本發(fā)明屬于三維聲吶探測(cè)，具體涉及一種基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法和裝置。

背景技術(shù)：

1、隨著海洋資源的開發(fā)，水下探測(cè)的需求隨之增長，水下目標(biāo)識(shí)別成為備受關(guān)注的課題。聲吶作為一種水下聲學(xué)探測(cè)手段受到了廣泛關(guān)注，目前在聲吶領(lǐng)域的相關(guān)技術(shù)得到了一定程度的發(fā)展，但同時(shí)針對(duì)這一領(lǐng)域的研究仍然存在諸多難題與挑戰(zhàn)。

2、三維成像聲吶獲取到的點(diǎn)云數(shù)據(jù)相較于二維圖像而言由于維度的增加信息量隨之劇增，處理算法上也存在差異。目前對(duì)于三維成像聲吶數(shù)據(jù)的處理大致分為三種：基于二維化圖像、基于體素和基于點(diǎn)云的方法。基于二維化圖像的方法通過將三維點(diǎn)云投影到二維平面上，利用成熟的圖像處理算法進(jìn)行處理，但這種方法會(huì)丟失部分空間信息，影響識(shí)別精度?；隗w素的方法則將三維空間劃分為多個(gè)小立方體(體素)，對(duì)每個(gè)體素內(nèi)的點(diǎn)云進(jìn)行統(tǒng)計(jì)分析，這種方法雖然保留了部分空間信息，但計(jì)算量較大且易受噪聲影響。而基于點(diǎn)云的方法則直接對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行處理，能夠充分利用點(diǎn)云的空間信息和結(jié)構(gòu)特征，但對(duì)計(jì)算資源要求較高。

3、在三維點(diǎn)云處理過程中，尤其需要關(guān)注的是以下幾個(gè)難點(diǎn)問題：

4、(1)樣本數(shù)量?。河捎谒侣晠仍O(shè)備造價(jià)較高，并且數(shù)據(jù)采集作業(yè)要求配備船只與具備專業(yè)操作技能的技術(shù)人員，這使得聲吶數(shù)據(jù)采集存在流程長、耗費(fèi)高的問題，因此，實(shí)際可用的聲吶樣本數(shù)量往往較為有限，且缺乏足夠的公開數(shù)據(jù)集進(jìn)行算法驗(yàn)證與性能比對(duì)。

5、(2)目標(biāo)種類不平衡：現(xiàn)實(shí)環(huán)境下的水下目標(biāo)種類有限并且受到不同實(shí)驗(yàn)環(huán)境的影響，這導(dǎo)致聲吶采集數(shù)據(jù)中不同目標(biāo)種類間的樣本數(shù)量差異較大，并且總體目標(biāo)量較少，這種不平衡不僅會(huì)影響目標(biāo)識(shí)別模型的泛化能力，還會(huì)降低模型對(duì)于罕見目標(biāo)的識(shí)別準(zhǔn)確率。

6、(3)分辨率低：相較于激光雷達(dá)等高精度傳感器，聲吶圖像的分辨率較低，目標(biāo)特征難以清晰辨識(shí)，水下環(huán)境的復(fù)雜性也使得聲波信號(hào)的解析變得更為困難，因此，聲吶圖像的成像結(jié)果往往存在模糊、噪聲大、可解釋性弱等問題，這些問題不僅增加了目標(biāo)識(shí)別的難度，還降低了識(shí)別結(jié)果的準(zhǔn)確性和可靠性。

7、綜合以上因素，三維成像聲吶技術(shù)在水下目標(biāo)識(shí)別領(lǐng)域具有廣闊的應(yīng)用前景和重要的研究價(jià)值，然而，面對(duì)樣本數(shù)量小、目標(biāo)種類不平衡以及分辨率低等挑戰(zhàn)與難題，研究人員需要不斷探索新的技術(shù)路線和解決方案，以推動(dòng)三維成像聲吶技術(shù)的進(jìn)一步發(fā)展和應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述，本發(fā)明的目的是提供一種基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法和裝置，通過預(yù)處理和聚類能夠加快處理速度，并通過精細(xì)地將三維聲吶點(diǎn)云的拓?fù)浣Y(jié)構(gòu)信息和多特征融合參數(shù)引入到目標(biāo)分類的決策中，顯著提高了目標(biāo)分類的準(zhǔn)確性，進(jìn)一步地，采用k折交叉驗(yàn)證方法對(duì)knn模型進(jìn)行訓(xùn)練，選取最適用于樣本數(shù)據(jù)的超參數(shù)，從而進(jìn)一步提升了模型的泛化能力，使得模型在實(shí)際應(yīng)用中具有更強(qiáng)的適應(yīng)性和魯棒性。

2、為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供的技術(shù)方案如下：

3、本發(fā)明實(shí)施例提供的一種基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類方法，包括以下步驟：

4、對(duì)獲取的三維聲吶點(diǎn)云數(shù)據(jù)進(jìn)行包括濾波、降采樣和降噪的預(yù)處理；

5、采用聚類算法對(duì)預(yù)處理后的三維聲吶點(diǎn)云數(shù)據(jù)進(jìn)行聚類得到點(diǎn)云簇；

6、采用持續(xù)同調(diào)方法提取點(diǎn)云簇的拓?fù)浣Y(jié)構(gòu)信息并以持久性圖表征，計(jì)算持久性圖的wasserstein距離，同時(shí)統(tǒng)計(jì)點(diǎn)云簇的包括密度、質(zhì)心和平均散射強(qiáng)度的多特征融合參數(shù)；

7、將持久性圖的wasserstein距離和多特征融合參數(shù)輸入knn模型預(yù)測(cè)得到目標(biāo)分類結(jié)果。

8、具體地，所述采用持續(xù)同調(diào)方法提取點(diǎn)云簇的拓?fù)浣Y(jié)構(gòu)信息并以持久性圖表征，計(jì)算持久性圖的wasserstein距離，包括：

9、對(duì)同一點(diǎn)云簇中的點(diǎn)云進(jìn)行編碼，并初始化過濾參數(shù)ε；

10、通過單形添加數(shù)據(jù)點(diǎn)的過程形成復(fù)形，即當(dāng)兩數(shù)據(jù)點(diǎn)之間的直徑小于2ε時(shí)，在它們之間添加一條邊，以此構(gòu)建出vr復(fù)形；

11、對(duì)于不同尺度下的過濾參數(shù)ε，重復(fù)上述vr復(fù)形的構(gòu)建過程，得到一系列單純復(fù)形的嵌套子復(fù)形，這些子復(fù)形構(gòu)成了濾流，通過計(jì)算識(shí)別出其中的拓?fù)涮卣鳎?/p>

12、在過濾參數(shù)ε變化過程中，記錄拓?fù)涮卣鞯漠a(chǎn)生和消亡，并以持久性圖的形式進(jìn)行表征；

13、計(jì)算不同點(diǎn)云的持久性圖之間的wasserstein距離以評(píng)估這些點(diǎn)云在拓?fù)浣Y(jié)構(gòu)上的相似度，距離值越小表示兩個(gè)點(diǎn)云在拓?fù)浣Y(jié)構(gòu)上相似度越高。

14、具體地，所述將持久性圖的wasserstein距離和多特征融合參數(shù)輸入knn模型預(yù)測(cè)得到目標(biāo)分類結(jié)果，包括：

15、將點(diǎn)云簇的包括密度、質(zhì)心和平均散射強(qiáng)度的多特征融合參數(shù)與持久性圖的wasserstein距離進(jìn)行加權(quán)并經(jīng)歸一化處理后輸入knn模型，在knn模型中通過查找點(diǎn)云簇中待分類數(shù)據(jù)點(diǎn)的至少一個(gè)近鄰點(diǎn)并根據(jù)多數(shù)投票原則確定待分類數(shù)據(jù)點(diǎn)的類別，最終得到對(duì)點(diǎn)云簇的目標(biāo)分類結(jié)果。

16、具體地，基于聚類得到的點(diǎn)云簇采用k折交叉驗(yàn)證方法對(duì)knn模型進(jìn)行訓(xùn)練。

17、具體地，預(yù)處理中的濾波包括采用閾值濾波和最大值濾波，對(duì)于三維聲吶點(diǎn)云數(shù)據(jù)經(jīng)過波束形成過程得到的波束域，通過閾值濾波去除波束域中強(qiáng)度小于過濾閾值的數(shù)據(jù)，通過最大值濾波保留波束域中每個(gè)波束方向上強(qiáng)度最高的數(shù)據(jù)。

18、具體地，預(yù)處理中的降采樣包括采用體素方式，將聲吶探測(cè)空間劃分為若干立方體單元，每個(gè)立方體單元作為一個(gè)體素，選取體素內(nèi)的三維聲吶點(diǎn)云數(shù)據(jù)的代表性點(diǎn)，并統(tǒng)計(jì)位于體素內(nèi)所有數(shù)據(jù)點(diǎn)的強(qiáng)度平均值，以強(qiáng)度平均值作為代表性點(diǎn)的強(qiáng)度，將所有體素內(nèi)的代表性點(diǎn)組合起來，形成降采樣后的點(diǎn)云數(shù)據(jù)。

19、具體地，預(yù)處理中的降噪包括采用基于歐式距離的區(qū)域自生長算法，對(duì)于經(jīng)濾波和降采樣后得到的三維聲吶點(diǎn)云數(shù)據(jù)，選取點(diǎn)云數(shù)據(jù)中曲率最小的點(diǎn)作為種子點(diǎn)，以種子點(diǎn)為中心執(zhí)行生長算法進(jìn)行擴(kuò)展，在擴(kuò)展過程搜索種子點(diǎn)的近鄰點(diǎn)，若近鄰點(diǎn)到種子點(diǎn)的歐式距離小于設(shè)定的距離閾值則將該近鄰點(diǎn)劃分為有效點(diǎn)，對(duì)于除有效點(diǎn)之外的剩余三維聲吶點(diǎn)云數(shù)據(jù)繼續(xù)迭代執(zhí)行種子點(diǎn)選取、擴(kuò)展、搜索和劃分有效點(diǎn)，最終保存所有的有效點(diǎn)作為預(yù)處理后的三維聲吶點(diǎn)云數(shù)據(jù)。

20、具體地，在擴(kuò)展過程中，對(duì)于經(jīng)濾波和降采樣后得到的三維聲吶點(diǎn)云數(shù)據(jù)，采用kd-tree結(jié)構(gòu)組織點(diǎn)云數(shù)據(jù)，將點(diǎn)云數(shù)據(jù)劃分為兩個(gè)集合分別作為左子樹和右子樹，采用基于歐氏距離的近鄰搜索算法基于左子樹和右子樹進(jìn)行近鄰點(diǎn)的搜索。

21、具體地，聚類算法包括采用k-means++算法對(duì)預(yù)處理后的三維聲吶點(diǎn)云數(shù)據(jù)進(jìn)行聚類得到若干點(diǎn)云簇。

22、為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明實(shí)施例還提供了一種基于持續(xù)同調(diào)的三維聲吶點(diǎn)云目標(biāo)分類裝置，包括：預(yù)處理模塊、聚類模塊、拓?fù)涮卣魈崛∧K和目標(biāo)分類模塊；

23、所述預(yù)處理模塊用于對(duì)獲取的三維聲吶點(diǎn)云數(shù)據(jù)進(jìn)行包括濾波、降采樣和降噪的預(yù)處理；

24、所述聚類模塊用于采用聚類算法對(duì)預(yù)處理后的三維聲吶點(diǎn)云數(shù)據(jù)進(jìn)行聚類得到點(diǎn)云簇；

25、所述拓?fù)涮卣魈崛∧K用于采用持續(xù)同調(diào)方法提取點(diǎn)云簇的拓?fù)浣Y(jié)構(gòu)信息并以持久性圖表征，計(jì)算持久性圖的wasserstein距離，同時(shí)統(tǒng)計(jì)點(diǎn)云簇的包括密度、質(zhì)心和平均散射強(qiáng)度的多特征融合參數(shù)；

26、所述目標(biāo)分類模塊用于將持久性圖的wasserstein距離和多特征融合參數(shù)輸入knn模型預(yù)測(cè)得到目標(biāo)分類結(jié)果。

27、與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果至少包括：

28、(1)本發(fā)明通過將點(diǎn)云的拓?fù)浣Y(jié)構(gòu)信息引入到目標(biāo)分類的決策中，充分挖掘利用已有數(shù)據(jù)的結(jié)構(gòu)信息，提高了三維聲吶點(diǎn)云數(shù)據(jù)的分辨率和目標(biāo)分類的可解釋性。

29、(2)本發(fā)明綜合考慮點(diǎn)云的密度、質(zhì)心和平均散射強(qiáng)度信息，結(jié)合持久性圖間的wasserstein距離加權(quán)計(jì)算作為knn模型的輸入，并且能夠在閑時(shí)自動(dòng)重新訓(xùn)練參數(shù)，從而有效提高模型的分類準(zhǔn)確性。

30、(3)本發(fā)明通過在預(yù)處理階段對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行濾波、降采樣和降噪處理，降低了水下噪聲回波的影響，并通過kd-tree結(jié)構(gòu)加快處理速度，能夠進(jìn)一步節(jié)省平臺(tái)算力。

31、(4)本發(fā)明采用k折交叉驗(yàn)證法訓(xùn)練knn模型參數(shù)，優(yōu)化參數(shù)選擇過程，針對(duì)小樣本場景做出優(yōu)化，能夠有效應(yīng)對(duì)水聲樣本數(shù)量小和多樣性不足的問題，進(jìn)一步提高模型的泛化能力和魯棒性。