基于声场环境知识的多基地声呐检测跟踪算法

基于声场环境知识的多基地声呐检测跟踪算法作者：刘东涛卢术平来源：《声学与电子工程》2022年第03期摘要针对复杂水声环境下多基地声呐系统联合水下多目标检测跟踪问题，提出了基于声场环境知识的多基地声呐检测跟踪算法。

该算法在多传感器集中式融合框架下，利用海洋声场环境分析设备提供的辅助知识，自适应调整多基地声呐系统联合目标检测准则和多目标跟踪策略。

仿真结果表明，相比多基地声呐系统非知识辅助方法，该算法能够有效降低浅海混响区的目标跟踪虚假航迹率。

关键词多基地声呐；检测跟踪；声场环境；知识辅助主动多基地声呐系统通常由多个声源和多个接收阵组成，能够对水下目标进行协同探测，收一发多节点提供了多角度目标测量数据，有效提升了水下目标的探测性能[1-3]。

相较于传统单节点声呐系统，更高的数据率也带来了更多的虚假目标。

尤其是在浅海环境中，存在大量强混响区和强离散干扰，比如海底山、海底管道、礁石等，导致多基地声呐在协同跟踪处理后出现很多虚假目标航迹[4、5]。

针对主动声呐探测时浅海混响区虚假目标航迹多的问题，当前的解决思路主要有以下几种：一是在检测前抑制混响，2017年郝程鹏等提出了基于空时自适应处理的移动平台主动声呐混响抑制算法[6]；二是选择适配的检测算法，2020年卢术平等提出了复杂非均匀背景下的鲁棒声呐恒虚警检测算法，该方法基于背景的统计分析，选择适配的恒虚警检测器，能够有效抑制混响边缘处干扰点迹[7]；三是跟踪过程中，通过航迹管理等方式删除虚假目标航迹[8]。

雖然针对混响区主动声呐跟踪虚假航迹过多问题已有一定研究，但面向多基地声呐协同探测方面的研究还很少。

本文在集中式多基地声呐架构的基础上[9，10]，提出一种基于声场环境知识的多基地声呐检测跟踪算法。

S Haykin在2006年首次提出了认知雷达[11]，随后该想法也被引入声呐领域[12，13]。

认知声呐能够与环境（包括目标）进行智能交互，通过利用目标特性和先验的海洋环境知识，不断地调整参数和操作策略[14]。

本文拟利用海洋声场环境分析提供的辅助知识（比如强离散干扰源位置、强混响区域等），适配地调整多基地声呐联合检测准则和多目标跟踪策略，进而减少多基地声呐浅海混响区的跟踪虚假航迹率。

1 多基地声呐联合检测跟踪算法假设无人水面艇（ Unmanned Surface Vessel，USV）多基地声呐系统由多个声源和接收阵组成，形成M个发一收节点，如图1所示。

图中，组成了1发3收共计3个发一收节点的多基地声呐系统。

本文采用集中式融合框架开展多基地声呐联合探测，各节点将初步检测结果传输到融合中心，由融合中心进行集中式检测判决，然后进行多目标跟踪处理。

此外，在多基地声呐航迹管理方面，采用经典的M/N逻辑准则管理航迹的起始、维持和终止。

起始之后，该航迹将成为试验航迹。

在航迹维持阶段，使用下列条件做出判决：● 如果在连续Ⅳ帧中有至少M次成功的数据关联，则该试验航迹将转化为确认航迹；● 如果有至少P次连续未关联，则该试验航迹将被终止。

最后，确认航迹直到连续L次未关联，则终止该航迹。

2 本文方法USV载多基地声呐系统在浅海环境中执行水下监视任务时，往往会遭遇强混响、强离散点干扰，同时在缺乏足够的目标特性信息条件下，强混响区极易出现虚假目标，严重干扰真实目标潜艇跟踪。

声场环境分析设备能够根据海深、海底地貌、底质、水文信息等分析出可能存在强混响反射、强离散干扰等区域[3.13，14]。

水下探测区域为Ω，海洋声场环境分析设备提供了强混响区域和强离散干扰点位置信息，其中强混响区域范围为Ω，强离散干扰点集合为ψr={xl，．．．，XN}。

根据海洋声场环境分析仪提供的强混响区Ω信息，针对所有量测单元xi，进行融合检测判决：3 数值仿真图3为USV载多基地声呐系统探测场景示意图，整个探测区域为25 kmx40 km，共1000 krri2，包括4艘USV和一个目标，USV1载有发射声源和接收阵、USV2-USV 4载有接收阵，箭头为各USV及目标的运动方向。

USV的航速分别为5、6、8、6 m/s，目标速度为4 m/s。

阴影区为强混响区域，强混响区域混响噪声比为20 dB的K分布随机值。

符号“◇”为强干扰源。

设置发射声源扫描周期为42 s，总计30帧。

对比图4 （a）和（b），在非强混响区域，二者的虚假接触分布基本一致；而在强混响区域，知识辅助算法处理后虚假接触明显减少。

在检测门限为10 dB时，常规算法在多基地声呐融合检测后的虚假接触为260，而基于声场环境知识的多基地声呐融合检测处理后虚假接触为192，融合检测虚假接触降低了26.2%。

3.2 联合跟踪性能分析利用虚假航迹率和航迹检测概率两个指标评估多基地声呐系统联合跟踪性能。

虚假航迹率表示多基地声呐系统在单位时间内虚假航迹数，可表示为针对图3的仿真场景，检测门限从8-15 dB，蒙特卡洛50次，在强离散源剔除过程中，设置门限值λ= 2/3，设置非混响区确认航迹阈值和删除航迹阈值分别为VH =15和V1=1-0.1T，强混响区航迹阈值附加值Ph=P1 =3。

图5为不同检测门限下，未利用辅助信息与基于环境辅助信息的两种集中式多基地声呐跟踪虚假航迹率对比。

检测门限为10 dB时，常规算法的虚假航迹率达到了26.8%，而基于声场环境知识的多基地声呐检测跟踪算法处理后虚假航迹率为13.89%，虚假航迹率降低了48.2%。

对比常规算法，基于声场环境知识辅助的多基地声呐检测跟踪算法能够有效降低多基地声呐系统虚假航迹率。

图6为不同检测门限下，未利用辅助信息与基于环境辅助信息的两种集中式多基地声呐跟踪航迹检测概率对比。

由图可见，在不同检测门限下，二者对真实目标的航迹检测概率基本一致。

说明本文提出的算法在保障目标有效跟踪的同时能够大幅降低多基地声呐系统虚假航迹率。

4 总结本文借鉴认知声呐的思想，提出了一种适用于多基地声呐系统浅海水下目标联合检测跟踪新方法。

从仿真结果看，与常规方法对比，该算法利用强离散源位置、强混响区域等先验声场环境信息，在保持对真实水下目标有效检测的基础上，能够有效降低目标跟踪虚假航迹率，可用于提升声呐系统环境适应性。

而声场环境先验信息与实际探测情况的匹配性严重影响算法性能，后续将探索声场环境先验信息高效率获取方法。

参考文献：[1]POLMAR N，WHITMAN E.Hunters and killers： anti-submarine warfare from 1943[M]. Annapolis：Naval Institute Press. 2016[2] LEPAGE K D， GOLDHAHN R，ALCES J，et al Autonomous networked antisubmarine warfare research and development at CMRE[C] Oceans 2015. 2015： 1-6[3] FERRI G，MUNAFO A，TESEI A，et al Cooperative robotic networks for underwater surveillance： an overview[J]IET Radar. Sonar& Navigation， 2017. 11（12）： 1740-1761[4] HAN D，ZHANG H，HUANG H，et alTowed line array sonar platform radiated noise spatial matrix filter based on far-field and near-field sound propagation[J] Acta Electronica Sinica. 2014 （3）： 432-438[5] LU S，SUN X，DING F，et al Robust distributed sonar CFAR detection based on modified VI-CFAR detector[C]International Conference on Control. Automation and Information Sciences，Chengdu， China. 2019： 1-6[6] HAO C，SHI B，YAN S，et al Reverberation suppression and target detection for active sonar[J]. Science& Technology Review. 2017. 35（20）： 102-108[7]盧术平，胡鹏，丁烽复杂非均匀背景下的鲁棒声呐恒虚警检测算法[J]声学技术，2020， 39（5）： 99-107[8] BLANDING W R，WILLETT P K，BAR-SHALOM. et al Multisensor track management for targets with fluctuating SNR[J]. IEEE Transactions on Aerospace and Electronic Systems， 2009. 45（4）： 1275-1292[9] HE Y，GUAN J， MENG X. et al Radar target detection and CFAR processing[M]. Beijing：Tsinghua University Press，2011[10] FAUN M EHLERS. Tracking algorithms for multistatic sonar systems[J]. EURASIP Journal on Advances in Signal Processing， 2010： 1-28[11] HAYKIN S Cognitive radar：a way of the future[J]. IEEE Signal Processing Magazine，2006. 23（1）： 30-40.[12] 11 X， LI Y. CUI L. et al. Research of new concept sonar-cognitive sonar[J]. Joumal of Marine Science Application， 2011. 11： 502-509.[13] WILLIAMS D. FAKIRIS E. Exploiting environmental information for improved underwater target classification in sonar imagery[J]. IEEE Transactions on Geoscience Remote Sensing， 2014，52（ 10）： 6284-6297.[14] LU S， WEI Y. CUI G. et al. Design and application of dynamic environmental knowledge base[J]. IET Radar Sonar & Navigation. 2016. 10（6）： 1118-1126.[15] BENACOLI A. CHISCI L. FARINA A. et al. Knowledge- based systemfor multi-target tracking in a littoral environment[J]. IEEE Transactions on Aerospace and Electronic Systems， 2006. 42（3）： 1100-1119.。