基于粒子滤波的多枚声呐浮标联合跟踪定位算法

由于被动声呐浮标目标测量源的不确定性以及位置解算方程的非线性,声呐浮标联合跟踪定位面临着非线性非高斯问题,提出一种基于粒子滤波的多枚声呐浮标联合跟踪定位算法。该算法将最优贝叶斯滤波与蒙特卡洛随机采样方法相结合,在更广义的条件下实现了目标最优状态估计。算法仿真结果表明,可以较大程度的提高目标位置估计精度。     

水下机动目标跟踪技术研究

水下目标跟踪是海洋国土监视、反潜战等环境下的关键技术。以往的跟踪滤波算法主要基于卡尔曼滤波、扩展卡尔曼滤波等算法,这些方法实现比较复杂,滤波精度不高。最近出现了不敏卡尔曼滤波、粒子滤波、转换瑞利滤波、双多基地跟踪算法等,需要研究这些算法在水下目标跟踪中的性能。总结对比了国内外学者在此领域的研究成果,得出了这些滤波算法在水下目标跟踪中的优缺点。重点论述了纯角度跟踪和非线性滤波算法的发展、在水下目标跟踪中的应用以及多基地声纳跟踪水下目标技术的发展,回顾了机动目标跟踪和多目标数据互联算法。研究表明,非卡尔曼滤波算法能够更高精度地跟踪水下目标,双多基地声纳是今后发展的重点。为今后的研究提供参考。     

基于在线学习的自适应粒子滤波视频目标跟踪

传统的粒子滤波视觉跟踪算法采用固定模型和大量粒子表征目标后验概率,不能满足复杂条件下的视频目标实时跟踪.为了提高跟踪的鲁棒性和稳定性及计算效率,本文提出将自适应状态演化方程和在线增量学习观测似然模型嵌入到粒子滤波算法;并采用在线自动调整粒子数目的策略,提高粒子滤波视觉跟踪的计算效率.室内外实验结果表明,文中提出的视觉跟踪算法不仅能准确、高效地跟踪序列图像中的运动目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性.     

基于投影感知的水下声呐目标检测方法

现有基于深度学习的水下声呐图像目标检测方法受限于水下声呐图像噪声大、信噪比低,因而检测精度有限。针对该问题,本文提出了基于投影感知和声呐参数信息嵌入的水下声呐图像目标检测方法 SonarNet。提出的非参数化的投影感知对齐模块(PAA)在不引入额外的训练参数且无需额外标注的情况下,通过提取水下目标的投影区域特征与目标本身特征融合来提升目标检测精度。同时为了提升算法在不同声呐工作参数下的鲁棒性,本文设计了一个轻量级的声呐全连接网络SonarMLP,将声呐设备的工作参数信息以嵌入信息的形式引入到目标检测过程中。本文在声呐图像目标检测数据集上对算法的有效性进行了验证,在有效检测出水下目标的同时,比现有常用深度学习方法有更高的检测精度,能够提升3%以上的各类平均精确度(m AP)。     

基于粒子群最小二乘支持向量机的前视声呐目标识别

随着声成像技术的日益发展和广泛应用,利用图像声呐进行水下目标识别逐渐成为水声探测领域的重要研究方向之一。根据前视声呐图像的特性,提出了一种水下目标识别的方法。对声呐图像进行去噪和增强处理并分割图像,来获取目标所在区域、提取目标的区域形状特征;利用粒子群算法优化最小二乘支持向量机的正则化参数和核参数,构造出高性能的多分类器;输入待识别目标的特征实现分类。实验表明:优化后的最小二乘支持向量机能够准确、有效地识别出水下目标,并且具有较高的精度。     

基于修正CycleGAN的声呐图像库构建方法研究

声呐图像数据集获取困难,导致很多水下工作无法正常开展,如水下目标检测与跟踪、声呐图像的超分辨等,因此构建充足的声呐图像数据库成为很多水下研究工作的重要前提条件。受光学图像与合成孔径雷达（Synthetic Aperture Radar,SAR）图像转换研究工作的启发,提出了基于CycleGAN实现声呐图像库的构建,即利用光学图像合成声呐图像,实现光学到声呐的图像风格迁移。通过对CycleGAN网络损失函数的改进,提高了声呐图像的合成效果。通过与Pix2Pix等图像风格迁移网络进行比较的实验结果证明,修正后的CycleGAN网络具有更好的图像风格迁移效果。最后用合成的声呐图像训练Mask RCNN目标检测网络,并用真实的声呐图像进行测试,训练得到的模型能够成功地检测出真实声呐图像中对应的目标,进一步验证了利用光学图像构建声呐图像库的有效性。     

改进的Mean Shift算法在前视声呐运动目标跟踪中的应用

多波束前视声呐具有成像速度快、分辨率高的优点,是进行水下目标探测、跟踪和监控的重要设备。针对多波束前视声呐运动目标的跟踪问题,提出了一种改进的MeanShift算法。该算法利用经典的MeanShift算法实现目标的帧间定位,通过基于图像序列的背景消减法实现运动目标分割,根据分割后目标的位置和大小对Mean Shift跟踪框进行更新,并重新建立跟踪模型来迭代实现目标的准确定位和跟踪。实验结果表明,改进后的算法可实现目标跟踪框随目标大小和形状的更新,对目标的定位更加准确。因此,该算法具有应用于水下目标精确跟踪和定位的潜力。     

基于跟踪起始准则的多基地声呐阵位优化算法

针对水下区域监视多基地声呐（如浮标等）发射、接收节点阵位布置问题,提出了一种基于跟踪起始准则的多基地声呐阵位优化算法。该算法首先在分布式和集中式两种多基地融合处理模式下,推导了目标跟踪起始概率计算准则,然后,基于区域目标成功跟踪起始覆盖率,建立了多基地声呐阵位优化数学模型,并采用粒子群算法来优化求解该非凸数学模型,从而得到全局最优的多基地声呐发射-接收阵位。仿真结果表明,在两种多基地融合处理模式下,优化后多基地声呐节点阵位,其区域目标跟踪起始覆盖率比典型经验方案有较大提高。     

基于修正时延粒子滤波的水声传感器网络目标跟踪

在水声传感器网络中,利用多个传感器节点探测到的方位信息进行目标跟踪是水下目标跟踪领域的一种新思路。由于水中声速的限制,信号到达各个节点的时间不是同步的,提出了一种修正时间延迟的方法,并将其与粒子滤波(PF)、扩展卡尔曼粒子滤波(EKPF)结合来解决该非线性跟踪问题。仿真分析表明修正时延后,算法的跟踪性能有较大提高;并且在相同条件下,EKPF的跟踪性能比PF好。     

结合颜色和结构信息的粒子滤波跟踪算法

单纯依靠颜色信息往往使得目标跟踪不稳定.为了在复杂背景和光照变化等干扰情况下,能够准确地跟踪到感兴趣的目标,本文提出了将颜色和结构信息相结合的方法.该方法在基于颜色直方图的粒子滤波跟踪框架中,利用目标的灰度图像建立结构模型,通过结构相似性质量因子衡量目标在两帧图像之间的相似性.实验表明,该算法在使用相同粒子数目的情况下较传统的基于颜色直方图的粒子滤波跟踪算法鲁棒性更高,可以用于特定场合可疑目标的跟踪.     

基于BELLHOP模型的水下多目标跟踪算法研究

针对高频主动声呐的深海多目标跟踪问题,提出了基于BELLHOP模型的无迹卡尔曼滤波-高斯混合概率假设密度(Unscentesd Kalman Filter-Gaussian Mixture-Probability Hypothesis Density, UKF-GM-PHD)水下多目标跟踪算法。该算法首先利用BELLHOP射线声学模型,计算出本征声线、目标信号的幅度、相位及时延信息,以此构造目标回波信号并叠加高斯白噪声。然后,由回波信号计算得到目标相对于观测站的距离、方位角和俯仰角信息,作为目标跟踪系统中的量测信息。最后利用提出的UKF-GM-PHD多目标跟踪算法,实现高频主动声呐非线性系统的多目标跟踪。仿真结果表明,在深海高频主动声呐条件下,文章提出的UKF-GM-PHD多目标跟踪算法较传统高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GM-PHD)方法,明显降低了目标丢失率,并且最优子模式指派统计量(Optimal Sub-Patter Assignment, OSPA)距离也更小,跟踪效果更好。     

阵列信号维纳滤波用于主动声呐图像增强处理

声呐图像的噪声背景抑制是提高水下目标检测能力的重要问题。针对声呐图像背景斑点噪声强、目标轮廓模糊、目标回波对比度低等问题,利用确定性目标回波信号与随机分布的干扰噪声之间的相关统计特性差异,采用基于最小均方差准则的阵列信号维纳滤波器,通过主动最小方差无畸变响应（Minimum Variance Distortionless Response,MVDR）波束形成和后置维纳滤波的两级处理,去除声呐随机噪声背景。试验数据的处理结果表明：在噪声干扰条件下,相比于常规波束形成（Common Beamforming,CBF）,主动MVDR处理提高了目标回波的局部信噪比,后置维纳滤波处理降低了随机分布的斑点噪声,使声呐图像的清晰度得到增强。     

基于声呐图像序列SIFT特征的多目标跟踪方法研究

针对高频成像声呐多目标跟踪中声成像的不稳定问题,在基于检测前跟踪的声呐图像序列尺度不变特征变换（Scale Invariant Feature Transform,SIFT）的基础上,提出了一种结合对数变换的声呐图像序列SIFT特征跟踪方法。该方法利用对数变换进行图像预处理,进而利用声呐图像序列SIFT特征进行多目标跟踪。水池试验数据的处理结果表明：与中值滤波和动态亮度分配的方法相比,结合对数变换的声呐图像序列SIFT特征跟踪方法具有更好的多目标跟踪效果。     

一种基于声呐信息融合的水下图像增强方法

由于光在水中传输时的衰减和散射效应,使得光学成像细节丢失、对比度下降以及颜色偏移失真,导致水下图像雾化。因此在光线条件较为恶劣情况下,水下高性能相机对目标的有效捕捉范围较小,水下光学成像系统通常很难达到令人满意的成像效果。而声呐利用声波在水中传播衰减较小的特点可以进行更远距离的探测。因此,当水下目标距离光学探测设备较远而不能进行准确光学成像来捕捉目标时,可利用声呐采集得到的信息与光学图像进行融合,实现图像增强,提高成像效果。文章提出了一种基于声呐信息融合的水下图像增强方法,首先对水下光学图像分两步进行预处理,即基于暗通道先验模型的去雾增强和自适应图像增强,再使用声呐信息对水下图像进行局部增强,明显提高水下环境中所要探测目标的对比度与可识别度。     

利用空间填充曲线和灰度分布估计的声图分割

针对声图中的目标分割问题,提出了一种利用空间填充曲线和灰度分布估计的声图目标分割方法。该方法首先利用空间填充曲线将声图由二维矩阵变换为一维向量;其次在一维空间下进行滤波、灰度分布估计、阈值计算、分割处理;最后将分割后的一维向量逆变换为二维矩阵,得到目标分割结果。实际的声图处理验证了方法的有效性。