水下目标搜索与识别技术
水下目标识别
水下目标识别水下目标识别是指利用各种技术手段，对水下环境中的目标进行有效的识别和分类。
水下目标识别在海洋资源勘探、海洋环境监测、水下作业和军事等领域具有重要的应用价值。
本文将详细介绍水下目标识别的基本原理和常用方法。
水下目标识别的基本原理主要包括声纳识别、光学识别和化学识别。
声纳识别是利用声波在水中传播的特性，通过声纳设备对水下目标进行探测和识别。
光学识别则是利用光学传感器，对水下目标的形态和特征进行观测和分析。
而化学识别则是通过分析水下目标的化学成分和组成，进行目标的识别和分类。
目前，水下目标识别的常用方法主要包括特征提取和模式识别两个主要步骤。
特征提取是指通过对水下目标的观测数据进行处理，提取出具有代表性的目标特征。
常用的特征包括目标的形状、尺寸、纹理和颜色等。
而模式识别则是通过对提取到的目标特征进行比对和匹配，将目标识别为某一类别。
在声纳识别中，常用的方法包括目标回声信号的时域分析和频域分析。
时域分析是指对回声信号进行时间序列的处理，获得目标的形态和闪烁特征。
而频域分析则是通过将回声信号转换为频域信号，进一步分析目标的频率、相位和幅度等特征。
在光学识别中，常用的方法包括目标边缘检测、纹理分析和颜色识别。
目标边缘检测是指通过对水下目标的图像进行边缘提取，获得目标的形状和轮廓信息。
纹理分析则是通过对图像进行纹理特征的提取和分析，获得目标的细节特征。
而颜色识别则是通过对图像进行色彩空间的分析，将目标识别为某一类别。
在化学识别中，常用的方法包括目标样品的采集和分析。
目标样品的采集可以通过水下机器人和无人潜水器等设备进行，将水下目标的样品带回实验室进行进一步分析。
常用的分析技术包括质谱、红外光谱和核磁共振等。
总之，水下目标识别是水下工程和海洋科学中的重要研究领域。
通过对水下目标的有效识别和分类，可以提高海洋资源的开发利用效率，保护海洋环境，提升水下作业的安全性和效益。
随着技术的不断发展，水下目标识别技术也将得到进一步的提升和应用。
第8章水下目标识别
第8章水下目标识别水下目标识别是指通过使用各种水下传感器和技术，对水下目标进行识别和分类的过程。
水下目标识别在水下活动和研究中具有重要的意义，它可以帮助人们更好地理解和研究海洋生态系统，保护和管理海洋资源，以及实施海洋救援、勘测和战争行动等。
水下目标的识别与在陆地上识别目标的方式有所不同，主要是由于水下环境对传感器和数据获取的限制。
水下目标识别的挑战主要体现在以下几个方面：1.水下光学特性：水下环境中，光线透明度较差，光线衰减快，因此使用光学传感器进行目标识别会面临困难。
为了解决这个问题，可以采用激光雷达、声纳等其他传感器来获取目标信息。
2.水下声音特性：声纳是水下目标识别的重要手段之一，声纳波在水中传播时会发生衍射、多次反射和散射等现象，这会导致声纳信号受到干扰和变形。
因此，研究人员需要设计合适的声纳信号处理算法，以提高目标识别的准确度和可靠性。
3.水下目标形状变化：水下目标的形状和姿态可能会随着时间和环境的变化而改变，这会对目标识别造成困难。
因此，研究人员需要开发具有鲁棒性的识别算法，能够适应不同形状和姿态的目标。
为了解决水下目标识别的问题，研究人员采用了多种技术和方法。
下面介绍几种常用的水下目标识别技术：1.声纳成像：声纳成像是通过使用声纳波来获取水下目标的图像和特征。
声纳成像技术可以采用单波束声纳、多波束声纳和合成孔径声纳等方式。
通过对声纳数据进行处理和分析，可以识别和分类水下目标。
2.激光雷达：激光雷达是使用激光束来扫描和测量水下目标的距离、形状和表面特征的技术。
激光雷达可以提供高分辨率的图像数据，能够准确地识别和分类水下目标。
3.水下图像处理：水下图像处理技术可以对水下图像进行去噪、增强、分割和特征提取等处理，以提高目标识别的准确性和鲁棒性。
常用的水下图像处理方法包括自适应直方图均衡化、边缘检测和特征匹配等。
4.水声信号处理：水声信号处理技术可以对声纳数据进行滤波、降噪和特征提取等处理，以提高目标识别的性能。
基于卷积神经网络的水下目标检测与识别技术研究
基于卷积神经网络的水下目标检测与识别技术研究在现代海洋航行和资源开发中，对于水下目标的高精度检测和识别至关重要。
传统的水下目标检测方法往往需要大量手工选择特征、提取特征等繁琐步骤，一直存在着准确率低和效率慢等问题。
近年来，随着深度学习技术的发展，特别是卷积神经网络(CNN)的兴起，基于CNN的水下目标检测与识别技术逐渐成为了研究的热点，成为了解决上述问题的有效途径。
一、水下目标检测技术发展状况传统的水下目标检测方法主要包括基于阈值分割、模板匹配、形态学、特征提取等技术。
但是由于水下图像具有复杂的噪声和光线环境以及目标背景干扰，这些方法难以进行快速、准确的识别。
而卷积神经网络模型通过自动学习特征，可以更好地处理这些问题。
受益于深度学习技术的发展，基于CNN的水下目标检测技术得到了广泛应用。
其中，Faster R-CNN、YOLO等经典算法都在水下目标检测任务中得到了大量的探索和应用。
二、基于卷积神经网络的水下目标检测方法基于CNN的水下目标检测主要包括两个部分：一是目标检测，即通过网络模型找到水下图像中所有可能的目标位置；二是目标识别，即对这些可能的目标进行分类识别。
在这些过程中，需要使用一些技术手段来解决诸如小目标、噪声、光照变化等问题。
1. Faster R-CNNFaster R-CNN是一种基于深度学习的快速目标检测算法。
相比于传统R-CNN算法，Faster R-CNN采用在线学习的方式，更快并且更准确。
在Faster R-CNN中，分类和回归是分开进行的。
分类过程中，采用卷积和全连接层，对输入图像进行分类；回归过程中，生成有关候选目标的位置和尺寸信息，从而预测目标的位置。
因此，Faster R-CNN既可以快速检测出所有可能存在的目标位置，也可以对所检测到的目标进行准确的识别。
2. YOLOYOLO（You Only Look Once）是一种实时物体检测算法。
该算法将目标检测问题转化为一个回归问题，同时将识别目标的任务与检测目标的任务分开进行。
水下机器人的自主探测与目标识别技术研究
水下机器人的自主探测与目标识别技术研究水下机器人作为一种能够在水下环境中执行任务的机电一体化设备，被广泛应用于海洋勘探、海洋资源开发、海底考古等领域。
在这些任务中，水下机器人需要具备自主探测和目标识别的能力，以实现对海底环境和目标物体的准确感知和识别。
因此，水下机器人的自主探测与目标识别技术研究成为当前研究的热点之一。
水下机器人的自主探测包括对海底地形的感知和对潜在目标的跟踪与搜索。
对于海底地形的感知，水下机器人可以通过多种传感器来获取地形信息，如声纳传感器、激光雷达等。
声纳传感器是水下机器人最常用的感知器件之一，它能够通过发射声波并接收其反射回来的声波来实现对海底地形的高精度检测和三维重建。
而激光雷达则可以通过发射激光束并接收其反射回来的激光束来获取地形的几何信息。
通过结合多种传感器对海底地形进行感知，水下机器人可以获得更全面、准确的地形信息，从而为后续的任务执行提供依据。
目标识别是水下机器人的另一个重要能力，它是指机器人通过感知技术对海底目标物体进行分类、定位、识别等操作。
目标识别技术在水下机器人应用中的重要性不言而喻，只有能够准确识别目标物体，机器人才能够根据具体任务要求进行下一步的操作。
目前，水下机器人的目标识别技术主要包括视觉识别和声纳识别两个方面。
视觉识别是指通过图像处理和计算机视觉技术来识别海底目标物体。
相比于声纳识别，视觉识别具有分辨率高、信息丰富等优势。
在水下机器人的视觉识别中，主要应用了机器学习和深度学习等技术。
机器学习算法能够通过训练数据集来学习和识别不同的目标物体，从而实现对目标物体的自动分类和定位。
而深度学习算法则可以通过多层神经网络的结构和训练来提高目标识别的准确性和鲁棒性。
声纳识别是指通过声学信号处理和模式识别技术来识别海底目标物体。
声纳技术已经成为水下机器人中最重要的感知技术之一，它可以通过发送声波并接收回传的声波来获取海底目标物体的声学信息。
声纳信号的处理涉及到目标检测、目标定位、目标跟踪等方面。
水下目标探测与识别技术
2.3.5 选通ICCD摄像机的方法
❖ ICCD摄像机主要分为非选通型和选通型两类： ❖ 非选通ICCD摄像机本身没有光快门，不具有快速开关的功能，
主要用于对微弱光图像信号的增强和放大； ❖ 选通ICCD摄像机是由具有快速开关功能的像增强器通过光纤
光在水下的衰减
❖ 水对光谱中紫外和红外部分表现出强烈 的吸收。这是由于水分子在这些谱带上 强烈的共振造成的。紫外共振起因于电 子的激发，红外共振起因于分子激发。
❖ 大部分波段的光在水下传播时都会受到强烈的吸收衰减，只有波长 在 0.5nm 左右波段的蓝绿光在水中的吸收衰减系数最小，穿透能力 最强，而且此波段又处于电磁波的“大气窗口”。
实现方法：
❖ Matlab图像处理函数； ❖ VC6.0以上版本编程； ❖ OpenCV（Open Source Computer Vision Library）专
业图像处理软件，结合Visual Studio 2005以上版本实现； ❖ Kinect ， OpenGL （ Graphics Library ） ， OpenNI
长基线带来的问题：
❖ 但实际上，长基线会引起下面两个问题: ❖ 引起双目系统联合视域缩小。随着基线的增加，区域离双目摄像机
会越来越远，使这个距离内的目标不可见。换用大视角镜头可以克 服这个难题，但同时大视角镜头又会引发严重畸变等其他问题。 ❖ 增加立体匹配的难度。两个摄像机分别从不同角度观察同一目标， 所以观察到的目标有轻微不同，当基线加长，两摄像机观察到的目 标的差异增大，两幅图像的相关性下降，导致立体匹配更加困难。
❖ 在该系统中，非常短的激光脉冲照射物体，照相机快门打开的时间相 对于照射物体的激光发射时间有一定的延迟，并且快门打开的时间很 短，在这段时间内，探测器接收从物体返回的光束，从而排除了大部 分的后向散射光。
水下目标搜索与识别技术
水下目标搜索与识别技术水下目标搜索与识别系统一般分为光视觉系统和声视觉系统，当距离物体十米以内，一般采用光视觉系统，当距离物体大于十米以上时则用声视觉系统。
当前流行的趋势是采用激光的方式来进行目标搜索与识别。
一．光视觉系统传统的光视觉系统包括水下摄像机、照明等设备用来满足获取光学图像和视频信息等基本的要求。
而现在的光视觉系统不仅要求满足上述要求，还要求具备对图像和视频信息进行处理、特征提取以及分类识别的功能。
总之，只能水下机器人中光视觉系统的使命是：快速、准确德获取水下目标的相关信息，并对信息进行实时处理，将处理结果反馈给计算机，从而指导机器人进行正确的作业。
1.光视觉系统框架水下光视觉系统主要分为三大块：(1)底层模块:图像采集系统，包括专用水下CCD感光摄像头和图像采集卡，这部分属于硬件部分；(2)中层模块：图像处理，包括图像预处理、图像分割、特征提取、根据目标模型进行学习，形成知识库和逻辑推理机制，得到单幅图像的初步理解和评价。
(3)高层模块：分类是水下目标识别最为核心的技术，也是最终实现部分。
1.1硬件组成光视觉系统硬件包括光视觉计算机、水下CCD摄像头、云台和辅助照明灯。
光视觉计算机完成视觉建模、高层视觉信息处理和理解、与机器人主控计算机的网络通讯，实时监控系统每个时间节拍的运行状态与处理参数。
1.2软件体系水下光视觉系统的软件体系涵盖了两个部分：中层模块和高层模块。
中层模块主要负责图像处理工作(图像处理一般包括图像预处理、图像分割和特征提取三方面)。
高层模块是水下目标识别系统的最终实现部分，一般采用的是神经网络识别算法进行识别分类。
二．声视觉系统理想的声视觉系统作为智能水下机器人的传感设备，应该具备灵敏度高、空间分辨率高、隐蔽性好、抗干扰能力强、自主调节和全天候作业等特点，能适合探测弱目标和鉴别多目标的需要。
同时它能在比较复杂的人为干扰和自然干扰下，实现对目标的自动识别和跟踪选择。
声视觉系统最终要完成的任务是目标的自动定位、分类识别以及对运动目标实现跟踪，而完成这一任务的核心和前提条件是拥有一台高分辨率水声探测设备。
水下声纳探测和识别系统的设计与性能优化
水下声纳探测和识别系统的设计与性能优化水下声纳探测和识别系统的设计与性能优化概述水下声纳探测和识别系统是一种利用声波在水中传播的特性，对水下目标进行探测和识别的技术手段。
由于水下环境的特殊性，声波在水中的传播具有很强的穿透力和远距离传输能力。
因此，水下声纳系统被广泛应用于海洋科学研究、海洋资源开发利用、水下声学监测、军事侦察等领域。
本文将对水下声纳探测和识别系统的设计与性能优化进行详细介绍。
一、水下声纳系统的组成和原理水下声纳系统由发射器、接收器和信号处理系统三部分构成。
发射器通过产生特定频率的声波信号，将其发送到水中；接收器将从水中接收到的声波信号转化为电信号；信号处理系统对电信号进行处理和分析，实现水下目标的探测和识别。
水下声纳系统的原理在于声波在水中的传播和相互作用。
声波在水中传播的速度和路径受到水的温度、盐度、压力等环境因素的影响。
并且，不同频率的声波信号在水中的传播特性也有所不同。
利用这些特性，可以通过对水中的声波信号进行分析，获取关于水下目标的信息。
二、水下声纳系统的设计要点1.频率选择：频率的选择对水下声纳系统的性能具有重要影响。
低频声波能够在水中传播较远，但分辨率较低；高频声波能够提高分辨率，但传播距离较短。
因此，根据实际需求选择合适的频率范围。
2.发射器和接收器的布置：发射器和接收器的布置是影响水下声纳系统性能的关键因素。
合理布置发射器和接收器，能够提高声纳系统的方向性和抗干扰能力。
常用的布置方式包括单向发射单向接收、扇形发射扇形接收、相控阵等。
3.背景噪声的处理：水下环境中存在着各种背景噪声，如水流噪声、海洋生物噪声等。
这些背景噪声会干扰到声纳系统的探测和识别能力。
因此，需要采取合理的方法对背景噪声进行处理，如滤波、降噪算法等。
4.信号处理算法：信号处理算法是水下声纳系统性能优化的关键。
常用的信号处理算法包括自相关法、互相关法、最小二乘法、最大似然法等。
有效的信号处理算法能够提高系统的探测和识别能力。
基于深度学习的水下目标检测与识别技术研究
基于深度学习的水下目标检测与识别技术研究深度学习在近年来取得了巨大的成功，尤其在计算机视觉领域。
然而，由于水下环境的复杂性和特殊性，水下目标检测与识别一直是一个具有挑战性的问题。
基于深度学习的水下目标检测与识别技术的研究成为了水下机器人、海洋勘探、水下工程等领域的热门话题。
本文将探讨水下目标检测与识别的挑战、深度学习在水下目标检测与识别中的应用以及未来的发展方向。
首先，水下环境的复杂性给水下目标检测与识别带来了许多挑战。
在水下环境中，光的衰减、散射和吸收使得图像质量较差，水下目标目标通常处于模糊、低对比度的状态，导致目标物体的边界不清晰。
此外，水下环境中常常存在水草、沉积物等干扰物体，进一步增加了水下目标的检测和识别难度。
同时，水下环境中的流动、波浪和不均匀的光照条件等因素也会导致目标的形状和外观的变化。
所有这些因素使得传统的计算机视觉算法在水下环境下的应用受到了限制。
然而，深度学习的出现为水下目标检测与识别带来了新的机遇。
深度学习基于神经网络模型，具有学习能力强、自适应性高等特点，可以从大量的数据中学习出适用于水下环境的目标检测和识别模型。
目前，基于深度学习的水下目标检测与识别技术主要包括两个方面：一是基于卷积神经网络（CNN）的目标检测方法，二是基于循环神经网络（RNN）的目标识别方法。
在目标检测方面，基于CNN的方法已经取得了很多研究进展。
常见的基于CNN的目标检测算法有Faster R-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）。
这些方法可以有效地在水下环境中定位和识别目标物体，并且具有较高的准确率和实时性能。
此外，还可以通过迁移学习和数据增强等技术提升在水下环境下的目标检测性能。
在目标识别方面，基于RNN的方法主要应用于水下图像中的目标分类和识别。
通过对水下目标的特征提取和序列建模，RNN可以学习到目标的时序信息，提高目标的识别准确率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
水下目标搜索与识别技术水下目标搜索与识别系统一样分为光视觉系统和声视觉系统，当距离物体十米之内，一样采纳光视觉系统，当距离物体大于十米以上时那么用声视觉系统。
当前流行的趋势是采纳激光的方式来进行目标搜索与识别。
一．光视觉系统传统的光视觉系统包括水下摄像机、照明等设备用来知足获取光学图像和视频信息等大体的要求。
而此刻的光视觉系统不仅要求知足上述要求，还要求具有对图像和视频信息进行处置、特点提取和分类识别的功能。
总之，只能水下机械人中光视觉系统的使命是：快速、准确德获取水下目标的相关信息，并对信息进行实时处置，将处置结果反馈给运算机，从而指导机械人进行正确的作业。
1.光视觉系统框架水下光视觉系统要紧分为三大块：(1)底层模块:图像搜集系统，包括专用水下CCD感光摄像头和图像搜集卡，这部份属于硬件部份；(2)中层模块：图像处置，包括图像预处置、图像分割、特点提取、依照目标模型进行学习，形成知识库和逻辑推理机制，取得单幅图像的初步明白得和评判。
(3)高层模块：分类是水下目标识别最为核心的技术，也是最终实现部份。
硬件组成光视觉系统硬件包括光视觉运算机、水下CCD摄像头、云台和辅助照明灯。
光视觉运算机完成视觉建模、高层视觉信息处置和明白得、与机械人主控运算机的网络通信，实时监控系统每一个时刻节拍的运行状态与处置参数。
软件体系水下光视觉系统的软件体系涵盖了两个部份：中层模块和高层模块。
中层模块要紧负责图像处置工作(图像处置一样包括图像预处置、图像分割和特点提取三方面)。
高层模块是水下目标识别系统的最终实现部份，一样采纳的是神经网络识别算法进行识别分类。
二．声视觉系统理想的声视觉系统作为智能水下机械人的传感设备，应该具有灵敏度高、空间分辨率高、隐蔽性好、抗干扰能力强、自主调剂和全天候作业等特点，能适合探测弱目标和辨别多目标的需要。
同时它能在比较复杂的人为干扰和自然干扰下，实现对目标的自动识别和跟踪选择。
声视觉系统最终要完成的任务是目标的自动定位、分类识别和对运动目标实现跟踪，而完成这一任务的核心和前提条件是拥有一台高分辨率水声探测设备。
目前较经常使用的是多波束声纳系统。
声纳成像技术随着科学技术的进步，声纳技术取得了突飞猛进的进展。
成像声纳的进展速度也专门快，已有了接近光学质量的声全息成像实验系统、声透镜成像系统等。
尽管这些成像系统的声成像质量较好，但有效性较差。
目前技术比较成熟、利用也较多的成像声纳为侧扫声纳和扇扫声纳(前视声纳)。
侧扫声纳是探测海洋的重要工具之一。
侧扫声纳为一高频拖曳声纳，其换能器阵一样安装在水下拖曳体的双侧。
由母船拖曳在距海底15米左右的距离上工作，波束探测方向与舰体行进方向垂直。
由于工作频率高，因此具有较高的解像度，可对海底地形地貌及沉没船只、飞机的残骸进行清楚的解读。
扇扫声纳的研究开展较晚，但进展专门快，现已普遍应用于探雷、定位、避障等水下作业中。
目前国际上己经用在水下机械人上的扇扫声纳要紧分三大类:(1)单波束机械扫描声纳：它由机械旋转的单波束形成全方位或某固定扇面内的扫描来完成探测。
结构简单，价钱廉价，但成像速度较低；(2)多波束预成电子扫描声纳：具有较高的成像速度，但由于旁瓣的作用，图像质量略逊于单波束机械扫描声纳。
(3)三维成像声纳：它能够取得距离、水平、垂直三维空间的目标信息。
前两类声纳都只在距离和角度方向具有分辨能力，因此仅能取得目标的二维信息。
水声图像处置技术随着声纳技术成像和数字成像技术的进展，水声图像处置的研究也随之进入了新的时期。
其要紧研究方向包括:(1)图像的增强：改善图像的视觉成效，增强图像的有效信息，减弱干扰和噪声；(2)图像的恢复：把退化模糊的图像恢复；(3)图像的编码：简化图像的表示，紧缩表示图像的数据，以便于存储和传输。
(4)图像的重建：由二维图像重建三维图像；(5)图像的分析：对图像中的不同对象进行分割分类识别和描述说明等。
另外，声纳图像本身分辨率不高，噪声严峻，也给水下目标探测带来了专门大的困难。
因此在实际应用中，咱们有必要寻觅到适合水声图像物理背景的处置方式。
最近几年来，国内外陆续开展了成像声纳的研制和水声图像处置的研究工作。
水声图像处置的研究要紧集中在侧扫声纳和扇扫声纳的单帧图像处置和序列图像处置方面。
(1)侧扫声纳图像处置随着多波束高分辨率侧扫声纳技术的日趋成熟，国外己有侧扫声纳方面的产品问世。
目前侧扫声纳图像处置应用的技术有阴影技术、纹理分析技术、数学形态学方式和神经网络分类技术等。
(2)扇扫声纳图像处置随着声纳技术和信号处置技术的进展，扇扫声纳从初期的单波束机械扫描声纳进展到目前的预成多波束电子扫描声纳。
这提高了成像速度和分辨率。
目前己有扇扫声纳方面的产品问世，如SeaBat6012等。
扇扫声纳图像的预处置通常采纳光学图像处置技术，图像识别采纳的方式有基于模板的投票法、神经网络分类技术和模板匹配技术等。
(3)声纳序列图像处置与光学图像相较，声纳图像分辨率低，干扰强，仅凭一幅静止的图像往往很难准确地识别目标。
时刻序列图像较单帧图像能提供更多的信息，将更有利于目标的识别。
因此，最近几年来人们开始把研究重点转移到了序列图像的处置方面。
水下目标识别与跟踪水下目标识别技术确实是从水声信号中提取水下目标特性并对目标进行分类识别的技术。
水下目标包括舰船、潜艇、水雷、鱼群、海底沉物、地貌底质等。
水下目标识别一样要求回波信号符合大信噪比条件，分为瞬态回波信号识别和水声图像信号识别两种。
前者用于识别航行舰艇，直接能对目标回波或目标噪声信号进行实时分辨，类似语音识别;后者多用于静态目标如海底沉船水雷和地层介质结构等识别。
二者都是属于目标识别范围，因此都要通过特点提取、分类裁决等几个进程。
其中关键的是目标声特点的描述和提取方式，它长期以来一直是水下目标特性研究的重点。
初期的目标识别要紧依照目标噪声或回波的波形音调、节拍散布特性。
20世纪70年代后，目标回波的亮点散布结构起伏和展宽特性和目标噪声的线谱散布特性都可作为目标的特点量。
但由于目标本身和声传输信道的复杂性，目标特点量及其数量的选取问题还始终是有待解决的间题。
80年代以来，目标识别技术普遍引入了近代信号处置技术，如高分辨谱估量、自适应滤波、时频散布、子波变换等，为目标特点量提取和数据紧缩提供了方便，而且更接近于人类生理功能的人工神经网络分析将目标识别进程进一步智能化。
由于目前预成多波束高频声纳及高分辨率成像声纳的进展，使得用于水下目标自动识别系统的目标特点信息的提取技术取得进展，对声纳图像的自动说明一样可分为三个步骤:图像处置、特点提取及目标识别。
为了适应水下机械人自动化的要求，水声图像的自动说明和目标检测显得尤其重要。
目标的检测与跟踪是基于对一个图像序列的研究，力图从复杂的背景中检测乃至识别出运动目标，而且对目标运动的规律加以预测，实现对指定的目标进行准确且持续的跟踪。
水下目标检测是实现水下机械人的避碰作业和目标跟踪作业的前提。
而要完成水下目标的跟踪，那么必需把不同时刻的声纳图像中的多个目标进行对应和套准，然后依照目标对准点进行跟踪，对目标进行运动估量。
三．水下激光目标探测1963年，人们在研究光波在海洋中的传播特性时，发觉海水对～波段内的蓝绿激光的衰减比对其他波段的衰减要小得多，从而证明了在海水中存在一个理想的透光窗口。
这一物理现象的发觉使激光水下探测成为可能。
水下成像技术光在水中传播．接收器接收的光信息要紧由3部份组成：从目标反射回来并经水介质吸收、散射损耗后的成像光束：光源与目标之间水介质散射的阻碍图像对照度的后向散射光：目标与接收器之间水介质散射较小角度并直接阻碍目标细节分辨率的前向散射光。
与大气成像技术相较，水下成像技术的研究重点确实是减小水介质所具有的强散射效应和快速吸收功率衰减特性对水下通信、成像、目标探测所造成的阻碍。
目前要紧有几种成像技术在实际中取得应用且达到较好的工作成效．它们的工作原理和技术特点如下所述。
(1)同步扫描成像：同步扫描技术是扫描光束(持续激光)和接收视线的同步．利用的是水的后向散射光强相对中心轴迅速减小的原理。
该技术采纳准直光束点扫描和基于光电倍增管的高灵敏度探测器的窄视域跟踪接收。
(2)距离选通成像：距离选通技术是利用脉冲激光器和选通摄像机，以时刻的先后分开不同距离上的散射光和目标的反射光。
使由被观看目标反射回来的辐射脉冲恰好在摄像机选通工作的时刻内抵达摄像机并成像。
(3)偏振光水下成像：偏振成像技术是利用物体的反射光和后向散射光的偏振特性的不同来改善成像的分辨率。
激光波长与海水及海水中悬浮颗粒和有机物分子的尺寸相当。
其相对折射率为。
一样遵从瑞利或米氏散射理论。
依照散射理论，悬浮粒子后向散射的退偏振度小于物体后向散射光的退偏振度。
若是在水下用偏振光源照明．那么大部份后向散射光也将是偏振的。
若是采纳适当取向的检偏器对后向散射光加以抑制．从而可是图像对照度增强。
(4)水下激光三维成像：条纹管成像激光雷达可提供专门好的三维信息。
其原理是通过测量短脉冲激光在发射机与目标之间的来回时刻，来还原出目标的距离像。
目标的距离信息第一转换成为回波信号的时刻信息。
即回波的时刻前后，然后又通过条纹管转换成为条纹像的空间信息。
该技术利用脉冲激光发射器和时刻分辨条纹管接收器。
相关器件的进展水下成像系统中的关键器件有两个：(1)高效率、高功率和高脉冲频率的长寿命的激光器；(2)具有高速外触发功能、高分辨率、高灵敏度、低噪声、足够的增益动态范围的接收器。
(1)激光器：水下成像系统中可供选用在蓝绿光谱区域(450—550nm)发光的高效能激光器种类有很多。
如通过倍频产生绿光的钕玻璃激光器和Nd：YAG激光器：通过喇曼下转换产生蓝绿光的氯化氙(XeCI)激光器和氟化氙激光器：直接输出蓝绿光的氩离子激光器、高脉冲能量染料激光器、铜蒸气激光器和溴化汞(HgBr)准分子激光器等，这些都有自己的优势和缺点。
目前正在研究的是LD泵浦LiSAF 类激光器。
LiSAF是一种迄今为止综合指标最好的可调谐激光材料。
该激光器波长最正确又可调，易于与最理想的窄带滤波器铯原子滤波器匹配。
并可适用于不同海区最正确透射波长的少量转变。
与钛宝石系统相较．转换环节简化。
效率提高，且体积、重量、能耗均有减少。
另外，LD泵浦LiSAF类激光器可直接采纳LD 泵浦。
靠得住性提高。
大大延长了利用寿命。
(2)接收器：目前水下成像系统利用的光电成像传感器要紧有：高灵敏度CCD成像器件、微光ICCD成像器件、电子轰击CCD(EBCCD)成像器件、电子倍增CCD(EM-CCD)成像器件。
这几种器件相较较而言，CCD通常可用于水质较好、距离较近且本钱较低的场合；而ICCD具有较高的灵敏度。
且对激光器功率要求较低，在低光照条件下性能优于CCD。