[发明专利]一种基于自适应粒子群优化的前视声纳水下目标跟踪方法

说明书

本发明涉及的图像处理技术领域，具体地说是一种基于自适应粒子群优化的前视声纳水下目标跟踪方法，本发明提出由迭代次数与适应度值自适应调整惯性权重，平衡粒子的探索与开发能力，使粒子能快速搜索到全局最优解；选择种群中的随机粒子与当前粒子的个体最优值进行比较，采用两者中个体最优值较大的粒子，更新粒子的速度，解决粒子陷入局部最优的问题。当水下目标被遮挡时，根据目标遮挡情况，提出利用新的自适应离散群优化算法的更新机制更新粒子，最终完成前视声纳水下目标跟踪。本发明对水下目标跟踪具有较好的跟踪精度和较快的跟踪速度，并且当目标存在遮挡、对比度变化较大、弱小目标、受噪声影响严重等情况仍然具有一定的有效性和适应性。

技术领域

本发明涉及的是一种图像处理技术领域，具体地说是一种基于自适应粒子群优化的前视声纳水下目标跟踪方法。

背景技术

近年来随着对海洋认识的不断深化，使得海洋的战略地位越来越重要，因而声纳作为一种水下探测与环境感知的设备，对进行水下探索、研究海洋开发具有重要的意义。前视声纳主要应用于水下目标的定位、跟踪、避障等。由于水下环境噪声、声纳自身噪声、混响、多途效应等影响，生成的图像质量较差，很多适用于光学图像的目标跟踪算法无法应用于前视声纳图像中，国内外学者对前视声纳水下目标跟踪进行了深入的分析研究。

目前，对于前视声纳水下目标跟踪大多采用基于概率估计的方法，如卡尔曼滤波法、粒子滤波法等。其中在已有的文献中最著名和效果最好的跟踪方法主要包括：1.基于导航数据与卡尔曼滤波的前视声纳水下目标跟踪方法：2012年，Isabelle Quidu,LucJaulin,Alain Bertholom,et al.Robust Multitarget Tracking in Forward-LookingSonar Image Sequences Using Navigational Data.IEEE Journal of OceanicEngineering,2012,37(3):417-430.提出了一种利用导航数据进行基于卡尔曼滤波的过程建模，实现对水下多目标的跟踪；2.基于粒子滤波与多特征融合的前视声纳水下目标跟踪：2013年，Li Min,Ji Houwei，Wang Xiangcun.Underwater object detection andtracking based on multi-beam sonar image processing.2013IEEE InternationalConference on Robotics and Biomimetics(ROBIO)，2013:1071-1076.提出采用Otsu方法检测水下目标，并通过粒子滤波算法结合多特征自适应融合策略进行水下目标跟踪，得到了较好的跟踪效果；3.基于卡尔曼滤波器与联合概率关联滤波器的前视声纳水下目标跟踪方法：2015年，Karoui I,Quidu I,Legris M.Automatic Sea-Surface ObstacleDetection and Tracking in Forward-Looking Sonar Image Sequences.IEEETransactions on GeoscienceRemote Sensing,2015,53(8):4661-4669.提出一种利用偏置转换测量卡尔曼滤波器和联合概率关联滤波器对目标的位置和速度进行预测，实现对海面目标的检测与跟踪；4.基于USBL与扩展卡尔曼滤波器的前视声纳水下目标跟踪：2016年，Mandic F,Rendulic I,Miskovic N,et al.Underwater Object Tracking Using Sonarand USBL Measurements.Journal of Sensors,2016:1-10.提出通过使用USBL测量结合扩展卡尔曼滤波器实现水下目标跟踪。

实际上，当前视声纳图像序列中的水下目标存在遮挡时，采用卡尔曼滤波会造成目标丢失现象。而虽然粒子滤波作为一种基于蒙特卡洛仿真的近似贝叶斯滤波算法被用于前视声纳水下目标跟踪，但由于需要大量的粒子来达到较好的跟踪效果，使其计算复杂度较大。