19CHINA SECURITY PROTECTION TECHNOLOGY AND APPLICATION2018年第5期1 引言
近年来，随着我国打击违法犯罪力度的不断加大，以
及执法范围的不断扩大，水域安全防护也成为公安机关的
重要监管任务。目前，公安机关对于水域尤其是水下反恐
维稳和治安管理尚缺乏成体系的自动化、智能化和可靠安
全的处理手段和装备，对于水下的探测、搜索、排查、物
证打捞等主要依靠蛙人进行人工处理，不仅办案效率难以
提高，也存在人员安全风险。水下作业机器人（ Remote
Operated Vehicle，简称ROV）具有机动灵活、探测手段
多样、无人员伤亡和不受水域环境限制等优点，可替代蛙
人执行危险、敏感的工作或长时间的重复性工作，应用于水下可疑物探测、水下物证搜索与打捞、水下救援、水下
安防和水下处置等警用领域，具有广阔的应用前景。
无论在科考领域还是军事领域，水下机器人都有着举
足轻重的作用。由于其可搭载多种任务载荷执行多样化任
务，因此在世界各国都得到了快速发展。其中，法国ECA
公司研制的警用轻型ROV包括H300-INS与SeaScan
MK2两种型号，模块化配置摄像观测系统、声呐系统、
五种功能机械手等多种设备，如图1所示。该公司警用
ROV能够通过实时视频及声呐图像协助警方在能见 度较
差的区域寻找受害者、残骸及证据，并且能够进行长时间
的水下监控。摘 要：
关键字：在警用领域，水下精确作业机器人可应用于水下探测、水下打捞、水下救援和水下安防等方向，水下目标的精确
识别定位是水下机器人“看得到、找得到”的关键，也是未来水下机器人替代蛙人大范围应用于水下安全防护领
域的关键技术。本文针对警用水下机器人对目标精确识别定位的需求，研究了面向海洋复杂环境的声、光、磁复
合探测方法，提出了基于多源传感信息的水下机器人目标精确识别定位方法，可为警用水下机器人执行各项水下
特种作业任务提供有力支持。
警用水下机器人 信息融合 精确定位 目标识别 声光磁复合警用水下机器人目标精确识别
定位技术研究
■ 文/中国船舶重工集团公司第七一六研究所
姚尧
SPECIAL
20中国安全防范技术与应用2018年第5期国内水下机器人起步较晚，目前沈阳自动化研究所、
上海交通大学、中国船舶重工集团公司第七一六研究所等
单位都已经研发出具有自主知识产权的水下机器人装备，
并在海洋资源开采、海洋科考等领域有了初步的应用，其
中中国船舶重工集团公司第七一六研究所一直致力于水下
机器人的工程应用研究，在水下打捞、水下探测、海底目
标检测等领域具备深厚技术积累和工程经验。
经过多年发展，随着各类海洋技术的不断突破，水下
机器人载体平台设计和运动控制问题已基本得到解决，但
面向工程实际、与水下作业应用紧密相关的目标识别和定
位限制了其广泛应用，导致水下机器人“下得了水”，但
是“找不到东西”，“不知道在哪”。因此，研究水下机
器人的目标识别和定位具有非常重要的意义，是一切海洋
开发活动与海洋高技术发展的基础，对于水下调查取证、
水下威胁排除和打捞救援具有重大意义。
本文针对面向水下丢弃物嫌疑物等静态目标及水下蛙
人等动态目标的水下机器人目标探测和精确定位需求，考
虑在清澈水域以基于水下摄像的光学探测为主，在浑浊水
域以基于水下声呐探测的声学探测为主，在进行水下铁磁
目标探测时结合水下磁探测的复合探测手段条件下，深入
研究基于视频、声呐图像、磁信号等多源信息的水下目标
综合识别和定位技术，为水下机器人在警用领域的拓展应
用奠定技术基础。
2 基于水下光学图像的目标识别和相对定位
方法
对水下目标图像进行滤波、增强、自适应区域分割以
及形态学处理，并采用改进的边缘提取方法和直方图匹配方法实现目标特征的提取，进而确定目标的位置和方位。
此处重点描述直方图匹配方法，选择序列图像中目标
成功检测时的局部目标区域作为目标窗口，以小窗口中的
灰度作为特征空间，结合Hough变换的检测结果确定匹
配窗口，通过求取匹配窗口与目标窗口灰度信息之间的相
似性测度以及均值距离，提高检测的正确率和实时性。设
C
0(x,y)和C
m(x,y)分别为物体的目标窗口和当前帧中的匹
配窗口，取目标窗口作模板T，其大小为m×n
=15
×15。
在Hough变换确定的目标中心线上平移模板T，则模板
T与其覆盖下的第k个子图S
k之间的差别用互相关相似性
测度式表示：
R(T,S
k)=∑∑[S
k(i,j)-T(i,j)]2
=∑∑[S
k(i,j)]2
-∑∑S(i,j)T(i,j)+∑∑[T(i,j)]2
当R(T,S
k)最小时，T与S
k达到最佳匹配。其中
∑∑[T(i,j)]2
表示目标区域的能量，是常量；当搜索区域
较小时，∑∑[S
k(i,j)]2
随着目标模板的缓慢移动，也近似
为常量。也就是说，式中当∑∑S(i,j)T(i,j)取最大值时，
R(T,S
k)能够达到最小值。
另外，取目标窗口作为模板T，其大小为m×n
=15
×15。
在Hough变换确定的目标中心线上平移模板T，则模板
T与其覆盖下的第k个子图S
k之间的差别还可用窗口间的
均值距离来表示，如下式所示：
dis(T,S
k)=meam(T)-meam(S
k)
其中，
∑∑[S
k(i,j)] ∑∑[T(i,j)]
meam(T)=—————
,meam(S
K)=—————
基于上述模型，设置相似性测度阈值，判断窗口覆盖
是否是特征区域。
3 基于声呐图像的目标识别和相对定位方法
基于声呐图像的水下静止或运动目标的识别主要可分图1 ECA水下机器人
（1）
（2）
（3）i=m
i=1j=n
j=1
i=m
i=1j=n
j=1
i=m
i=1j=n
j=1i=m
i=1j=n
j=1i=m
i=1j=n
j=1i=m
i=1j=n
j=1
i=mj=n
i=mj=n
i=mj=n
m×nm×n
21CHINA SECURITY PROTECTION TECHNOLOGY AND APPLICATION2018年第5期对目标建模的要求并不高，所以这里基于直线运动建立目
标模型。目标离散的状态方程如下所示：
X
k=AX
k-1+BW
式中：X
K=[x
k y
k]T
为k时刻的目标状态向量； W
k-1为
服从N(0,Q)的干扰噪声，Q为协方差矩阵，状态转移矩
阵为：
1 0
A=
0 1
B为干扰噪声转移矩阵。
粒子滤波是一种基于Monte Carlo方法和Bayesian
递归估计的统计滤波方法，即依据大数定理通过Monte
Carlo方法实现Bayesian估计中的积分运算。如今粒子滤
波及其一些改进算法被广泛的应用于故障诊断、运动目标
状态估计和导航定位等多个领域。
对于粒子滤波，B的实际含义为粒子的传播半径，两
个方向相互独立，故取为：
b
1 0
B=
0 b
2
调节B的值能获得不同的探测定位效果。
信息融合技术越来越多的应用在目标识别定位上，并
取得了很好的效果，正是因为该技术极大的反映了信息的
冗余、互补性。这里将信息融合技术应用到基于声呐图像
的水下目标探测定位中。考虑实际应用中对实时性的要求，
文中选取简单且有效的加权平均法。对目标模板计算其上
述选取的五个特征信息M
7,0,A
0,N
8,0,M
2,0,M
4,0，声呐每生成
一帧图像就对目标模板求取相似度以确定新的粒子集的权
值。
基于粒子滤波的前视声呐目标探测的流程图如图3。
在初始时刻，对第一帧声呐图像进行分割，选取目标
模板，计算特征组合。以目标的形心位置(X
init,Y
init)为中
心初始化等权值的N个粒子，每个粒子包含两类信息：权
值和位置TX
i,TY
i,i= 1,2,···,N。当新的一帧图像生成时运为水下目标图像分割、水下目标特征提取和确认，水下运
动目标还需增加运动理解和预测过程。
对于静止目标识别，首先可基于区域分割、基于边界
分割以及阈值分割等方法进行声呐图像分割，在近距离情
况下由于强背景回波干扰影响，采用基于位置分布的自适
应阈值图像分割方法将关注目标圈取出来，然后通过计算
圈取目标区域的面积、长宽比、强度等特征，同时提取分
形维数作为纹理特征，作为本文用于区分静止目标和背景
的综合显著特征，进而利用广义回归神经网络对特征提取
进行静止目标分类。
广义回归神经网络(GRNN)是径向基函数网络(RBF)
的一种重要变型，但比RBF运算速度更快，GRNN具有
更好的函数逼近能力，并且网络仅有一个变量，在网络训
练方面也优于BP神经网络。同时，训练GRNN不需要
迭代以及大量样本数据，在声呐图像数据有限的情况下
也能很好的应用。将前文所提多特征与标签数据一起送入
GRNN进行有监督训练，实现GRNN分类器支持下的声
呐图像目标识别。
相较于静止目标识别，动态目标识别难度较大。本文
重点分析动态目标识别方法。运动目标识别的本质为一混
合系统的估计问题，即通过传感器的离散量测值估计目标
的连续状态，流程见下图：（4）
运动目标建模的主要方式有两种：基于直线运动及
圆周运动的运动模型。对于水下目标探测来说，通常水下
机器人运动速度较慢，不超过4kn，因此更有利于探测速
度相对较慢的目标，一般都是相对运动为直线运动；而且
即使在水中声速也远远不如电磁波在空气中的传播速度，目
标
动
态
特
性传感器跟踪坐标系选取运动目标模型
运动目标分割检测滤波算法
预测量测残差
状态预测
图2 运动目标识别与定位原理图[ ]
[ ]