一种面向水中目标识别的声学Haar特征提取方法及系统技术方案

本发明专利技术涉及水下目标特征提取领域，尤其涉及一种面向水中目标识别的声学Haar特征提取方法及系统，所述方法包括：对接收到的水中目标水声信号进行预处理；对预处理后的信号进行时频特征变换，生成声学视频特征图；基于Haar

【技术实现步骤摘要】
一种面向水中目标识别的声学Haar特征提取方法及系统


[0001]本专利技术涉及水下目标特征提取领域，尤其涉及一种面向水中目标识别的声学Haar特征提取方法及系统。

技术介绍

[0002]水声目标识别技术是一种利用声纳接收的被动目标辐射噪声、主动目标回波以及其他传感器信息提取目标特征并且判别目标类型或者类别的信息处理技术。无论在民用还是军事领域，水声目标识别都有着极其重要的应用背景。但由于海洋环境的复杂性和水声信号通道的特殊性，要从目标辐射噪声信号中提取既能反映目标本质特征，又能满足水下目标探测的要求的特征，一直是该领域的热点和难点。
[0003]声纳采集的目标信号的声学特征提取和所使用的分类器是水声目标识别的两个重要步骤。特征提取是进行水声目标识别的基础。目前针对这些问题已经提出了许多技术，包括谱分析、时频分析、小波变换等。由于水下目标辐射噪声信号由确定性机械噪声、螺旋桨噪声和水动力噪声组成，且往往具有时变和非平稳的特点，典型的特征提取方法不适合对其进行分类。有必要寻找新的特征提取方法。特征提取后要选择分类器进行识别，由于水中目标信号具有非线性，传统的基于线性的识别方法，识别的准确性比较低。

技术实现思路

[0004]本专利技术的目的在于克服现有技术缺陷，提出了一种面向水中目标识别的声学Haar特征提取方法，还提出了一种面向水中目标识别的声学Haar特征提取系统。
[0005]为了实现上述目的，本专利技术提出了一种面向水中目标识别的声学Haar特征提取方法，所述方法包括：
[0006]对接收到的水中目标水声信号进行预处理；
[0007]对预处理后的信号进行时频特征变换，生成声学视频特征图；
[0008]基于Haar
‑
like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；
[0009]基于AdapBoost算法完成显著性声学特征提取。
[0010]作为上述方法的一种改进，所述对接收到的水中目标水声信号进行预处理；具体包括：
[0011]对于原始一维水中目标信号x，进行预处理，再进行切分，构造包括m个样本的样本集合x＝{x1,x2,x
i
,
…
x
m
}。
[0012]作为上述方法的一种改进，所述对预处理后的信号进行时频特征变换，生成声学视频特征图；具体包括：
[0013]对第i个样本x
i
，进行k种不同的时频域特征变换，每一种变换形成一个n帧d维的特征向量其中j＝1,,k；l＝1,
…
,n；所述时频特征变换包括：短时傅里叶变换和梅尔频率倒谱系数变换。
[0014]对于每个样本的k种变换生成的特征向量组合成混合特征向量对样本集合的混合特征向量按照时序组合生成声学时频特征图M。
[0015]作为上述方法的一种改进，基于Haar
‑
like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；具体包括：
[0016]基于Haar
‑
like特征，由边缘特征、线性特征和对角特征组成特征模板；特征模板由黑色和白色两种矩型构成，并定义特征模板的特征值为白色矩形内数值和减去黑色矩形内数值和；
[0017]时频特征图M的维度为n
×
d，宽度上的最大放大倍数为k
w
，长度上的最大放大倍数为k
h
，满足下式：
[0018][0019]其中，w
min
和h
min
为特征模板的初始宽度和长度；
[0020]采用积分图法对时频特征图M进行声学Haar特征计算，积分图上点(a,b)的声学Haar特征值ii(a,b)为：
[0021][0022]其中(a
′
,b
′
)表示声学时频图M上的元素值。
[0023]作为上述方法的一种改进，所述基于AdapBoost算法完成显著性声学特征提取；具体包括：
[0024]初始化样本权重D1(i)＝1/m，初始化特征空间T＝[]，其中，m为样本个数，i为样本集合中的第i个样本；
[0025]遍历p＝1,2,
…
,P，在D
p
分布下，遍历所有d维特征，寻找计算值r
p
取值最大时对应的特征f
j
，记为F
p
；其中，p为待选取的特征维数，P表示最大特征维数；
[0026]将P个特征F
p
加入到特征空间T中，生成P组声学Haar特征:
[0027]T＝[F1(x),F2(x),
…
,F
p
(x),
…
,F
P
(x)]。
[0028]作为上述方法的一种改进，所述遍历p＝1,2,
…
,P，在D
p
分布下，遍历所有d维特征，寻找计算值r
p
取值最大时对应的特征f
j
，记为F
p
；具体包括：
[0029]在D
p
分布下，遍历所有d维特征，寻找特征x
j
，使得计算值r
p
取值最大：
[0030][0031][0032]其中，y
i
表示第i个样本的类型，为0表示负样本，为1表示正样本，H为弱分类器的个数，h
j
(x
i
)为采用单层决策树定义的弱分类器，f
j
(x
i
)为第i个样本x
i
的特征量，θ
j
为阈值，p
j
表示不等号方向；
[0033]按下式更新弱分类器权重α
p
：
[0034][0035]其中，r
p
为取得的最大计算值；
[0036]根据α
p
按下式更新D
p+1
：
[0037][0038]其中,z
p
为归一化因子。
[0039]一种面向水中目标识别的声学Haar特征提取系统，所述系统包括：预处理模块、时频特征变换模块、混合声学Haar特征提取模块和显著性声学特征提取模块；其中，
[0040]所述预处理模块，用于对接收到的水中目标水声信号进行预处理；
[0041]所述时频特征变换模块，用于对预处理后的信号进行时频特征变换，生成声学视频特征图；
[0042]所述混合声学Haar特征提取模块，用于基于Haar
‑
like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；
[0043]所述显著性声学特征提取模块，用于基于AdapBoost算法完成显著性声学特征提取。
[0044]与现有技术相比，本专利技术的优势在于：
...

【技术保护点】

【技术特征摘要】
1.一种面向水中目标识别的声学Haar特征提取方法，所述方法包括：对接收到的水中目标水声信号进行预处理；对预处理后的信号进行时频特征变换，生成声学视频特征图；基于Haar
‑
like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；基于AdapBoost算法完成显著性声学特征提取。2.根据权利要求1所述的面向水中目标识别的声学Haar特征提取方法，其特征在于，所述对接收到的水中目标水声信号进行预处理；具体包括：对于原始一维水中目标信号x，进行预处理，再进行切分，构造包括m个样本的样本集合x＝{x1,x2,
…
x
i
,
…
x
m
}。3.根据权利要求2所述的面向水中目标识别的声学Haar特征提取方法，其特征在于，所述对预处理后的信号进行时频特征变换，生成声学视频特征图；具体包括：对第i个样本x
i
，进行k种不同的时频域特征变换，每一种变换形成一个n帧d维的特征向量其中j＝1,
…
,k；l＝1,
…
,n；所述时频特征变换包括：短时傅里叶变换和梅尔频率倒谱系数变换；对于每个样本的k种变换生成的特征向量组合成混合特征向量对样本集合的混合特征向量按照时序组合生成声学时频特征图M。4.根据权利要求3所述的面向水中目标识别的声学Haar特征提取方法，其特征在于，基于Haar
‑
like特征，对声学时频特征图进行特征提取得到混合声学Haar特征；具体包括：基于Haar
‑
like特征，由边缘特征、线性特征和对角特征组成特征模板；特征模板由黑色和白色两种矩型构成，并定义特征模板的特征值为白色矩形内数值和减去黑色矩形内数值和；时频特征图M的维度为n
×
d，宽度上的最大放大倍数为k
w
，长度上的最大放大倍数为k
h
，满足下式：其中，w
min
和h
min
为特征模板的初始宽度和长度；采用积分图法对声学时频特征图M进行声学Haar特征计算，积分图上点(a,b)的声学Haar特征值ii(a,b)为：其中，(a
′
,b
′
)表示声学时频图M上的元素值。5.根据权利要求4所述的面向水中目标识别的声学Haar特征提取方法，其特征在于，所述基于AdapBoost算法完成显著性声学特征提取；具体包括：初始化样本权重D1(i)＝1/m，初始化特征空间T＝[]，其中，m为样本个数，i...

【专利技术属性】
技术研发人员：孙飞虎，冯靖钊，高善国，李宇，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：