[发明专利]一种基于GAF-D3Net的单波束水下目标识别方法

说明书

本发明提出一种基于GAF‑D3Net的单波束水下目标识别方法。所述方法包括：对于声呐回波信号，首先进行预处理，完成目标区域筛选以及降维处理；使用格拉姆角场GAF编码为二维图像信号，生成格拉姆角差场GADF和格拉姆角和场GASF；构建GAF‑D3Net卷积神经网络结构，将GAF图像输入GAF‑D3Net中训练，实现图像的特征提取和分类判别。该方法解决了声呐图像只使用信号幅值信息而忽略了相位信息的问题，在降维的同时保证了序列的时间变化趋势，保留了信号的时间相关性，将信号编码为适合卷积神经网络训练的二维图像形式。通过评价过程证实该方法对水下目标分类结果更加准确，效果更为理想，同时具有更好的泛化性能。

技术领域

本发明属于信号处理、图像处理、人工智能技术领域，特别是涉及一种基于GAF-D3Net的单波束水下目标识别方法。

背景技术

水下目标识别是水声领域内的热点问题之一，也是实现目标检测的重要步骤。近年来，多波束成像声呐已经成为获取水下目标信息的重要工具。针对声呐图像目标识别的问题，早期主要采用分割算法结合手动提取特征，通过概率模型进行识别的方法，如SIFT特征、HOG特征等图像几何特征结合SVM、线性分类判别进行检测。但受限于人工设计的特征无法充分抽象出目标的关键信息，传统的识别方法准确率较低。随着深度学习的发展，研究者们对神经网络的研究不断深入，卷积神经网络被广泛地应用于计算机视觉，在图像分割、目标检测、目标识别等领域都发挥了巨大的作用。卷积神经网络能够自动提取输入数据集的高维特征，同时对输入信号的维度没有限制，但现有的复杂卷积神经网络模型大多使用二维图像作为输入，应用于一维信号的卷积神经网络模型很少。

常规多波束形成方法在生成声呐图像时，利用了多元阵的输出幅值，其大小也就代表了生成的声呐图像相应像素值的大小。在这个过程中舍弃了信号的相位信息，而相位中也有对目标识别有帮助的关键信息，因此会造成识别准确率的下降。同时波束图像会出现旁瓣干扰，很多情况下声呐图像的对比度低、边界模糊，因此，利用声呐图像进行检测和识别还有很多问题亟待解决。

发明内容

本发明目的是为了解决目前存在的声呐图像成像效果不佳，信号相位信息缺失导致的识别精度低的问题，实现对水下目标的高精度识别，提出了一种基于GAF-D3Net的单波束水下目标识别方法。该方法通过对接收到的单波束回波信号降维，减少运算量的同时保证了数据原有的时间变化趋势，保留了信号的相位信息。通过GAF编码将一维信号编码为二维图像，并根据水下目标GAF数据集的特性构建了GAF-D3Net，实现了数据的分类识别。

本发明是通过以下技术方案实现的，本发明提出一种基于GAF-D3Net的单波束水下目标识别方法，所述方法包括：

步骤一：对于采集得到的声呐回波信号数据，首先对数据进行预处理，完成目标区域筛选以及降维处理；

步骤二：对经过处理的声呐回波信号，使用格拉姆角场GAF编码为二维图像信号，生成格拉姆角差场GADF和格拉姆角和场GASF；

步骤三：构建GAF-D3Net卷积神经网络结构，将GAF图像输入GAF-D3Net中训练，实现图像的特征提取和分类判别。

进一步地，在步骤一中，

接收到的单波束回波信号包含了大量的无用信息，根据先验信息截取目标存在的时域信号段；

对截取的时域信号段，根据分段聚合近似PAA的方法降维，保证了时间序列的时间相关性，同时生成符合卷积神经网络训练尺寸的信号维度，具体形式如下：