黃松威，朱兆彤，胡友峰

(中國船舶重工集團公司 第七〇五研究所昆明分部，云南 昆明 650000)

0 引 言

聲吶目標跟蹤技術(shù)作為水下UUV關(guān)鍵技術(shù)，是計算機視覺的重點研究課題之一[1]。目標跟蹤技術(shù)可獲取監(jiān)測目標感興趣的特征信息和運動狀態(tài)，同時對目標的識別和分割技術(shù)發(fā)展起到了重要推動作用。聲吶圖像序列目標跟蹤技術(shù)通過利用提取目標的圖像信息，對環(huán)境噪聲和混響等干擾因素進行一定抑制，以實現(xiàn)對水下目標的有效跟蹤。水聲圖像目標跟蹤技術(shù)起步略晚，但目前正處于快速發(fā)展階段。各個國家都圍繞著水下目標開展相關(guān)研究，其中美歐都有成立相關(guān)的研究機構(gòu)，例如美國Florida Atlantic大學海洋工程系，其利用自研水下UUV進行水下目標探測、目標跟蹤等試驗，取得了一些進展[2]；在國內(nèi)，如中科院聲學所、哈爾濱工程大學等，也在水下目標處理相關(guān)領(lǐng)域開展了研究工作[3–5]。其中，中科院聲學所研制了一種單波束側(cè)掃聲吶，并以此為基礎(chǔ)開展了水下目標識別及檢測等工作，取得了一定的成果；哈爾濱工程大學在小平臺探測聲吶展開了相關(guān)研究，己研制出二維高分辨率成像聲吶、三維成像聲吶等多類樣機，在水下聲圖像處理領(lǐng)域也取得了一定程度的進展。

聲吶圖像處理相較于光學圖像，由于其受海底噪聲、環(huán)境噪聲干擾嚴重，給聲吶圖像處理帶來了很多不便。相比傳統(tǒng)線性模型，粒子濾波在水下非線性系統(tǒng)的應(yīng)用中具有獨特優(yōu)勢[6]。與非線性模型相比，粒子濾波目標跟蹤模型是一種非線性模型，具有更好的適用性、估計精度及靈活性，能夠適應(yīng)復(fù)雜的水下環(huán)境。但由于水下環(huán)境噪聲干擾更強烈，將粒子濾波直接用于聲吶圖像跟蹤并不能取得理想效果。本文針對以上問題，首先提出一種Curvelet變換的圖像增強改進算法；該算法在有效降低聲吶圖像噪聲的同時，對目標邊緣也進行了一定的增強；在此基礎(chǔ)上提出了一種新的基于粒子濾波的目標跟蹤方法，在保證魯棒性的同時，提高了跟蹤精度。與傳統(tǒng)聲吶目標跟蹤方法相比，本文所提方法在保證魯棒性的同時，提高了跟蹤精度，具有更好的適應(yīng)性。

1 聲吶圖像的預(yù)處理

海洋水下環(huán)境復(fù)雜多變，聲吶圖像受到噪聲的隨機干擾嚴重，使得原本均勻連續(xù)變化的灰度突然增大或減小，噪聲的產(chǎn)生因素很多，主要由換能器靈敏度差異、溫度變化、電磁影響等因素產(chǎn)生?？赡苄纬筛咚乖肼暋⒔符}噪聲、斑點噪聲等多種形式的噪聲[7]。而且，氣泡散射、多徑干擾以及海洋中特有的聲現(xiàn)象也是噪聲的重要來源。為了確保目標檢測及后續(xù)的跟蹤精度，就必須對聲吶圖像進行一定的預(yù)處理，以降低海洋噪聲，混響等干擾因素的影響。

Curvelet變換，即曲波變換。是Donoho等于1988年以小波變換和瘠波變換為理論基礎(chǔ)提出的一種多尺度圖像增強算法。Curvelet變換能夠克服小波變換和瘠波變換在圖像邊緣和奇異特性等方面的不足，具有一定優(yōu)勢。

聲吶圖像隨機噪聲干擾嚴重，故聲吶圖像增強的關(guān)鍵問題在于如何降低噪聲干擾的同時有效保留目標邊緣，自適應(yīng)的調(diào)節(jié)動態(tài)范圍。針對聲吶圖像序列特點，本文提出一種自適應(yīng)閾值的Curvelet變換算法抑制噪聲干擾，采用一種非線性映射來有效調(diào)節(jié)各個通道的變換系數(shù)，對目標邊緣進行增強，拉伸對比度，以提高圖像的邊緣表現(xiàn)。

對于高頻通道，采用定義非線性映射函數(shù)：

高頻子帶自適應(yīng)閾值為：

對低頻子帶（s=1），定義非線性映射函數(shù)：

2 聲吶圖像的目標分割

圖像分割的目的是根據(jù)不同特性，將圖像區(qū)域分為若干個子區(qū)域。對聲吶圖像而言，海底混響、環(huán)境噪聲以及環(huán)能器自噪聲等多種因素影響，聲吶圖像半點噪聲強、信噪比低，這些均給聲吶圖像的分割造成了極大困難。聲吶圖像目標跟蹤的關(guān)鍵在于如何將目標與背景有效的分割，以便之后的特征提取奠定基礎(chǔ)。

圖像分割是一種病態(tài)問題，根據(jù)貝葉斯理論，分割的關(guān)鍵在于利用圖像自身特征信息，結(jié)合一定的先驗知識，提出合適的分割函數(shù)；并且分割的結(jié)果應(yīng)對應(yīng)圖像相關(guān)特征并且符合先驗約束條件?；谒郊Ｐ偷姆指钏惴ㄋ捎玫幕顒虞喞Ｐ偷哪芰糠汉子诘\算，具有集成各種約束的靈活性，求解方便等特點。

LBF水平集模型是Li C為解決水平集重復(fù)初始化問題，提出的一種高精準度分割結(jié)果的分割模型[9]。水平集分割的核心思想將閉合曲線視為高維曲面中水平集函數(shù)的零水平集，通過求解曲線方程的演化來確定分割邊界，具有拓撲變化自由、求解靈活的優(yōu)點。

LBF水平集模型是一種區(qū)域可擴展性的能量擬合模型。非負核函數(shù)參數(shù)的大小決定了水平集擬合的灰度區(qū)域范圍。為了使得當前點的擬合能量達到最小，就需要演化曲線到達目標邊界且灰度值接近區(qū)域內(nèi)曲線內(nèi)外的灰度值。即要求對整個區(qū)域上的點的擬合能量達到最小。

LBF水平集分割步驟為：1）采用合適的能量函數(shù)以確認分割邊界；2）利用拉格朗日乘數(shù)法求出能量泛函的全局極小值以確定最優(yōu)的分割邊界；3）利用變分法或者梯度下降法等算法，得到能量最小化的演化方程；4）采用某種數(shù)值迭代算法求解演化方程。

3 基于粒子濾波目標跟蹤器的實現(xiàn)

基于粒子濾波的目標跟蹤器可以從含有噪聲的目標模型中估計目標的運動狀態(tài)，在狀態(tài)空間中，通過散布的大量離散隨機變量（即粒子）以近似模擬后驗概率分布。當粒子個數(shù)趨于無窮時，理論上可以無限逼近真實概率密度函數(shù)。粒子濾波的關(guān)鍵在于通過權(quán)值粒子集合來近似估計分布概率。每個粒子代表了對目標狀態(tài)的預(yù)測，本文的目標特征取為彩色分布模型，處理流程如圖1所示。

圖 1 基于粒子濾波目標跟蹤器的處理流程圖Fig. 1 The process flow based on particle filter target tracker

3.1 目標模型的色彩特征描述

本文采用顏色概率分布直方圖作為目標模型特征描述，利用LBF水平集分割從初始聲吶圖像中將目標與背景有效分割開，確定目標跟蹤的區(qū)域。對選中區(qū)域進行離散統(tǒng)計得到目標區(qū)域的HSV彩色分布直方圖。為了避免目標邊緣像素遮擋的影響，對于目標邊緣區(qū)域賦予小的權(quán)值；對于目標中心區(qū)域，賦予較大的權(quán)值，保證跟蹤的準確性。確定核函數(shù)為：

其中r為像素點距離區(qū)域中心的距離。位于y處的像素點顏色分布概率密度函數(shù)可以表示為：

其中：

3.2 目標粒子模型的建立

3.3 基于顏色直方圖的粒子濾波算法

1）預(yù)處理。針對聲吶圖像序列，對每一幀圖像進行子帶劃分，得到Curvelet變換系數(shù)。對低頻子帶，采取非線性映射以增強圖像的邊緣，得出低頻子帶增強變換系數(shù)；估計得到噪聲標準差得出自適應(yīng)閾值，利用自適應(yīng)閾值計算得到高頻子帶增強系數(shù)；進行Curvelet反變換，得到增強圖像序列。

處理輸出圖像如圖2所示。

圖 2 基于Curvelet變換處理效果圖Fig. 2 The process flow based on Curvelet transform processing renderings

2）目標分割。輸入初始序列圖像，利用高斯核函數(shù)建立曲線演化方程，進行水平集演化，通過迭代算法使得演化曲線逼近目標邊界，從而得到目標區(qū)域。

分割處理后得到目標區(qū)域如圖3所示。

3）基于顏色直方圖的粒子濾波算法。提取目標區(qū)域的顏色直方圖，建立相應(yīng)特征向量，設(shè)置粒子數(shù)為N，粒子初始權(quán)重均設(shè)定為1/N，給定時刻粒子樣本集合為。

圖 3 基于LBF分割處理效果圖Fig. 3 The process flow based on LBF segmentation process

計算集合中每個粒子顏色分布與目標模型的Bhattacharyya系數(shù)：

⑤ 模型更新。在跟蹤輸出位置，重新計算目標的彩色直方圖，作為下一幀目標的色彩分布。計算當前目標顏色分布與上一幀顏色分布的Bhattacharyya系數(shù)，更新權(quán)重，將新的權(quán)值作為下一幀的初始。

4 實驗結(jié)果及分析

為了驗證算法增強的效果，本節(jié)對本文跟蹤算法和傳統(tǒng)算法進行實驗對比。傳統(tǒng)算法取均值漂移算法和傳統(tǒng)粒子濾波算法。本文使用聲吶為blueviewm450，聲吶圖像序列來源為水下25 m。試驗平臺為Windows，仿真軟件為Matlab2012b，跟蹤效果如圖4所示。

圖 4 各個算法跟蹤示意圖Fig. 4 Schematic diagram of tracking effect of each algorithm

自上至下依次為均值漂移算法、傳統(tǒng)粒子濾波算法和本文跟蹤算法。由第2幀、第14幀、第26幀的對比可以看到，均值漂移算法的跟蹤效果較差，目標在14幀和26幀時沒有進入跟蹤框；傳統(tǒng)粒子濾波效果強于均值飄逸算法，但粒子散布過于離散，不能準確反映目標的位置信息；相較于前2種跟蹤方法而言，本文算法取得了良好的跟蹤效果，目標運動基本被框定在跟蹤框以內(nèi)，粒子的分布也很集中而均勻。

為了定量評價幾種跟蹤算法的跟蹤效果，引入跟蹤精確度以及算法運行時間以檢驗算法的實時效果。結(jié)果如表1所示。

由表1可以看到，相較于傳統(tǒng)算法，本文算法在跟蹤精確度方面有明顯提高。與之相對的是，由于增加前期處理以及算法復(fù)雜度，本文算法在實時性方面有一定下降。

表 1 各種跟蹤方法下精確度和運行時間對比Tab. 1 The accuracy and running time under various tracking methods

5 結(jié) 語

本文針對聲吶圖像序列噪聲干擾嚴重、背景復(fù)雜等問題，提出一種基于粒子濾波的聲吶圖像跟蹤算法。對聲吶圖像的預(yù)處理進行深入研究和分析，采用一種自適應(yīng)閾值的Curvelet變換聲吶圖像增強算法，有效降低了環(huán)境噪聲，減小了目標背景干擾。對粒子濾波算法進行了深入分析研究，采用一種基于HSV顏色特征模型的粒子濾波算法，對聲吶圖像序列進行跟蹤仿真實驗，并且與傳統(tǒng)目標跟蹤算法以及傳統(tǒng)粒子濾波算法進行了對比實驗。

實驗結(jié)果表明，該算法在跟蹤精確度方面有很大提升，而相對的則是增加了運算的復(fù)雜程度，實時性略有欠缺。今后的改進工作應(yīng)針對實時性降低的問題，對算法加以改進和強化，做到實時性和準確性的平衡統(tǒng)一。