基于粒子濾波的聲吶圖像目標(biāo)跟蹤算法研究

黃松威，朱兆彤，胡友峰

(中國(guó)船舶重工集團(tuán)公司 第七〇五研究所昆明分部，云南 昆明 650000)

0 引 言

聲吶目標(biāo)跟蹤技術(shù)作為水下UUV關(guān)鍵技術(shù)，是計(jì)算機(jī)視覺(jué)的重點(diǎn)研究課題之一[1]。目標(biāo)跟蹤技術(shù)可獲取監(jiān)測(cè)目標(biāo)感興趣的特征信息和運(yùn)動(dòng)狀態(tài)，同時(shí)對(duì)目標(biāo)的識(shí)別和分割技術(shù)發(fā)展起到了重要推動(dòng)作用。聲吶圖像序列目標(biāo)跟蹤技術(shù)通過(guò)利用提取目標(biāo)的圖像信息，對(duì)環(huán)境噪聲和混響等干擾因素進(jìn)行一定抑制，以實(shí)現(xiàn)對(duì)水下目標(biāo)的有效跟蹤。水聲圖像目標(biāo)跟蹤技術(shù)起步略晚，但目前正處于快速發(fā)展階段。各個(gè)國(guó)家都圍繞著水下目標(biāo)開(kāi)展相關(guān)研究，其中美歐都有成立相關(guān)的研究機(jī)構(gòu)，例如美國(guó)Florida Atlantic大學(xué)海洋工程系，其利用自研水下UUV進(jìn)行水下目標(biāo)探測(cè)、目標(biāo)跟蹤等試驗(yàn)，取得了一些進(jìn)展[2]；在國(guó)內(nèi)，如中科院聲學(xué)所、哈爾濱工程大學(xué)等，也在水下目標(biāo)處理相關(guān)領(lǐng)域開(kāi)展了研究工作[3–5]。其中，中科院聲學(xué)所研制了一種單波束側(cè)掃聲吶，并以此為基礎(chǔ)開(kāi)展了水下目標(biāo)識(shí)別及檢測(cè)等工作，取得了一定的成果；哈爾濱工程大學(xué)在小平臺(tái)探測(cè)聲吶展開(kāi)了相關(guān)研究，己研制出二維高分辨率成像聲吶、三維成像聲吶等多類(lèi)樣機(jī)，在水下聲圖像處理領(lǐng)域也取得了一定程度的進(jìn)展。

聲吶圖像處理相較于光學(xué)圖像，由于其受海底噪聲、環(huán)境噪聲干擾嚴(yán)重，給聲吶圖像處理帶來(lái)了很多不便。相比傳統(tǒng)線性模型，粒子濾波在水下非線性系統(tǒng)的應(yīng)用中具有獨(dú)特優(yōu)勢(shì)[6]。與非線性模型相比，粒子濾波目標(biāo)跟蹤模型是一種非線性模型，具有更好的適用性、估計(jì)精度及靈活性，能夠適應(yīng)復(fù)雜的水下環(huán)境。但由于水下環(huán)境噪聲干擾更強(qiáng)烈，將粒子濾波直接用于聲吶圖像跟蹤并不能取得理想效果。本文針對(duì)以上問(wèn)題，首先提出一種Curvelet變換的圖像增強(qiáng)改進(jìn)算法；該算法在有效降低聲吶圖像噪聲的同時(shí)，對(duì)目標(biāo)邊緣也進(jìn)行了一定的增強(qiáng)；在此基礎(chǔ)上提出了一種新的基于粒子濾波的目標(biāo)跟蹤方法，在保證魯棒性的同時(shí)，提高了跟蹤精度。與傳統(tǒng)聲吶目標(biāo)跟蹤方法相比，本文所提方法在保證魯棒性的同時(shí)，提高了跟蹤精度，具有更好的適應(yīng)性。

1 聲吶圖像的預(yù)處理

海洋水下環(huán)境復(fù)雜多變，聲吶圖像受到噪聲的隨機(jī)干擾嚴(yán)重，使得原本均勻連續(xù)變化的灰度突然增大或減小，噪聲的產(chǎn)生因素很多，主要由換能器靈敏度差異、溫度變化、電磁影響等因素產(chǎn)生。可能形成高斯噪聲、椒鹽噪聲、斑點(diǎn)噪聲等多種形式的噪聲[7]。而且，氣泡散射、多徑干擾以及海洋中特有的聲現(xiàn)象也是噪聲的重要來(lái)源。為了確保目標(biāo)檢測(cè)及后續(xù)的跟蹤精度，就必須對(duì)聲吶圖像進(jìn)行一定的預(yù)處理，以降低海洋噪聲，混響等干擾因素的影響。

Curvelet變換，即曲波變換。是Donoho等于1988年以小波變換和瘠波變換為理論基礎(chǔ)提出的一種多尺度圖像增強(qiáng)算法。Curvelet變換能夠克服小波變換和瘠波變換在圖像邊緣和奇異特性等方面的不足，具有一定優(yōu)勢(shì)。

聲吶圖像隨機(jī)噪聲干擾嚴(yán)重，故聲吶圖像增強(qiáng)的關(guān)鍵問(wèn)題在于如何降低噪聲干擾的同時(shí)有效保留目標(biāo)邊緣，自適應(yīng)的調(diào)節(jié)動(dòng)態(tài)范圍。針對(duì)聲吶圖像序列特點(diǎn)，本文提出一種自適應(yīng)閾值的Curvelet變換算法抑制噪聲干擾，采用一種非線性映射來(lái)有效調(diào)節(jié)各個(gè)通道的變換系數(shù)，對(duì)目標(biāo)邊緣進(jìn)行增強(qiáng)，拉伸對(duì)比度，以提高圖像的邊緣表現(xiàn)。

對(duì)于高頻通道，采用定義非線性映射函數(shù)：

高頻子帶自適應(yīng)閾值為：

對(duì)低頻子帶（s=1），定義非線性映射函數(shù)：

2 聲吶圖像的目標(biāo)分割

圖像分割的目的是根據(jù)不同特性，將圖像區(qū)域分為若干個(gè)子區(qū)域。對(duì)聲吶圖像而言，海底混響、環(huán)境噪聲以及環(huán)能器自噪聲等多種因素影響，聲吶圖像半點(diǎn)噪聲強(qiáng)、信噪比低，這些均給聲吶圖像的分割造成了極大困難。聲吶圖像目標(biāo)跟蹤的關(guān)鍵在于如何將目標(biāo)與背景有效的分割，以便之后的特征提取奠定基礎(chǔ)。

圖像分割是一種病態(tài)問(wèn)題，根據(jù)貝葉斯理論，分割的關(guān)鍵在于利用圖像自身特征信息，結(jié)合一定的先驗(yàn)知識(shí)，提出合適的分割函數(shù)；并且分割的結(jié)果應(yīng)對(duì)應(yīng)圖像相關(guān)特征并且符合先驗(yàn)約束條件?；谒郊Ｐ偷姆指钏惴ㄋ捎玫幕顒?dòng)輪廓模型的能量泛函易于迭代運(yùn)算，具有集成各種約束的靈活性，求解方便等特點(diǎn)。

LBF水平集模型是Li C為解決水平集重復(fù)初始化問(wèn)題，提出的一種高精準(zhǔn)度分割結(jié)果的分割模型[9]。水平集分割的核心思想將閉合曲線視為高維曲面中水平集函數(shù)的零水平集，通過(guò)求解曲線方程的演化來(lái)確定分割邊界，具有拓?fù)渥兓杂伞⑶蠼忪`活的優(yōu)點(diǎn)。

LBF水平集模型是一種區(qū)域可擴(kuò)展性的能量擬合模型。非負(fù)核函數(shù)參數(shù)的大小決定了水平集擬合的灰度區(qū)域范圍。為了使得當(dāng)前點(diǎn)的擬合能量達(dá)到最小，就需要演化曲線到達(dá)目標(biāo)邊界且灰度值接近區(qū)域內(nèi)曲線內(nèi)外的灰度值。即要求對(duì)整個(gè)區(qū)域上的點(diǎn)的擬合能量達(dá)到最小。

LBF水平集分割步驟為：1）采用合適的能量函數(shù)以確認(rèn)分割邊界；2）利用拉格朗日乘數(shù)法求出能量泛函的全局極小值以確定最優(yōu)的分割邊界；3）利用變分法或者梯度下降法等算法，得到能量最小化的演化方程；4）采用某種數(shù)值迭代算法求解演化方程。

3 基于粒子濾波目標(biāo)跟蹤器的實(shí)現(xiàn)

基于粒子濾波的目標(biāo)跟蹤器可以從含有噪聲的目標(biāo)模型中估計(jì)目標(biāo)的運(yùn)動(dòng)狀態(tài)，在狀態(tài)空間中，通過(guò)散布的大量離散隨機(jī)變量（即粒子）以近似模擬后驗(yàn)概率分布。當(dāng)粒子個(gè)數(shù)趨于無(wú)窮時(shí)，理論上可以無(wú)限逼近真實(shí)概率密度函數(shù)。粒子濾波的關(guān)鍵在于通過(guò)權(quán)值粒子集合來(lái)近似估計(jì)分布概率。每個(gè)粒子代表了對(duì)目標(biāo)狀態(tài)的預(yù)測(cè)，本文的目標(biāo)特征取為彩色分布模型，處理流程如圖1所示。

圖 1 基于粒子濾波目標(biāo)跟蹤器的處理流程圖Fig. 1 The process flow based on particle filter target tracker

3.1 目標(biāo)模型的色彩特征描述

本文采用顏色概率分布直方圖作為目標(biāo)模型特征描述，利用LBF水平集分割從初始聲吶圖像中將目標(biāo)與背景有效分割開(kāi)，確定目標(biāo)跟蹤的區(qū)域。對(duì)選中區(qū)域進(jìn)行離散統(tǒng)計(jì)得到目標(biāo)區(qū)域的HSV彩色分布直方圖。為了避免目標(biāo)邊緣像素遮擋的影響，對(duì)于目標(biāo)邊緣區(qū)域賦予小的權(quán)值；對(duì)于目標(biāo)中心區(qū)域，賦予較大的權(quán)值，保證跟蹤的準(zhǔn)確性。確定核函數(shù)為：

其中r為像素點(diǎn)距離區(qū)域中心的距離。位于y處的像素點(diǎn)顏色分布概率密度函數(shù)可以表示為：

其中：

3.2 目標(biāo)粒子模型的建立

3.3 基于顏色直方圖的粒子濾波算法

1）預(yù)處理。針對(duì)聲吶圖像序列，對(duì)每一幀圖像進(jìn)行子帶劃分，得到Curvelet變換系數(shù)。對(duì)低頻子帶，采取非線性映射以增強(qiáng)圖像的邊緣，得出低頻子帶增強(qiáng)變換系數(shù)；估計(jì)得到噪聲標(biāo)準(zhǔn)差得出自適應(yīng)閾值，利用自適應(yīng)閾值計(jì)算得到高頻子帶增強(qiáng)系數(shù)；進(jìn)行Curvelet反變換，得到增強(qiáng)圖像序列。

處理輸出圖像如圖2所示。

圖 2 基于Curvelet變換處理效果圖Fig. 2 The process flow based on Curvelet transform processing renderings

2）目標(biāo)分割。輸入初始序列圖像，利用高斯核函數(shù)建立曲線演化方程，進(jìn)行水平集演化，通過(guò)迭代算法使得演化曲線逼近目標(biāo)邊界，從而得到目標(biāo)區(qū)域。

分割處理后得到目標(biāo)區(qū)域如圖3所示。

3）基于顏色直方圖的粒子濾波算法。提取目標(biāo)區(qū)域的顏色直方圖，建立相應(yīng)特征向量，設(shè)置粒子數(shù)為N，粒子初始權(quán)重均設(shè)定為1/N，給定時(shí)刻粒子樣本集合為。

圖 3 基于LBF分割處理效果圖Fig. 3 The process flow based on LBF segmentation process

計(jì)算集合中每個(gè)粒子顏色分布與目標(biāo)模型的Bhattacharyya系數(shù)：

⑤ 模型更新。在跟蹤輸出位置，重新計(jì)算目標(biāo)的彩色直方圖，作為下一幀目標(biāo)的色彩分布。計(jì)算當(dāng)前目標(biāo)顏色分布與上一幀顏色分布的Bhattacharyya系數(shù)，更新權(quán)重，將新的權(quán)值作為下一幀的初始。

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法增強(qiáng)的效果，本節(jié)對(duì)本文跟蹤算法和傳統(tǒng)算法進(jìn)行實(shí)驗(yàn)對(duì)比。傳統(tǒng)算法取均值漂移算法和傳統(tǒng)粒子濾波算法。本文使用聲吶為blueviewm450，聲吶圖像序列來(lái)源為水下25 m。試驗(yàn)平臺(tái)為Windows，仿真軟件為Matlab2012b，跟蹤效果如圖4所示。

圖 4 各個(gè)算法跟蹤示意圖Fig. 4 Schematic diagram of tracking effect of each algorithm

自上至下依次為均值漂移算法、傳統(tǒng)粒子濾波算法和本文跟蹤算法。由第2幀、第14幀、第26幀的對(duì)比可以看到，均值漂移算法的跟蹤效果較差，目標(biāo)在14幀和26幀時(shí)沒(méi)有進(jìn)入跟蹤框；傳統(tǒng)粒子濾波效果強(qiáng)于均值飄逸算法，但粒子散布過(guò)于離散，不能準(zhǔn)確反映目標(biāo)的位置信息；相較于前2種跟蹤方法而言，本文算法取得了良好的跟蹤效果，目標(biāo)運(yùn)動(dòng)基本被框定在跟蹤框以內(nèi)，粒子的分布也很集中而均勻。

為了定量評(píng)價(jià)幾種跟蹤算法的跟蹤效果，引入跟蹤精確度以及算法運(yùn)行時(shí)間以檢驗(yàn)算法的實(shí)時(shí)效果。結(jié)果如表1所示。

由表1可以看到，相較于傳統(tǒng)算法，本文算法在跟蹤精確度方面有明顯提高。與之相對(duì)的是，由于增加前期處理以及算法復(fù)雜度，本文算法在實(shí)時(shí)性方面有一定下降。

表 1 各種跟蹤方法下精確度和運(yùn)行時(shí)間對(duì)比Tab. 1 The accuracy and running time under various tracking methods

5 結(jié) 語(yǔ)

本文針對(duì)聲吶圖像序列噪聲干擾嚴(yán)重、背景復(fù)雜等問(wèn)題，提出一種基于粒子濾波的聲吶圖像跟蹤算法。對(duì)聲吶圖像的預(yù)處理進(jìn)行深入研究和分析，采用一種自適應(yīng)閾值的Curvelet變換聲吶圖像增強(qiáng)算法，有效降低了環(huán)境噪聲，減小了目標(biāo)背景干擾。對(duì)粒子濾波算法進(jìn)行了深入分析研究，采用一種基于HSV顏色特征模型的粒子濾波算法，對(duì)聲吶圖像序列進(jìn)行跟蹤仿真實(shí)驗(yàn)，并且與傳統(tǒng)目標(biāo)跟蹤算法以及傳統(tǒng)粒子濾波算法進(jìn)行了對(duì)比實(shí)驗(yàn)。

實(shí)驗(yàn)結(jié)果表明，該算法在跟蹤精確度方面有很大提升，而相對(duì)的則是增加了運(yùn)算的復(fù)雜程度，實(shí)時(shí)性略有欠缺。今后的改進(jìn)工作應(yīng)針對(duì)實(shí)時(shí)性降低的問(wèn)題，對(duì)算法加以改進(jìn)和強(qiáng)化，做到實(shí)時(shí)性和準(zhǔn)確性的平衡統(tǒng)一。