基于声纳图像水下运动目标识别与跟踪技术研究.pdf

基于声纳图像水下运动目标识别与跟踪技术研究.pdf

《基于声纳图像水下运动目标识别与跟踪技术研究.pdf》由会员分享，可在线阅读，更多相关《基于声纳图像水下运动目标识别与跟踪技术研究.pdf（65页珍藏版）》请在冰点文库上搜索。

中国海洋大学硕士学位论文基于声纳图像水下运动目标识别与跟踪技术研究姓名：

董佳佳申请学位级别：

硕士专业：

计算机软件与理论指导教师：

殷波201106基于声纳图像的水下运动目标识别与跟踪技术研究摘要水下运动目标的识别与跟踪是水下自主机器人（AUV）视觉领域的研究内容，同时也是目标分类、目标行为分析等高级操作的基础，在计算机视觉处理领域具有很重要的作用。

它是一门融合了计算机视觉、图像处理、模式识别和人工智能等多学科的前沿课题，因此本文研究的内容具有重要的应用前景。

基于声纳图像的运动目标识别与跟踪任务主要分为四个方面的工作：

声纳图像的采集与预处理、运动目标的识别、运动目标的数学建摸、运动目标的跟踪。

本文分别对上述四个方面进行了研究。

首先，在声纳图像采集与预处理模块，简要的介绍了本文所使用的Tritech公司的SuperSeakingDST双频数字扫描式声纳的工作模式及其数据格式，同时研究了对所获得的声纳图像所采取的图像增强、图像分割、数学形态学处理及特征提取等预处理方法。

其次，研究了在运动目标检测方面使用的各种算法，通过对其原理进行研究，选择其中适合用于基于声纳图像的运动目标检测算法，并通过实验检验了该算法在基于声纳图像的运动目标检测中是有效的。

再次，研究了对运动目标进行的数学建摸，这其中包括非机动目标的模型和机动目标的模型，本文着重对机动目标的数学模型进行了详细的研究。

这一部分为运动目标跟踪的数学基础。

最后，研究了运动目标跟踪技术，这是本文的核心创新点。

这其中研究了粒子滤波，并针对粒子滤波算法中的样本贫化和算法复杂度问题，本文提出了基于粒子群优化和支持向量回归的平滑粒子滤波算法，经实验验证取得了较好的跟踪效果。

关键词：

声纳；目标检测；机动目标；目标跟踪；粒子滤波ResearchofIdentificationandTrackingOfMovingUnderwaterTargetsBasedOnSonarImageAbstractIdentificationandTrackingofmovingunderwatertargetsisanimportanttopicinthefieldofvisionofAutonomousUnderwaterVehicle（AUV），anditsthebasicofsomeothersubjectssuchasTargetClassification,AnalysisoftargetbehaviorandSOonItplaysaveryimportantroleincomputervisionprocessItSaleadingsubjectwhichspansmanytechnologiesincludingcomputervision,imageprocessing，patternrecognitionandartificialintelligenceTherefore,thecontentsofthispaperhavebroadprospectsThetaskofidentificationandtrackingofmovingunderwatertargetsbasedonsonarimagecanbedividedintofourparts：

Acquisitionandpre-processingofsonarimage，Detectionofmovingtarget,Mathematicalconstructionofmovingtarget,TrackingofmovingtargetThispaperresearchesonthefouraspectsrespectivelyFirstly,inthesonarimageacquisitionandpre-processingmodule，thispaperbrieflyintroducestheSuperSeakingDSTSOnarwhichismechanicallyscannedforwardqookingimagingsonarweused,andwealsointroduceitsworkingmodeanditsdataformatHereWepresentthepre-processingmethod；itcontainsImageEnhancement,imagesegmentation,mathematicalmorphologyprocessingandfeatureextractionSecondly,weresearchavarietyofmovingtargetdetectionalgorithmsThroughstudytheirtheory,wechoosethemostappropriatealgorithmweCallusedonmovingtargetdetectionbasedonsonarimage，andwetestbytheexperimentthatthisalgorithmiseffectiveinmovingtargetdetectionbasedinsonarimageThtrdly，weresearchmathematicalconstructionofmovingtarget,anditcontainstwopartsmainly：

Non-maneuveringtargetmodelandmaneuveringtargetmodelThispapermainlyfocusesonthemathematicalmodelofmaneuveringtargetThispartisthemathematicalbasicfortrackingmovingtargetIFinally,weresearchthemovingtargettrackingtechnologyThisisthecoreofthispaperWestudiedtheParticleFilter（PF）algorithm，andaimingattheSampledilutionandtheAlgorithmComplexityProblemofParticleFilter,weproposedthesmoothingparticlefilterbasedonParticleSwarmOptimization口So）andSupportVectorRegression（svrt），anditgetsgoodtrackingeffortinourexperimentKeywords：

sonar；,targetdetection；maneuveringtarget；targettracking；particle何lter基于声纳图像的水下运动目标识别与跟踪技术研究1绪论11研究背景和意义21世纪被称为“海洋的世纪”，伴随着人类科技的发展同时也由于资源的短缺，人们越来越迫切的想要了解海洋的秘密，开发海洋资源，保护海洋环境。

由于海洋环境特别是深海环境的恶劣以及对环境的未知性，能够代替人类进入深海、观测深海甚至开发深海的水下机器人这一高新技术得到全世界各个发达国家的高度重视，并得到快速发展。

由于水对光、电等信号的吸收比率比空气要高得多，而水声信号则在水下具有得天独厚的应用背景，水对声波信号的吸收比率较低且声波信号在水中的传输速度比在陆地上要快4倍多。

由此导致基于声纳的探测手段是水下环境特别是深海环境中进行探测的主要手段。

声纳一般分为主动声纳和被动声纳两类，主动声纳有目的性地主动地发射出声波，其主要用来探测水下目标的距离、位置、速度、航向等运动参数。

被动声纳是利用其接收换能器接收目标主动发出的声音来探测目标。

由于本文研究所用的声纳不只是要承担动态目标跟踪任务，还同时要为AUV提供避障所需要的水下环境信息，所以本文采用的是一种主动声纳。

动态目标跟踪技术是一门综合了包括计算机视觉、图像处理、模式识别、人工智能等多个学科，能够通过一系列的图像序列，从复杂背景中提取出运动目标信息并实现自动跟踪的技术。

由于声纳图像具有信息量少，噪声严重的特点，使得依据声纳图像进行的水下运动目标跟踪就有着一定的难度。

因此从技术研究及实际应用等不同方面来讲本文的研究都具有重大的意义。

因此本文选取了这个方向为研究方向。

12研究现状121声纳图像处理技术研究现状伴随着声纳技术的发展，声纳特别是图像声纳在海洋开发领域的应用越来越广泛，通过处理声纳图像所得的信息进行水下目标识别、运动目标跟踪等已经成1基于声纳图像的水下运动目标识别与跟踪技术研宄为图像处理领域的一个重要的研究方向。

但是声纳图像又有其不同于光学图像的地方。

声纳图像相对于光学图像具有如下特点【1】：

1图像分辨率较低：

这主要是因为声纳设备发射的探测声波的波长一般是比较长的，并且声纳头探测时步进的角度通常比较大，相邻波束间也并不是连续变化的，而是有一定的距离间隔，这就造成声纳图像的分辨率较一般数字图像低。

2噪声干扰严重：

水声信道和海洋环境是非常复杂的，这就导致声波在传播过程中广泛存在着由衰减、混响、散射等造成的干扰。

另外海洋环境中的其他声响也会对声纳图像产生噪声，目标很容易被淹没在这些干扰中，难以辨别。

3存在多径现象：

多径现象是在声波传播过程中的途径传播过程中造成的，主要表现在使得一个目标给声纳设备返回多个返回值，声纳设备会将这些返回值作为距离较近的多个目标来处理，从而在后续的声纳图像生成过程中会在图像中产生一定的重影现象，难以确定目标的真实位置。

4存在旁瓣干扰：

声纳波束形成时，不只在较窄的当前的扫描区域扇面内接收声纳回波的极大值，同时也会在其旁边的扫描区域的较宽的范围内接受信号。

当某一声纳回波较强的时候，就会在其附近波束的同一距离上形成一条回波亮线，这就是旁瓣干扰。

5存在多普勒效应：

当探测目标或者声纳载体存在运动时，会使得声纳发射和接收的声波产生一定的偏移，会导致同一个目标在不同时刻的声纳图像上得到了不同的轮廓形状，这就会造成目标的变形和失真。

由声纳图像的上述特点，对声纳图像需要采取一定的预处理手段，其中主要包括以下几个部分【2】：

（1）图像数字化：

将声波信号转化成数字化表示的声纳图像，便于计算机进行精确的分析处理。

（2）图像增强：

消除并抑制图像中的噪声干扰，突出我们感兴趣的信息，提高图像质量，现在常采用的操作有中值滤波、灰度变换和直方图修正等方法。

（3）图像还原：

对退化降质了的声纳图像进行恢复，改善图像中的变形和偏移，接近真实数据。

（4）图像编码：

简化图像的表示编码方法，压缩图像数据量，使之便于存储和2基于声纳图像的水下运动目标识别与跟踪技术研究传输。

（5）图像重构：

把多二维图像信息重构成三维图像。

（6）图像分析：

对图像中不同的对象进行分割、识别、分类和描述、解释。

前视声纳图像的预处理通常采用适用于光学图像的数字图像处理技术，主要包括图像的平滑滤波、灰度变换、数学形态学变换、二值化分割、神经网络校正、小波变换等方法。

122水下目标检测技术研究现状目标检测是计算机视觉处理中信息提取的一个重要步骤。

运动目标跟踪的前提是从背景图像中分离出运动目标，在视频监控、目标跟踪等领域目标检测都有着非常重要的作用，在这些区域中，特别是陆上的应用领域里视频序列生成的速度通常比较快，这就需要在在无人干预的情况下能够实时的监控并分离运动目标。

目标跟踪以目标检测为前提，目标检测的主要任务是及时、准确的从图像序列中检测出我们需要的运动目标。

声纳图像由于信息量较少，噪声多，以及声影区的存在等问题，给基于声纳图像的目标检测造成了很大的困难。

如果目标的检测的结果不准确，会影响目标模型的准确建立，从而导致了目标跟踪的不准确。

所以提高目标检测的准确度就有着非常大的意义。

目前在视频跟踪领域中较常用的运动目标检测算法主要包括：

背景差分法【34】、帧间差分法15、光流法17,8及混合高斯模型19等。

背景差分法是在当前众多的运动检测算法中最常用的一种，该算法的基本思想是通过比较背景图像和当前图像来得到两幅图像的差分图像来分离出运动目标。

它的算法思想较简单，应用它能够快速准确的从图像序列中分离出运动目标。

国内外的大量学者、专家对起做了大量的研究，也提出了很多的改进算法。

帧间差分法通过比较两帧图像之间的差异来进行运动目标分离，计算速度快，比较适宜硬件实现，从而也能大大的提高运算速度，因而也得到了很广泛的应用。

Litpon等人【lo利用两帧图像差分的方法从实际视频图像中检测运动目标。

光流法能够在不需要事先知道场景内任何信息的情况下检测出独立运动的对象，但由于其运算时的时间复杂度比较高，并不适合用在对实时性有较高要求的场合。

大量的专家提出了各种光流法的改进算法，如区域光流法【】、金字塔光流法112】等。

混合高斯模型能够很好的适应变化较缓3基于声纳图像的水下运动目标识别与跟踪技术研宄慢的场景下，但是当光线变化的速度较快时，对检测结果的影响较大。

Stauffer和Grimson等人提出了一种能够自适应更新的混合高斯模型【131，能够较实时的处理。

123水下目标跟踪技术研究现状运动目标跟踪就是依据目标的状态和目标所处的环境，选择其中一个或多个能唯一标识出目标的特征，即所选的特征要可以区分出目标和它的背景，由此在运动目标跟踪中主要的工作就是选择出一个或多个好的目标特征以及在系统中采用合适的搜索算法。

采用这些算法通常是出于两种目的：

一种是为了能提高搜索匹配的速度及精度，另一种则是通过预测目标在后续图像序列中的其最可能的位置来缩小目标搜索范围，以此来缩短目标搜索的时间【4刀。

目标跟踪过程中在对目标进行特征匹配时，我们最常想到的方法也是最简单的方法是在下一帧图像里进行全图搜索，来找到与目标特征最相似的候选目标位置，但是采用这种算法耗时且很多情况下也是没有必要的，因为目标运动是连贯的，目标的下一个位置最有可能出现在其前一位置的某个邻域范围内，由此就需要寻找能够避免全图匹配、能够快速跟踪的算法。

Kalman滤波【14】、粒子滤波【15】等滤波算法现在经常被用来预测目标在下一帧可能的位置，进行目标定位时只需要在其预测位置的邻域范围内进行较少的目标特征和候选目标相似性检测就能够确定观测目标在下一帧图像中的位置；另一类常采用的算法通过减少搜索范围来优化搜索方向，这其中均值漂移算法就是利用无参估计的方法来优化目标特征和候选目标的距离的迭代收敛过程来实现缩小搜索范围的目的。

卡尔曼滤波是基于贝叶斯滤波理论的一种预测估计算法。

是一个“最优化自回归数据处理算法（optimalrecursivedataprocessingalgorithm）”，在大多数的问题中，卡尔曼滤波都是很有效地，其在机器人导航、控制领域、多传感器数据融合等很多领域都有很广泛很重要的应用。

卡尔曼滤波是基于贝叶斯滤波理论框架，其假定在任何时候后验概率都是符合高斯分布的，卡尔曼滤波有如下特点【16】：

11数学模型较简单，是一阶微分方程，适宜用计算机处理。

2）通过选用被估计的变量来当作系统的状态变量，并且使用系统状态方程来描述系统状态的转移过程。

4基于声纳图像的水下运动目标识别与跟踪技术研究3）不必保存状态历史数据。

在进行状态估计的过程中，对下一时刻的状态来进行估计只需要利用当前时刻观测值及前一时刻的估计值。

粒子滤波算法是依据大数定理利用蒙特卡罗求解贝叶斯估计中的积分运算，同时利用重要抽样得到一组在动态空间中不断更新的随机样本，以此来逼近待估计状态的后验概率密度。

粒子滤波比卡尔曼滤波更具有优势，其噪声不必符合高斯分布，它还可以进行并行计算，能较好的满足实时性场合的要求。

13本文研究内容与结构安排本文使用英国Tritech公司的SuperSeakingDST双频机械扫描式前视声纳作为声纳图像采集设备，搭载在我们实验室自行研制AUV机器人上（如图1-1所示），通过AUV潜入水下开启声纳设备，采集图像，然后对声纳图像进行增强、滤波、分割等操作处理后，提取出目标的特征，从中识别出运动目标，对目标进行数学建模，并进行跟踪。

图I-1：

中国海洋大学研制的“神龙号”AUV本论文的各章的内容安排如下：

第一章绪论，主要对基于声纳图像的目标跟踪的各个方面的内容进行了简单介绍，概述了各个方面的研究现状等。

第二章主要介绍了SuperSeakingDST前视声纳的参数、操作步骤等基本知识，并详细的介绍了对声纳图像所采用的一系列预处理的原理和方法，对声纳图像进行增强、滤波等处理后，提取声纳图像中的目标，为后续的目标检测做好准与基于声纳图像的水下运动目标识别与跟踪技术研究备。

第三章主要介绍了当前使用较多的运动目标检测算法，如背景消减法、帧间差分法、光流法、混合高斯模型、主动轮廓模型等方法进行了研究，并比较了各算法的特点，选取了适用于在声纳图像中进行目标检测的算法，并通过实验验证了该算法是可用于声纳图像的目标检测。

第四章详细阐述了对运动目标进行数学建模，其中分为两大部分：

机动目标建模和非机动目标建模。

这其中包括常速模型（constantvelocitymodel）、常加速度模型（constantaccelerationmodel）、Singer模型、马尔可夫模型等，随着模型的复杂，使用该模型进行的目标建模也越复杂，但是相对来说也更准确，计算也更耗时。

第五章主要阐述了运动目标跟踪的部分，这里主要就是根据对目标的建模通过滤波的方法预测目标在下一帧图像中可能出现的位置，缩小目标的搜索范围。

这其中介绍了卡尔曼滤波、基于粒子群优化和支持向量回归的平滑粒子滤波算法。

并实验了基于粒子群优化和支持向量回归的平滑粒子滤波算法，从实验结果可以看出该算法在基于声纳图像的水下运动目标跟踪中是有效的。

最后，第六章对全文进行了总结和展望。

6基于声纳图像的水下运动目标识别与跟踪技术研究2声纳图像的采集和预处理影响声纳设备工作性能的因素有很多，除声纳本身的技术状况外，外界条件对其性能的影响也很严重。

这其中对其性能有直接影响的因素包括传播衰减、混响干扰、多路径效应、自噪声、海洋噪声、辐射噪声强度或目标反射特征等，这些因素大多数都与海洋环境因素有关。

举例来说，声波信号在传播途中受到了海水介质不均匀及海面、海底的影响和制约，导致其会造成传播中的折射、反射、散射和干涉等，从而导致产生声线弯曲、信号起伏、畸变，这就造成传播途径的改变，会出现声影区，严重地影响了声呐的探测距离和测量精度。

对声纳图像的预处理本文采用如图21所示的流程进行：

I一像采集j上灰度交换l、，IIl中值滤波l、，阕值分割、，特征提取图2-l声纳图像预处理流程图7基于声纳图像的水下运动目标识别与跟踪技术研究21SuperSeakingDST前视声纳我们选用英国Tritech公司的SuperSeakingDST双频数字机械扫描式前视声纳作为我们的声纳仪器，该声纳如图22所示：

图2-2：

SuperSeakingDST双频数字机械扫描式前视声纳该声纳可以工作于325kHz和675kHz两种频率下，能够接受080dB的声纳回波数据，最大探测距离为300米（频率为325kHz时），可以在最深水下4000米的环境下工作，扫描时步进角的最高分辨率为0225。

，可以在O到360度之间自由控制其扫描范围，当需要扫描水下局部环境的细节信息时，可以选用675kHz为工作频率，但此时其最大扫描范围会缩短为100米。

22声纳图像