本发明专利技术涉及一种多亮点聚类分析的水下细长体特征识别方法，该方法包括以下步骤：利用水下细长体目标的亮点空间分布计算其长度和运动方向；结合聚类分析方法，采用约束条件下的期望最大值EM算法，获得目标聚点的聚类中心，并可据此估计出目标的航向与长度。本发明专利技术采用了带有约束条件的EM算法，利用多亮点信息，对具有细长体外形的水下目标的前进方向(航向)和尺度进行估计；并且该方法具有简单易行、工作可靠的特点。

【技术实现步骤摘要】
一种多亮点聚类分析的水下细长体特征识别方法
本专利技术涉及水下航行器领域，尤其涉及一种多亮点聚类分析的水下细长体特征识别方法
技术介绍
水下目标特征识别一直是声纳信号处理领域中的研究重点之一，其主要目的是获取水下目标特性，包括位置信息、速度、前进方向和尺寸等。对水下目标的探测，通常采用声纳。水下机动目标的跟踪算法，根据目标回波特性，计算目标的相对距离、方向以及相对速度，然后根据目标运动方程和滤波算法，对目标的运动特征进行估计。但由于水下环境的特殊性，通过声纳回波对水下目标的距离、方位和径向速度的估计误差较大；同时声音在水中的传播速度只有1500m/s左右，因此整个跟踪过程中可供利用的回波数据较少，目标特征估计精度不高。在现阶段，水下机动目标跟踪还是一个有待进一步深入研究的问题。现代自主水下航行器(AUV)技术的发展，为水下目标跟踪提供了另一种思路。AUV可以通过自身运动，对水下目标进行持续跟踪，在一定程度上弥补了回波数据较少的问题；另一方面，通过对目标进行抵近侦察，可以获得目标的近场信息，有利于提高目标特征识别的正确率。但在AUV平台上利用卡尔曼滤波(或扩展卡尔曼滤波、粒子滤波等)对水下目标进行跟踪，必须精确获知AUV自身的导航(位置、速度等)信息，这对AUV平台而言通常是较为困难的。也就是说，高精度导航信息的缺乏限制了AUV平台对目标跟踪的精度。特别是当水下目标进行机动时，对其进行高精度跟踪则更为困难，通常需要进行一定的数据累计，这样就造成了很大程度的估计滞后。如何针对水下目标的特点，提出一种高精度、有效的目标特征识别方法，已经成为水下目标跟踪领域的迫切需求。近年来，聚类分析方法在医学图像处理和雷达信号处理中得到了广泛应用。针对医学图像提出了一种基于模糊均值聚类的改进算法，可以清晰的重建骨骼三维结构。基于模糊聚类分析的方法也已经应用于无源雷达目标识别和雷达目标三维散射中心的提取。一般情况下，大型水下目标的外形基本上都是相似的椭球形细长回转体。尽管目标的外形对亮点分布具有一定的影响，但是，只要目标的长宽比相当大，这种影响可以被忽略。此时，目标的宽度对分析亮点分布没有任何作用。因此，对具有细长体特性的大型尺度目标来说，忽略目标宽度的情况下，将目标看作一条线段，其亮点所有的反射中心是共线的--均位于目标纵轴线上。K—均值聚类算法(K-means)是一种广泛应用的聚类算法，其目标是将观测值分配到K个不同类别。该算法计算效率高，并且可以快速收敛到局部最优。K—均值聚类算法的缺点之一是对于野值的鲁棒性较差。而水下环境较为复杂，测量噪声非高斯且未知，导致经常会出现野值点，因而在水下环境获取的数据并不适用于K-均值算法。期望-最大值(EM)聚类算法是在概率模型中寻找参数的最大似然估计或者最大后验概率的算法，其主要思想是通过迭代来建立完整数据的对数似然估计的期望界限，然后最大化不完整数据的对数似然函数。期望-最大值(EM)聚类算法与K—均值聚类算法的不同之处在于，EM算法是基于后验概率的软分配聚类，而K-均值算法是对数据点进行硬分配聚类。在一定程度上，K—均值聚类算法可以被看作是极限情况下的EM算法。然而，EM算法鲁棒性较好，而且可以比较方便地处理带有约束的聚类分析问题。
技术实现思路
本专利技术的目的是针对以上特点，提出具有约束特性的聚类问题对水下细长体目标反射中心的估计算法。为实现上述目的，本专利技术提供了一种多亮点聚类分析的水下细长体特征识别方法，该方法包括以下步骤：利用水下细长体目标的亮点空间分布计算其长度和运动方向；结合聚类分析方法，采用约束条件下的期望最大值EM算法，获得目标聚点的聚类中心，并可据此估计出目标的航向与长度。优选地，结合聚类分析方法，采用约束条件下的期望最大值EM算法，获得目标聚点的聚类中心，并可据此估计出目标的航向与长度步骤，包括：通过求解无约束EM聚类问题获得初始值；通过计算估计后验概率；当聚类中心保持固定值时，更新共线系数；根据共线系数估计聚类中心；根据所述初始值、所述后验概率、所述共线系数和所述聚类中心参数计算所述目标的航向与长度。优选地，初始值通过以下公式计算获取：其中，μk为初始值，Nk是亮点中心k的有效亮点数量。优选地，后验概率通过以下公式计算获取：其中，γ(Znk)为后验概率，πk为协方差估计。优选地，所述共线系数存在一个常量t和一个矢量C；其中，矢量C通过以公式获取：其中，M＝[μ1,…μk],随后，对C做归一化C←C/||C||2，确保||C||2＝1；再利用以下公式获取常数t。优选地，根据共线系数估计聚类中心步骤，包括：构造对数似然函数的拉格朗日函数：L对μK求偏导，并使之等于0，则有，上式两边同时左乘Σk，再左乘CT，并利用CTμk+t＝0，可得，因此，聚类中心为：其中，Nk是亮点中心k的有效亮点数量。优选地，目标的航向与长度通过以下公式获取：φ＝±atan2(C2,C1),其中，C＝[C1C2]T，μk代表亮点中心的坐标，矢量C代表直线的斜率，t代表直线在平面的位置。本专利技术具有如下三个方面的优点：1.不需要水下航行器自身的位置信息，对目标进行高精度的航向估计，避免了由于水下航行器自身较低的定位精度而影响估计结果。2.不需要引入目标机动模型，目标机动时不会产生估计延迟，因为本方法的航向估计是基于当前亮点分布的瞬时结果，不涉及之前的任何信息。3.本专利技术提出的方法可以估计目标的长度。本专利技术的有益效果在于，采用了带有约束条件的EM算法，利用多亮点信息，对具有细长体外形的水下目标的前进方向(航向)和尺度进行估计；并且该方法具有简单易行、工作可靠的特点。附图说明图1为本专利技术实施例提供的一种多亮点聚类分析的水下细长体特征识别方法流程示意图；图2为水下细长体尺度目标的亮点和反射中心示意图；图3为聚类中心估计及其协方差；图4为水下目标与声纳位置示意图；图5为不同距离与视线角情况下的尺度与航向估计误差(σR＝10m，σα＝0.1°)。具体实施方式通过以下结合附图以举例方式对本专利技术的实施方式进行详细描述后，本专利技术的其他特征、特点和优点将会更加明显。对具有细长体特性的大型尺度目标来说，忽略目标宽度的情况下，将目标看作一条线段，其亮点所有的反射中心共线，既均位于目标纵轴线上。本专利技术关注的重点是具有约束特性的聚类问题对大型目标反射中心的估计。为确定水下细长体特性目标运动特征，亮点中心至少需要2个，以便能够确定一条水下目标的纵轴基线。亮点中心数量的增加，一方面可以增加约束条件，使估计更具有鲁棒性；但另一方面，随着亮点数量的增加，如亮点之间的距离过小(甚至小于目标的宽度)，则目标宽度不可忽略，亮点共线性的约束条件也不再成立。因而亮点个数需要综合考虑。从实际物理意义出发，将亮点设定为三个，即首部、围壳和尾部，不失为一种较好的处理方法。对于具有细长体形状的大型尺度水下运动目标来说，入射声波可被壳体和内部舱室反射，但是大部分的反射能量来自入射角度变化极大的目标首部、围壳、尾部。很多研究表明，大型水下目标回波主要由表面镜反射形成的移动亮点和棱角反射形成的固定亮点组成。无论是移动亮点还是固定亮点，他们都对应于目标上的某个部位。目标的亮点模型，可以等效成三个刚性球，即三个亮点，分别代表水下运动目标的首部、围壳和本文档来自技高网...

【技术保护点】
1.一种多亮点聚类分析的水下细长体特征识别方法，其特征在于，利用水下细长体目标的亮点空间分布计算其长度和运动方向；结合聚类分析方法，采用约束条件下的期望最大值EM算法，获得目标聚点的聚类中心，并可据此估计出目标的航向与长度。

【技术特征摘要】
1.一种多亮点聚类分析的水下细长体特征识别方法，其特征在于，利用水下细长体目标的亮点空间分布计算其长度和运动方向；结合聚类分析方法，采用约束条件下的期望最大值EM算法，获得目标聚点的聚类中心，并可据此估计出目标的航向与长度。2.根据权利要求1所述的方法，其特征在于，所述结合聚类分析方法，采用约束条件下的期望最大值EM算法，获得目标聚点的聚类中心，并可据此估计出目标的航向与长度，步骤包括：通过求解无约束EM聚类问题获得初始值；通过计算估计后验概率；当聚类中心保持固定值时，更新共线系数；根据共线系数估计聚类中心；根据所述初始值、所述后验概率、所述共线系数和所述聚类中心参数计算所述目标的航向与长度。3.根据权利要求2所述的方法，其特征在于，所述初始值通过以下公式计算获取：其中，μk为初始值，Nk是亮点中心k的有效亮点数量。4.根据权利要求2所述的方法，其特征在于...

【专利技术属性】
技术研发人员：刘宇，朱晓萌，马晓川，鄢社锋，侯朝焕，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：北京,11