CN104299248A - 利用前视声呐图像对水下多个动态目标运动预测的方法 - Google Patents

Abstract

本发明涉及一种利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：读取前视声呐图像，采用双阈值分割方法提取图像中动态目标区域；计算动态目标区域确定矩阵Ω，判断是否有新的动态目标轨迹出现；如果多个水下动态目标运动预测问题可以转化为多个独立动态目标分别预测问题，则采用粒子滤波方法对动态目标进行运动预测；如果多个水下动态目标运动预测问题不能转化为多个独立动态目标分别预测问题，确定粒子预测线索的融合策略，计算粒子权值，完成动态目标新的位置预测；将当前多个量测与多个动态目标预测轨迹进行关联；重复前述步骤，直至动态目标运动预测任务结束，相应得到的轨迹为动态目标运动的最终轨迹。

Description

利用前视声呐图像对水下多个动态目标运动预测的方法

技术领域

本发明涉及一种利用前视声呐图像对水下多个动态目标运动预测的方法。

背景技术

由于海洋资源的探测开发的需要，国内外对智能水下机器人(AutonomousUnderwater Vehicle，AUV)技术日益重视。水声探测是目前水下探测最有效的方式，声纳可以对海洋环境进行感知并实时处理，判断目标的位置、类型等信息，所以基于前视声纳的水下动态目标探测和运动预测技术对水下目标的自主识别和跟踪以及对AUV的自主避碰、导航意义重大。在资源勘探、地形探测、运动导航、水下避碰、生物科考等领域有着广泛的应用。但由于前视声纳图像受水下环境影响较大，分辨率低且边界不易分辨，使水下目标探测和运动预测技术不易实现。因此，如何利用成像质量较低的声纳图像实现对水下目标的探测与运动预测是亟待解决的技术问题。

文献[1]采用广义Kalman滤波模型进行自适应水下目标运动预测，通过指定权值使运动预测在精确性和稳定性间取得平衡。文献[2]引入最近邻数据关联方法(nearest neighbor data association，NNDA)，利用Kalman滤波器进行目标运动预测，并通过NNDA将量测和轨迹关联起来，实现对目标的持续运动预测。文献[3]等采用采样Kalman滤波方法进行目标运动预测，利用联合数据概率关联(JPDA)算法实现量测和轨迹的数据关联。文献[4]和文献[5]将粒子滤波用到水下目标运动预测中，并通过实验数据进行验证，结果表明运动预测效果优于扩展Kalman运动预测。文献[6]基于采样Kalman滤波实现水下被动目标的运动预测，比传统的扩展Kalman滤波更逼近系统的非线性特性，适用于过程噪声与状态估计非线性耦合的情况。文献[7]进行了基于粒子滤波的单目标运动预测研究，并通过自适应调整系统的噪声方差使目标的运动预测过程更加稳健。文献[8]进行了基于前视声纳图像的高斯粒子滤波目标运动预测技术研究，通过采用不变矩和面积进行双特征匹配实现对两个不同类目标的运动预测。

相关文献表明，现有技术中，未见效果较好的、不受前视声呐图像固有缺陷的影响、简便快捷的水下多个动态目标区域运动预测的方法。

[1]Ferial El-Hawary.Adaptive underwater target tracking via a generalizedkalman filter[C]//Autonomous Underwater Vehicle Technology.Halifax，NS：1990.275-279.

[2]Tena Ruiz，I.，Petillot，Y.，Lane，D.，et al.Tracking objects in underwatermultibeam sonar images[C]//IEE Colloquium on Motion Analysis andTracking.England：IEEE Press，1999.11/1-11/7.

[3]Braca P，Grasso R，Vespe M，et al.Application of the JPDA-UKF to HFSWradars for maritime situational awareness[C]//Information Fusion(FUSION).Singapore：IEEE Press，2012.2585-2592.

[4]Clark D E，Bell J.Bayesian multiple targets tracking in forward scan sonarimages using the PHD filter[J].Radar Sonar Navigation，2005，152(5)：327-334.

[5]Clark D E，Tena-Ruiz I，Petillo Y.Multiple target tracking and dataassociation in sonar images[C]//the 2006 IEEE Seminar on TargetTracking：Algorithms and Application.USA：IEEE Press，2006.147-156.

[6]高剑，严卫生，徐德民，等.基于采样卡尔曼滤波的水下被动目标跟踪[J].火力与指挥控制.2006，31(12)：25-29.

[7]马悦.水下目标的声探测与跟踪技术研究[D].哈尔滨：哈尔滨工程大学，2008.

[8]张铁栋，万磊，王博，等.基于改进粒子滤波算法的水下目标跟踪[J].上海交通大学学报.2012，46(6)：38-43.

发明内容

本发明目的在于提供一种利用前视声呐图像对水下多个动态目标运动预测的方法，能够利用前视声呐图像对水下多个动态目标运动进行准确预测。

实现本发明目的技术方案：

一种利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：

步骤1：读取前视声呐图像，采用双阈值分割方法提取图像中的A个动态目标区域R_p，q，其中q∈(1，A)，p为前视声呐图像序列号；

步骤2：计算动态目标区域确定矩阵Ω，判断是否有新的动态目标轨迹出现；如果有新的轨迹，则进行新的轨迹添加，进入步骤3；如果没有，则直接进入步骤3；

步骤3：判断是否可将多个水下动态目标运动预测问题转化为多个独立动态目标分别预测问题；如果多个水下动态目标运动预测问题可以转化为多个独立动态目标分别预测问题，则采用粒子滤波方法对动态目标进行运动预测；如果多个水下动态目标运动预测问题不能转化为多个独立动态目标分别预测问题，则计算表征动态目标区域R_p，q的各粒子可信度其中m∈(1，M)，M表示粒子个数，确定粒子预测线索的融合策略，计算粒子权值，完成动态目标新的位置预测；

步骤4：重新计算确定矩阵Ω，将当前的多个量测与多个动态目标预测轨迹进行关联；

步骤5：重复步骤1-步骤4，直至动态目标运动预测任务结束，相应得到的轨迹为动态目标运动的最终轨迹。

步骤3中，基于动态目标区域R_p，q的最优特征集组合{T₁，T₂，...，T_n}，计算表征动态目标区域R_p，q的各粒子可信度最优特征集组合{T₁，T₂，...，T_n}通过如下方法获得，

步骤3.1：连续读入10幅前视声呐灰度图像序列，并将其存入大小为K×L的二维图像数组集合{I₁，...，I_p，，...，I₁₀}，其中p∈(1，10)，各像素点I_p(i，j)所对应的灰度值f_p(i，j)均在0～255的范围内，K，L表示数组行数与列数；

步骤3.2：采用双阈值分割方法提取每幅图像中的A个动态目标区域R_p，q，其中q∈(1，A)；

步骤3.4：计算每幅图像I_p中R_p，q对应的13类典型特征值，分别为动态目标区域面积S_p，q、动态目标区域周长C_p，q、动态目标区域紧凑性特征O_p，q、动态目标区域平均亮度B_p，q、动态目标区域亮度标准差σ_p，q、动态目标区域背景平均亮度动态目标区域对比度特征动态目标区域对比度特征动态目标区域对比度特征动态目标区域形状矩特征动态目标区域形状矩特征动态目标区域形状矩特征动态目标区域形状矩特征

步骤3.5：采用广义回归神经网络统计不同类特征组合对动态目标区域R_p，q描述的影响规律，得到最优特征集组合{T₁，T₂，...，T_n}，其中n为选中特征个数。

步骤3.4中，对图像I_p进行逐行逐列扫描，计算动态目标区域R_p，q内像素点总数和边界上像素点总数则三类动态目标区域形状特征{S_p，q、C_p，q、O_p，q}定义为：

$S_{p,q}=N_{p,q}^1$

$C_{p,q}=N_{p,q}^2$

$O_{p,q}=4\mathrm{\π}{S}_{p,q}/C_{p,q}^2$

步骤3.4中，R_p，q所对应的三类动态目标区域亮度特征分别定义为：

$B_{p,q}=\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)$

${\mathrm{\σ}}_{p,q}=\frac{1}{N_{p,q}^1}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(f_p(i,j)-B_{p,q})}^2$

${\stackrel{\‾}{B}}_{p,q}=\frac{1}{K\×L-N_{p,q}^1}(\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{f}_p(i,j)-B_{p,q})$

步骤3.4中，R_p，q所对应的三类对比度特征分别定义为：

$C_{p,q}^1=B_{p,q}-{\stackrel{\‾}{B}}_{p,q}$

$C_{p,q}^2=B_{p,q}/{\stackrel{\‾}{B}}_{p,q}$

$C_{p,q}^3=(B_{p,q}-{\stackrel{\‾}{B}}_{p,q})/(B_{p,q}+{\stackrel{\‾}{B}}_{p,q})$

步骤3.4中，计算动态目标区域边界上像素点到动态目标区域质心G_p，q(i，j)的欧式距离Z_p，q(i，j)，R_p，q所对应的四类动态目标区域形状矩特征分别定义为：

${\mathrm{SM}}_{p,q}^1={\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^2\right]}^{\frac{1}{2}}$

${\mathrm{SM}}_{p,q}^2={\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)\·\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^3\right]}^{\frac{1}{3}}$

${\mathrm{SM}}_{p,q}^3={\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)\·\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^4\right]}^{\frac{1}{4}}$

${\mathrm{SM}}_{p,q}^4={\mathrm{SM}}_{p,q}^3-{\mathrm{SM}}_{p,q}^1$

步骤3.5中，采用广义回归神经网络，统计不同种特征组合下对每个动态目标区域R_p，q描述的影响规律的方法为：选取图像I_p作为样本图像，从I_p中动态目标区域R_p，q的特征集合 中，选取两个特征{x¹ _p，q、x² _p，q}作为样本特征集，以其它图像中相同动态目标区域所对应的该两个特征所组成的数据集合作为训练集合，采用前馈广义回归神经网络进行辨识训练，保存辨识结果；再从样本图像I_p中的目标区域R_p，q的特征集合内，选取一个特征x³ _p，q，加入到样本特征集中变为{x¹ _p，q、x² _p，q、x³ _p，q}，以其它图像中相同目标区域所对应的该三个特征所组成的数据集合作为训练集合，采用前馈广义回归神经网络进行辨识训练，保存辨识结果；再重复上述过程，直至所有特征组合完毕，则动态目标区域R_p，q的统计完成；采用相同过程，完成其它动态目标区域的统计；根据各动态目标区域的不同数目特征组合所获得的匹配结果，选取匹配准确率最高的集合{T₁，T₂，...，T_n}作为特征集合，其中n为选中特征个数。

步骤2中，根据在运动轨迹l上动态目标区域的位置预测值和量测值z(x，y)，动态目标区域R_p，q的确定矩阵定义为：

$\mathrm{\Ω}=\left[\begin{array}{cccc}{\mathrm{\ω}}_{\mathrm{1,1}}& ...& {\mathrm{\ω}}_{1,q}& ...\\ .& & .& \\ .& ...& .& ...\\ .& & .& \\ {\mathrm{\ω}}_{l,1}& ...& {\mathrm{\ω}}_{l,q}& ...\\ .& & .& ...\\ .& ...& .& ...\\ .& & .& \end{array}\right]$

式中ω_l，q表示量测值z(x，y)是否属于所表征的轨迹l上点，定义为：

${\mathrm{\ω}}_{l,q}=\left\{\begin{array}{cc}1& \mathrm{if}\sqrt{{(x^{\′}-x)}^2+{(y^{\′}-y)}^2}\≤\mathrm{r\; and\; arctg}\left(\right|\frac{y^{\′}-y}{x^{\′}-x}\left|\right)\≤\mathrm{\θ}\\ 0& \end{array}\right.$

其中r表示动态目标区域位置预测值与量测值间的相对径向距离阈值，θ表示动态目标区域位置预测值与量测值间的相对夹角阈值；

如果对于任意轨迹，ω_l，q都为0，那么量测z(x，y)所对应的动态目标区域为新出现目标区域，其轨迹为新的轨迹。

步骤3中，计算粒子可信度，确定粒子线索的融合策略，计算粒子权值，完成动态目标新的位置预测的方法为：

依据特征集组合{T₁，T₂，...，T_n}内的特征种类，提取第m个粒子所在区域的相应特征则利用特征所表示的动态目标运动状态量与观测里对似然概率定义为：

$p\left(y_j^m\right|x_j^m)=\frac{1}{\sqrt{2\mathrm{\π\σ}}}\exp (-\frac{\mathrm{\β}{d}^2(T_j,T_j^m)}{2{\mathrm{\σ}}^2}),j\∈(1,n)$

σ为似然函数噪声值，为粒子表征特征与各个特征间的距离。β为距离调控因子。

依据似然概率得到粒子均值为：

$p\left(y_j\right|x_j)={\mathrm{\Σ}}_{m=1}^{M}p\left(y_j^m\right|x_j^m)x_j^m,$

根据粒子均值，统计计算粒子集合的样本协方差定义为：

$\mathrm{Cov}\left(C_j\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}p\left(y_j^m\right|x_j^m)(x_j^m-p\left(y_j\right|x_j)){(x_j^m-p_j\left(y_j\right|x_j))}^T,j\∈(1,..,n)$

式中C_j表示第j个特征所对应的粒子样本

根据样本协方差，可信度Δ_j定义为：

${\mathrm{\Δ}}_j={\left|\right|\mathrm{Cov}\left(C_j\right)\left|\right|}_F={\left({\mathrm{\Σ}}_{t=1}^{\dim \left(\mathrm{cov}\left(c_j\right)\right)}{\mathrm{\Σ}}_{u=1}^{\dim \left(\mathrm{cov}\left(c_j\right)\right)}{\left(\mathrm{Cov}\left(C_j\right)\right)}_{t,u}^2\right)}^{1/2}$

其中||·||_F表示取Frobenius范数，(·)_t，u表示矩阵的第t行第u列个元素；

设T_j为可信度阈值，根据可信度Δ_j计算粒子权值；

若Δ_j＜t_j，则粒子可信度变为不可信，此时粒子权值定义为：

$p(y_1,...,y_n|x)={\mathrm{\Σ}}_{j=1}^n{\mathrm{\α}}_{j}p\left(y_j\right|x_j)$

其中α_j是密度函数p(y_j|x_j)的加权系数，且满足α_j定义为：

${\mathrm{\α}}_j=\frac{1}{{\mathrm{\Δ}}_j{\mathrm{\Σ}}_{j=1}^n{\mathrm{\Δ}}_j^{-1}}$

若Δ_j＞t_j，粒子可信度为可信，则粒子权值定义为：

$p(y_1,...,y_n|x)=\underset{j=1}{\overset{n}{\mathrm{\Π}}}p\left(y_j\right|x_j)$

根据粒子权值，目标区域的轨迹为

步骤3中，判断是否可将多动态目标运动预测问题转化为多个独立动态目标分别预测问题的方法为：

根据目标确定矩阵Ω，如果轨迹与量测为——对应关系，即：

则多动态目标预测问题可以转化为多个独立动态目标分别预测问题进行计算。

本发明具有的有益效果：

本发明判断是否可将多个水下动态目标运动预测问题转化为多个独立动态目标分别预测问题；如果多个水下动态目标运动预测问题可以转化为多个独立动态目标分别预测问题，则采用粒子滤波方法对动态目标进行运动预测；如果多个水下动态目标运动预测问题不能转化为多个独立动态目标分别预测问题，则计算表征动态目标区域R_p，q的各粒子可信度确定粒子预测线索的融合策略，计算粒子权值，完成动态目标新的位置预测。本发明计算动态目标区域R_p，q的各粒子可信度时，基于动态目标区域R_p，q的最优特征集组合{T₁，T₂，...，T_n}，本发明通过统计连续几幅前视声呐图像中动态目标区域各特征变化规律，获得能够对动态目标进行稳定性表述的目标特征类型与数目，进而建立动态目标区域R_p，q的最优特征集组合{T₁，T₂，...，T_n}。本发明计算动态目标区域确定矩阵Ω，判断是否有新的动态目标轨迹出现；如果有新的轨迹，则进行新的轨迹添加，则判断是否可将多个水下动态目标运动预测问题转化为多个独立动态目标分别预测问题；如果没有，则判断是否可将多个水下动态目标运动预测问题转化为多个独立动态目标分别预测问题。本发明能够利用前视声呐图像对水下多个动态目标运动进行准确预测。实验表明，在一台CPU为Intel酷睿2T7300、操作系统为Windows XP、编程环境为VC6.0的条件下，对尺寸为352×288的600幅灰度图像进行目标区域提取，平均花费时间为55ms，完全可以达到实时性要求，节省了可观的时间资源。

附图说明

附图为本发明发明方法流程图。

具体实施方式

如图所示，本发明利用前视声呐图像对水下多个动态目标运动预测的方法包括如下步骤：

步骤1：读取前视声呐图像，采用双阈值分割方法提取图像中的A个动态目标区域R_p，q，其中q∈(1，A)，p为前视声呐图像序列号；

步骤2：计算动态目标区域确定矩阵Ω，判断是否有新的动态目标轨迹出现；如果有新的轨迹，则进行新的轨迹添加，进入步骤3；如果没有，则直接进入步骤3；

根据在运动轨迹l上动态目标区域的位置预测值和量测值z(x，y)，动态目标区域R_p，q的确定矩阵定义为：

$\mathrm{\Ω}=\left[\begin{array}{cccc}{\mathrm{\ω}}_{\mathrm{1,1}}& ...& {\mathrm{\ω}}_{1,q}& ...\\ .& & .& \\ .& ...& .& ...\\ .& & .& \\ {\mathrm{\ω}}_{l,1}& ...& {\mathrm{\ω}}_{l,q}& ...\\ .& & .& ...\\ .& ...& .& ...\\ .& & .& \end{array}\right]$

式中ω_l，q表示量测值z(x，y)是否属于所表征的轨迹l上点，定义为：

${\mathrm{\ω}}_{l,q}=\left\{\begin{array}{cc}1& \mathrm{if}\sqrt{{(x^{\′}-x)}^2+{(y^{\′}-y)}^2}\≤\mathrm{r\; and\; arctg}\left(\right|\frac{y^{\′}-y}{x^{\′}-x}\left|\right)\≤\mathrm{\θ}\\ 0& \end{array}\right.$

其中r表示动态目标区域位置预测值与量测值间的相对径向距离阈值，θ表示动态目标区域位置预测值与量测值间的相对夹角阈值；

如果对于任意轨迹，ω_l，q都为0，那么量测z(x，y)所对应的动态目标区域为新出现目标区域，其轨迹为新的轨迹。

步骤3：判断是否可将多个水下动态目标运动预测问题转化为多个独立动态目标分别预测问题；如果多个水下动态目标运动预测问题可以转化为多个独立动态目标分别预测问题，则采用粒子滤波方法对动态目标进行运动预测；如果多个水下动态目标运动预测问题不能转化为多个独立动态目标分别预测问题，则计算表征动态目标区域R_p，q的各粒子可信度其中m∈(1，M)，M表示粒子个数，确定粒子预测线索的融合策略，计算粒子权值，完成动态目标新的位置预测；

(1)基于动态目标区域R_p，q的最优特征集组合{T₁，T₂，...，T_n}，计算表征动态目标区域R_p，q的各粒子可信度最优特征集组合{T₁，T₂，...，T_n}通过如下方法获得，

步骤3.1：连续读入10幅前视声呐灰度图像序列，并将其存入大小为K×L的二维图像数组集合{I₁，...，I_p，，...，I₁₀}，其中p∈(1，10)，各像素点I_p(i，j)所对应的灰度值f_p(i，j)均在0～255的范围内，K，L表示数组行数与列数；

步骤3.2：采用双阈值分割方法提取每幅图像中的A个动态目标区域R_p，q，其中q∈(1，A)；

步骤3.4：计算每幅图像I_p中R_p，q对应的13类典型特征值，分别为动态目标区域面积S_p，q、动态目标区域周长C_p，q、动态目标区域紧凑性特征O_p，q、动态目标区域平均亮度B_p，q、动态目标区域亮度标准差σ_p，q、动态目标区域背景平均亮度动态目标区域对比度特征动态目标区域对比度特征动态目标区域对比度特征动态目标区域形状矩特征动态目标区域形状矩特征动态目标区域形状矩特征动态目标区域形状矩特征

步骤3.5：采用广义回归神经网络统计不同类特征组合对动态目标区域R_p，q描述的影响规律，得到最优特征集组合{T₁，T₂，...，T_n}，其中n为选中特征个数。

步骤3.4中，对图像I_p进行逐行逐列扫描，计算动态目标区域R_p，q内像素点总数和边界上像素点总数则三类动态目标区域形状特征{S_p，q、C_p，q、O_p，q}定义为：

$S_{p,q}=N_{p,q}^1$

$C_{p,q}=N_{p,q}^2$

$O_{p,q}=4\mathrm{\π}{S}_{p,q}/C_{p,q}^2$

步骤3.4中，R_p，q所对应的三类动态目标区域亮度特征分别定义为：

$B_{p,q}=\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)$

${\mathrm{\σ}}_{p,q}=\frac{1}{N_{p,q}^1}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(f_p(i,j)-B_{p,q})}^2$

${\stackrel{\‾}{B}}_{p,q}=\frac{1}{K\×L-N_{p,q}^1}(\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{f}_p(i,j)-B_{p,q})$

步骤3.4中，R_p，q所对应的三类对比度特征分别定义为：

$C_{p,q}^1=B_{p,q}-{\stackrel{\‾}{B}}_{p,q}$

$C_{p,q}^2=B_{p,q}/{\stackrel{\‾}{B}}_{p,q}$

$C_{p,q}^3=(B_{p,q}-{\stackrel{\‾}{B}}_{p,q})/(B_{p,q}+{\stackrel{\‾}{B}}_{p,q})$

步骤3.4中，计算动态目标区域边界上像素点到动态目标区域质心G_p，q(i，j)的欧式距离Z_p，q(i，j)，R_p，q所对应的四类动态目标区域形状矩特征分别定义为：

${\mathrm{SM}}_{p,q}^1={\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^2\right]}^{\frac{1}{2}}$

${\mathrm{SM}}_{p,q}^2={\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)\·\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^3\right]}^{\frac{1}{3}}$

${\mathrm{SM}}_{p,q}^3={\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)\·\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^4\right]}^{\frac{1}{4}}$

${\mathrm{SM}}_{p,q}^4={\mathrm{SM}}_{p,q}^3-{\mathrm{SM}}_{p,q}^1$

步骤3.5中，采用广义回归神经网络，统计不同种特征组合下对每个动态目标区域R_p，q描述的影响规律的方法为：选取图像I_p作为样本图像，从I_p中动态目标区域R_p，q的特征集合 中，选取两个特征{x¹ _p，q、x² _p，q}作为样本特征集，以其它图像中相同动态目标区域所对应的该两个特征所组成的数据集合作为训练集合，采用前馈广义回归神经网络进行辨识训练，保存辨识结果；再从样本图像I_p中的目标区域R_p，q的特征集合内，选取一个特征x³ _p，q，加入到样本特征集中变为{x¹ _p，q、x² _p，q、x³ _p，q}，以其它图像中相同目标区域所对应的该三个特征所组成的数据集合作为训练集合，采用前馈广义回归神经网络进行辨识训练，保存辨识结果；再重复上述过程，直至所有特征组合完毕，则动态目标区域R_p，q的统计完成；采用相同过程，完成其它动态目标区域的统计；根据各动态目标区域的不同数目特征组合所获得的匹配结果，选取匹配准确率最高的集合{T₁，T₂，...，T_n}作为特征集合，其中n为选中特征个数。

(2)判断是否可将多动态目标运动预测问题转化为多个独立动态目标分别预测问题的方法为：

根据目标确定矩阵Ω，如果轨迹与量测为——对应关系，即：

则多动态目标预测问题可以转化为多个独立动态目标分别预测问题进行计算。

(3)计算粒子可信度，确定粒子线索的融合策略，计算粒子权值，完成动态目标新的位置预测的方法为：

依据特征集组合{T₁，T₂，...，T_n}内的特征种类，提取第m个粒子所在区域的相应特征则利用特征所表示的动态目标运动状态量与观测里对似然概率定义为：

$p\left(y_j^m\right|x_j^m)=\frac{1}{\sqrt{2\mathrm{\π\σ}}}\exp (-\frac{\mathrm{\β}{d}^2(T_j,T_j^m)}{2{\mathrm{\σ}}^2}),j\∈(1,n)$

σ为似然函数噪声值，为粒子表征特征与各个特征间的距离。β为距离调控因子。

依据似然概率得到粒子均值为：

$p\left(y_j\right|x_j)={\mathrm{\Σ}}_{m=1}^{M}p\left(y_j^m\right|x_j^m)x_j^m,$

根据粒子均值，统计计算粒子集合的样本协方差定义为：

$\mathrm{Cov}\left(C_j\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}p\left(y_j^m\right|x_j^m)(x_j^m-p\left(y_j\right|x_j)){(x_j^m-p_j\left(y_j\right|x_j))}^T,j\∈(1,..,n)$

式中C_j表示第j个特征所对应的粒子样本

根据样本协方差，可信度Δ_j定义为：

${\mathrm{\Δ}}_j={\left|\right|\mathrm{Cov}\left(C_j\right)\left|\right|}_F={\left({\mathrm{\Σ}}_{t=1}^{\dim \left(\mathrm{cov}\left(c_j\right)\right)}{\mathrm{\Σ}}_{u=1}^{\dim \left(\mathrm{cov}\left(c_j\right)\right)}{\left(\mathrm{Cov}\left(C_j\right)\right)}_{t,u}^2\right)}^{1/2}$

其中||·||_F表示取Frobenius范数，(·)_t，u表示矩阵的第t行第u列个元素；

设T_j为可信度阈值，根据可信度Δ_j计算粒子权值；

若Δ_j＜t_j，则粒子可信度变为不可信，此时粒子权值定义为：

$p(y_1,...,y_n|x)={\mathrm{\Σ}}_{j=1}^n{\mathrm{\α}}_{j}p\left(y_j\right|x_j)$

其中α_j是密度函数p(y_j|x_j)的加权系数，且满足α_j定义为：

${\mathrm{\α}}_j=\frac{1}{{\mathrm{\Δ}}_j{\mathrm{\Σ}}_{j=1}^n{\mathrm{\Δ}}_j^{-1}}$

若Δ_j＞t_j，粒子可信度为可信，则粒子权值定义为：

$p(y_1,...,y_n|x)=\underset{j=1}{\overset{n}{\mathrm{\Π}}}p\left(y_j\right|x_j)$

根据粒子权值，目标区域的轨迹为

步骤4：重新计算确定矩阵Ω，将当前的多个量测与多个动态目标预测轨迹进行关联；

步骤5：重复步骤1-步骤4，直至动态目标运动预测任务结束，相应得到的轨迹为动态目标运动的最终轨迹。

Claims (10)

1.一种利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：

步骤1：读取前视声呐图像，采用双阈值分割方法提取图像中的A个动态目标区域R_p，q，其中q∈(1，A)，p为前视声呐图像序列号；

步骤2：计算动态目标区域确定矩阵Ω，判断是否有新的动态目标轨迹出现；如果有新的轨迹，则进行新的轨迹添加，进入步骤3；如果没有，则直接进入步骤3；

步骤3：判断是否可将多个水下动态目标运动预测问题转化为多个独立动态目标分别预测问题；如果多个水下动态目标运动预测问题可以转化为多个独立动态目标分别预测问题，则采用粒子滤波方法对动态目标进行运动预测；如果多个水下动态目标运动预测问题不能转化为多个独立动态目标分别预测问题，则计算表征动态目标区域R_p，q的各粒子可信度其中m∈(1，M)，M表示粒子个数，确定粒子预测线索的融合策略，计算粒子权值，完成动态目标新的位置预测；

步骤4：重新计算确定矩阵Ω，将当前的多个量测与多个动态目标预测轨迹进行关联；

步骤5：重复步骤1-步骤4，直至动态目标运动预测任务结束，相应得到的轨迹为动态目标运动的最终轨迹。

2.根据权利要求1所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3中，基于动态目标区域R_p，q的最优特征集组合{T₁，T₂，...，T_n}，计算表征动态目标区域R_p，q的各粒子可信度最优特征集组合{T₁，T₂，...，T_n}通过如下方法获得，

步骤3.1：连续读入10幅前视声呐灰度图像序列，并将其存入大小为K×L的二维图像数组集合{I₁，...，I_p，，...，I₁₀}，其中p∈(1，10)，各像素点I_p(i，j)所对应的灰度值f_p(i，j)均在0～255的范围内，K，L表示数组行数与列数；

步骤3.2：采用双阈值分割方法提取每幅图像中的A个动态目标区域R_p，q，其中q∈(1，A)；

步骤3.4：计算每幅图像I_p中R_p，q对应的13类典型特征值，分别为动态目标区域面积S_p，q、动态目标区域周长C_p，q、动态目标区域紧凑性特征O_p，q、动态目标区域平均亮度B_p，q、动态目标区域亮度标准差σ_p，q、动态目标区域背景平均亮度动态目标区域对比度特征动态目标区域对比度特征动态目标区域对比度特征动态目标区域形状矩特征动态目标区域形状矩特征动态目标区域形状矩特征动态目标区域形状矩特征

步骤3.5：采用广义回归神经网络统计不同类特征组合对动态目标区域R_p，q描述的影响规律，得到最优特征集组合{T₁，T₂，...，T_n}，其中n为选中特征个数。

3.根据权利要求2所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3.4中，对图像I_p进行逐行逐列扫描，计算动态目标区域R_p，q内像素点总数和边界上像素点总数则三类动态目标区域形状特征{S_p，q、C_p，q、O_p，q}定义为：

$S_{p,q}=N_{p,q}^1$

$C_{p,q}=N_{p,q}^2$

$O_{p,q}=4\mathrm{\π}{S}_{p,q}/C_{p,q}^2$

4.根据权利要求2所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3.4中，R_p，q所对应的三类动态目标区域亮度特征分别定义为：

$B_{p,q}=\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)$

${\mathrm{\σ}}_{p,q}=\frac{1}{N_{p,q}^1}\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{(f_p(i,j)-B_{p,q})}^2$

${\stackrel{\‾}{B}}_{p,q}=\frac{1}{K\×L-N_{p,q}^1}(\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{f}_p(i,j)-B_{p,q})$

5.根据权利要求2所述的所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3.4中，R_p，q所对应的三类对比度特征 分别定义为：

$C_{p,q}^1=B_{p,q}-{\stackrel{\‾}{B}}_{p,q}$

$C_{p,q}^2=B_{p,q}/{\stackrel{\‾}{B}}_{p,q}$

$C_{p,q}^3=(B_{p,q}-{\stackrel{\‾}{B}}_{p,q})/(B_{p,q}+{\stackrel{\‾}{B}}_{p,q})$

6.根据权利要求2所述的所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3.4中，计算动态目标区域边界上像素点到动态目标区域质心G_p，q(i，j)的欧式距离Z_p，q(i，j)，R_p，q所对应的四类动态目标区域形状矩特征分别定义为：

${\mathrm{SM}}_{p,q}^1={\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p.q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^2\right]}^{\frac{1}{2}}$

${\mathrm{SM}}_{p,q}^2={\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)\•\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p.q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^3\right]}^{\frac{1}{3}}$

${\mathrm{SM}}_{p,q}^3={\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)\•\left[\frac{1}{N_{p,q}^2}\underset{I_p(i,j)\∈R_{p.q}}{\mathrm{\Σ}}{(Z_{p,q}(i,j)-\frac{1}{\underset{I_p(i,j)\∈R_{p,q}}{\mathrm{\Σ}}{f}_p(i,j)})}^4\right]}^{\frac{1}{4}}$

${\mathrm{SM}}_{p,q}^4={\mathrm{SM}}_{p,q}^3-{\mathrm{SM}}_{p,q}^1$

7.根据权利要求2所述的所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3.5中，采用广义回归神经网络，统计不同种特征组合下对每个动态目标区域R_p，q描述的影响规律的方法为：选取图像I_p作为样本图像，从I_p中动态目标区域R_p，q的特征集合{S_p，q、C_p，q、O_p，q、B_p，q、σ_p，q、}中，选取两个特征{x¹ _p，q、x² _p，q}作为样本特征集，以其它图像中相同动态目标区域所对应的该两个特征所组成的数据集合作为训练集合，采用前馈广义回归神经网络进行辨识训练，保存辨识结果；再从样本图像I_p中的目标区域R_p，q的特征集合内，选取一个特征x³ _p，q，加入到样本特征集中变为{x¹ _p，q、x² _p，q、x³ _p，q}，以其它图像中相同目标区域所对应的该三个特征所组成的数据集合作为训练集合，采用前馈广义回归神经网络进行辨识训练，保存辨识结果；再重复上述过程，直至所有特征组合完毕，则动态目标区域R_p，q的统计完成；采用相同过程，完成其它动态目标区域的统计；根据各动态目标区域的不同数目特征组合所获得的匹配结果，选取匹配准确率最高的集合{T₁，T₂，...，T_n}作为特征集合，其中n为选中特征个数。

8.根据权利要求2所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤2中，根据在运动轨迹l上动态目标区域的位置预测值和量测值z(x，y)，动态目标区域R_p，q的确定矩阵定义为：

$\mathrm{\Ω}=\left[\begin{array}{cccc}{\mathrm{\ω}}_{\mathrm{1,1}}& \·\·\·& {\mathrm{\ω}}_{1,q}& \·\·\·\\ \·& & \·& \\ \·& \·\·\·& \·& \·\·\·\\ \·& & \·& \\ {\mathrm{\ω}}_{l,1}& \·\·\·& {\mathrm{\ω}}_{l,q}& \·\·\·\\ \·& & \·& \\ \·& \·\·\·& \·& \·\·\·\\ \·& & \·& \end{array}\right]$

式中ω_l，q表示量测值z(x，y)是否属于所表征的轨迹l上点，定义为：

${\mathrm{\ω}}_{l,q}=\left\{\begin{array}{cc}1& \mathrm{if}\sqrt{{(x^{\′}-x)}^2+{(y^{\′}-y)}^2}\≤\mathrm{r\; and\; arctg}\left(\right|\frac{y^{\′}-y}{x^{\′}-x}\left|\right)\≤\mathrm{\θ}\\ 0& \end{array}\right.$

其中r表示动态目标区域位置预测值与量测值间的相对径向距离阈值，θ表示动态目标区域位置预测值与量测值间的相对夹角阈值；

如果对于任意轨迹，ω_l，q都为0，那么量测z(x，y)所对应的动态目标区域为新出现目标区域，其轨迹为新的轨迹。

9.根据权利要求8所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3中，计算粒子可信度，确定粒子线索的融合策略，计算粒子权值，完成动态目标新的位置预测的方法为：

依据特征集组合{T₁，T₂，...，T_n}内的特征种类，提取第m个粒子所在区域的相应特征则利用特征所表示的动态目标运动状态量与观测量对似然概率定义为：

$p\left(y_j^m\right|x_j^m)=\frac{1}{\sqrt{2\mathrm{\π\σ}}}\exp (-\frac{{\mathrm{\βd}}^2(T_j,T_j^m)}{{2\mathrm{\σ}}^2}),j\∈(l,n)$

σ为似然函数噪声值，为粒子表征特征与各个特征间的距离。β为距离调控因子。

依据似然概率得到粒子均值为：

$p\left(y_j\right|x_j)={\mathrm{\Σ}}_{m=1}^{M}p\left(y_j^m\right|x_j^m)x_j^m,$

根据粒子均值，统计计算粒子集合的样本协方差定义为：

$\mathrm{Cov}\left(C_j\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}p\left(y_j^m\right|x_j^m)(x_j^m-p\left(y_j\right|x_j)){(x_j^m-p_j\left(y_j\right|x_j))}^T,j\∈(1,..,n)$

式中C_j表示第j个特征所对应的粒子样本

根据样本协方差，可信度Δ_j定义为：

${\mathrm{\Δ}}_j={\left|\right|\mathrm{Cov}\left(C_j\right)\left|\right|}_F={\left({\mathrm{\Σ}}_{t=1}^{\dim \left(\mathrm{cov}\left(c_j\right)\right)}{\mathrm{\Σ}}_{u=1}^{\dim \left(\mathrm{cov}\left(c_j\right)\right)}{\left(\mathrm{Cov}\left(C_j\right)\right)}_{t,u}^2\right)}^{1/2}$

其中||·||_F表示取Frobenius范数，(·)_t，u表示矩阵的第t行第u列个元素；

设T_j为可信度阈值，根据可信度Δ_j计算粒子权值；

若Δ_j＜t_j，则粒子可信度变为不可信，此时粒子权值定义为：

$p(y_1,...,y_n|x)={\mathrm{\Σ}}_{j=1}^n{\mathrm{\α}}_{j}p\left(y_j\right|x_j)$

其中α_j是密度函数p(y_j|x_j)的加权系数，且满足α_j定义为：

${\mathrm{\α}}_j=\frac{1}{{\mathrm{\Δ}}_j{\mathrm{\Σ}}_{j=1}^n{\mathrm{\Δ}}_j^{-1}}$

若Δ_j＞t_j，粒子可信度为可信，则粒子权值定义为：

$p(y_1,...,y_n|x)=\underset{j=1}{\overset{n}{\mathrm{\Π}}}p\left(y_j\right|x_j)$

根据粒子权值，目标区域的轨迹为

10.根据权利要求9所述的利用前视声呐图像对水下多个动态目标运动预测的方法，其特征在于：步骤3中，判断是否可将多动态目标运动预测问题转化为多个独立动态目标分别预测问题的方法为：

根据目标确定矩阵Ω，如果轨迹与量测为一一对应关系，即：

则多动态目标预测问题可以转化为多个独立动态目标分别预测问题进行计算。