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。
计算机识别水下目标的技术说明
计算机识别水下目标的技术说明计算机识别水下目标的关键技术是多传感器数据融合和机器学习。
这些技术被广泛应用于水下目标检测、识别和分类。
多传感器数据融合是指利用多个传感器获得的数据进行综合分析和判断。
水下目标的识别通常需要使用不同类型的传感器，例如声纳、水下相机和激光雷达。
每种传感器都有其自身的特点和限制，通过将多个传感器的数据进行融合，可以提高对水下目标的识别准确性和可靠性。
机器学习是一种通过模型训练来识别和分类水下目标的方法。
可以使用监督学习算法，通过给算法提供已标记的样本数据来训练模型。
训练完成后，模型可以对新的未知数据进行分类和识别。
常用的机器学习算法包括支持向量机（SVM）、决策树和深度神经网络。
在水下目标识别中，传感器数据通常包括声纳反射信号、水下图像和激光点云。
声纳反射信号可以提供目标的几何特征和声学特征，水下图像可以提供目标的外观特征和颜色信息，激光点云可以提供目标的三维坐标和形状信息。
通过综合分析这些数据，可以获得更全面和准确的水下目标识别结果。
除了多传感器数据融合和机器学习，还有其他一些技术可以用于水下目标识别。
例如，特征提取和目标模型匹配可以用于从传感器数据中提取目标的特征，并与已知的目标模型进行匹配。
同时，目标跟踪和运动分析可以用于识别水下目标的运动轨迹和行为模式。
总结起来，计算机识别水下目标的技术需要利用多传感器数据融合
和机器学习。
这些技术可以提高水下目标识别的准确性和可靠性，并
且可以应用于多种水下任务，如海洋勘探、水下作业和水下机器人等。
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。
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。
水下声呐信号处理及目标识别研究
水下声呐信号处理及目标识别研究水下声呐技术的应用范围十分广泛，包括：水下探测、矿产开采、海底地形勘测、海洋生物探测、海军军事应用等等。
其中，水下目标探测和识别是水下声呐技术的重要应用之一。
本文将着重探讨水下声呐信号处理及目标识别的相关研究。
一、水下声呐信号处理水下声呐信号处理是指对声波信号进行分析、降噪、滤波等处理，以提高信号的可识别性和探测性，为水下目标识别提供基础数据。
水下声呐信号处理主要包括：信号采集、信号预处理、信号分析和信号降噪等方面。
1. 信号采集声呐信号采集是声呐系统中的第一步，其目的是获取目标传回的声波信号。
通常情况下，声呐系统由发射器和接收器两部分构成。
发射器会向周围环境发出声波信号，信号被周围环境反射后，就会被接收器捕捉。
是对声波信号进行采集的过程。
2. 信号预处理信号预处理是为了去除杂音和干扰信号，从而提高信号的质量和清晰度。
该过程中常用的技术包括滤波、去噪、增益等方法。
其中，滤波常用于去除信号中的高频噪声，去噪就是降低信号中的低频噪声的过程，而增益用于增强信号的可读性和能量。
3. 信号分析信号分析是指对信号进行参数提取以及信号的频谱、时域等特征分析。
通过对信号的分析，可以更好地了解声波传播的特性、声源和水下目标的特征等。
4. 信号降噪信号降噪是针对信号中噪声的处理，目的是去除干扰信号，提高信号的准确性和可读性。
降噪处理一般包括自适应滤波、小波去噪、频域滤波等方法。
其中，小波去噪的效果较好，可以较好地去除信号中的噪音。
二、水下目标识别水下目标识别是指通过声呐信号处理技术，将确定的信号特征与目标数据库中的特征进行匹配，对水下目标进行分类和识别。
下面将着重介绍基于声波信号的水下目标识别方法。
1. 基于模式识别的目标识别方法该方法基于目标的特征，通过比较目标的特征与数据库中已有的目标特征，最终实现目标的分类和识别。
目标的特征常包括目标的形态、声回波、饰品等因素。
常用的模式识别算法包括KNN算法、SVM算法、神经网络算法等。
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。
- 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。
目前较常用的是多波束声纳系统。
2.1声纳成像技术随着科学技术的进步，声纳技术得到了突飞猛进的发展。
成像声纳的发展速度也很快，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，但实用性较差。
目前技术比较成熟、使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，其换能器阵一般安装在水下拖曳体的两侧。
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，因而具有较高的解像度，可对海底地形地貌及沉没船只、飞机的残骸进行清晰的解读。
扇扫声纳的研究开展较晚，但发展很快，现已广泛应用于探雷、定位、避障等水下作业中。
目前国际上己经用在水下机器人上的扇扫声纳主要分三大类:(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，价格便宜，但成像速率较低；(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：它能够获得距离、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，因而仅能获得目标的二维信息。
2.2水声图像处理技术随着声纳技术成像和数字成像技术的发展，水声图像处理的研究也随之进入了新的阶段。
其主要研究方向包括:(1)图像的增强：改善图像的视觉效果，加强图像的有用信息，削弱干扰和噪声；(2)图像的恢复：把退化模糊的图像复原；(3)图像的编码：简化图像的表示，压缩表示图像的数据，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解释等。
此外，声纳图像本身分辨率不高，噪声严重，也给水下目标探测带来了很大的困难。
因此在实际应用中，我们有必要寻找到适合水声图像物理背景的处理方法。
近年来，国内外陆续开展了成像声纳的研制和水声图像处理的研究工作。
水声图像处理的研究主要集中在侧扫声纳和扇扫声纳的单帧图像处理和序列图像处理方面。
(1)侧扫声纳图像处理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理应用的技术有阴影技术、纹理分析技术、数学形态学方法和神经网络分类技术等。
(2)扇扫声纳图像处理随着声纳技术和信号处理技术的发展，扇扫声纳从早期的单波束机械扫描声纳发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理通常采用光学图像处理技术，图像识别采用的方法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)声纳序列图像处理与光学图像相比，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。
时间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，近年来人们开始把研究重点转移到了序列图像的处理方面。
2.3水下目标识别与跟踪水下目标识别技术就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。
水下目标识别一般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辨别，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。
两者都是属于目标识别范畴，因此都要经过特征提取、分类判决等几个过程。
其中关键的是目标声特征的描述和提取方法，它长期以来一直是水下目标特性研究的重点。
早期的目标识别主要根据目标噪声或回波的波形音调、节奏分布特性。
20世纪70年代后，目标回波的亮点分布结构起伏和展宽特性以及目标噪声的线谱分布特性均可作为目标的特征量。
但由于目标本身以及声传输信道的复杂性，目标特征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，目标识别技术广泛引入了近代信号处理技术，如高分辨谱估计、自适应滤波、时频分布、子波变换等，为目标特征量提取和数据压缩提供了方便，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过程进一步智能化。
由于目前预成多波束高频声纳及高分辨率成像声纳的发展，使得用于水下目标自动识别系统的目标特征信息的提取技术得到发展，对声纳图像的自动解释一般可分为三个步骤:图像处理、特征提取及目标识别。
为了适应水下机器人自动化的要求，水声图像的自动解释和目标检测显得尤为重要。
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甚至辨认出运动目标，并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连续的跟踪。
水下目标检测是实现水下机器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，则必须把不同时刻的声纳图像中的多个目标进行对应和套准，然后根据目标瞄准点进行跟踪，对目标进行运动估计。
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，发现海水对0.47～O.58nm 波段内的蓝绿激光的衰减比对其他波段的衰减要小得多，从而证实了在海水中存在一个理想的透光窗口。
这一物理现象的发现使激光水下探测成为可能。
3.1水下成像技术光在水中传播．接收器接收的光信息主要由3部分组成：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影响图像对比度的后向散射光：目标与接收器之间水介质散射较小角度并直接影响目标细节分辨率的前向散射光。
与大气成像技术相比，水下成像技术的研究重点就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、目标探测所造成的影响。
目前主要有几种成像技术在实际中得到应用且达到较好的工作效果．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(连续激光)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。
该技术采用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，以时间的先后分开不同距离上的散射光和目标的反射光。
使由被观察目标反射回来的辐射脉冲刚好在摄像机选通工作的时间内到达摄像机并成像。
(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1.00-1.15。
一般遵从瑞利或米氏散射理论。
根据散射理论，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。
如果在水下用偏振光源照明．则大部分后向散射光也将是偏振的。
如果采用适当取向的检偏器对后向散射光加以抑制．从而可是图像对比度增强。
(4)水下激光三维成像：条纹管成像激光雷达可提供很好的三维信息。
其原理是通过测量短脉冲激光在发射机与目标之间的往返时间，来还原出目标的距离像。
目标的距离信息首先转换成为回波信号的时间信息。
即回波的时间先后，然后又通过条纹管转换成为条纹像的空间信息。
该技术使用脉冲激光发射器和时间分辨条纹管接收器。
3.2相关器件的发展水下成像系统中的关键器件有两个：(1)高效率、高功率以及高脉冲频率的长寿命的激光器；(2)具备高速外触发功能、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，这些都有自己的优点和缺点。
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。
该激光器波长最佳又可调，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佳透射波长的少量变化。
与钛宝石系统相比．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类激光器可直接采用LD泵浦。
可靠性提高。
大大延长了使用寿命。
(2)接收器：目前水下成像系统使用的光电成像传感器主要有：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。
这几种器件相比较而言，CCD通常可用于水质较好、距离较近且成本较低的场合；而ICCD具有较高的灵敏度。