复杂动态环境下非合作目标探测与识别

《复杂动态环境下非合作目标探测与识别》以非合作目标探测与识别为主线，深入挖掘了复杂动态环境对目标探测与识别的影响因素，围绕复杂动态环境强干扰导致的目标特征畸变与缺失、特征模糊不清等问题，提出了特征畸变与缺失下的非合作目标探测与识别方法、特征模糊下的非合作目标探测与识别方法，构建了小样本强干扰下的非合作目标探测与识别方法。更进一步，把多智能体协同协作机制引入到非合作目标识别与探测领域，分别构建了面向多自主水下航行器围捕的非合作目标探测与识别方法、基于多视角光场重构的非合作目标探测与识别方法。

机器人

目录
前言
第1章 特征畸变与缺失下的非合作目标探测与识别方法 1
1.1 绪论 1
1.1.1 引言 1
1.1.2 国内外研究现状 1
1.1.3 主要研究内容 4
1.2 特征畸变下的非合作目标识别方法 4
1.2.1 改进的深度残差网络模型 5
1.2.2 水下畸变图像修正检测 6
1.2.3 模型训练 9
1.3 特征缺失下的非合作目标识别方法 10
1.3.1 视觉特征提取模型 10
1.3.2 缺失特征提取 13
1.3.3 可增强图像特征的非合作目标识别方法 14
1.4 多尺度显著特征畸变校正的非合作目标识别方法 15
1.4.1 显著特征金字塔网络 15
1.4.2 畸变图像对比矫正 17
1.4.3 水下微小畸变目标识别网络 18
1.5 实验验证与结果分析 19
1.5.1 特征畸变下的非合作目标识别方法 19
1.5.2 特征缺失下的非合作目标识别方法 22
1.5.3 多尺度显著特征畸变校正的非合作目标识别方法 24
1.6 本章小结 28
参考文献 28
第2章 特征模糊下的非合作目标探测与识别方法 34
2.1 绪论 34
2.1.1 引言 34
2.1.2 国内外研究现状 34
2.1.3 主要研究内容 36
2.2 多尺度特征融合的模糊目标探测与识别方法 37
2.2.1 动态空间语义特征提取模型 37
2.2.2 多尺度显著特征提取模型 38
2.2.3 动态多尺度特征融合机制 39
2.3 增强混合扩张卷积的水下模糊小目标识别方法 40
2.3.1 网络模型 40
2.3.2 模糊特征信息提取 41
2.3.3 增强混合扩张卷积的水下模糊小目标识别方法 42
2.4 实验验证与结果分析 43
2.4.1 多尺度特征融合的模糊目标探测与识别方法仿真 43
2.4.2 增强混合扩张卷积的水下模糊小目标识别方法仿真 45
2.5 本章小结 49
参考文献 49
第3章 小样本强干扰下的非合作目标探测与识别方法 54
3.1 绪论 54
3.1.1 引言 54
3.1.2 国内外研究现状 54
3.1.3 主要研究内容 57
3.2 非合作目标多阶段主动探测与识别方法 57
3.2.1 多波束相干测深方法 57
3.2.2 噪声环境下的相位差估计 59
3.2.3 多波束相干测深方法的误差估计 60
3.2.4 多阶段目标自主探测方法 61
3.3 基于强化迁移学习的水下目标回波信号特征提取方法 64
3.3.1 基于样本数据集的目标特征提取 64
3.3.2 超分辨率重建 65
3.3.3 目标特征相似度量 66
3.3.4 基于迁移强化学习的目标特征优化 67
3.4 基于光场重构与对抗神经网络的水下目标识别方法 68
3.4.1 光场重构模型的建立 69
3.4.2 对抗神经网络模型 70
3.4.3 基于光场重构与对抗神经网络的水下目标识别方法 71
3.4.4 水下目标状态估计 73
3.5 仿真实验验证与结果分析 74
3.5.1 目标探测系统模型 74
3.5.2 声呐发射信号数字仿真 75
3.5.3 声呐雷达回波信号处理 79
3.5.4 声呐图像超分辨率重建 81
3.5.5 目标特征提取 83
3.5.6 水下目标检测距离数字仿真 86
3.6 本章小结 90
参考文献 90
第4章 面向多AUV围捕的非合作目标探测与识别方法 93
4.1 绪论 93
4.1.1 引言 93
4.1.2 国内外研究现状 93
4.1.3 主要研究内容 95
4.2 基于迁移强化学习的多 AUV 目标探测方法 96
4.2.1 多AUV协同感知模型 97
4.2.2 基于迁移强化学习的水下目标探测 99
4.3 基于GAN-元学习的围捕目标识别方法 100
4.3.1 GAN网络与元学习方法 100
4.3.2 建立GAN-元学习模型 102
4.3.3 基于GAN-元学习的围捕目标识别 103
4.4 基于GAN的多AUV一致性协同控制方法 104
4.4.1 三维空间AUV运动学模型 105
4.4.2 多AUV协同拓扑结构 105
4.4.3 基于GAN的多AUV一致性协同控制 107
4.5 协同围捕仿真与结果分析111
4.5.1 湖试实验 111
4.5.2 基于迁移强化学习的多AUV目标探测方法113
4.5.3 基于GAN-元学习的危险目标识别方法118
4.5.4 基于GAN的多AUV一致性协同控制方法 121
4.6 本章小结 126
参考文献 126
第5章 基于多视角光场重构的非合作目标探测与识别方法 131
5.1 绪论 131
5.1.1 引言 131
5.1.2 国内外研究现状 132
5.1.3 主要研究内容 134
5.2 基于多视角的光场重构方法 136
5.2.1 多视角光场的协作机制 136
5.2.2 多视角光场信息融合的机动目标识别方法 138
5.2.3 实验结果与分析 139
5.3 基于GAN的多视角光场重构方法 140
5.3.1 基于GAN的多智能体光场重构方法 140
5.3.2 实验结果与分析 142
5.4 基于迁移强化学习的多视角光场重构方法 144
5.4.1 源域的建立 144
5.4.2 迁移强化学习方法 145
5.4.3 基于迁移强化学习的多视角光场重构方法 149
5.4.4 实验结果与分析 150
5.5 非合作目标识别实验结果与分析 152
5.5.1 基于多视角光场重构的非合作目标识别结果与分析 152
5.5.2 基于GAN的多视角光场重构的目标识别结果与分析 154
5.5.3 基于迁移强化的多视角光场重构的目标识别结果与分析 156
5.6 本章小结 162
参考文献 163
彩图

第1章特征畸变与缺失下的非合作目标探测与识别方法
　　1.1 绪论
　　1.1.1 引言
　　随着水下无人设备与技术的发展，水下安保问题变得愈发突出，如何对水下非合作目标，例如非友方的潜艇、蛙人、自主水下航行器（ Autonomous Underwater Vehicle，AUV）、鱼雷等进行探测与识别就成为了亟待解决的难题。而对水下目标图像的有效获取是执行相关任务的必要前提。在实际的水下环境中，光线的散射和折射等因素造成捕获的目标图像扭曲等不确定性畸变；此外，非合作目标会主动利用水下环境中高耸的海山、起伏的海丘、绵延的海岭、深邃的海沟等地貌进行隐藏，很难获取完备的非合作目标特征数据，从而导致目标特征部分缺失 [1]。
　　本章针对水下非合作目标特征畸变的难题，提出了特征畸变下的非合作目标识别方法，结合二元交叉熵损失对目标关键特征信息进行提取，并利用特征的相对距离关系对光线折射造成的图像扭曲进行修正，从而增加目标识别与定位的准确性。针对水下非合作目标特征缺失的难题，构建了可增强图像特征的非合作机动目标识别方法，通过在静态相关矩阵上增加当前图像的标签信息，构建动态的相关矩阵表示目标的空间语义关系，弥补目标畸变和遮挡造成的显著特征不足。
　　1.1.2 国内外研究现状
　　在水下非合作目标图像特征存在扭曲畸变的情况下，仅依靠传统的无监督表示学习很难提取完备的目标显著特征，将严重影响水下目标识别精度。现有目标识别算法通常需要大量有标签数据进行训练，以获得具有强泛化能力的网络模型[2，3]。在复杂多变的水下环境中，样本数据收集和标注成本较高，使得获取大量有标注样本数据集较为困难。近年来，学者们[4，5]提出的无监督表示学习可以通过无标签数据集进行训练。该方法忽略图像中部分细节信息，只学习可区分性的显著特征。因此，利用无监督表示学习提取水下畸变目标的显著特征，并用于后续的检测与识别任务，可以在一定程度上提高算法的准确率[6]。
　　在目标受到遮挡导致图像特征缺失的情况下，图神经网络根据相关矩阵学习目标的空间语义特征，可以弥补畸变目标的特征缺失。传统的相关矩阵通常由训练集的标签共现关系获得[7，8]。然而，水下环境中不同类型目标的采集难度不同，使得训练集中标签数量分布不均[9，10]。此外，部分罕见的共现关系可能是噪声。在这种情况下，基于标签共现关系构造的相关矩阵具有一定的局限性。因此，如何在上述干扰下，准确地对扭曲畸变目标进行检测和识别是解决难题的关键。
　　1.1.2.1 畸变非合作目标识别研究现状
　　（1）畸变图像校正方面。针对水下图像颜色失真和对比度低的问题，Li[11]通过注意力机制从多个颜色空间中提取*具辨别力的特征。Jiang[12]和Ye[13]通过迁移学习的方式将空中图像去雾算法引入水下图像增强领域。针对原始数据集中样本失真的问题，Zhang[14]通过双生成对抗网络将其分割为清晰和不清晰部分，并采用不同的训练策略训练网络。Li[15]提出用于增强真实水下图像的融合对抗网络，对不同退化场景的水下图像进行增强。Lin[16]研究水下目标的物理变形过程，提出一种两阶段网络对目标水平和垂直方向的变形进行恢复。Zhang[17]提出一种新的颜色校正和双间隔对比度增强方法，以提高水下图像的质量。Fu[18]结合深度学习和传统图像增强技术，提出一个双分支网络分别补偿全局颜色失真的局部对比度降低。Guo[19]通过多尺度密集生成对抗网络对模糊的水下图像进行增强。Sun[20]提出一种多尺度去噪自编码器模型，并引入互补信息，将不同尺度再现的光谱进行融合，为后续的目标识别提供更复杂的信息和更鲁棒的特征。
　　（2）目标检测方面。Shi[21]和 Wei[22]对YOLOv3算法进行改进，并将其应用于水下复杂场景下的目标检测。Zeng[23]将对抗性遮挡网络添加到标准 Faster R-CNN检测算法中，通过互相对抗训练获得更高的鲁棒性。Abu[24]提出一种基于统计的无监督算法，用于检测合成孔径声呐图像中的水下物体。Rajasekar[25]和Rout[26]对水下视频中的物体进行检测，通过增强图像质量的方式提高检测精度。Pan[27]提出一种多尺度ResNet网络，提高了水下小目标的检测性能。Fan[28]通过残差块构建一个32层的特征提取网络，在保证水下目标检测性能的同时降低网络的参数量。
　　1.1.2.2特征缺失非合作目标识别研究现状
　　（1）显著特征提取方面。 Wang[29]提出一种用于无监督多视图表示学习的对抗性相关自动编码器，消除了多视图数据因分布不同而产生的差异。另外，Han[30]提出一种用于图像分类的半监督的多视图流形状判别完整空间学习方法，通过多视图数据学习完整的特征表示。Le-Khac[31]总结提出一个对比表示学习的通用框架，解决了对比学习框架在计算机视觉领域的应用。Chen[32]通过嵌入注意力机制扩展了现有的对比学习算法，提高算法的学习效率和泛化能力。Li[33]提出一个通过稀疏自动编码器进行无监督表示学习的中间层特征表示框架，该方法减少了无监督表示学习的参数数量。为解决小样本情况下交叉熵损失性能不足的问题，Lee[34]通过对比学习增强特征提取网络。Cao[35]通过无监督表示学习提取目标具有代表性的特征，提高算法的分类精度。
　　（2）空间语义特征方面。图像包含丰富的空间语义关系。Su[36]提出一种新的多图嵌入的判别性相关特征学习方法。该方法抓住了每个视图的内在几何结构，学习了具有良好识别能力的非线性相关特征。Ma[37]提出一种基于空间背景的多尺度语义边缘检测深度网络。该网络获得了丰富的多尺度特征，同时增强了高层特征细节。Yang[38]提出结合结构化语义相关性来解决多标签学习中标签缺失的问题。Zhao[39]设计一个多任务框架来联合处理天气线索的分割任务和天气分类任务，解决了单一天气标签分类性能不佳的问题。Khan[40]提出一个新的多标签的深度图卷积神经网络。该网络可以从不规则结构中提取判别性特征，以提高分类结果。Nauata[41]通过结构化推理神经网络对标签之间的复杂关系进行建模，提高算法的适用性和稳健性。Chen[42]提出一个空间记忆网络，利用物体的上下文关系来提高目标检测的准确性。Yan[43]提出一个特征注意网络，解决物体尺度不一致和类别标签不平衡的问题。Li[44]使用图卷积网络和自适应标注图来学习标签相关性，通过两个1×1卷积层生成自适应标签图。Yun[45]提出一个用于多标签分类的双聚合特征金字塔网络，该网络不需要区域建议，大大降低了计算负担。为了解决具有复杂特征但样本数量少的类难以正确分类的问题，Zhi[46]提出一个基于多路径结构的端到端卷积神经网络。Wang[47]使用相似性约束来捕获可用信息和特权信息之间的关系，并使用排名约束来捕获多个标签之间的依赖关系。Gao[48]设计一个多类注意区域模块，以减少注意区域的数量，同时保持这些区域的多样性的可能。
　　（3）目标识别方面。针对水下环境干扰和算法的实时性问题，Cai[49]提出一种基于迁移强化学习的协作式多AUV目标识别方法。Zhang[50]提出一个语义空间融合网络来弥补低级和高级特征之间的差距。 Moniruzzaman[51]提出一种使用Inception V2网络的 Faster R-CNN算法，该方法可以在目标和周围边界差异较小的情况下提高算法的平均检测精度。Wang[52]提出一种用于无标签视觉识别的多视图视觉语义表示方法，该方法利用图像的视觉和语义表示来预测图像的类别。为了提高算法的收敛速度，Cai[53]设计一种有效的外部空间加速算法。Sun[54]提出一种基于GAN-元学习的多AUV目标识别方法，实验结果表明，该方法可以提高模型的泛化能力。Chen[55]提出一个新的迭代视觉推理框架，该框架有效地提高了目标识别的准确性。 Cai等[56-58]将光场重构引入机动目标识别领域，可以忽略拍摄角度对识别结果的影响，并通过生成对抗网络（Generative Adversarial Network， GAN）、迁移学习和强化学习等方法对算法进行优化，提高算法的实时性。 Luo[59]将 GAN引入多 AUV目标识别领域，降低水下复杂环境对目标识别的影响。
　　1.1.3 主要研究内容
　　（1）特征畸变下的非合作目标识别方法。引入跳跃连接的方式有效降低梯度消失问题，同时引入不同膨胀率的扩张模块，降低了算法的参数训练量；结合二元交叉熵损失对目标关键特征信息进行提取，并利用特征的相对距离关系对光线折射造成的图像扭曲进行修正，从而增加目标识别与定位的准确性。
　　（2）特征缺失下的非合作目标识别方法。将原始样本数据分别与正样本和负样本在特征空间对比，通过*小化 InfoNCE（Info Noise Contrastive Estimation）损失函数训练特征提取网络，提取目标的视觉显著特征；在静态相关矩阵上增加当前图像的标签信息，构建一个动态的相关矩阵表示目标的空间语义关系，弥补目标畸变和遮挡造成的显著特征缺失；融合目标的显著特征和空间语义特征，通过交叉熵损失训练目标识别模型，解决目标畸变和遮挡导致的识别准确率低的问题。
　　（3）多尺度显著特征畸变校正的非合作目标识别方法。通过显著金字塔网络，提取小目标的多尺度显著性特征；对输入的畸变小目标图像显著特征位置进行对比校正，恢复出较为清晰的目标灰度图像，并对校正后的图像进行目标识别；通过损失函数的设定训练整体目标识别网络，实现水下微小畸变目标的准确识别。
　　1.2 特征畸变下的非合作目标识别方法
　　水下环境中，光线的散射和折射等现象导致水下图像发生畸变，严重影响水下非合作目标检测与位置标注的准确性。针对上述问题，本节提出一种特征畸变下的非合作目标识别方法。首先，通过跳跃连接与不同膨胀率的扩张模块对深度残差神经网络进行改进。其次，结合二元交叉熵损失对目标关键特征信息进行抽象提取，并对抽象特征重新编码。*后，对抽象特征进行解码，并利用域对比度损失对特征的相对距离关系进行修正，降低光线折射等因素对水下图像扭曲的影响，增加水下机动目标检测与位置标注的准确性。具体过程如图 1-1所示。
　　1.2.1 改进的深度残差网络模型
　　深度残差神经网络可以有效地解决梯度消失问题，也使得深层模型更为简单。为了降低基础网络所带来的参数量，提高网络的运行效率，水下非合作目标探测网络采用优化后的 FSSNet[60]作为基础网络。利用编码器网络对畸变的机动目标的抽象特征重新编码，降低色彩、亮度、模糊等因素对检测过程的干扰。通过解码器结合特征的相对位置信息对抽象特征进行重新解码，降低位置偏移与图像扭曲的干扰问题。
　　假设输入图像为 3通道 256× 256通过 13个 33的卷积核以步长为 2的图像。×方式对图像进行卷积操作，卷积后进行批处理归一化和整流线性单元（ Rectified Linear Unit，ReLU）优化，即Conv-BN-ReLU，处理后可得到一个具有13通道的特征图。另外进行22*大池化操作，可得到1个3通道的特征图。将两个特征×图进行融合，得到一个16通道的特征图。同时，在输入与输出中加入跳跃连接（skip connection）使模型更好地提取特征，如图1-2所示。左侧产生一个13通道的特征图（图中橙线），maxpooling输出一个有3通道的下采样特征图（图中红线），图中黄线表示跳跃连接。
　　为了能够提取不同视野下的特征信息，将 3×3卷积滤波器设置为具有不同扩张率的卷积模型，即扩张模块。扩张模块的使用可以帮助网络使用更少的网络层来获得更多的感受野，分别设置其膨胀率为 2、5和 9，扩张卷积的使用使有效感受场增长更快，如图 1-3所示。图中 H通常定义为一组卷积，后跟一个批处理归一化和 ReLU。本节算法使用参数整流线性单元（ Parameter Rectified Linear Unit， PReLU）[61]作为激活函数