近年来随着海洋资源开发和海洋环境保护的迫切需要，水中气体目标探测已经成为国内外学者重要的研究方向与热点问题^[1-3]。多波束测深声呐以其搭载平台多样化、低可视环境下适应性强等优势，已成为海底目标探测、海洋资源勘探和海洋环境监测的重要设备之一^[4]。与光学探测设备相比，多波束测深声呐可以实现高精度、高分辨率海底大范围的地形地貌、底质分类以及水体目标的探测^[5-6]，同时兼具水体目标的二维成像能力^[7-9]。多波束测深声呐利用底检测算法，能够有效检测海底地形并估计出高精度深度值，但对于同时存在水体目标的多回波环境，常规的底检测算法不能满足复杂海洋环境下目标探测的需求。针对这一问题，Christoffersen^[10]提出波束域多次检测算法，虽然该算法能够较好地检测多目标有效回波，但是容易受不均匀背景噪声和目标回波时宽展比等因素的影响，算法稳定性有待提升。基于多波束测深声呐水体图像可以提取纹理特征、几何特征、矩不变特征、延伸率特征、平均回波强度、方差和对比度等特征，进行水下静止目标的探测和识别^[11-12]。Leighton等^[4]提出一种基于水听器阵列被动探测理论并总结主被动声学监测方法的适用性。低频被动声学监测系统具有低功耗、定位准等特点，主动成像声呐探测效率高、范围广。Schneider等^[13]将粒子图像测速法(particle imaging velocimetry, PIV)应用在多波束测深声呐图像序列，在检测水中气泡群的同时估计其上升速度，但该方法对于高压管道泄漏产生的大量密集气泡群存在图像序列相关性低等问题，具有一定的应用局限性。

本文提出了一种基于多波束测深声呐的水中气体目标检测方法。该方法基于目标动态和静态特征，对水中气体目标进行综合检测。在一维波束域上对气体目标进行回波检测；在二维声呐单帧图像上检测气体目标轮廓和尺度不变特征(scale invariant feature transform flow, SIFT)；在三维声呐图像序列中，应用SIFT特征流估计气体目标运动特征。在水池条件下和外场水中气体目标检测实验中验证该方法的可行性与有效性。

1 水中气体目标综合检测

多波束测深声呐通过接收水下目标的回声信号实现目标检测与参数估计。回声信号的强弱与目标的声反射特性密切相关。考虑到海洋环境复杂，常有鱼群、水草、浮游动植物等目标干扰，仅从回波强度检测气体目标是不全面也是不可靠的，本文提出如图 1所示的水中气体目标检测流程。

首先获取第一组声呐通道数据，对一维波束数据进行自适应阈值多次回波检测，判断是否存在水体目标。不存在则重新获取下一组通道数据，反之则获取二维声呐图像。考虑到多波束测深声呐图像普遍分辨率低、噪声严重等特点，采用中值滤波去除声呐图像的斑点噪声，然后应用数学形态学开闭运算提取目标轮廓特征。在二维声呐图像中，水草和绳缆等目标同样具有气体的形态等静态特征，因此基于多波束测深声呐图像序列的气体目标动态特征检测是实现气体目标检测的一种新颖方法。文中声呐图像序列的动特征检测通过图像序列特征匹配来实现。以声呐图像全局像素点的SIFT特征向量实现对应点匹配，在匹配过程中采用由粗到精的层次匹配策略和严格的匹配约束，从整体细化到局部，最后通过求解能量泛函最小化问题来获取全局最优解，实现全局像素点最优匹配。最终估计目标的运动特征来判别是否为水中气体目标。

1.1 自适应阈值多次检测

在一维波束域中，本文结合恒虚警检测器对多次检测算法进行改进，提出一种自适应阈值多测检测算法，提高了算法对复杂背景环境的适应性与稳定性。

1.1.1 多次检测基本原理

多次检测算法包括预检测和底检测2部分^[10]，预检测是在波束形成的基础上自动计算检测阈值，确定有效的目标回波区间，结合底检测算法对目标回波区间进行处理分析，完成对水体和海底目标的检测。底检测和预检测处理相对独立，且国内外已经进行了大量研究，本文不再赘述。图 2是预检测处理示意图。

多次检测算法基于波束包络计算检测阈值，从而确定预检测区间：

$ C = \frac{{\max A + \frac{1}{M}\sum\limits_{i = 1}^M {{A_i}} }}{2} + K{S_d} $

(1)

其中：

$ {S_d} = \frac{{\sum\limits_{i = 1}^M {\left| {{A_i} - \frac{1}{M}\sum\limits_{i = 1}^M {{A_i}} } \right|} }}{M} $

(2)

式中：A为一个波束的波束幅度；M为波束总采样点数；参数K为比例因子，用于调整阈值的计算。该方法基于全局波束数据计算阈值，当目标回波时宽占总回波时宽比例发生变化或者背景分布不均匀时，使用该固定阈值不能稳定检测目标回波区间。考虑到多波束测深声呐不均匀背景噪声分布和边缘波束目标回波展宽的特点，检测算法需要一种恒虚警检测器自适应计算检测阈值。

1.1.2 可变性指示恒虚警检测器

恒虚警检测(constant false-alarm rate, CFAR)是根据检测单元的局部背景自适应地计算检测门限，保持虚警概率恒定，被广泛应用于声呐信号检测。单元平均(cell averaging, CA)CFAR检测器在背景分布均匀的情况下，拥有较强的检测性能，但其在非均匀背景中检测性能下降；有序统计(ordered statistic, OS)CFAR检测器在已知干扰目标数目时，其检测性能优于CA-CFAR，但在干扰目标数目未知时，检测性能下降；自动删除平均(automatic censoring cell averaging, ACCA)CFAR自适应检测器通过自动删除背景估计单元中的干扰目标，提高了检测器在干扰目标未知时的适应性，但其他情况下，有较大的检测损失；Verma^[14]将基于可变性指示(variability index, VI)CFAR检测器用于声呐信号检测，根据前沿滑窗和后沿滑窗估计单元的变化性，自适应选择CA-CFAR、最大选择(greatest of, GO)CFAR和最小选择(smallest of, SO)CFAR检测器，体现了检测器的自适应能力。

VI-CFAR检测器^[15]检测原理如图 3所示，图中检测器以平方检波结果作为输入，D为检测单元，检测单元两边为用于背景噪声功率估计的参考滑窗，参考滑窗与检测单元之间存在长度为l_ng的保护单元防止目标能量进入参考滑窗。VI-CFAR通过前沿和后沿滑窗的可变性指数VI和统计均值比(mean ratio, MR)分别与阈值K_VI和K_MR比较，判断检测器前沿和后沿滑窗是否均匀和相同，并选择相应背景噪声估计单元计算VI并求和和门限系数C_N计算自适应阈值^[14]。如果检测单元的值超过自适应阈值，判断为目标存在，用H₁表示；反之，判断为目标不存在，用H₂表示。

1.1.3 水体目标检测

由于水体环境复杂，有鳔鱼类和浮游动植物与气泡有相似的回波强度，对水中气体目标检测造成严重的干扰。本文根据多次检测结果，预先判断并提取水体目标。如图 4所示，根据多次检测结果在水平方向上设置宽度为W的水平滑动窗口，然后将滑动窗口沿水平方向从左到右进行移动，每次移动距离为W/2。在每次移动中，统计滑动窗口内的测深点数目，若测深点数大于设定阈值，则认为该滑动窗口内存在水体目标，并记录该滑动窗口位置以及该窗口内的最大、最小测深值，

1.2 水中气体目标图像序列检测

对二维声呐图像运用数学形态学处理，去除图像中目标内部较小的空洞、平滑目标边缘，最终提取目标轮廓特征，进一步判断水中气体目标。为了剔除水草等目标的干扰，提取图像SIFT特征并基于声呐图像序列进行稠密匹配，估计目标运动特征，为气体目标的分布规模定量评估奠定基础。

1.2.1 数学形态学处理

在图像处理领域，利用数学形态学方法进行图像处理具有简化图像数据、保持目标的基本形态特征等优点。考虑到图像中水中气体边缘模糊，内部有细小空洞等特点，运用形态学开运算去除图像中较小的突出，使目标轮廓平滑，断开图像中的细小连接；形态学闭运算填充图像中较小的空洞，目标轮廓存在的细小断裂得以弥合。

形态学运算定义如下：假设图像用f(x, y)表示，结构元素用k(x, y)表示，则膨胀的表达式为：

$ \begin{array}{l} (f \oplus k)(x, y) = \max \{ f(x - i, y - j) - k(i, j)\mid \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;k(i, j) \in K, f(x - i, y - j) \in F\} \end{array} $

(3)

腐蚀的表达式为：

$ \begin{array}{l} (f\Theta k)(x, y) = \max \{ f(x - i, y - j) - k(i, j)\mid \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;k(i, j) \in K, f(x - i, y - j) \in F\} \end{array} $

(4)

对图像先进行腐蚀后膨胀为开运算：

$ F^\circ K = (A\Theta K) \oplus K $

(5)

对图像先进行膨胀后腐蚀为闭运算：

$ F \cdot K = (A \oplus K)\Theta K $

(6)

式中：符号⊕表示膨胀运算，符号Θ表示腐蚀运算，符号$^\circ $表示开运算，符号·表示闭运算，F为图像集合；K为结构元素集合。

声呐原始图像如图 5所示，从图中可以清晰得到在声呐图像中直立向上的部分为水体气体目标、一条水平的亮线为海底，而图中明显的圆弧由旁瓣泄漏引起。选取合适的结构元素对目标图像进行数学形态学运算，再将得到的结果与原图像相减得到目标的轮廓特征。结果如图 6所示，图 6(a)为水体目标图像，图 6(b)为经过形态学处理后得到的水体目标轮廓。

1.2.2 尺度不变特征(SIFT)向量集

Lowe^[16]提出SIFT局部特征，在不同尺度空间上查找特征点，计算出关键点的方向。查找到的关键点是一些十分突出，不会因光照，放射变换和噪声等因素而变化的点，如角点、边缘点、亮区的暗点及暗区的亮点等。Liu等^[17]基于稠密匹配理论提出的尺度不变特征变化流，在光学图像配准和人脸识别领域已有成功的先例。SIFT描述子具有旋转、缩放和平移不变性，对入射角度、噪声和复杂环境多目标的干扰保持一定程度的鲁棒性。

为了更好地解决密集目标的匹配问题，本文仅采用其特征提取部分。对声呐原始图像采用中值滤波和动态亮度分配进行预处理，提高图像质量，将图像中某一个像素点邻域16×16窗口分成4×4单元阵列，每个单元以45°为间隔量化为8个方向，从而生成一个128维特征向量作为该像素的SIFT描述子。遍历图像中所有像素点，全部像素点的SIFT描述子构成一帧图像的SIFT特征向量集。

1.2.3 稠密匹配

在连续多帧声呐图像SIFT特征向量集中，本文借鉴光流法中能量泛函的思想^[18]，基于SIFT流场光滑和目标小位移运动2条基本假设进行SIFT特征的匹配。能量函数为：

$ \begin{array}{l} E(w) = \sum\limits_p {\min } \left( {{{\left\| {{\mathit{\boldsymbol{s}}_1}(p) - {\mathit{\boldsymbol{s}}_2}(p + \mathit{\boldsymbol{w}}(p))} \right\|}_1}, t} \right) + \\ \;\;\;\;\;\;\;\;\;\;\;\;\sum\limits_p \varphi (|\mathit{\boldsymbol{u}}(p)| + |\mathit{\boldsymbol{v}}(p)|) + \\ \;\;\;\;\;\;\;\;\;\;\sum\limits_{(p, q) \in \varepsilon } {\min } (\alpha |\mathit{\boldsymbol{u}}(p) - \mathit{\boldsymbol{u}}(q)|, d) + \\ \;\;\;\;\;\;\;\;\;\;\min (\alpha |\mathit{\boldsymbol{v}}(p) - \mathit{\boldsymbol{v}}(q)|, d) \end{array} $

(7)

式中：s₁和s₂为连续2帧声呐图像的SIFT特征向量集。w(p)=(u(p), v(p))为p点流场速度向量，p(x, y)为图像网格坐标；u(p)为水平方向速度矢量；v(p)为垂直方向速度矢量，由连续2帧声呐图像像素点的SIFT描述子匹配计算得出；ε为p点四邻域空间；t和d分别为截断L1范数的阈值。式中第1项为数据项，限定SIFT描述子沿着速度矢量方向进行匹配；第2项为小位移项，对于特征比较弱的区域点，保证其偏移量尽可能小；其他项为平滑项，表示相邻特征点的速度矢量相近。对于该能量泛函最小化问题，通过循环信念传播优化算法^[19](loopy belief propagation, LBP)进行求解，最终实现声呐图像逐点稠密匹配。

1.2.4 由粗到精金字塔匹配策略

由声呐图像稠密匹配可知，假设声呐图像像素点数为L²个，则LBP算法的时间复杂度为O(L⁴)。为了减少计算时间，使用由粗到精的匹配策略进行优化。如图 7所示在金字塔匹配策略中，将待匹配的连续2帧声呐图像的SIFT特征向量集s₁和s₂通过高斯函数进行模糊以及降采样处理得到声呐图像金字塔。在金字塔顶层上粗略地估计SIFT流，即每个像素点的速度矢量，最后逐步地从粗到细向下进行传播和细化。经过实验验证，处理1对256×256图像，直接的LBP算法处理时间需要超过2 h，仅式(7)中的数据项所需运行内存已经超过16 GB，而由粗到精的金字塔匹配算法的复杂度为O(L²lbL)，处理时间为30 s左右，相比于直接的匹配算法运算速度取得了显著的提升。

2 水池与外场实验 2.1 水池实验

为了验证本文所提出方法的有效性，选用实验设备为哈尔滨工程大学研制的多波束测深声呐。声呐系统工作频率为300 kHz，脉冲宽度为35 μs，波束宽度为1°×1°。

在哈尔滨工程大学水声技术国家重点实验室信道水池对水中气体目标综合检测算法进行验证。在水池实验中将多波束测深声呐倾斜来更好地获取水中气体目标的整体形态，实验装置布放如图 8所示。

空气压缩机、气管和喷嘴等装置模拟水中气体目标实验环境，进行多波束测深声呐水中气体目标综合检测实验。实验结果如图 9所示，为连续3帧声呐图像的检测结果以及SIFT特征流算法估计出水体目标向上的上升速度。在静水条件下，气体的上升速度方向垂直向上，伴有左右微弱振荡。

2.2 松花湖实验

为了进一步验证算法的稳定性与有效性，在外场条件下模拟水中气体目标综合检测场景，以实验船为平台对水中气体目标进行综合检测实验，实验船和实验装置如图 10所示，首先利用三角铁架将水管及喷嘴固定，然后将其放入湖底，在岸上水管的另一端与空气压缩机连接作为气体发生装置，通过阀门开关控制压力大小。实验数据处理结果如图 11所示，图 11为连续3帧声呐图像的检测结果以及SIFT特征流算法估计出目标运动特征，在松花湖外场条件下，水中气体目标的在上升的同时受水流等因素影响产生水平方向的速度矢量。速度方向可分为左上、右上和垂直向上3种情况。

2.3 气体目标速度统计分析

在外场实验中，改变气体的泄漏压力和喷嘴孔径来探究泄漏压力和喷嘴孔径对泄漏气体上升速度的影响。选取直径为0.50 mm的喷嘴，泄漏压强分别采用0.15、0.30、0.50和0.70 MPa 4个档位。图 12(a)给出了不同泄漏压强下气体上升速度的盒形图。从统计分析结果可得知，在喷嘴孔径不变条件下，泄漏气体的上升速度随着泄漏压力的增加而增大。在0.30 MPa泄漏压强条件下，喷嘴孔径分别采用0.50，1.00和2.00 mm进行3组实验，统计分析结果如图 12(b)所示。压力恒定时，泄漏气体上升速度随着喷嘴孔径的增大而增大。

3 结论

1) 在复杂背景条件下，自适应阈值多次检测算法有效稳定地检测多目标回波以及水中气体目标，实现一维波束域水中气体目标检测。

2) 基于多波束测深声呐二维图像，数学形态学处理可以平滑气体目标边缘较小的突出，填充目标内部的空洞。

3) 基于图像金字塔和稠密匹配理论的SIFT流检测算法可以有效的估计出水中气体的运动特征。

该方法具有较强的实用性和重要的工程应用性，下一步工作考虑搭载水下移动平台实现对近海海域油气管道泄漏的自动检测，进工程应用尝试。