Page 248 - 应用声学2019年第4期
P. 248

708                                                                                  2019 年 7 月


             图 3(b) 是滤波后的声呐图,对比发现滤波效果很                         2 数量估计
             明显。
                                                               2.1  目标跟踪计数
                                                                   鱼群数量估计的关键是个体目标计数,由于同
                                                               一个目标会出现在连续多帧图像中,为了避免重复
                                                               计数,必须对目标进行跟踪处理,即将不同帧图像中
                                                               同一目标关联为一个有效目标。本文设计了一种计
                                                               算量小、易于实现的多目标跟踪计数算法,通过扩展
                                                               卡尔曼滤波 (Extended Kalman filtering, EKF) 更
                                                               新目标状态,利用最近邻(Nearest neighbor, NN)算
                                                               法将当前时刻目标状态与已确定的目标轨迹关联。
                                                                   首先定义系统的观测量为
                                                                                       [ ]
                       (a) Ԕڏ                                 (b) ໚ฉՑڏϸ                  r
                                                                                Z (k) =     ,            (19)
                       图 3  迭代最小二乘法滤波去燥                                                  α
                 Fig. 3 Noise removal by FDWRLS algorithm
                                                               式(19)中,r 是目标的斜距,α 是方向角。
                                                                   系统的量测方程为
             1.3 目标提取
                                                                              
                                                                                    √  2    2
                 由于水下环境复杂,固定阈值的目标提取方法                                           r =  x + y + δr,
                                                                          H :           x                (20)
             不能完美提取所有的目标,不当的阈值设定会造成                                            α = tan   + δα,
                                                                                        y
             目标提取的严重偏差,因此本文利用三倍标准差准
                                                               式 (20) 中:δr 为斜距的量测误差,δα 为方向角的量
             则设计了一种自适应的阈值分割法进行目标提取。
                                                               测误差,(x, y)是目标在声呐图像中的位置。
                 假设第 k 帧图像中位置 (x, y) 处对应的像素值
                                                                   第i个目标在k 时刻的系统状态向量为
             为v (x, y),且服从均值为µ、方差为σ 的高斯分布,
                                             2
                                                                          X k (i) = [x k,i ˙x k,i y k,i ˙y k,i ] ,  (21)
                                      (   2  )
                          v (x, y) ∼ N µ, σ  .         (14)
                                                               式(21) 中,(x k,i , y k,i ) 是第 i个目标在 k 时刻的位置,
                 依据三倍标准差准则,v (x, y) 分布在区间                      ( ˙x k,i , ˙y k,i )是对应的速度。
             [−3σ, 3σ] 之外的概率小于 0.3%      [16] ,因此设定图像              首 先 计 算 第 i 个 目 标 在 前 一 时 刻 状 态
             阈值 T h = µ+β · 3σ,其中 β 为阈值系数。平均值 µ                量 X k−1 (i) 的 预 测 值 X k|k−1 (i),    其 中 i   =
                                                                                     c
                    2
             和方差σ 通过下列公式获得:                                    1, 2, · · · , m k−1 ,m k−1 是 k − 1 时刻的状态个数,预
                           1  ∑ ∑
                     µ k =          v (x, y),          (15)    测方程为
                          N
                              x  y
                                                                           X k|k−1 (i) = F X k−1 (i),    (22)
                                                                           c
                           1  ∑ ∑
                      2                         2
                     σ =            (v (x, y) − µ k ) ,  (16)
                      k
                          N                                    式 (22) 中,F 是状态转移矩阵,目标在短时间内可
                              x  y
                                                               以被近似为匀速直线运动,因此状态转移矩阵为
                          1  ∑
                     µ =        µ k ,                  (17)                                 
                         M                                                         1 ∆t 0 0
                             k
                                                                                            
                           1  ∑   2                                                0 1 0 0  
                      2
                     σ =         σ ,                   (18)                  F =             ,         (23)
                                  k
                          M                                                                 
                              k                                                   0 0 1 ∆t 
                       2
             其中:µ k 、σ 是第 k 帧图像中所有像素值的均值和                                          0 0 0 1
                       k
             方差,N 是像素点个数。通过计算连续 M 帧图像所                         式 (23) 中,∆t 是采样时间间隔。接着计算预测值
             对应均值和方差的平均值,获得随环境实时改变的                            X k|k−1 (i) 与当前时刻观测量 Z k (j) 的权值 w (i, j),
                                                               c
                  2
             µ和σ ,从而获得自适应的阈值 T h 。由于这连续 M                      其中j = 1, 2, · · · , n k ,n k 是当前时刻观测量的个数,
             帧图像随着 k 的改变而实时滑动,因此 T h 也会实时                      权值用 X k|k−1 (i) 与 Z k (j) 的距离值代替。找到最
                                                                      c
             改变,达到自适应的目的。当v (x, y) > T h 时,该点                  小权值 w min = min {w (i, j)},以及对应的编号 i 和
             被判定为目标,否则为背景。                                     j,判断 w min 是否小于设定的门限值 ε,若w min < ε,
   243   244   245   246   247   248   249   250   251   252   253