Page 171 - 《应用声学》2023年第6期
P. 171
第 42 卷 第 6 期 符书楠等： 结合区域提取和改进卷积神经网络的水下小目标检测 1281
特征表达的隐式特征，常用于水下目标分类 [14−16] 。
0 引言
但 CNN 的多层卷积和池化易导致部分底层特征信
息丢失 [17] ，较难取得理想的检测效果。为进一步增
水下小目标检测是水声领域的热点之一，在水
强 CNN 对目标特征的表征能力，可将目标的基础
下搜救、石油勘探和可疑物探测等方面有着重要应
用 [1−3] 。电磁波等探测媒介在水下传播衰减明显， 特征融入 CNN，形成更有利于分类的网络，提高目
相比之下，声波的衰减较小，声呐成为最常用的水 标检测效率。
综上所述，针对水下小目标信息量有限而难以
下探测设备。然而由于水下环境复杂多变，声呐图
提取有效特征导致目标检测性能不佳的问题，本文
像存在低信噪比、干扰严重的问题，同时小目标相
提出了一种基于区域提取和融合 Hu 矩特征的改进
对于海底背景较小、所含信息较为有限，难以提取
CNN 水下小目标检测方法。该方法包括区域提取
出表达力强的特征，导致水下小目标的检测效率低、
和分类两个阶段。首先，利用基于MRF分割算法的
漏检严重 [4] 。因此，如何更好地利用小目标的特征
区域提取方法从声图中提取 ROI，实现潜在目标定
信息，实现准确、低虚警的水下小目标检测已成为
位。然后为进一步降低区域提取阶段带来的虚警，
当前亟需解决的问题之一。
同时保持较高的检测率，将 ROI 输入融合 Hu 矩特
针对上述问题，相关学者提出了许多基于传统
征的改进 CNN 中完成水下小目标检测。第一阶段
机器学习和深度学习的水下小目标检测方法。王梁
的区域提取方法可以有效地从复杂水下环境中筛
等 [5] 利用拟合的超椭圆曲线的尺寸、形状和位置参
选出潜在目标，避免后续的分类被环境因素影响。
数构建分类特征对水下小目标进行分类，实验证实
分类阶段的改进 CNN 融合了潜在目标的深度特征
该方法可行有效，但对于极不规则的小目标识别效
和形状特征，形成形状特征表征能力更强的特征融
果不佳。Abu等 [6] 利用目标统计特征对分割后的区
合网络，有利于提升目标检测性能。最后以侧扫声
域进行分类实现了一种无监督水下小目标探测方
呐实测数据为例进行处理分析，实验结果表明，本文
法，该方法实现了较高的检测率和虚警率，然而实
提出的方法可以有效提高对水下小目标的发现概
时性较差。Zhou 等 [7] 提出了一种基于脉冲耦合神
率和正确报警率，同时对不同侧扫声呐获取的数据
经网络和 Fisher 判别的水下远距离小目标实时检
进行验证，证明该方法具有一定的泛化性。
测方法，优于常用的深度学习方法，步骤却较为繁
琐复杂。谌雨章等 [8] 采用多速率空洞卷积方法检测 1 区域提取
复杂水下环境中的小目标，提高了对水下小目标的
检测能力，但该方法使用反卷积操作会产生伪影现 1.1 MRF分割算法原理
象，影响目标检测性能。Chen等 [9] 基于样本加权混 为定位潜在目标区域并保留其完整性，本文对
合网络提出了一种有效处理水下弱小目标的深度 声图进行分割处理。MRF 分割算法常用于对图像
集成检测器，然而计算复杂度较高。 特征 (区域标签、边缘等) 的连续性进行建模，能够
水下小目标检测任务通常分为区域提取和分 最大限度地保留目标完整性 [18] ，因此本文选择基于
类两个阶段，即先从存在较多干扰的声图中提取感 MRF 分割算法对声呐图像进行区域提取。MRF 分
兴趣区域 (Region of interest, ROI)，确保潜在目标 割算法本质上是一种对声图的每个数据点进行标
被筛选出来，同时尽可能多地消除虚警，然后利用分 记的统计方法，利用 MRF 对数据点的空间域进行
类算法对潜在目标区域进行分类。区域提取阶段常 建模，并将其作为先验知识，在贝叶斯准则下对声图
用方法有阈值分割法、区域生长算法、马尔可夫随 的数据点进行分类。
机场(Markov random field, MRF)分割方法 [10] 等。 设一个M ×N 的声图是一个MRF，S = {(i, j)|
其中，MRF分割算法因参数设置少、分割效果好，而 1 6 i 6 M, 1 6 j 6 N} 是该声图上定义的空间位
被广泛应用于声呐图像的区域提取 [11−13] 。分类阶 置集合。设 Y = {y s , s ∈ S} 是观测到的声图数据，
段的关键是提取出具有代表性的特征，通常利用人 称为观测场；X = {x s , s ∈ S}是数据点的类别标签，
为设计的多种特征提取算法进行提取，操作难度较 称为标记场，即声图的分割结果。根据贝叶斯定理：
高。而深度特征是一种通过卷积神经网络 (Convo- P(Y|X)P(X)
P(X|Y) = , (1)
lutional neural network, CNN)自主提取，具有丰富 P(Y)
