一种特征模板匹配的水声识别系统的设计与实现∗

张振华 吴 宁 俞 剑

（1.中国电子科技集团公司第二十八研究所 南京 210007）（2.中国人民解放军91458部队 三亚 572021）

1 引言

1.1 水声目标识别

水声目标识别技术，无论是民用的海底鱼群探测、冰山礁石探测、深海环境探测，还是军用的鱼雷探测、潜艇探测以及反潜作战等，都很有现实意义，尤其是在军用领域，所谓知己知彼，百战不殆，实时准确的识别，是克敌制胜的关键。

目前水声目标识别面临两个主要问题：其一，水声目标类别繁多，如潜艇、水面舰、鱼雷、商船、渔船以及各种海洋生物，甚至暗礁、沉船等。其二，异类水声目标间的特征存在相似性，使得识别任务面临很大干扰［1］。因此，虽然当前对于水声目标的识别手段日渐丰富，但如何有效利用好这些识别方法，取长补短；如何充分运用特征模板匹配方法，通过大数据技术充实数据库资料，再逆向完善匹配模板，从而最终构建基于模板匹配的水声综合识别系统，已成为提高水声目标识别率的急需。

1.2 特征模板匹配技术应用

特征模板匹配技术，是在大数据应用基础上用于目标识别的一种行之有效的方法。

一方面，“大数据”技术发展的大背景下，在水声识别领域，随着各类水声目标特征数据采集、汇总和存储量的不断增加，为了能够有效使用长期积累下的数据，就必须考虑大数据特征模板匹配及信息处理技术，诸如信息存储、安全、加工等技术［2～3］。

另一方面，由于大数据是目前较时新的一门技术，应用于水声识别领域也还只是个尝试和验证，本文涉及的有关大数据的应用还仅限于原型系统初步实现阶段。充分运用采集的大量数据，并归类整理，形成相应的识别模板或参考静态资料，为水声目标识别提供匹配模板和人工复核干预依据，这是关键。同时，也可通过得到的准确识别结果，对大数据体模板进行修订、装载，进一步丰富匹配模板的要素，也能为下一步的识别做指示更新。

2 系统总体设计

2.1 总体框图

水声识别原型系统的总体框架组成，如图1所示。

图1 系统总体框架组成图

1）基础设施层：主要为系统提供最基础的硬件设施、运行环境等；

2）系统平台层：为各功能软件运行的系统环境、传输协议、通用服务以及数据库应用等做支撑；

3）功能业务层：系统的业务实现层，主要为后端的综合识别分析做信息输入，不涉及声纹分析、提取、比对等声学专业特征分析等；

4）展示操控层：是全系统的展示界面，包括目标态势的示意显示、表格的分类显示、收集大量数据的资料维护以及最终识别结果的人工干预与复核等。

2.2 功能模块组成

本系统的功能业务模块的概要组成结构如下图2所示。

图2 功能业务模块组成图

1）界面展示：实现目标信息展示、信息维护管理、声音播放编辑、人工操控干预等功能；

2）A类声纳识别服务：实现A类型声纳识别结果的目标信息接收、预处理、干预、入库等功能；

3）B类声纳识别服务：实现A类型声纳识别结果的目标信息接收、预处理、干预、入库等功能；

4）关联融合服务：实现多类型声纳目标识别结果信息的关联分析与融合处理；

5）人耳判听分析：辅助人耳听觉，提高人的主观能动性，剔除一些异常信息，或筛出一些明显信息；

6）目标数据维护：依据日常收集的各类信息，进行人工的整理、编辑、归类、汇总、入库、存储、查询、调阅、提取、模板制作、修订、装载等操作，为综合识别做大数据业务支撑；

7）综合识别判性：依据各类型声纳识别结果、各种识别方法以及大数据体匹配模板，实现最终判性。

3 详细设计

3.1 信息流程设计

依据系统功能和模块划分，设计信息处理流程如图3所示。

3.2 开发环境

开发环境如下：

1）前台软件：操作系统 Windows 7-64bit，编译环境QT4.84+VS2010；

2）服务器软件：操作系统 Windows 7-64bit，编译环境QT4.84+VS2010；

3）数据库：Oracle 11g。

3.3 系统部署

3.3.1 部署架构

系统软件部署架构，如图4所示。

3.3.2 部署环境

部署环境如下。

1）前台硬件资源：Inter I5，内存 4GB，硬盘160GB；

2）服务器硬件资源：Intel至强E5-2600，内存16GB；

3）磁盘阵列：存储容量4TB；

4）前台软件：操作系统Windows 7-64bit，具备基础网络服务，安装Oracle 11g以及数据库基础服务插件；

5）服务器软件：操作系统 Windows Server 2008 R2，具备基础网络服务，安装Oracle 11g以及数据库基础服务插件。

图3 系统信息处理流程

4 系统功能模块实现

4.1 界面展示

前台界面示意如图5所示。

4.2 A类声纳识别

具体实施流程如下：

1）总体上，根据大量收集的数据，依据A类声纳目标的信号特点，剪切出A类目标特征模板，供自动识别判性时使用；

2）人机交互界面发起A类声纳目标识别申请，待识别结束后，获取识别结果A；

3）将识别结果A回显至前台界面，供参考；

4）将比较明确的属性字段，存储进A类目标数据库，作为大数据体模板，长期积累，丰富数据库样本内容。

图4 系统部署架构图

图5 系统交互界面示意图

4.3 B类声纳识别

具体实施流程如下：

1）总体上，根据大量收集的数据，依据B类声纳目标的信号特点，剪切出B类目标特征模板，供自动识别判性时使用；

2）人机交互界面发起B类声纳目标识别申请，待识别结束后，获取识别结果B；

3）将识别结果B回显至前台界面，供参考；

4）将比较明确的属性字段，存储进B类目标数据库，作为大数据体模板，长期积累，丰富数据库样本内容。

4.4 关联融合服务

具体实施流程如下：

1）运用目标运动分析（TMA）［4～5］、交叉定位［6］等融合算法，实现目标的自动融合；

2）运用信息接入端日常收集的航迹数据库，结合特定目标，进行目标规律分析；

3）将各种可信的规律及有用信息保存入目标数据库，长期积累，作为融合判性的依据，再发过来丰富数据库样本内容。

4.5 人耳判听分析

人耳判听，有两个特点：其一，必须是比较明确的、常见的、参数确定的目标；其二，必须依赖于有经验的操作员。

因此该功能模块，仅作为一个辅助功能，提供一种特定采样率的噪声或回波数据的监听功能。实施流程如下：

1）该模块具备基本的噪声或回波数据的播放功能；

2）具备噪声或回波数据的采样、截取、分析等编辑功能；

3）编辑结果，可以作为匹配样本，存入数据库，作为大数据体模板，长期积累、丰富数据库内容。

4.6 目标数据维护

目标数据库维护，有两个方面的概念，即收集整理的数据和编辑装订的数据，据此，实施流程如下：

1）依据长期收集的目标信息，充实数据库，作为大数据体样本；

2）依据各类识别手段互相印证而获取的结果，修订充实经收集而来的不完整目标信息的各个属性字段。

4.7 综合判性

综合判性，其实就是运用以上几种识别手段获取的结果，同时考虑水声目标数据的特征冗余［7］的特点，采用基于证据理论的综合判别方法［8～10］，再结合操作员的个人经验以及当时的各种情况，综合而得到的结果。最终再通过人工交互界面，更新显示属性和显示结果。

5 结语

本原型系统在实现后，通过模拟仿真系统生成各类大量典型目标信息，提取各类特征样本，进行模板制作，作为大数据匹配的验证依据。经测试，能有效提高可识别性和识别率。

大数据目标特征模板匹配识别技术，目前仅仅在摸索阶段，多源数据融合、模式识别、机器深度学习等技术均未得到大规模成体系的检验［11～13］。虽然国内外已陆续证实该技术能够有效应用于精准的军/民用目标识别和军用战术决策，但大数据目标识别技术本身要彻底实现实用化、普适化，仍需突破诸多关键技术［14～15］，主要包括：

1）大数据的实时收集与融合。数据来源复杂，且通信制式、数据格式多样，如何实现快速传输、异构网络数据融合等，都需要进一步研究；

2）实时分析处理。目前针对于大数据样本的目标识别，仅开展于离线数据处理方面，而对于实时分析处理，其可用性、时延等问题，也需要持续优化；

3）在实时收集处理过程中，如何拥有安全稳定的网络传输，做到强大的抗干扰及抗攻击性，也要重点关注。

基于以上原因，本文所提水声目标识别，采用大数据技术提取目标特征，形成匹配模板，也仅限于原型系统实现阶段，除此之外，系统还有以下需要持续改进和研究的地方：

1）大数据建模及大数据样本设定，不尽合理，对于识别成功率及识别速度影响较大，大数据装订流程需要优化；

2）综合识别判情依据准确率不够好，应继续研究融合处理算法；

3）人工交互及干预手段不友好，不能运用好、组合好多方法识别工具；

4）自动化识别处理程度不够，很多处理流程对于人工依赖较大。

总之，基于大数据的水声目标识别，是一个较新的领域，后续将会继续跟踪研究，使系统性能进一步提升。