成像聲納目標檢測與跟蹤技術(shù)研究.pdf

1、成像聲納視覺信息處理技術(shù)在軍事和民用方面均有著十分重要的意義及應(yīng)用，它對水下環(huán)境認知具有重要的作用，不但可以輔助水下潛器進行躲避障礙、輔助導航，還可以對水下空間環(huán)境進行成圖、對指定目標進行探測、對運動目標進行跟蹤等。成像聲納信號直觀、具體，不易受水域渾濁度影響。然而，聲納圖像分辨率低、容易出現(xiàn)信息缺失、圖像的幀間信息存在不穩(wěn)定性，常伴有目標聲散射、多途干擾及旁瓣干擾，此外，多目標在二維成像聲納的回波數(shù)據(jù)中產(chǎn)生聲混疊現(xiàn)象，即二維前視聲納缺

2、少對相同距離、相同水平角度、不同垂直角度的目標的描述能力，當此類多目標同時存在時，常出現(xiàn)反射能量高的目標將反射能量低的目標淹沒的情況。上述這些特點為準確地進行水下視覺認知帶來巨大挑戰(zhàn)。本研究主要內(nèi)容包括：
　?、艑Υ嬖诟蓴_的水下線狀目標圖像分割技術(shù)進行了研究。綜合Hough變換良好的空間映射關(guān)系和閾值分割低計算成本的性能，提出將Hough變換和閾值分割結(jié)合的水聲圖像分割技術(shù)，用Hough變換所獲得的直線關(guān)系約束閾值分割的閾值取向，

3、與此同時，閾值分割為Hough變換提供直線關(guān)系檢測的依據(jù)。通過實驗驗證了該方法較傳統(tǒng)的分割方法更加有效，適用于對水中懸浮管狀物體、水下管道等具有線狀特征的目標分割。其次，鑒于傳統(tǒng)目標檢測方法對前視聲納圖像序列進行運動目標檢測時出現(xiàn)大量噪聲、無法準確提取目標的事實，論文設(shè)計了適合前視聲納圖像序列的運動目標檢測流程，通過時空域聯(lián)合濾波，對高斯背景去除模型進行改進，通過形態(tài)學處理、連通區(qū)域標記、軌跡差分前景生成等技術(shù)的聯(lián)合，大大改善了檢測效果

4、。通過對不同目標圖像序列的實驗，驗證了本文方法在一定程度上降低了因圖像信噪比低和幀間局部信息不穩(wěn)定等的影響，增強了前景提取性能，更加利于人眼或計算機的判斷，為后續(xù)目標跟蹤等提供了良好的鋪墊。
　?、埔曰诿商乜_和遞推貝葉斯估計的粒子濾波為主要框架。針對水下單目標跟蹤、雙目標跟蹤和抗混疊的目標跟蹤任務(wù)，分別研究了多特征融合PSOPF（Particle Swarm Optimized Particle Filter）、基于LBF（L

5、ocal Binary Fitting）的輪廓跟蹤和抗混疊跟蹤技術(shù)。首先，在粒子濾波進行系統(tǒng)狀態(tài)預估時，若粒子數(shù)目過大會導致系統(tǒng)的實時性較差，而粒子數(shù)目較小則會降低系統(tǒng)的魯棒性和跟蹤精度。如果似然概率位于先驗概率的尾部，更新之后大部分的粒子權(quán)重變得較小，重采樣后樣本集的多樣性降低，容易產(chǎn)生粒子貧乏現(xiàn)象。本文使用多特征自適應(yīng)融合方法構(gòu)建粒子濾波的觀測模型，用由粒子及其權(quán)重組成的離散隨機測度近似相關(guān)概率分布。考慮到 PSO和粒子濾波在運動機

6、制、最優(yōu)解、更新機制等方面具有相似性，為了通過 PSO優(yōu)化過程使粒子向高似然概率區(qū)域運動，提出多特征融合 PSOPF跟蹤算法。該算法利用多特征冗余性，根據(jù)目標多特征的不同貢獻程度，將自適應(yīng)加權(quán)特征值作為適應(yīng)度值進行優(yōu)化。通過對不同目標圖像序列的實驗，驗證了本文算法可以避免因精確狀態(tài)預估的需要而耗費大量粒子的情況，每個粒子的使用效率得到提升，從而解決了粒子貧乏和發(fā)散的問題，較傳統(tǒng)算法有跟蹤精度高、魯棒性強的特點，適用于水下單目標跟蹤。其次

7、，由于前視聲納圖像對目標的描述缺乏穩(wěn)定性，對水下多目標進行跟蹤時，不但計算開銷較大，而且，多目標在軌跡上重合區(qū)域會出現(xiàn)狀態(tài)空間模糊，鑒于目標輪廓具有描述目標的優(yōu)勢，將LBF模型引入粒子濾波，設(shè)計了基于LBF的輪廓跟蹤算法。水平集方法將曲線的演化轉(zhuǎn)變成偏微分方程的求解問題，有效避免參數(shù)化的過程的同時，也有效避免對演化過程的監(jiān)督，對閉合曲線的拓撲結(jié)構(gòu)變化不敏感，提取效果優(yōu)于傳統(tǒng)目標提取方法?；?LBF的輪廓跟蹤算法利用水下目標的輪廓信息創(chuàng)

8、建一個空間先驗，用形狀先驗所決定的邊界規(guī)范粒子重采樣步驟。論文用最大后驗概率估計的方法推導了相鄰時刻水平集演化對輪廓跟蹤的可行性，建立了區(qū)域的活動輪廓與運動目標的對應(yīng)關(guān)系。本文設(shè)計了兩組不同目標分別相向運動、相遇折回運動的實驗，通過與傳統(tǒng)輪廓跟蹤算法的比較，驗證了基于 LBF的輪廓跟蹤算法對目標輪廓具有較好的表達，對局部幀間信息不穩(wěn)定和狀態(tài)空間模糊等方面具有較強的魯棒性。
　　⑶針對目標聲混疊情形，分析了聲納平視和俯視兩種情形的目

9、標聲混疊現(xiàn)象。目標回波被淹沒或被削弱時，目標的幾何特征、灰度特征和紋理特征等均被淹沒。論文通過計算目標 Euclidean距離，實現(xiàn)了對目標即將進入混疊區(qū)域時有效檢測混疊，以及目標即將離開混疊區(qū)域時及時恢復對目標的估計。論文通過對混疊區(qū)域的建模完成跟蹤模型的轉(zhuǎn)變，維持對目標狀態(tài)的估計。發(fā)生混疊時，動態(tài)創(chuàng)建混疊物的新模型，跟蹤目標變?yōu)榛殳B物，并將新模型加入聯(lián)合模型中，狀態(tài)轉(zhuǎn)移方程保持不變。由混疊判斷函數(shù)判斷混疊結(jié)束后，跟蹤目標調(diào)至前一目標