CN106772401A - 基于概率假设密度粒子滤波算法的鱼群数量估计方法 - Google Patents

Abstract

本发明公开了一种基于概率假设密度粒子滤波算法的鱼群数量估计方法，其步骤：(1)固定双频识别声呐；(2)通过走航的方式进行水下探测，并获取声学数据；(3)对声学数据进行处理，并利用概率假设密度粒子滤波算法对鱼体个数计数；(4)计算扫过水体体积，求取鱼群密度；(5)根据已知水域的蓄水量，估算整个水域中的鱼体数量。本发明利用基于随机集理论的概率假设密度粒子滤波算法对鱼体进行一条条计数，统计双频识别声呐扫过水体内鱼群数量，此方法具有简单易行、高效而又不损坏鱼类资源等优点，且比传统的利用目标强度进行积分的方法具有更高的精度，为渔业资源评估提供了一种新途径。

Description

基于概率假设密度粒子滤波算法的鱼群数量估计方法

技术领域

本发明属于渔业资源评估技术领域，尤其涉及一种基于概率假设密度粒子滤波算法的鱼群数量估计方法。

背景技术

渔业资源评估是现代渔业开发过程中的重要环节，其中鱼群数量统计是渔业资源评估最基本的要求。传统方法主要依靠采样捕捞，这对鱼类资源本身具有损害；或者采用计量鱼探仪，利用回波积分法或回波计数法进行量测，这只能粗略估算鱼群数量，误差较大。现代社会对渔业资源的质量和产量提高、有效保护海洋生态系统，实现海洋资源的可持续发展提出了更高要求。例如应运而生的海洋牧场，就是传统捕捞和养殖方式向增殖和管理利用方式转变的一种现代渔业形式。在这样的情况下，如何快速准确，又不需要大量人力、物力消耗地高精度鱼群数量估计成为目前急需解决的问题。

发明内容

本发明的目的是针对上述不足，提供一种基于概率假设密度粒子滤波算法的鱼群数量估计方法。

为了达到上述目的，本发明所采用的技术方案如下：基于概率假设密度粒子滤波算法的鱼群数量估计方法，包括以下步骤：

(1)将双频识别声呐固定在调查船的船舷外侧或船底，并将其朝下浸没于水中，将姿态传感器固定在调查船上；

(2)将双频识别声呐通过网线与上位机相连，上位机实时获取走航时的声学数据，同时将姿态传感器接入上位机，上位机获取当前时刻调查船的姿态信息；

(3)对步骤(2)获得的声学数据进行图像构建与图像预处理得到声学图像，提取有效目标，利用概率假设密度粒子滤波算法，通过粒子预测、更新、重采样、目标状态提取，统计声学图像中的有效目标数量；

(4)将GPS接入上位机，上位机记录下探测航迹，并结合双频识别声呐的探测范围，得到双频识别声呐扫过水体的体积，将步骤(3)获得的目标数量除以双频识别声呐扫过水体的体积，得到鱼群密度；

(5)根据已知水域的蓄水量，乘上步骤(4)中的鱼群密度，得到整个水域中鱼体数量。

进一步的，所述声学数据由多帧数据组成，每一帧数据代表一幅矩形声学图像。

进一步的，所述双频识别声呐布置于水面附近，深度不超过1米。

进一步的，所述双频识别声呐波束探测方向与水面夹角选取0°至90°之间任意角度。

进一步的，所述调查船的航速不大于6节。

进一步的，所述步骤(3)具体为：

(3.1)根据笛卡尔坐标系到极坐标系的坐标转换关系，将权利要求2中的矩形声学图像转换成扇形图，并通过插值将扇形图填充完整；

(3.2)将(3.1)得到的扇形图像进行线性拉伸处理；

(3.3)利用图像差分原理，将拉伸后的图像中的背景去除，留下图像中的有效目标，即水中的鱼体；

(3.4)利用概率假设密度粒子滤波算法，通过粒子预测、更新、重采样、目标状态提取实现有效目标的跟踪，并统计目标个数；

(3.5)将拉伸后的图像进行实时显示，并用不同颜色将每一个目标的轨迹显示出来。

进一步的，所述步骤(3.4)具体为：

(3.4.1)定义有效目标在k时刻的系统状态向量为其中(u_k,v_k)是有效目标在声呐图像中的位置，是有效目标在声呐图像中的速度；定义有效目标在k时刻的观测向量为其中r是声纳图像中有效目标相对于扇形对应的圆心的观测距离，α是对应的观测角度；定义Z_k为k时刻所有有效目标的观测向量集合；

(3.4.2)已知k-1时刻概率假设密度函数(PHD函数)的粒子集合其中w_k-1是粒子的权值，L_k-1代表粒子个数；

对于其中按照采样获得的粒子，计算预测粒子的权值为：

其中i＝1,…,L_k-1，q_k(·|x_k-1,Z_k)是用来产生PHD函数中衍生目标的目标强度函数和继续存活目标的目标强度函数对应粒子的概率密度函数；其中表示为：

其中e_k|k-1(x_k-1)是目标在k时刻的存活概率，是单个目标的状态转移分布函数；

对于其中按照采样获得的粒子，计算预测粒子的权值为：

其中i＝L_k-1+1,…,L_k-1+J_k，J_k表示符合此采样情况下的粒子个数；p_k(·|Z_k)是用来产生PHD函数中新生目标的目标强度函数对应粒子的概率密度函数；

(3.4.3)对每个z_k∈Z_k，计算

其中 是k时刻第i个粒子的目标检测概率；由此可对权值进行更新：

(3.4.4)累加粒子的权值即为当前时刻的有效目标个数，如果大于前一个时刻的有效目标个数表示有新目标产生，如果小于前一个时刻的有效目标个数表示有个有效目标消亡，总目标个数加上这个差值；对粒子集合进行重采样，得到新的粒子集合其中L_k＝L_k-1+J_k；

(3.4.5)利用K均值聚类算法从新粒子集合中提取个有效目标的状态信息，即位置与速度信息，实现多目标的跟踪；

(3.4.6)循环步骤(3.4.2)～(3.4.5)M次后就完成了有效目标数量的统计，其中M是所述声学数据的总帧数。

本发明的有益效果如下：

1)本发明将双频识别声呐固定在船舷外侧或船底的水下，通过走航的方式采集水下声学数据，利用上位机软件将声学数据构建成声学图像，通过目标检测算法识别鱼体目标，再利用多目标跟踪算法进行目标关联并统计声学图像中的鱼体数量，结合GPS记录的走航轨迹计算双频识别声呐扫过的水体体积，获得鱼群密度，最后根据已知水域蓄水量估算出整片水体内的鱼群数量。

2)本发明中的上位机软件读取声学数据，构建声学图像，线性拉伸声学图像，提取声学图像中的有效目标，利用概率假设密度粒子滤波算法，通过粒子预测、更新、重采样以及目标状态提取等操作对图像中的有效目标进行跟踪处理并统计目标个数，实现对双频识别声呐扫过水域内鱼体个数的自动计数。

3)本发明提供的方法简单易行、快速高效，不需要消耗大量人力物力，并且无损于水域中的渔业资源，相对于传统的捕捞估计或采用目标强度进行数量估计的方法具有更高精度，为渔业资源评估提供了一种新途径。

附图说明

图1是本发明方法的流程图；

图2是本发明中双频识别声呐布置示意图；

图3是本发明中设计的数据处理软件流程图；

图4是本发明中坐标转换示意图；

图5是本发明中多目标跟踪算法流程图；

图6是本发明中体积计算示意图；

图2中：GPS模块1、姿态传感器2、调查船3、双频识别声呐4、笔记本电脑5。

具体实施方式

下面结合具体实施例及附图对本发明做进一步详细说明，但本发明不仅局限于次。

本例中采用的双频识别声呐主要是有3个透镜和一个声呐阵列组成的多波束系统，它可以向水下发射频率为1.8MHz或1.1MHz的超声波，波束探测的范围最小是5米，最大是40米，接收数据的速率最大为每秒钟接收20帧图像，探测视场范围在水平方向为29°，垂直方向为14°，空气中重量约7千克，功率约30W。图1是利用双频识别声呐进行鱼群数量估计的实现流程图，主要过程阐述如下：

第一步，将双频识别声呐固定在调查船上。如图2所示，调查船以4节的均速沿着x轴运动，双频识别声呐固定在船舷外侧，它的正方向沿着y轴布置，并且波束发射方向与水面夹角设为60°，双频识别声呐浸没于水中并在水面附近，此例中距离水面约0.3米。

第二步，调查船在水面航行，双频识别声呐发射高频探测波束，接收回波信号，通过网线将双频识别声呐与上位机相连，上位机实时获取走航时的声学数据，同时将姿态传感器接入上位机，上位机获取当前时刻调查船的姿态信息；姿态传感器可以采用OCTANS光纤罗经(iXsea)，但不限于此，它用于调整水面晃动引起的声学数据波动。

第三步，对上一步中获得的声学数据进行图像构建及图像预处理，通过目标提取算法提取图像中的鱼体目标，再通过概率假设密度粒子滤波算法进行目标跟踪，并统计声学图像中的鱼体数量。

由于双频识别声呐传回的声学数据由多帧数据组成，每一帧数据代表一幅声学图像，为了实现鱼群数量统计，此例中利用Visual Studio 2015中的Microsoft FoundationClasses(MFC)模块设计了数据处理软件，软件具体实现流程如图3所示。

(1)读入一帧数据，由于每一帧声学数据是由一个96×512的二维数组构成，数组元素为0～255的灰度值。

(2)由于双频识别声呐的实际接收图像是扇形，因此需要将矩形声学图像转换成扇形图，如图4所示，矩形ABCD是原始数据，扇环A′B′C′D′是转换后的图形，以扇环对应的圆心O′建立坐标系，假设原图中一点P转化到扇环中的对应点是P′(x,y)，根据笛卡尔坐标系到极坐标系的转换公式：

其中ρ是O′P′的长度，θ是以O′为原点，x轴为极轴所对应的极角。经过坐标转换后，二维数组中的每个像素点被分配到了扇环的对应位置，由于这是一个非线性变换，因此扇环中有部分区域未被填充，尤其是扇环的顶部位置，因此，利用如下的公式进行差值处理：

其中v是需要插值的位置(x,y)对应的像素值，(x_i,y_i)是围绕在(x,y)四周的点，对应像素值为v_i，i的取值为1～4.

(3)将上步中得到的扇形图像进行线性拉伸处理，即灰度图像的增强处理，公式如下：

g(x,y)＝T[f(x,y)]＝af(x,y)+b

其中f(x,y)是原图像的灰度值，T(·)是映射函数，g(x,y)是增强后的图像，a是图像增强系数，b是偏移系数。a的取值为255除以图像中最大灰度值的商，b取值为0.

(4)利用图像差分原理，即设定图像阈值T，当像素值大于T时，该像素点判断为目标，否则是背景。将拉伸后的图像中的背景去除，留下图像中的有效目标，即水中的鱼体。

(5)利用概率假设密度粒子滤波算法(P‐PHD算法)对图像中的有效目标进行跟踪处理，统计目标个数；该算法具体实现过程如图5所示：

(a)定义有效目标在k时刻的系统状态向量为其中(u_k,v_k)是有效目标在声呐图像中的位置，是有效目标在声呐图像中的速度；定义有效目标在k时刻的观测向量为其中r是声纳图像中有效目标相对于扇形对应的圆心的观测距离，α是对应的观测角度；定义Z_k为k时刻所有有效目标的观测向量集合；

(b)已知k-1时刻概率假设密度函数(PHD函数)的粒子集合其中w_k-1是粒子的权值，L_k-1代表粒子个数；

对于其中按照采样获得的粒子，计算预测粒子的权值为：

其中i＝1,…,L_k-1，q_k(·|x_k-1,Z_k)是用来产生PHD函数中衍生目标的目标强度函数和继续存活目标的目标强度函数对应粒子的概率密度函数；其中表示为：

其中e_k|k-1(x_k-1)是目标在k时刻的存活概率，是单个目标的状态转移分布函数；

对于其中按照采样获得的粒子，计算预测粒子的权值为：

其中i＝L_k-1+1,…,L_k-1+J_k，J_k表示符合此采样情况下的粒子个数；p_k(·|Z_k)是用来产生PHD函数中新生目标的目标强度函数对应粒子的概率密度函数；

(c)对每个z_k∈Z_k，计算

其中 是k时刻第i个粒子的目标检测概率；由此可对权值进行更新：

(d)累加粒子的权值即为当前时刻的有效目标个数，如果大于前一个时刻的有效目标个数表示有新目标产生，如果小于前一个时刻的有效目标个数表示有个有效目标消亡，总目标个数加上这个差值；对粒子集合进行重采样，得到新的粒子集合其中L_k＝L_k-1+J_k；

(e)利用K均值聚类算法从新粒子集合中提取个有效目标的状态信息，即位置与速度信息，实现多目标的跟踪；目标状态提取的具体过程描为：即首先从所获取的数据中任意选取k个数据作为初始聚类中心；计算剩余数据样本到各聚类中心的距离，并依据计算结果将它们归类到最近的聚类中；然后计算每个聚类中所有数据的平均值，并将这个均值作为新聚类的中心；不断重复这一过程直到相邻两次聚类中心没有任何变化，即样本已经收敛，有效目标状态信息提取完成；

(f)循环步骤(b)～(e)M次后就完成了有效目标数量的统计，其中M是所述声学数据的总帧数。

(6)将拉伸后的图像进行实时显示，并用不同颜色将每一个目标的轨迹显示出来。

第四步，将GPS接入上位机，上位机记录下探测航迹，并结合双频识别声呐的探测范围，得到双频识别声呐扫过水体的体积，如图6所示，双频识别声呐探测范围是一个截面为扇形的五面体，探测的视角为α，此例中α为14°，探测的宽度为β，此例中β是29°，探测长度为h_i，根据水深可以自动调节；假设双频识别声呐从t₀时刻到t₀+Δt时刻移动了L_i的距离，则扫过的水体体积近似为：

公式中的L_i可以通过接入双频识别声呐的GPS模块计算得到。当航迹遍布调查水域的大部分区域时，利用步骤三中统计的鱼体个数除以总扫描体积V＝∑V_i，就得到鱼体密度ρ_fish，单位为尾/立方米。

利用上述原理，对上海的青草沙水库进行一次走航调查，走航总时长约为8小时，获得10GB声学数据，走航距离52.3公里，双频识别声呐扫过总体积为2.65×10⁵m³，自动计数总个数为3.2×10⁵尾，最后估算得到整个水库鱼体数量为2.7×10⁸尾。

Claims (7)

1.一种基于概率假设密度粒子滤波算法的鱼群数量估计方法，其特征在于，包括以下步骤：

(1)将双频识别声呐固定在调查船的船舷外侧或船底，并将其朝下浸没于水中，将姿态传感器固定在调查船上。

(2)将双频识别声呐通过网线与上位机相连，上位机实时获取走航时的声学数据，同时将姿态传感器接入上位机，上位机获取当前时刻调查船的姿态信息。

(3)对步骤(2)获得的声学数据进行图像构建与图像预处理得到声学图像，提取有效目标，利用概率假设密度粒子滤波算法，通过粒子预测、更新、重采样、目标状态提取，统计声学图像中的有效目标数量。

(4)将GPS接入上位机，上位机记录下探测航迹，并结合双频识别声呐的探测范围，得到双频识别声呐扫过水体的体积，将步骤(3)获得的目标数量除以双频识别声呐扫过水体的体积，得到鱼群密度。

(5)根据已知水域的蓄水量，乘上步骤(4)中的鱼群密度，得到整个水域中鱼体数量。

2.根据权利要求1所述的基于概率假设密度粒子滤波算法的鱼群数量估计方法，其特征在于，所述声学数据由多帧数据组成，每一帧数据代表一幅矩形声学图像。

3.根据权利要求1所述的基于概率假设密度粒子滤波算法的鱼群数量估计方法，其特征在于，所述双频识别声呐布置于水面附近，深度不超过1米。

4.根据权利要求1所述的基于概率假设密度粒子滤波算法的鱼群数量估计方法，其特征在于，所述双频识别声呐波束探测方向与水面夹角选取0°至90°之间任意角度。

5.根据权利要求1所述的基于概率假设密度粒子滤波算法的鱼群数量估计方法，其特征在于，所述调查船的航速不大于6节。

6.根据权利要求1所述的基于概率假设密度粒子滤波算法的鱼群数量估计方法，其特征在于，所述步骤(3)具体为：

(3.1)根据笛卡尔坐标系到极坐标系的坐标转换关系，将权利要求2中的矩形声学图像转换成扇形图，并通过插值将扇形图填充完整；

(3.2)将(3.1)得到的扇形图像进行线性拉伸处理；

(3.3)利用图像差分原理，将拉伸后的图像中的背景去除，留下图像中的有效目标，即水中的鱼体；

(3.4)利用概率假设密度粒子滤波算法，通过粒子预测、更新、重采样、目标状态提取，实现有效目标的跟踪，并统计目标个数；

(3.5)将拉伸后的图像进行实时显示，并用不同颜色将每一个目标的轨迹显示出来。

7.根据权利要求1所述的基于概率假设密度粒子滤波算法的鱼群数量估计方法，其特征在于，所述步骤(3.4)具体为：

(3.4.1)定义有效目标在k时刻的系统状态向量为其中(u_k,v_k)是有效目标在声呐图像中的位置，是有效目标在声呐图像中的速度；定义有效目标在k时刻的观测向量为其中r是声纳图像中有效目标相对于扇形对应的圆心的观测距离，α是对应的观测角度；定义Z_k为k时刻所有有效目标的观测向量集合；

(3.4.2)已知k-1时刻概率假设密度函数(PHD函数)的粒子集合其中w_k-1是粒子的权值，L_k-1代表粒子个数；

对于其中按照采样获得的粒子，计算预测粒子的权值为：

${\tilde{w}}_{k|k-1}^i=\frac{{\mathrm{\φ}}_{k|k-1}\left({\tilde{x}}_k^i\right|x_{k-1}^i)w_{k-1}^i}{q_k\left({\tilde{x}}_k^i\right|x_{k-1}^i,Z_k)}$

其中i＝1,…,L_k-1，q_k(·|x_k-1,Z_k)是用来产生PHD函数中衍生目标的目标强度函数和继续存活目标的目标强度函数对应粒子的概率密度函数；其中表示为：

${\mathrm{\φ}}_{k|k-1}\left({\tilde{x}}_k\right|x_{k-1})=b_{k|k-1}\left({\tilde{x}}_k\right|x_{k-1})+e_{k|k-1}\left(x_{k-1}\right)p\left({\tilde{x}}_k\right|x_{k-1})$

其中e_k|k-1(x_k-1)是目标在k时刻的存活概率，是单个目标的状态转移分布函数；

对于其中按照采样获得的粒子，计算预测粒子的权值为：

${\tilde{w}}_{k|k-1}^i=\frac{{\mathrm{\γ}}_k\left({\tilde{x}}_k^i\right)}{J_k{p}_k\left({\tilde{x}}_k^i\right|Z_k)}$

其中i＝L_k-1+1,…,L_k-1+J_k，J_k表示符合此采样情况下的粒子个数；p_k(·|Z_k)是用来产生PHD函数中新生目标的目标强度函数对应粒子的概率密度函数；

(3.4.3)对每个z_k∈Z_k，计算

$C_k\left(z_k\right)=\underset{i=1}{\overset{L_{k-1}+J_k}{\Σ}}{\mathrm{\ψ}}_{k,z}\left({\tilde{x}}_k^i\right){\tilde{w}}_{k|k-1}^i$

其中 是k时刻第i个粒子的目标检测概率；由此可对权值进行更新：

(3.4.4)累加粒子的权值即为当前时刻的有效目标个数，如果大于前一个时刻的有效目标个数表示有新目标产生，如果小于前一个时刻的有效目标个数表示有个有效目标消亡，总目标个数加上这个差值；对粒子集合进行重采样，得到新的粒子集合其中L_k＝L_k-1+J_k；

(3.4.5)利用K均值聚类算法从新粒子集合中提取个有效目标的状态信息，即位置与速度信息，实现多目标的跟踪；

(3.4.6)循环步骤(3.4.2)～(3.4.5)M次，就完成了有效目标数量的统计，其中M是所述声学数据的总帧数。