基于改进的SMC-PHD算法的三维水下多目标跟踪方法

技术领域

本发明涉及水下目标跟踪方法的技术领域，特别涉及基于声呐图像的水下目标跟踪方法。

背景技术

水下目标检测与跟踪一直是水声领域研究的热点内容。目前，常见的检测与跟踪方法主要有两种：先检测后跟踪(DBT)和检测前跟踪(TBD)，其中，先检测后跟踪技术具有速度快、耗费时间短、跟踪精度更高的优点，在实际应用中被广泛采用。

但采用先检测后跟踪技术对三维目标进行跟踪时，一般需要根据二维检测结果得到有关点的俯仰角信息和位置坐标信息，以产生用于跟踪的三维信息，其需要在二维检测结果中准确地确定目标的质心，因此对检测算法的准确性要求较高，对检测算法的依赖性强。而现有技术中的检测算法如帧差法、背景消减法、FCM、特征匹配等各自具有不同的优缺点，对目标的运动速度或者水下环境有不同的应用要求，难以广泛适用于不同情形下的检测跟踪。

另一方面，在多目标检测跟踪中，现有技术中主要采用将单目标跟踪方法与数据关联方法相结合，以实现帧间的目标关联的方式，如多假设跟踪滤波(MHT)和概率联合数据关联(JPDA)的方法，但随着跟踪目标数量的增加，这些方法的计算复杂度和困难度显著上升。而一些新的检测跟踪算法如高斯混合概率假设密度滤波法(GM-PHD)和序贯蒙特卡罗概率假设密度滤波法(SMC-PHD)(B.-N.Vo,S.Singh,and A.Doucet,“Sequential MonteCarlo Implementation ofthe PHD Filter for Multi-target Tracking,”inProceedings of the Sixth International Conference of Information Fusion,vol.2,Jul.2003,pp.792–799.)虽然可以大大地降低计算复杂性，但其中SMC-PHD算法未实际开发应用于三维的水下多目标跟踪中；GM-PHD算法仅在二维水下多目标跟踪中显示出了巨大的应用潜力，当直接应用于三维的多目标跟踪中时，仿真结果显示其获得的跟踪轨迹与目标的实际轨迹之间存在较大的误差，并存在跟踪轨迹断裂的情况。

发明内容

针对现有技术的缺陷，本发明的目的在于提出一种使用改进的序贯蒙特卡罗概率假设密度滤波算法(SMC-PHD)进行三维水下多目标跟踪的方法，所述改进的序贯蒙特卡罗概率假设密度滤波算法(SMC-PHD)在SMC-PHD算法中进一步引入了阈值计算过程，可广泛适用于三维的水下多目标跟踪中，可获得高精度的、连续不断裂的目标跟踪轨迹。

本发明的技术方案如下：

基于改进的SMC-PHD算法的三维水下多目标跟踪方法，其包括：

S1获得从三维前视声呐系统返回的三维声呐数据，通过波束成形技术将所述三维声呐数据转换为二维的声呐图像，对所述二维的声呐图像进行预处理，得到预处理后的二维声呐图像；

S2通过目标检测算法对所述预处理后的二维声呐图像进行目标检测，获得目标的二维量测信息及其俯仰角β，所述二维量测信息包括目标在二维直角坐标系中的x、y轴坐标值O'

S3以目标所在二维直角坐标系作为xy平面，以其俯仰角β向xy平面进行垂直投影的垂直线的方向为z轴构建三维直角坐标系，保持目标在该三维直角坐标系下的横、纵坐标值为O'

S4以目标在三维直角坐标系中的坐标值O'

其中，所述改进的SMC-PHD算法为在原始SMC-PHD算法的重采样中使用最小采样方差采样法，即进行MSV重采样，并在原始SMC-PHD算法的目标状态估计后加入对连续多帧预处理后的二维声呐图像的状态估计结果的判断，根据判断结果调整重采样得到的权重值和状态值。

根据本发明的一些优选实施方式，所述目标检测算法选自K均值聚类检测算法和/或CA-CFAR目标检测算法。

根据本发明的一些优选实施方式，所述竖坐标值O'

其中/>

或

其中，λ表示x,y两个方向坐标值之间的水平角。

根据本发明的一些优选实施方式，所述MSV重采样包括：

(1)获得任一k时刻重采样前的归一化的粒子权重

其中，

其中，

(2)确定k时刻第i个粒子被重采样的次数

其中，floor()表示向下取整；

(3)将k时刻i个粒子的剩余权重

(4)对于集合L_rank中存储的B-B

(5)根据步骤(4)，得到B个重采样后粒子的状态信息，分别为其状态值

(6)对B个重采样后粒子的权重值

根据本发明的一些优选实施方式，所述在原始SMC-PHD算法的目标状态估计后加入对连续多帧预处理后的二维声呐图像的状态估计结果的判断，根据判断结果调整重采样得到的权重值和状态值包括：

(1)对连续多帧图像进行目标状态估计，判断其中任意第i个粒子在k时刻的预测状态值

(2)若连续未匹配成功的帧数NOC＜N

(3)根据获得的重采样后的粒子状态值

其中，i表示粒子序数，B表示每个目标预分配的粒子数B；

(4)将目标连续未匹配成功的帧数NOC增加1，变为NOC+1，k时刻的目标跟踪结束，进入k+1时刻。

根据本发明的一些优选实施方式，所述连续丢失阈值N

其中，A

其中，TP为真实目标被检测到的数目，FN为真实目标未被检测到的数目

本发明采用的最小采样方差重采样可以最大程度地保持后验分布能力，获得的与目标相对应的最优粒子状态值，从而提高跟踪精度；在进一步的优选实施方式中，本发明设置了连续丢失帧数阈值，可显著降低目标跟踪轨迹的断裂次数和漏跟踪率。本发明可获得三维水下多目标的轨迹不断裂、零漏跟踪率、高精度的跟踪结果。

附图说明

图1为具体实施方式中的三维水下多目标跟踪方法的流程图。

图2为具体实施方式中的三维笛卡尔坐标系下的目标方位图。

图3为具体实施方式中的三维空间中的粒子状态图，其中(a)为正常的粒子状态图，(b)为目标漏检和错误估计的粒子状态图。

图4为具体实施方式的模拟实验中4个目标运动的真实轨迹图。

图5为具体实施方式中设置真实检测概率为0.9时三种跟踪算法的跟踪结果对比，其中(a)为GM-PHD算法的跟踪结果；(b)为SMC-PHD算法的跟踪结果；(c)为TH-SMC-PHD算法的跟踪结果对比。

图6为具体实施方式中设置真实检测概率为0.9时三种跟踪算法的OSPA距离随时间变化的统计对比图，其中(a)为折线图，(b)为箱型图。

图7为具体实施方式中设置真实检测概率为0.8时三种跟踪算法的跟踪结果对比，其中(a)为GM-PHD算法的跟踪结果；(b)为SMC-PHD算法的跟踪结果；(c)为TH-SMC-PHD算法的跟踪结果对比。

图8为具体实施方式中设置真实检测概率为0.8时三种跟踪算法的OSPA距离随时间变化的统计对比图，其中(a)为折线图，(b)为箱型图。

具体实施方式

以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。

以下首先对现有技术中的SMC-PHD算法进行介绍。所述SMC-PHD算法包括目标出生、预测、更新、重采样、状态估计阶段，各阶段具体包括：

(1)目标出生：

通过两个随机有限集分别表示多个目标的状态和量测值：

和/>

其中，m表示目标状态数量，n表示量测值数量，目标状态集

其中，k时刻第q个目标的状态值

x

其中，v

k时刻第j个目标的量测值

其中，(O'

在目标出生阶段，即k＝1时，由量测值和量测噪声矩阵获得预定数量的新生粒子的状态值，由此产生新生粒子，如可通过一个特定的分布函数，根据量测值和量测噪声矩阵生成预定数目的新生粒子的状态值；并对新生粒子进行标签标记，由同一量测值获得的新生粒子标记为相同的标签，标记方式如依次升序标记，更具体例如：一个目标预设100个粒子，其k时刻的粒子标签值

(2)预测：

在目标出生后，通过以下预测模型分别对k时刻产生的J

其中，

进一步可获得k时刻目标对应的粒子的预测强度v

其中，

以上预测过程中，粒子在k时刻的预测标签值

(3)更新：

通过以下更新模型对预测时获得的k时刻粒子的预测强度函数及权重值进行更新：

其中，v

在更新过程中，计算量测状态与预测状态的似然值时，可提前设置一个M×n维空矩阵，其中，M为k-1时刻保存的粒子数量，n为k时刻量测值的数量，然后用二维高斯函数和测量目标的协方差矩阵计算出一个概率度量，并将其输入矩阵M×n；相似性矩阵的大小被用来确定哪些粒子值与测量值相似，然后可以计算出更新的权重；同时，创建一个空集群，即共有个n+1集群。第n+1个集群的权重用

(3)重采样：

通过分层重采样等重采样方法解决粒子退化问题，利用粒子重采样过程获得新的状态值

(4)目标状态估计：

当粒子权重满足

其中，w

发明人发现，以上SMC-PHD算法在进行三维目标跟踪时，容易出现图3(b)所示的漏检和错误估计粒子状态的情况(图3(a)为作为对比的正常粒子状态图)。因此本发明进一步对SMC-PHD算法进行了改进。

本发明的改进的SMC-PHD算法在以上SMC-PHD算法的重采样过程中使用MSV(minimum sampling variance，最小采样方差)重采样替换传统的分层或多项式重采样等方法，其可最小化采样方差并防止粒子退化，提高目标跟踪的精度。

所述最小采样方差为一种最优重采样方法，可在满足渐近无偏性的前提下获得最小采样方差。其采样方差SV是粒子重采样的次数与期望值之间差值的平均值，如下式所述：

其中，B表示每个目标预分配的粒子数目，

更具体的，以下为本发明的改进的SMC-PHD算法中的MSV重采样过程：

(1)获得任一k时刻重采样前的归一化的粒子权重

(2)确定k时刻第i个粒子被重采样的次数

其中，floor()表示向下取整。

(3)将k时刻i个粒子的剩余权重

(4)对于集合L_rank中存储的B-B

(5)根据步骤(4)，得到B个重采样后粒子的状态信息，分别为：状态分布

(6)对B个重采样后粒子的权重值进行平均，得到：

最终得到重采样后的粒子权重

在完成以上MSV重采样并根据原始SMC-PHD算法进行目标状态估计后，本发明还引入了连续丢失阈值N

(1)对连续多帧图像进行目标状态估计，判断其中任意第i个粒子在k时刻的预测状态值

(2)若连续未匹配成功的帧数NOC＜N

(3)通过如下的原始SMC-PHD算法的目标状态估计模型获得目标状态值：

(4)将目标连续未匹配成功的帧数NOC增加1，变为NOC+1，k时刻的目标跟踪结束，进入k+1时刻；

(5)在一些更具体的实施方式中，N

其中，A

其中，TP为真实目标被检测到的数目，FN为真实目标未被检测到的数目。

在以上改进的SMC-PHD算法基础上，参照附图1，在一些具体实施方式中，本发明基于改进的SMC-PHD的三维水下多目标跟踪方法包括以下步骤：

S1获得从三维前视声呐系统返回的三维声呐数据，通过波束成形技术将所述三维声呐数据转换为二维的声呐图像，对所述二维的声呐图像进行降采样、图像降噪、图像增强等预处理，得到预处理后的二维声呐图像；

S2通过K均值聚类或CA-CFAR目标检测等检测算法对所得预处理后的二维声呐图像进行目标检测，获得目标的二维量测信息及其俯仰角β，所述二维量测信息包括目标在二维直角坐标系中的x、y轴坐标值O'

S3参照附图2，以目标所在二维直角坐标系作为xy平面，以俯仰角β向xy平面进行垂直投影的垂直线的方向为z轴构建三维直角坐标系，目标在该三维直角坐标系下的坐标值为(O

则/>

或

其中，λ表示x,y两个方向坐标值之间的水平角。

S4将S3所得目标在三维直角坐标系中的坐标值O'

与现有的技术相比，本发明的最小采样方差重采样可以最大程度地保持后验分布能力，获得的与目标相对应的最优粒子状态值，从而提高跟踪精度；由于连续丢失帧数阈值的设定，目标跟踪轨迹的断裂次数和漏跟踪率都会降低，可对三维多目标实现了轨迹不断裂、零漏跟踪率、高精度的跟踪结果。

实施例1

根据以上具体实施方式进行仿真模拟实验，实验中设置两种检测情况，其真实检测概率分别为0.9、0.8，均包括4个跟踪目标，跟踪目标均在空间[0 1000]×[0 1000]×[01000]中做变速运动，在该空间范围内同时加入多个随机的三维干扰波，模拟时间在1到201s之间；4个跟踪目标的运动信息如下表所示；

在目标运动完成后，量测值中添加标准偏差σ

设置目标的运动模型和量测模型如下：

x

z

其中，F

两种检测情况中，权重阈值均为w

其中，t＝1为时间间隔；

将本发明中采用的改进的SMC-PHD算法与现有的GM-PHD算法和SMC-PHD算法的跟踪结果进行对比，其中SMC-PHD算法的重采样步骤使用分层重采样；GM-PHD算法中修剪阈值设置P

算法中的检测概率设置与真实检测概率相同。

使用以下三种指标对跟踪结果进行评估：

对于OSPA中的参数设置如下：

距离敏感性参数p＝1和关联敏感性参数c＝10。

在真实检测概率为p

根据以上的跟踪结果，计算每个跟踪算法的指标结果，如下表所示：

/>

其OSPA距离数据对比如附图6所示，其中，图6(a)为三种跟踪算法的OSPA距离与时间对应关系的折线图，图6(b)为三种跟踪算法的OSPA距离箱型图。

在真实检测概率为p

根据以上跟踪结果，计算每个跟踪算法的指标结果，如下表所示：

其OSPA距离数据对比如附图8所示，其中，图8(a)为三种跟踪算法的OSPA距离与时间对应关系的折线图，图8(b)为三种跟踪算法的OSPA距离箱型图。

根据设置的两种检测概率的仿真结果，可以得出结论：改进的SMC-PHD算法能够在三维仿真场景中实现对多个目标的零漏跟和目标轨迹无断裂的结果。在三种跟踪算法中，改进的SMC-PHD是最理想的，阈值和MSV重采样的采用，避免了漏跟踪，最终也提高了跟踪精度，而其他两种算法由于漏检测和干扰而使得目标轨迹断裂；对于SMC-PHD和GM-PHD算法，目标轨迹发生断裂的时刻发生在目标在同一时间的交叉点和速度突变的情况，说明由于预测与量测无法正确关联，导致目标轨迹发生了断裂。

以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。