CN110765897A - 一种基于粒子滤波的水下目标跟踪方法 - Google Patents

Abstract

本发明属于机器视觉领域，具体涉及一种基于粒子滤波的水下目标跟踪方法。本发明通过引入吸引度改进策略，有效的改善了水下光照环境复杂导致粒子边缘化严重的问题；与此同时通过将权重因子与粒子发展阶段联系起来的方式，解决了引入吸引度使得粒子发展初期较为密集导致搜索受限的问题，提高了算法整体的效率和精度。本发明将权重因子τ与当前粒子发展阶段联系在一起，使得粒子在初级阶段可以被赋予更大的搜索能力，在后期各阶段运动中进行自动调节，有效降低粒子离散化带来的边缘化效应。

Description

一种基于粒子滤波的水下目标跟踪方法

技术领域

本发明属于机器视觉领域，具体涉及一种基于粒子滤波的水下目标跟踪方法。

背景技术

海洋覆盖地球绝大部分面积，拥有着极大的资源和奥秘。近现代以来，随着海洋装备研发技术的进步，人类开始进一步的认识和开发海洋资源，世界各个国家和地区都开始不遗余力的进行海洋装备的研发和水下资源开采。我国拥有近2万公里的海岸线，同时沿海经济海域中有着丰富的海洋资源，拥有很好的海洋开发条件和很高的需求。计算机视觉设备作为水下传感设备之一，越来越多的被投入海洋探测当中。其完整的视觉体系涵盖光学、计算机科学控制理论等诸多学科及技术，已经广泛搭载于水下探测、作业和载人设备，其中基于视觉的水下跟踪识别技术有着非常重要的研究价值。

目前水下目标追踪技术的不足之处主要在于：

第一，相比于陆地环境，海洋中包含有大量噪声，导致利用声呐实现水下目标追踪时很容易受到噪声干扰，因此而且作为一种单一信道的探测技术，声呐探测技术无法实现水下声场的空中探测，因此更无法直接实现对潜通信、水下目标空中遥测等任务。

第二，专利“一种基于水下无线传感器网络的弱目标跟踪方法(CN103152819A)”，虽然使用了改进重采样粒子滤波算法对水下目标的位置和方差进行估计，从而提高了水下无线传感器网络的目标跟踪性能，但是依旧需要对大量粒子进行数据化处理，且无法解决边缘粒子退化为无效粒子浪费计算时间的问题，从而影响水下目标追踪的效果。

发明内容

本发明目的在于提供一种基于粒子滤波的水下目标跟踪方法。

一种基于粒子滤波的水下目标跟踪方法，该方法包括以下步骤：

步骤1：设定ROI初始参数、k值；初始化粒子数N、归一化粒子权值、损失数、阈值及标志目标；

步骤2：对所选区域目标块进行状态分析，将状态相关最大的作为目标状态；

步骤3：执行递推迭代到k+1时刻，对当前的粒子群分布粒子进行重要性采样，并得到其概率密度函数；

步骤4：执行粒子位置更新，通过迭代拟合最小二乘运算，得到运算载止项；

步骤5：判断运算载止项是否大于阈值；若运算载止项小于阈值，则返回步骤4；若运算载止项大于阈值，则执行步骤6；

步骤6：判断是否超过最大迭代次数；若超过最大迭代次数，则返回步骤四；若未超过最大迭代次数，则判定已达到设定的最优范围，停止拟合迭代；

步骤7：对权重进行重新更新并归一化，进行滤波后计算状态估计结果；

步骤8：判断目标是否丢失；若目标已丢失，则返回步骤1；若目标未丢失，则输出目标位置，完成水下目标跟踪。

本发明还可以包括：

所述的步骤2中对所选区域目标块进行状态分析具体为：利用贝叶斯滤波器通过预测和更新两个过程对状态进行更新，即通过滤波模型进行当前时刻进行状态估计，然后利用最新获得的观测值对先验概率密度进行适当的修正，递推得后验概率密度，即通过预估的数据和真实的状态进行参数修正。其状态方程的两个更新模型：状态模型与观测模型的表达式为：

其中，x_k为时刻k点处的系统状态量；z_k为时刻k点处的图像观测量；v_k为图像测量系统的观测噪声；u_k为系统自然状态下分析引入的随机噪声；h(*)为系统状态的观测模型；f(*)为递推状态转移模型；通过贝叶斯状态估计的方法，在设定初始状态下可以得到概率密度为p(x₀|z₀)，通过贝叶斯滤波器递推预测和更新两个模型可以求解处后验概率p(x_k|z_1:k)；

所述的预测过程包括：若通过k次的迭代，在第k时刻获得观测序列为z_1:k＝{z₁,z₂,z₃,.....,z_k}，并在k时间点上利用k-1时刻的概率密度p(x_k-1|z_1:k-1)迭代求取当前先验概率密度p(x_k|z_1:k)，当前先验概率密度p(x_k|z_1:k)表示为下式：

p(x_k|z_1:k-1)＝∫p(x_k|x_k-1)p(x_k-1|z_1:k-1)dx_k-1

其中，x_k-1为时刻k-1点处的系统状态量，z_1:k-1为时刻1到k-1点的图像观测量；

所述的更新过程包括：经过初始化状态值，通过观测方程得到的p(x_k|z_1:k-1)先验推算得到状态向量X_k，X_k为k时刻下得到的最优估计值，基于最优估计值得到后验概率密度p(x_k|z_1:k)，后验概率密度p(x_k|z_1:k)表示为下式：

所述的步骤3中执行递推迭代到k+1时刻，对当前的粒子群分布粒子进行重要性采样，并得到其概率密度函数的具体步骤为：

步骤3.1：对粒子分布情况进行初始化，设k＝0，取n个采样点

步骤3.2：执行重要性采样；

其中，

q(*)为重要密度函数；

步骤3.3：对权值进行更新；

其中，

为后验概率密度p(x_0:k|z_1:k)在初始到k状态时刻到截至时刻的随机选择的粒子对象，

为归一化粒子在随机粒子

下所对应的权值；

步骤3.4：对粒子权重进行归一化；

步骤3.5：样本重采样，归一化权重

同时选择淘汰和繁殖的粒子，

i＝1,2,3,...,N并获得采样后的近似于服从分布的N个样本

步骤3.6：更新结果，得到输出集合通过该集合计算更新后验概率期望；所述的后验概率期望表达式为：

其中，δ(*)为狄拉克函数；

步骤3.7：k＝k+1，返回步骤3.2，重复上述的迭代过程。

所述的步骤4中运算载止项为采样尺度N_eff，其表达式为：

本发明的有益效果在于：

本发明引入了吸引度改进策略，通过调解粒子的距离与吸引权重系数比，提高了精度，有效避免了由于水下光照环境复杂导致粒子较陆地更加分散使计算量加大的问题。本发明将权重因子τ与当前粒子发展阶段联系在一起，使得粒子在初级阶段可以被赋予更大的搜索能力，在后期各阶段运动中进行自动调节，有效降低粒子离散化带来的边缘化效应。

附图说明

图1本发明的总体流程图。

图2本发明的粒子滤波重采样整体计算过程图。

图3本发明在室内自然场景下实验效果对比图。

图4本发明在水下浑浊场景下实验效果对比图。

图5本发明CEI分析结果对比图。

具体实施方式

下面结合附图对本发明做进一步的描述。

本发明主要用于ROV实现水下目标追踪。该方法能满足水下跟踪任务需要，并且能够有效的提高机器人在水下环境跟踪目标的效率和精度，提高了水下目标的智能化跟踪能力。

如附图1所示，本发明包含以下步骤：

Step1：参数初始ROI设定为(X₀,Y₀,h_x0,h_y0)，设置k值为1，初始化播撒N个粒子，归一化粒子权值为1/N，设定损失值为1，并设定阈值TH，同时标志目标为1。

Step2：对所选区域目标块进行状态分析，将状态相关最大的作为目标状态。

Step3：执行递推迭代到k+1时刻，对当前的粒子群分布粒子进行重要性采样，并得到其概率密度函数

Step4：计算粒子群重心，计算粒子个体距离，根据距离执行吸引公式，求取α。

Step5：执行粒子位置更新，通过迭代拟合最小二乘运算。

Step6：判断并计算第5步中运算截止项，本发明将阈值设置为0.6，当拟合运算大于此值则，停止拟合迭代，此时说明已经达到设定的最优范围，如果超过最大迭代次数需要重新返回Step4。

Step7：对权重进行重新更新并归一化，然后进行滤波计算状态估计结果。

Step8：判断目标是否丢失，若丢失，则返回Step1；若没有丢失，输出目标预测最优位置。

作为动态系统的跟踪过程，本发明利用贝叶斯滤波器通过预测和更新两个过程对状态进行更新，即：通过滤波模型进行当前时刻进行状态估计，然后利用最新获得的观测值对先验概率密度进行适当的修正，递推得后验概率密度，即通过预估的数据和真实的状态进行参数修正。其状态方程的两个更新模型：状态模型与观测模型如下：

其中x_k为时刻k点处的系统状态量，z_k为时刻k点处的图像观测量，v_k为图像测量系统的观测噪声，u_k为系统自然状态下分析引入的随机噪声，h(*)为系统状态的观测模型，f为递推状态转移模型。通过贝叶斯状态估计的方法，在设定初始状态下可以得到概率密度为p(x₀|z₀)，通过贝叶斯滤波器递推预测和更新两个模型可以求解处后验概率p(x_k|z_1:k)。

(1)预测过程：若通过的k次的迭代，在第k时刻可以获得观测序列为z_1:k＝{z₁,z₂,z₃,.....,z_k}，并在k时间点上可以利用k-1时刻的概率密度p(x_k-1|z_1:k-1)迭代求取当前先验概率密度p(x_k|z_1:k)为：

p(x_k|z_1:k-1)＝∫p(x_k|x_k-1)p(x_k-1|z_1:k-1)dx_k-1 (2)

(2)更新过程：经过初始化状态值，可以通过观测方程利用得到的p(x_k|z_1:k-1)先验推算得到状态向量X_k，可知X_k为k时刻下得到的最优估计值，基于最优估计值得到后验概率密度p(x_k|z_1:k)：

为了对后验概率p(x_k|z_1:k)近似求解，本发明通过引入蒙特卡洛近似的方式进行搜索抽样逼近求解。蒙特卡洛实现的思想是：在已获得的样本后验概率利情况下，用随机采样得到信息表达代替繁杂积分运算。用于粒子跟踪的过程为随机抽选一组带权粒子，通过这些粒子对目标分后验密度进行估计。所选择的任意一个粒子都代表目标的随机存在的状态。表达为后验概率p(X_k|Z_1:k)抽取N粒子，则可近似表达为：

其中，

为后验概率抽选粒子，δ(*)为狄拉克函数。则可积函数f(*)的条件期望可以写为：

E[f(X_k)]＝∫f(X_k)p(X_k|Z_1:k)dX_k (5)

式中，p(X_k|X_1:k)满足p(X_k|Z_1:k)≥0和∫p(X_k|Z_1:k)dX＝1，通过蒙特卡洛积分近似原理，可以得到：

由于后验概率所选粒子为对原分布进行随机抽样，故抽样后粒子的数据统计特征与原来分布一致，具有相同的均值方差。根据大数定律，这里需要对独立同分布的粒子在无限采样的情况下将期望收敛写为：

为了解决现实中p(X_k|Z_1:k)所采对象大多是多变量、非线性、非高斯的问题，本发明通过观测采样粒子的概率密度获得建议分布，然后通过不断更新的方式实现重要性采样。具体的原理过程为：从初始状态到k时刻所有的状态向量的集合为x_0:k＝{x_j,j＝0,1,.…k}，在k时间点所处的后验概率密度p(x_0:k|z_1:k)如下所示：

其中，

为后验概率密度p(x_0:k|z_1:k)在初始到k状态时刻到截至时刻的随机选择的粒子对象，

为上述归一化粒子在随机粒子下所对应的权值，同时这个权重经过了归一化的处理，即：

同时在上式中，

为狄拉克函数，它属于条件函数为：

本发明利用重要性采样来更新选择粒子分布。设定p(x)∝π(x)为一个采样过程困难的函数，令xⁱ～q(x)为建议分布函数随机生成并给出的粒子，其中i＝1,2,...,N。可以对q(x)进行采样得到样本集合，xⁱ～q(x)，其中i＝1,2,...,N。p(x)估计可写为：

其中：

w_i代表i粒子权重值。

由于一个群体中的诸多粒子呈现离散分布的情况，为避免一些在离散过程中逐渐边缘化的粒子转变为无效粒子影响算法效率的情况，本发明引入了动态吸引度改进策略。

Step4中使用的动态吸引公式为：

其中，α₀为定义的吸引峰值，β为吸引因子，γ_ij为第i和第j粒子间的欧式距离，τ为权重调节因子。从Step4的动态吸引公式中可以发现

构成了一个具有与距离有关的吸引权重系数。通过采用吸引度改进策略，对传统粒子距离加入吸引度系数，吸引系数越小说明该粒子距离种群越远，那么越边缘化的粒子经过负指数运算其搜索范围就越大，增加其有效性；同理当粒子距离种群重心越近，该粒子的可视距离将大大缩短，防止由于其占有过大的导致重心偏移，从而提高算法精度。

本发明可以在粒子初级阶段可以对粒子赋予更大得搜索能力，使开始阶段粒子快速移动。此时随着粒子运动，其吸引度权重在不断的为之变化，这样可以保证随着种群的运动，始终能保证系统的不断地进行有效的调节，有效降低粒子离散化带来的边缘化效应，实现实时最优，最终提高系统整体的效率和精度。

引入吸引度会出现在粒子发展初期粒子密集导致搜索受限的情况，这不利于粒子的运动，所以上公式中的τ权重因子应该与当前粒子发展阶段有关，这里将权重因子τ设计为：

其中，T为阶段总数，t为目前所处阶段，ζ∈[0，1]为可视系数。这样在粒子初级阶段可以对粒子赋予更大得搜索能力，使开始阶段粒子快速移动。经过上述的吸引策略我们很容易发现随着粒子运动，其吸引度权重在不断的为之变化，这样可以保证随着种群的运动，始终能保证系统的不断地进行有效的调节，有效降低粒子离散化带来的边缘化效应，实现实时最优，最终提高系统整体的效率和精度。

这里引入CEI评价指标，CEI的值是评价跟踪性能的有力指标，其值越小说明跟踪的综合表现越好，它是一种综合性能的评价方法。假设需要评价的的数据组为X₁,X₂,...,X_n，以最小值为最有指标的评价的指标分别为C₁,C₂,...,C_m，其权重为{w_i＝1,...m}，表示为：C_i在数据组X_k处的评价指数为CEI(X_k)，其计算入下图所示。

如附图2所示，本发明引入了重采样方法抑制粒子退化问题，其思想是引入对大权重粒子进行繁殖更新，小权重粒子采用淘汰的机制，同时设定阈值来抑制粒子多样性快速的降低。

具体的实现过程为：

首先对采样尺度N_eff进行定义：

在上式中，

代表k时刻i粒子的权重，

为粒子的方差。粒子更新无法直接计算得到N_eff，但是可以得到N_eff的估计为：

设定阈值N_TH，通过判断其大小选择是复制删减还是重采样。则由上式中可得：在N_eff＜N_TH条件下，N_eff越小说明对粒子滤波后验概率计算越不利，同时需要对重要密度函数q(*)进行良好的选择才能抑制这个不利因素。

通过裁剪小权重粒子的数量把计算用于对大权值粒子的更新的方式进行重采样。对当前样本集

执行N次的重新采样，可以得到新的集合

然后利用这个新的样本集合进行对p(x_k|z_1:k)离散分布进行近似，得到：

重采样样本和原样本集服从相同的离散概率分布，为

同时他们权重可以统一化为1/N，通过上述的重采样方式，可将运算的计算复杂度变为ο(N)，从而实现N次的重新采样过程。

经过重新采样的粒子滤波整体的计算过程为如下7个步骤：

Step3.1：对粒子分布情况进行初始化，设k＝0，取n个采样点

Step3.2：执行重要性采样，如下式：

设

其中i＝1,2,3,...,N；

Step3.3：对权值进行更新：

同时可以将上式化简为：

Step3.4：对粒子权重进行归一化：

Step3.5：样本重采样，归一化权重

同时选择淘汰和繁殖的粒子，

i＝1,2,3,...,N并获得采样后的近似于服从

分布的N个样本

Step3.6：更新结果，得到输出集合

通过该集合计算更新后验概率期望。

Step3.7：k＝k+1，重复上述的迭代过程回到Step3.2；

如附图3所示，在室内自然场景下，由于光照充足，室内环境中干扰相对较少，传统的滤波算法在10到100帧时效果良好，但是在120帧时出现目标跟踪错位的现象，造成这类现象的原因一般是由于粒子群移动过程中产生的离散粒子过多导致部分离散粒子边缘化衰减为无效粒子使得算法精度降低。而本发明在室内环境下可以做到完全跟踪，则是因为本发明采用了吸引度改进策略，对传统粒子距离吸引加入了吸引度系数，使得粒子的作用效果与距离相关：粒子距离种群越远，则通过负指数运算使其搜索范围越大；粒子距离种群越近，则使其可视距离缩减越小，避免其权重过大使得重心偏移，从而提高了算法的精度。

如附图4所示，在水下浑浊场景下，由于光线昏暗，环境干扰较多，传统的滤波算法在超过80帧时出现了跟踪发散、错位，超过160帧时难以精确跟踪目标的问题。造成这类情况的原因主要是由于水下光线昏暗，导致粒子退化进程加快，最终影响算法效果。而本发明虽有轻微弥散现象，但是整体的持续表现相对良好。

如附图5所示，根据CEI评价指标可以看出，改进后的算法在各个方面相较于传统滤波算法均有着一定程度的提高，证明了本发明在鲁棒性及收敛性方面的提高，进一步证明了本发明应用在水下目标跟踪方面的有效性。

本发明根据水下动态追踪算法的需要，实现了一种基于粒子滤波的水下目标跟踪方法。该方法采用动态吸引度改进策略，对传统粒子距离吸引加入吸引度系数，解决了边缘粒子退化为无效粒子降低算法效率的问题。包括：①参数初始ROI设定为(X₀,Y₀,h_x0,h_y0)，同时设定k值、初始化粒子数及归一化粒子权值、损失值、阈值TH及标志目标；②对所选区域目标块进行状态分析，将状态相关最大的作为目标状态；③执行递推迭代到k+1时刻，对当前的粒子群分布粒子进行重要性采样，并得到其概率密度函数；④计算粒子群重心，计算粒子个体距离，根据距离执行吸引公式，求取α；⑤执行粒子位置更新，通过迭代拟合最小二乘运算；⑥根据初始设定阈值TH计算并判断上一步中的运算截止项；⑦对权重进行重新更新并归一化，然后进行滤波计算状态估计结果；⑧判断目标是否丢失；⑨输出目标位置。

本发明通过引入吸引度改进策略，有效的改善了水下光照环境复杂导致粒子边缘化严重的问题；与此同时通过将权重因子与粒子发展阶段联系起来的方式，解决了引入吸引度使得粒子发展初期较为密集导致搜索受限的问题，提高了算法整体的效率和精度。

Claims (4)

1.一种基于粒子滤波的水下目标跟踪方法，其特征在于，该方法包括以下步骤：

步骤1：设定ROI初始参数、k值；初始化粒子数N、归一化粒子权值、损失数、阈值及标志目标；

步骤2：对所选区域目标块进行状态分析，将状态相关最大的作为目标状态；

步骤3：执行递推迭代到k+1时刻，对当前的粒子群分布粒子进行重要性采样，并得到其概率密度函数；

步骤4：执行粒子位置更新，通过迭代拟合最小二乘运算，得到运算载止项；

步骤5：判断运算载止项是否大于阈值；若运算载止项小于阈值，则返回步骤4；若运算载止项大于阈值，则执行步骤6；

步骤6：判断是否超过最大迭代次数；若超过最大迭代次数，则返回步骤四；若未超过最大迭代次数，则判定已达到设定的最优范围，停止拟合迭代；

步骤7：对权重进行重新更新并归一化，进行滤波后计算状态估计结果；

步骤8：判断目标是否丢失；若目标已丢失，则返回步骤1；若目标未丢失，则输出目标位置，完成水下目标跟踪。

2.根据权利要求1所述的一种基于粒子滤波的水下目标跟踪方法，其特征在于：所述的步骤2中对所选区域目标块进行状态分析具体为：利用贝叶斯滤波器通过预测和更新两个过程对状态进行更新，即通过滤波模型进行当前时刻进行状态估计，然后利用最新获得的观测值对先验概率密度进行适当的修正，递推得后验概率密度，即通过预估的数据和真实的状态进行参数修正。其状态方程的两个更新模型：状态模型与观测模型的表达式为：

其中，x_k为时刻k点处的系统状态量；z_k为时刻k点处的图像观测量；v_k为图像测量系统的观测噪声；u_k为系统自然状态下分析引入的随机噪声；h(*)为系统状态的观测模型；f(*)为递推状态转移模型；通过贝叶斯状态估计的方法，在设定初始状态下可以得到概率密度为p(x₀|z₀)，通过贝叶斯滤波器递推预测和更新两个模型可以求解处后验概率p(x_k|z_1:k)；

所述的预测过程包括：若通过k次的迭代，在第k时刻获得观测序列为z_1:k＝{z₁,z₂,z₃,.....,z_k}，并在k时间点上利用k-1时刻的概率密度p(x_k-1|z_1:k-1)迭代求取当前先验概率密度p(x_k|z_1:k)，当前先验概率密度p(x_k|z_1:k)表示为下式：

p(x_k|z_1:k-1)＝∫p(x_k|x_k-1)p(x_k-1|z_1:k-1)dx_k-1

其中，x_k-1为时刻k-1点处的系统状态量，z_1:k-1为时刻1到k-1点的图像观测量；

所述的更新过程包括：经过初始化状态值，通过观测方程得到的p(x_k|z_1:k-1)先验推算得到状态向量X_k，X_k为k时刻下得到的最优估计值，基于最优估计值得到后验概率密度p(x_k|z_1:k)，后验概率密度p(x_k|z_1:k)表示为下式：

3.根据权利要求2所述的一种基于粒子滤波的水下目标跟踪方法，其特征在于：所述的步骤3中执行递推迭代到k+1时刻，对当前的粒子群分布粒子进行重要性采样，并得到其概率密度函数的具体步骤为：

步骤3.1：对粒子分布情况进行初始化，设k＝0，取n个采样点

步骤3.2：执行重要性采样；

其中，q(*)为重要密度函数；

步骤3.3：对权值进行更新；

其中，为后验概率密度p(x_0:k|z_1:k)在初始到k状态时刻到截至时刻的随机选择的粒子对象，

为归一化粒子在随机粒子

下所对应的权值；

步骤3.4：对粒子权重进行归一化；

步骤3.5：样本重采样，归一化权重

同时选择淘汰和繁殖的粒子，

并获得采样后的近似于服从

分布的N个样本

步骤3.6：更新结果，得到输出集合

通过该集合计算更新后验概率期望；所述的后验概率期望表达式为：

其中，δ(*)为狄拉克函数；

步骤3.7：k＝k+1，返回步骤3.2，重复上述的迭代过程。

4.根据权利要求3所述的一种基于粒子滤波的水下目标跟踪方法，其特征在于：所述的步骤4中运算载止项为采样尺度N_eff，其表达式为：

Images