警用水下机器人目标精确识别定位技术研究

■ 文/中国船舶重工集团公司第七一六研究所 姚尧

关键字：警用水下机器人 信息融合 精确定位 目标识别 声光磁复合

1 引言

近年来，随着我国打击违法犯罪力度的不断加大，以及执法范围的不断扩大，水域安全防护也成为公安机关的重要监管任务。目前，公安机关对于水域尤其是水下反恐维稳和治安管理尚缺乏成体系的自动化、智能化和可靠安全的处理手段和装备，对于水下的探测、搜索、排查、物证打捞等主要依靠蛙人进行人工处理，不仅办案效率难以提高，也存在人员安全风险。水下作业机器人（ Remote Operated Vehicle，简称ROV）具有机动灵活、探测手段多样、无人员伤亡和不受水域环境限制等优点，可替代蛙人执行危险、敏感的工作或长时间的重复性工作，应用于水下可疑物探测、水下物证搜索与打捞、水下救援、水下安防和水下处置等警用领域，具有广阔的应用前景。

无论在科考领域还是军事领域，水下机器人都有着举足轻重的作用。由于其可搭载多种任务载荷执行多样化任务，因此在世界各国都得到了快速发展。其中，法国ECA公司研制的警用轻型ROV包括H300-INS与SeaScan MK2两种型号，模块化配置摄像观测系统、声呐系统、五种功能机械手等多种设备，如图1所示。该公司警用ROV能够通过实时视频及声呐图像协助警方在能见 度较差的区域寻找受害者、残骸及证据，并且能够进行长时间的水下监控。

图1 ECA水下机器人

国内水下机器人起步较晚，目前沈阳自动化研究所、上海交通大学、中国船舶重工集团公司第七一六研究所等单位都已经研发出具有自主知识产权的水下机器人装备，并在海洋资源开采、海洋科考等领域有了初步的应用，其中中国船舶重工集团公司第七一六研究所一直致力于水下机器人的工程应用研究，在水下打捞、水下探测、海底目标检测等领域具备深厚技术积累和工程经验。

经过多年发展，随着各类海洋技术的不断突破，水下机器人载体平台设计和运动控制问题已基本得到解决，但面向工程实际、与水下作业应用紧密相关的目标识别和定位限制了其广泛应用，导致水下机器人“下得了水”，但是“找不到东西”，“不知道在哪”。因此，研究水下机器人的目标识别和定位具有非常重要的意义，是一切海洋开发活动与海洋高技术发展的基础，对于水下调查取证、水下威胁排除和打捞救援具有重大意义。

本文针对面向水下丢弃物嫌疑物等静态目标及水下蛙人等动态目标的水下机器人目标探测和精确定位需求，考虑在清澈水域以基于水下摄像的光学探测为主，在浑浊水域以基于水下声呐探测的声学探测为主，在进行水下铁磁目标探测时结合水下磁探测的复合探测手段条件下，深入研究基于视频、声呐图像、磁信号等多源信息的水下目标综合识别和定位技术，为水下机器人在警用领域的拓展应用奠定技术基础。

2 基于水下光学图像的目标识别和相对定位方法

对水下目标图像进行滤波、增强、自适应区域分割以及形态学处理，并采用改进的边缘提取方法和直方图匹配方法实现目标特征的提取，进而确定目标的位置和方位。

此处重点描述直方图匹配方法，选择序列图像中目标成功检测时的局部目标区域作为目标窗口，以小窗口中的灰度作为特征空间，结合Hough变换的检测结果确定匹配窗口，通过求取匹配窗口与目标窗口灰度信息之间的相似性测度以及均值距离，提高检测的正确率和实时性。设C0(x,y)和Cm(x,y)分别为物体的目标窗口和当前帧中的匹配窗口，取目标窗口作模板T，其大小为m×n=15×15。在Hough变换确定的目标中心线上平移模板T，则模板T与其覆盖下的第k个子图Sk之间的差别用互相关相似性测度式表示：

当R(T,Sk)最小时，T与Sk达到最佳匹配。其中表示目标区域的能量，是常量；当搜索区域较小时，随着目标模板的缓慢移动，也近似为常量。也就是说，式中当取最大值时，R(T,Sk)能够达到最小值。

另外，取目标窗口作为模板T，其大小为m×n=15×15。在Hough变换确定的目标中心线上平移模板T，则模板T与其覆盖下的第k个子图Sk之间的差别还可用窗口间的均值距离来表示，如下式所示：

其中，

基于上述模型，设置相似性测度阈值，判断窗口覆盖是否是特征区域。

3 基于声呐图像的目标识别和相对定位方法

基于声呐图像的水下静止或运动目标的识别主要可分为水下目标图像分割、水下目标特征提取和确认，水下运动目标还需增加运动理解和预测过程。

对于静止目标识别，首先可基于区域分割、基于边界分割以及阈值分割等方法进行声呐图像分割，在近距离情况下由于强背景回波干扰影响，采用基于位置分布的自适应阈值图像分割方法将关注目标圈取出来，然后通过计算圈取目标区域的面积、长宽比、强度等特征，同时提取分形维数作为纹理特征，作为本文用于区分静止目标和背景的综合显著特征，进而利用广义回归神经网络对特征提取进行静止目标分类。

广义回归神经网络(GRNN)是径向基函数网络(RBF)的一种重要变型，但比RBF运算速度更快，GRNN具有更好的函数逼近能力，并且网络仅有一个变量，在网络训练方面也优于BP神经网络。同时，训练GRNN不需要迭代以及大量样本数据，在声呐图像数据有限的情况下也能很好的应用。将前文所提多特征与标签数据一起送入GRNN进行有监督训练，实现GRNN分类器支持下的声呐图像目标识别。

相较于静止目标识别，动态目标识别难度较大。本文重点分析动态目标识别方法。运动目标识别的本质为一混合系统的估计问题，即通过传感器的离散量测值估计目标的连续状态，流程见下图：

图2 运动目标识别与定位原理图

运动目标建模的主要方式有两种：基于直线运动及圆周运动的运动模型。对于水下目标探测来说，通常水下机器人运动速度较慢，不超过4kn，因此更有利于探测速度相对较慢的目标，一般都是相对运动为直线运动；而且即使在水中声速也远远不如电磁波在空气中的传播速度，对目标建模的要求并不高，所以这里基于直线运动建立目标模型。目标离散的状态方程如下所示：

式中：XK=[xkyk]T为k时刻的目标状态向量； Wk-1为服从N(0,Q)的干扰噪声，Q为协方差矩阵，状态转移矩阵为：

B为干扰噪声转移矩阵。

粒子滤波是一种基于Monte Carlo方法和Bayesian递归估计的统计滤波方法，即依据大数定理通过Monte Carlo方法实现Bayesian估计中的积分运算。如今粒子滤波及其一些改进算法被广泛的应用于故障诊断、运动目标状态估计和导航定位等多个领域。

对于粒子滤波，B的实际含义为粒子的传播半径，两个方向相互独立，故取为：

调节B的值能获得不同的探测定位效果。

信息融合技术越来越多的应用在目标识别定位上，并取得了很好的效果，正是因为该技术极大的反映了信息的冗余、互补性。这里将信息融合技术应用到基于声呐图像的水下目标探测定位中。考虑实际应用中对实时性的要求，文中选取简单且有效的加权平均法。对目标模板计算其上述选取的五个特征信息M7,0,A0,N8,0,M2,0,M4,0，声呐每生成一帧图像就对目标模板求取相似度以确定新的粒子集的权值。

基于粒子滤波的前视声呐目标探测的流程图如图3。

在初始时刻，对第一帧声呐图像进行分割，选取目标模板，计算特征组合。以目标的形心位置(Xinit,Yinit)为中心初始化等权值的N个粒子，每个粒子包含两类信息：权值和位置TXi,TYi,i= 1,2,···,N。当新的一帧图像生成时运动状态模型实现粒子的转移，利用新的观测更新粒子的权值，并计算目标位置的当前估计值和下一时刻的预测值，最终可获取对运动目标的位置估计和位置预测。

图3 程序流程图

4 基于磁异常的铁磁目标定位技术

较多水下作案抛弃物皆为铁磁目标，且目标较小特征不明显，无法仅仅基于声呐或光学探测进行准确识别。考虑到铁磁性物体会影响地磁场分布进而引起地磁场异常，通过测量磁测异常信号，确定信号分布，提取出信号特征，并通过数据处理得到目标相关信息，能够快速识别出铁磁物质，是探测水下及掩埋的铁磁性物体的最有效方法。

本文考虑利用ROV搭载的磁力仪进行铁磁探测，基于磁异常原始信号的采集和滤波处理现已较成熟，不再详细介绍。在实际工程应用和定位解算中，由于磁探测距离有限，磁探测线在目标正上方通过时的异常感应是非常理想的，但绝大多数情况下由于目标不是很明确，通常磁探测线在目标周围通过和感应异常，因此，如何在动态环境下根据非正上方的异常曲线进行目标精确定位，是磁异常处理的难点。此时可利用磁梯度探测方法，根据规划好的磁探测曲线，同时携带2个及以上磁力探测传感单元，利用相邻磁传感器的磁场差值作为梯度异常值，进而利用常规方法进行目标的识别和定位，并在过程中根据磁梯度异常值实时调整磁探测方向，以获得较精确的探测效果。

5 声光磁探测与自主定位结合的多源融合定位方法

基于水下机器人的声、光、磁探测设备可实现对目标的相对位置测量，还需结合水下机器人的自主定位，利用多源融合方法，实现对目标绝对位置的精确测量。

5.1 水下机器人自主定位方法

水下机器人的自主定位方法主要有：水声定位、惯性导航定位、水下视觉定位及组合定位。

5.1.1 水声定位技术

由于电磁波在水下衰减比较严重，限制了传统的陆地无线电波通讯，如GPS，而10KHz的声波在水中的衰减仅为1dB/km，在水下定位领域展现了巨大的潜能，水声定位原理如图4所示。

图4 水声定位工作原理

目前比较成熟的水下定位技术是基线系统定位，通过布置多个水声接收和发送的基元，根据已知的空间几何关系，确定与之通讯的水下机器人的位置，但由于海洋环境中水声传播的多途效应等影响，存在不可预测的跳动性误差。

5.1.2 惯性导航定位

与水声定位系统通过求解结合交点的算法不同，惯性导航是一种航姿推算的导航定位系统，不依赖于外部信息、也不向外部辐射能量，因此自主式惯性导航系统，得到了广泛的推广应用，但也存在不可避免的时间累积误差。

5.1.3 基于视觉的定位方法

通过高质量的水下摄像，利用图像配准方法，得到实时相对位置。与此同时，根据历史行走路线构建的水下地图，方便水下机器人进行位置获得和场景的再检测，进而实现基于视觉的定位，由于地图的构建困难，该方法在实际工程上未得到大范围的推广应用。

5.1.4 组合定位

在水下环境中，单一的传感器设备，无法满足高精度自主导航的要求，因此水下机器人自主定位通常采用水声、惯导等相结合的组合定位方法，利用获取的传感器信息经过加权平均法、Kalman 滤波、Bayes 估计等方法进行滤波处理，最终实时解算出水下机器人的准确位置。

5.2 基于声光磁探测的水下目标多源融合定位方法

水下机器人同时搭载的声呐、水下摄像和磁探仪等探测传感器可实现对目标的各自探测，通过处理能够得到多个目标的相对位置和属性信息，包括对同一目标的测量。通常来说，光学探测图像清晰，分辨率高，目标边缘清晰，特征明显，但探测距离较近，且仅能在清晰水域进行探测；声呐探测图像通常存在干扰，分辨率低，目标有声影区，边缘不清晰，判读困难，但探测距离较远，能够在浑浊水域进行探测，且能够探测泥沙掩埋的物体，因此光学探测和声学探测手段通常互为补充；而磁探测由于磁信号强度随距离的增加成3倍衰减，探测距离较近，地磁信号干扰较大，且无法如光学和声学探测手段一样形成肉眼可识的图像，通常由磁力异常曲线进行可疑目标点的判定，但优势是对铁磁物质有着敏感的探测性能，且能够穿透石块探测到石块掩埋的铁磁物质。

综上，综合利用声、光、磁手段，可利用来自多个信息源的信息进行目标关联融合，可进一步降低目标虚警率，提高目标定位精度。对于来自多个传感器源的数据进行融合，主要分为两种情况，一种是空间位置上的关联融合，主要针对静止目标；一种是时间顺序上的关联融合，主要针对运动目标。关联融合的基本原理是通过概率统计计算或逻辑判断，解决航迹与点迹、点迹与点迹之间的相互配对问题。

本文采用全序列概率关联算法进行目标的空间关联融合处理。

全序列概率关联算法就是将两个近邻位置的所有相同时刻的信息联合进行概率分析，并依概率确定一个门限，以便确定两个位置是否关联，主要算法描述如下：

设有两位置序列在共同时间域对应的方位如下:

分别是传感器1的量测序列和传感器2量测序列。假定测量噪声为高斯白噪声，如果两个方位序列源自同一个目标，并设i时刻该目标真实方位为，则：

其中Vi是独立的零均值高斯过程：

则可得：

其中，

是 Krone ker —δ 函数。

令

则ξn服从n个自由度的x2分布，其分布函数是:

可以按一个已知的概率来判断两个方位序列是否相关。

由上式可知，当 ξn＜—γ2时，两个方位序列以概率Pr相关。其中γ2由相关概率Pr确定，两者满足下式：

对上面的相关进行简化，判断两个方位序列是否相关，在相关概率一定的情况下，波门大小γ与方位序列长度n有关，方位序列每增加一项，波门要刷新一次。

设方位序列相关且满足独立性条件，那么采用加权最小二乘法，可以得到两个方位序列融合结果如下：

可以推知融合误差如下：

即融合误差方差小于单传感器测量误差方差，融合结果不低于单传感器测量精度。对于N个传感器的情况可以类推。

类似的，可利用最近邻域关联法、模糊航迹关联等实现时间顺序上的目标航迹关联融合，提高目标相对定位精度，并进一步结合水下机器人自主定位信息，解算出目标绝对位置信息，为水下作业提供信息支持。

6 结语

本文针对警用水下机器人对目标精确识别定位的需求，研究了基于声、光、磁的复合探测方法，提出了基于多源传感信息的水下机器人目标精确识别定位方法，能够为警用水下机器人的目标精确定位提供有效解决手段，必将推动水下精确作业机器人在警用领域的快速发展和应用效能不断提升。