基于侧扫声纳图像的AUV侧向速度估计与DVL粗差检测

李 凯，吴文启，张 鹭

（国防科学技术大学机电工程与自动化学院，长沙410073）

0 引言

AUV水下自主导航是目前世界范围内的研究热点［1］，INS/DVL（惯性/Doppler 测速仪）是 AUV常用的水下组合导航方式。当AUV上浮到水面时，还可以通过卫星导航校正导航误差。DVL是AUV组合导航中的重要组成部分，能够为AUV提供较为精确的载体相对水底或水层的速度信息［2-3］。但是，DVL在实际工作中会因为复杂的水底环境和AUV机动（上浮、下潜、转向）等各种原因出现较大的测速偏差，即DVL粗差。一些数值较大的DVL粗差，可以直接根据AUV运动学约束或惯性导航信息进行检测和剔除。但是当采用较低成本的惯性导航系统（如航向姿态参考系统）时，惯性导航提供的速度信息本身精度不高，误差增长快，一些符合AUV运动学约束、与正常速度值接近、持续时间长的DVL粗差往往难以检测和剔除。

侧扫声纳能够扫描水底的地貌特征，是AUV的主要水下探测设备。目前，关于侧扫声纳在水下组合导航中的研究主要集中在图像匹配定位范围内，匹配定位精度在几十米之内［4］。但是，对于侧扫声纳图像的成像原理与载体速度之间联系的研究还没有深入开展。

本文提出一种基于侧扫声纳图像的AUV侧向速度估计方法。该方法基于SIFT特征匹配算法从侧扫声纳图像中的相邻数据帧找到相关特征点，并根据相关特征点的像素差值换算出实际的载体侧向速度。将求得的侧向速度应用于检测并剔除DVL速度信息中的粗差数据，利用高精度的INS/GPS组合导航数据对结果的准确性进行了验证。

1 水下DVL测速数据存在的粗差问题

在对实际AUV水下实验的导航数据进行分析时，会发现DVL的测速信息相较于INS/GPS组合导航的速度信息存在一些比较明显的粗差，图1所示曲线数据来源于实际湖测试验。AUV在水面航行，误差曲线是以INS/GPS组合导航得到的AUV前向、侧向速度值为基准，计算DVL各个方向速度的误差。那些偏差较大的粗差数据，根据AUV运动学约束或惯性导航信息便可判定。如图1（a）所示的DVL前向、侧向速度误差曲线中，出现了一处达到1m/s的呈突跳变化的误差值。而如图1（b）所示的DVL前向、侧向速度误差曲线中，可以看到误差变化相对平缓，幅值相对小，往往较难检测和剔除。

对比图1（b）曲线可以发现，DVL前向速度误差在侧向速度误差较大（大于0.2m/s）时，其前向速度误差值也明显大于其他时刻。也就是说，DVL侧向速度的异常值对应着的前向速度也会出现异常。依据DVL速度之间的相关性，只需找到一个方向速度的异常值即可。

为了解决水下组合导航中DVL速度粗差的检测剔除问题，本文创新性引入了基于侧扫声纳图像的AUV侧向速度估计方法，该方法估计出的侧向速度可以有效检测和剔除DVL侧向速度粗差。

2 由侧扫声纳图像数据求取侧向速度

2.1 侧扫声纳图像特点

图2为由侧扫声纳数据绘制而成的侧扫声纳图像，从图像中可以清晰地观测到水底线、水面线以及水底地貌的特征信息。侧扫声纳通过声波周期性地向水底扫描，并依照回波的强弱和时间来设定像素点的明暗。每个周期内的回波构成一帧图像，这样将每一帧数据拼接在一起就能构成完整的侧扫声纳图像［5］。

在侧扫声纳图像的纵向信息中，由于声纳实时绘制的图像只是数据帧简单的堆叠，图像反映的物体轮廓形状和真实情况相差较大，纵向还存在着声线斜距变形和比例尺不等变形等畸变现象［6］。因此，侧扫声纳图像在纵向上难以提供精确的位移和速度信息。

侧扫声纳图像的横向数据属于同一数据帧，根据侧扫声纳图像成像原理，可计算出每一帧图像相对上一帧图像对应特征点像素的横向平移量，结合特征像素平移量与AUV实际横向位移的比例尺度关系以及声纳侧扫周期可推算出AUV侧向速度。利用这一特点，便可以在AUV的侧向速度与侧扫声纳图像的横向信息之间建立联系。

提取侧向速度的关键，在于如何将图像中的像素点距离信息换算为实际的水平距离信息。侧扫声纳的扫描原理如图3所示（只画出半边示意图，右边与左边原理一致），换能器在一定周期内按照固定的夹角发射一窄束声波脉冲，根据反射时间确定AUV中心到入射点之间的斜距。像素点间的斜距是等差分布的，每条斜距都比前一条斜距多出Range/N，即：

其中，dn为第n个像素点到AUV中心的斜距，Range为最大斜距，N为总像素数。

这样，求取任意一个像素到AUV中心点的水平距离的关键在于求取当前数据帧AUV距离水底的深度h。如图2所示，水底线特征十分明显，利用SIFT特征匹配算法可以比较容易地提取出水底线，从而得到其在每一数据帧之中的位置。在一个数据帧中，设水底线对应的像素位置在n0处，此时AUV距离水底的高度h为：

假设水底环境比较平缓，高度起伏不大，近似认为水底是一个平面。这样根据图3所示，像素点n对应的水底特征点到AUV正下方的中心点的横向水平距离s满足：

根据式（1）～式（3），可以得到：

这样，特征像素点n到水底线像素点n0的像素位置差异与实际水下特征点到AUV正下方的中心点的横向水平距离s之间便建立了联系。当水底起伏较大时，虽然会影响s的准确性，但对s变化的测量影响并不大，不会造成大的AUV速度估计误差。

2.2 基于SIFT特征匹配算法的特征点提取

提取侧向速度的关键是找到相邻两帧数据之间的相关点，相关点不一定是实际中的同一个点，可以是同一特征物体的边缘线上的相邻点。由于AUV不断地前进，这样相邻帧之间有可能扫描不到相同的点。但是，相邻的数据帧会扫描到相同的特征标志物边缘线。由于对声波的反射强度与周围环境有差异，这些特征标志物在声纳图像中与周围环境之间存在明显的边缘线，边缘线两侧像素的亮度呈现显著的差异。由此，可以判断每一帧数据属于边缘线的特征点。

SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。相对于其他算法，它的实时性和独特性都较好。所以，选取SIFT特征匹配算法作为查找侧扫声纳图像特征点的工具。

SIFT算法可以在不同的尺度空间上查找特征点，该算法通过计算一幅图中的特征点及其有关位置和方向得到特征并进行图像特征点匹配。SIFT算法可以检测到侧扫声纳图像中的线特征，其中包括水底线和水底标志物的边缘线。利用SIFT算法提取出的水底线将用来求取AUV距离水底高度h，而标志物的边缘线将被用来匹配相关特征点。

在实时运行时，可以将当前扫描得到的数据帧和之前的50个数据帧构成固定宽度的滑动窗口来利用SIFT特征匹配算法进行特征点提取。

（1）SIFT 算法核心

一个二维图像的尺度空间L（x，y，σ）定义为一个变化尺度的Gaussian函数，G（x，y，σ）与原图像素信息I（x，y）的卷积。

其中，G（x，y，σ）是尺度可变Gaussian函数，（x，y）是尺度空间坐标。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。为了兼顾图像概貌和细节特征，σ的值一般取为0.6。为了有效地在尺度空间检测到稳定的关键点，提出了Gaussian差分尺度空间D（x，y，σ），它由不同尺度的Gaussian差分与原图像卷积生成。

其中，k为常值系数，一般取值为 21/3或21/4。

为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，即中间的检测点要和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，看其是否比它的图像域和尺度域的相邻点大或者小，以确保在尺度空间和二维图像空间都检测到极值点。检测到的极值点就被认为是图像在该尺度下的一个特征点［7］。

（2）除去干扰特征点的方法

这一步本质上要去掉那些不属于线特征，其位置既不在水底线也不在标志物的边缘线上的干扰特征点。这些干扰特征点为局部曲率非常不对称的像素，其空间尺度函数Taylor展开式如下：

其中，X＝（x，y，σ）T，对式（8）求导并令其为0，得到精确的位置。

在已经检测到的特征点中，要去掉低对比度的特征点和不稳定的边缘响应点。去除低对比度的点：把式（9）代入式（8），即在极值点处D（X）取值，得：

经过反复试验，若D）≥0.03，该特征点就保留下来，否则丢弃。

从图4可以看出，检测到的特征点基本上分布在较为明显的分界线上。

（3）水底线提取方法

从图2可以看出，两条水底线的中间部分为没有声波反射的黑色区域。像素的亮度值很小，接近于0。其中只有一些水里的浮游物体或水流波纹会产生一些回波，使得黑色区域里出现一些亮度较高的特征点。

去干扰特征点的方法可以有效地检测掉这些零散的点特征向量，这样两条水底线特征向量之间就不存在多余的干扰特征点。对于每一数据帧只需提取距离中心线最近的两个特征点，就能够提取出两条对称的水底线。

如图5所示，图像下半部分提取的线条与上面实际水底线基本重合。提取水底线采取距离中心线最近的特征点的方法，这样少许误差点集中在水底线之间，而水底线两侧的区域没有误差点存在。

（4）相关特征点匹配方法

SIFT算法为每个特征点计算一个方向，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，相互关联的特征点应具有相同的方向参数。

m（x，y）与θ（x，y）为（x，y）处梯度的模值和方向公式。相邻数据帧的相关特征点具有横坐标相差很小，模值与方向信息基本一致的特点。这样，依据以上准则便可在每对相邻数据帧之间找到多组相关特征点。

2.3 载体侧向速度提取算法

如果一对相邻数据帧匹配到的相关特征点的像素值分别为n1与n2，其对应的水底线分别为n01与n02，则表观的载体侧向速度Vy为：

其中，Rpetition为每帧数据的扫描周期，由侧扫声纳数据文件直接给出。所求得的表观地载体侧向速度Vy包括载体实际侧向速度和特征标志物自身宽度变化速率：

每相邻两帧数据之间都存在多个匹配的相关特征点。其中，无论是大小还是方向都是不随标志物的变化而变化的，而是随着特征点不同而不断变化的。因为载体在一个几十毫秒的周期内所扫描到的特征标志物的宽度变化是非常小的，所以一般来说对于曲率较小的标志物≫。 为了提高载体侧向速度在表观的载体速度V中所占比重，将所求得的Vy求平均值：

其中，Num为每相邻数据帧中相关特征点的个数。为了避免一些曲率较大的特征标志物造成的影响，将每一组表观的载体速度中剔除一个最大值和一个最小值。对于所有表观的载体速度，其中的正负不一，且其绝对值都比较小。求平均值之后的会因为正负值的抵消作用而趋近于0，每一组的相关特征点的数量越多，的平均值就越趋近于0。这样，只要样本数量足够多就能够保证≈。

如图6所示，该框图为侧扫声纳图像提取载体侧向速度并应用与检测DVL速度粗差的详细方法流程图。

2.4 误差分析

设匹配到的相关特征点n1、n2的像素误差为δn，这样提取的侧向速度的误差∂为：

其中，Range一般为125m，Rpetition为170ms，N＝1000，n0/n1的数值选取范围为1/3～3/4。 这样，求得的表观载体侧向速度的误差 ∂（n1，n2）≈K（δn1－δn2）。 其中，K≈1（m/s）/像素。 SIFT 特征匹配算法属于内插值亚像素级图像配准算法范畴，文献[8]和文献[9]提到该类型算法配准精度可以达到0.13个像素，所以速度精度不低于0.2m/s。

3 试验验证

3.1 验证方法

用于试验验证的数据来源于湖北某水域的AUV水下测试数据，水域水深约为100m。该试验采用的是872型侧扫声纳，所生成的声纳图像清晰，具有很高的参考价值。由于DVL的数据异常普遍发生在速度较快、航向角变化较大的时刻，因此单独提取出侧向速度较大的一段数据进行比对，这样得出的结果更具有说服力［10-12］。

3.2 数据验证

如图7所示，3条速度曲线均取自相同时刻，此时载体侧向速度在逐渐衰减。由图7（a）可以看到，侧扫声纳图像提取出的载体侧向速度曲线存在较为明显的噪声，幅度大致在±0.1m/s之间。但是本文的研究目标在于检测和剔除DVL的数据粗差，这种幅值不大的噪声并没有影响。在图7（b）对应的DVL侧向速度中，可以发现其中有几处数值相较于图7（a）和图 7（c）存在较为明显的偏差，下面通过3个侧向速度之间的误差曲线进行验证。

如图8（a）所示，侧扫声纳提取出的载体侧向速度误差在0.2m/s以内，符合理论误差的推算；图8（b）所示的曲线显示侧扫声纳图像提取出的侧向速度与DVL侧向速度的差值曲线存在几处数值较大的点。将这些差值大于0.2m/s的DVL数据作为需要检测的粗差，检测粗差后的DVL数据误差曲线如图9和图10所示。从图像中可以看，检测粗差后的DVL数据误差与原始误差基本保持一致，但是明显检测出了大于0.2m/s的误差。也就是说采用这种DVL粗差检测的方法，能够有效地将DVL侧向速度数据中大于0.2m/s的粗差检测出来。

从图9、图10可以看到，剔除与侧向速度相对应的粗差数据后的DVL前向速度误差有了明显的减小，虽然没有达到确定的指标，但是较大偏差都明显减少。这说明，该检测方法对于DVL前向速度误差改善有明显效果。

验证了3个侧扫声纳数据文件共15km水底数据，总体效果良好，比较稳定。DVL侧向速度数据误差能够检测出0.2m/s粗差的水平，DVL前向速度偏差能得到明显的改善。

4 结论

本文提出的基于侧扫声纳图像估计得到的载体侧向速度的算法，经过实际实验数据验证具有较高的精度。它可以有效地检测和剔除Doppler测速仪的粗差，从而改善组合导航性能。但也存在一些需要进一步解决的问题，如基于侧扫声纳图像估计提取出的侧向速度信息仍存在较为明显的噪声等，今后将继续在减小速度噪声方面开展研究。