小论文草稿

引言

水下慢速小目标主要指蛙人、无人水下潜器（UUV）、自主水下航行器（AUV）等目标强度小、运动速度慢的小目标[1-3]。要识别水下慢速小目标，往往利用主动反蛙人声纳发射声波获取来自目标的回波信号，分析目标回波特性并提取特征，进而实现目标的分类识别。主动声纳用来识别目标的回波特征大致划分为四种层级：信号级特征、波束图（声纳图像）级特征、航迹级特征，其他特征[1]。特征提取的优劣在很大程度上决定了目标识别性能，传统依靠人工设计方案提取的特征会导致损失部分信息，也是小目标识别准确率不高的原因之一。而联合多域信息有利于提升分类器对各类水下目标的判断能力[2]。因此，如何有效联合多域信息，得到具有高表征能力、能反映目标本质的特征量进行水下慢速小目标分类识别，是研究的热点与难点。

声纳图像反映了以声纳节点为中心较大范围回波的强度分布的动态变化,并用伪彩色显示。总体来看，水下慢速小目标仅在声纳图像上占很小一块区域，图像的点目标属使其难以有效抽取特征。近年来，借助卷积神经网络（CNN）提取图像高维特征的特点，研究人员将其应用在声呐图像上，结果表明了该方法极具潜力[3]。利用卷积神经网络的方法时，研究者经常使用的数据集有高分辨声纳图像[4]、三维成像声纳图像[5]等。王磊等人[6]认为目标与杂波、混响的区别是能量集中程度，因此从声纳图像中截取感兴趣区域,将目标区域作为正样本,混响和杂波区域作为负样本,利用ResNet-34卷积神经网络挖掘深层差异，在实际海试数据的测试达到了94%的平均准确率,表明深层非线性特征具有较强的区分度。不同类别的水下小目标在运动轨迹特征上存在差异，这是航迹级特征用于识别的基础。文献[7]提取了目标运动轨迹特征，送入多级联合分类器，最后利用投票机制得到分类结果，在较远距离上实现了目标识别，在一定程度上解决因为小目标形态学特征不明显导致的分类难题。

航迹级特征在大类识别中比较实用,但在目标精细划分时则会遇到困难，例如蛙人与一些速度相近的杂波。波束图级特征能区分运动特征相似的目标，但主动反蛙人声纳图像分辨率较低、目标边界模糊且没有纹理、噪声和杂波多，使得特征提取困难。因此一些能去除背景和杂波、突出图像中动目标的波束图级特征一般用于辅助检测，而较少用于识别，但卷积神经网络使得这些特征应用于识别有了可能。可知，将航迹级特征与波束图级特征两个层级信息联合，利用卷积神经网络对小目标进行分类识别，是一种潜在的可行思路。

针对浅海环境下主动反蛙人声纳在水下慢速小目标识别中特征提取困难、目标信号信噪比低的问题，提出一种基于残差网络(ResNet)[8]与高阶时空间隙度 (high-order time lacunarity ，HOT-Lac)的水下目标识别方法。HOT-Lac算法[9]可以得到和原来声纳图像同样大小的特征图，可以将动目标突出并叠加，继承历史轨迹信息。将原本用于辅助检测的HOT-Lac方法进行微调，达到结合航迹级特征与波束图级特征的效果，可将其应用于基于深度学习的目标识别上。通过HOT-Lac将包含目标信息的声纳图像进行多帧叠加得到特征图，构建适宜CNN的输入。利用ResNet-18网络结构和迁移学习的方式，对HOT-Lac特征图像进行特征提取与分类，实现水下慢速小目标识别。同时，进一步测试了不同参数HOT-Lac数据集与分类模型的识别性能，以验证算法的有效性。