石洋，胡長青，崔杰

免疫粒子濾波在聲吶圖像目標跟蹤中的應(yīng)用

石洋1,2，胡長青1，崔杰1,2

(1. 中國科學(xué)院聲學(xué)研究所東海研究站，上海 201815；2.中國科學(xué)院大學(xué)，北京 100049)

基于前視聲吶圖像序列，研究并實現(xiàn)了經(jīng)免疫算法優(yōu)化的粒子濾波水下目標跟蹤。聲吶圖像分割成二值圖后，提取目標的區(qū)域形狀特征以構(gòu)建觀測模型，設(shè)計目標模板自適應(yīng)更新方法；將免疫算法的克隆與變異思想引入到粒子濾波中以解決粒子退化問題。對兩組水下運動物體的跟蹤實驗表明，即使目標存在一定形變與干擾，文中的免疫粒子濾波算法仍能以較高的精度跟蹤到目標真實運動軌跡；相比于傳統(tǒng)粒子濾波算法，穩(wěn)定性也更強。

聲吶圖像；目標跟蹤；粒子濾波；免疫算法

0 引言

水下目標探測一直是海洋軍事和民用領(lǐng)域的研究熱點之一。水下運動目標跟蹤可用于特定物體的探測和潛器航行避障等方面。成像聲吶將獲取的水聲信號以圖像的形式展現(xiàn)出來，可對水下狀態(tài)進行比較直觀的展示，但是由于聲波在水中傳播時受到的干擾限制較多，水聲成像存在無顏色信息、細節(jié)模糊、對比度差等問題。因此，目標跟蹤理論與算法應(yīng)用到水聲探測中還需結(jié)合水聲圖像的特性。

粒子濾波算法是一種常用的目標狀態(tài)估計方法，在非線性、非高斯的情況下有著獨特的優(yōu)勢[1]。傳統(tǒng)粒子濾波算法存在粒子退化[2]問題，雖然重采樣在一定程度上可以解決該問題，卻也降低了粒子的多樣性。為了改善這種情況，各種優(yōu)化算法與粒子濾波相結(jié)合的思想開始被提出：PARK等[3]將遺傳算法引入到粒子濾波中；方正等[4]利用粒子群算法做優(yōu)化；JI等[5]提出擬退火算法優(yōu)化。同時，國內(nèi)外很多學(xué)者的研究證明了粒子濾波及其改進算法在目標跟蹤上的有效性。具體到水聲探測領(lǐng)域，由于不同型號的聲吶成像性能不同，以及水下環(huán)境的差異性，基于水聲圖像的目標跟蹤并未形成通用的處理方法。本文使用文獻[6]提出的免疫粒子濾波作為算法框架，結(jié)合前視聲吶圖像的特征，將其應(yīng)用到水下二維目標的探測中。

1 粒子濾波算法

對于一個非線性、非高斯的系統(tǒng)，構(gòu)建其狀態(tài)模型與觀測模型：

1.1 貝葉斯濾波

(1) 預(yù)測過程

(2) 更新過程

求得觀測概率后，可得更新方程：

1.2 蒙特卡洛方法

1.3 序貫重要性采樣

1.4 重采樣

2 基于粒子濾波的聲吶圖像目標跟蹤

聲吶圖像目標跟蹤的目的就是準確地獲取圖像序列中目標的運動軌跡。由于前視聲吶常被安裝在潛器或船舶的前端，用于水下環(huán)境感知或目標探測，在海洋開發(fā)以及軍事需求等方面有著較為廣泛的應(yīng)用，故本文主要研究前視聲吶的水下目標跟蹤。

2.1 聲吶圖像處理

前視聲吶在水下發(fā)射聲波，根據(jù)回波的強弱與方向得到灰度圖。原始聲吶圖像存在細節(jié)模糊、邊界殘缺、對比度差等問題，需要先進行增強處理以提高視覺效果。之后本文利用融合鄰域均值信息的模糊C均值(Fuzzy C-means, FCM)算法分割圖像。該算法具有較高的抗噪性與準確性，可得到目標與背景區(qū)邊界清晰的二值圖。為方便后續(xù)計算，將背景區(qū)像素值設(shè)置為0，目標區(qū)像素值設(shè)置為1。

2.2 特征提取

目標的特征是建立觀測模型的基礎(chǔ)。由于前視聲吶圖像沒有顏色信息，缺乏紋理特征，故提取4種區(qū)域形狀特征，并進行特征融合用以描述目標區(qū)域的二值圖像。

2.2.1 似圓度

2.2.2 最大連通分量的外接矩形

對目標區(qū)域做膨脹處理，使得整個區(qū)域內(nèi)的連通分量盡可能形成一個整體。用該區(qū)域內(nèi)最大連通分量的外接矩形的長、寬來反映物體的形狀信息。

2.2.3 連通區(qū)域的外接矩形面積之和

選取目標區(qū)域內(nèi)所有連通分量外接矩形的面積和作為特征，可在面積特征的基礎(chǔ)上加強對形狀信息的反映。

2.3 聲圖像目標跟蹤

以目標的區(qū)域形狀特征建立系統(tǒng)的觀測模型，以目標的質(zhì)心坐標建立系統(tǒng)的狀態(tài)模型?；诼晥D像的目標跟蹤問題可描述為：利用當(dāng)前幀的圖像信息(觀測值)來估計目標的位置(狀態(tài)值)。

2.3.1 狀態(tài)模型

狀態(tài)模型用來描述目標的運動方式。在圖像跟蹤領(lǐng)域，非機動目標常用一階自回歸模型，即

2.3.2 觀測模型

粒子權(quán)值為

2.3.3 算法步驟

(3) 重采樣：選用隨機重采樣(Random Resampling, RP)方法，詳見參考文獻[8]。隨機重采樣能在粒子數(shù)不變的情況下多次復(fù)制權(quán)值大的粒子。

(4) 自適應(yīng)更新模板：物體運動導(dǎo)致不在同角度和距離上接收到的聲圖像存在差異，目標在幀與幀之間存在著形變。固定不變的模板勢必給跟蹤帶來誤差[9]，因此需要自適應(yīng)更新模板。時刻模板更新規(guī)則為

3 免疫粒子濾波算法

3.1 免疫算法

免疫算法是一種模擬生物免疫系統(tǒng)的智能優(yōu)化算法。它通過構(gòu)造動態(tài)的自適應(yīng)防御體系，抵制外部無用信息，從而保證接收信息的有效性。該算法把所求問題的目標函數(shù)和約束條件當(dāng)作抗原，把問題的解當(dāng)作抗體，通過免疫操作使抗體在解空間不斷搜索進化，按照抗體與抗原的匹配程度即親和度進行評價產(chǎn)生最優(yōu)解。通過克隆對抗體進行復(fù)制，促進親和力大的抗體，抑制親和力小的抗體；通過變異對抗體的狀態(tài)進行改變，提高了抗體群的多樣性，防止算法收斂于局部最優(yōu)解[10]。將免疫算法運用到粒子濾波的重采樣中，可較好地解決粒子多樣性喪失的問題，提高跟蹤精度。

3.2 免疫粒子濾波目標跟蹤

聲圖像免疫粒子濾波算法步驟如下：

(1) 初始化：與2.3.3節(jié)中步驟(1)相同。

(3)克?。簩⒖贵w按照親和度大小復(fù)制個，定義

(4) 變異：對完成克隆后的所有抗體進行變異，形式為[11]

4 實驗結(jié)果及分析

本實驗使用挪威Konsberg公司生產(chǎn)的M3多波束前視聲吶于某湖上進行。以鐵架和漁網(wǎng)為水下目標，用細繩牽引它們運動。

4.1 形變目標跟蹤

收集鐵架在水下運動的聲圖像，一共56幀。圖1為部分分割后的二值圖。由圖1可知，隨著運動位置的變化，目標圖像在不同序列間逐漸發(fā)生了改變。

免疫PF跟蹤軌跡與目標真實運動軌跡如圖3所示。

(a) 第1幀

(b) 第20幀

(c) 第30幀

(d) 第50幀 圖1 部分鐵架聲吶圖像 Fig.1 Part of iron frame sonar images 圖2 隨機重采樣粒子濾波跟蹤鐵架的運動軌跡 Fig.2 Tracking trajectory of random resampling PF for iron frame 圖3 免疫粒子濾波跟蹤鐵架的運動軌跡 Fig.3 Tracking trajectory of immue PF for iron frame 圖4 兩種粒子濾波算法的誤差對比 Fig.4 Error comparison between two PF algorithms 由圖4可知，除第4幀、6～7幀、15～20幀、第28幀和41～45幀外，其余幀免疫PF跟蹤結(jié)果的誤差均小于隨機重采樣PF；免疫PF的誤差均值為1.31，方差為1.71，小于隨機重采樣PF的誤差均值1.71和方差1.91。 4.2 存在干擾時目標跟蹤 收集漁網(wǎng)在豎直方向運動的聲圖像，一共55幀。漁網(wǎng)在運動過程中，自身存在一定程度的形變，同時在某些時刻還有魚類穿過。圖5為部分分割后的二值圖。 (a) 第8幀 (b) 第22幀 (c) 第55幀 圖5 部分漁網(wǎng)聲吶圖像 Fig.5 Part of fishing net sonar images 粒子數(shù)N=20，B與R的選取方法同4.1節(jié)，且兩個參數(shù)在x方向的大小為y方向的1/3；=0.85，=0.6。圖6為隨機重采樣PF跟蹤軌跡與誤差。 (a) 隨機重采樣粒子濾波y方向跟蹤軌跡 (b) 隨機重采樣粒子濾波y方向跟蹤誤差 圖6 隨機重采樣粒子濾波跟蹤漁網(wǎng)在y方向運動的結(jié)果 Fig.6 Tracking result of random resampling PF for fishing net moving in the y direction 圖7為免疫PF跟蹤軌跡與誤差由圖6、7可知，隨機重采樣PF跟蹤誤差的均值為5.48，方差為19.60；免疫PF跟蹤誤差的均值為4.68，方差為13.92。對比圖6和圖7可知，該場景下免疫PF的跟蹤精度與穩(wěn)定性也強于傳統(tǒng)的隨機重采樣PF。 2.1.3 開花習(xí)性?！傍櫢＝疸@蔓綠絨”及其親本在大棚種植1年后可開花，不同的是“鴻福金鉆蔓綠絨”肉穗花序呈淺橙色，“鴻運金鉆蔓綠絨”肉穗花序呈黃綠色。 (a) 免疫粒子濾波y方向跟蹤軌跡 (b) 免疫粒子濾波y方向跟蹤誤差 圖7 免疫粒子濾波跟蹤漁網(wǎng)在y方向運動的結(jié)果 Fig.7 Tracking result of immune PF for fishing net moving in the y direction 5 結(jié)論 本文利用免疫算法對粒子濾波進行優(yōu)化，提高了粒子的多樣性；結(jié)合前視聲吶圖像的特征，設(shè)計目標模板的自適應(yīng)更新，減小了目標形變與外界干擾造成的誤差；完成了基于聲吶圖像的水下目標跟蹤。分別對鐵架和漁網(wǎng)的聲圖像序列做跟蹤，結(jié)果表明：免疫粒子濾波能夠在較小的誤差范圍內(nèi)跟蹤到物體；對比傳統(tǒng)的隨機重采樣粒子濾波，免疫粒子濾波通過提高粒子的多樣性，使得跟蹤結(jié)果更具穩(wěn)定性，精度也得到了一定程度的提升，為特定目標的檢測、識別等工作中位置信息的獲取提供了支持。 參考文獻 [1] GORDON N J, SALMOND D J, SMITH A F M. Novel approach to nonlinear/non-Gaussian Bayesian state estimation[J]. IEE Proceedings F-Radar and Signal Processing, 2002, 140(2): 107-113. [2] ARULAMPALAM M S, MASKELL S, GORDON N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2): 174-188. [3] PARK S, HWANG J, ROU K, et al. A new particle filter inspired by biological evolution: Genetic filter[J]. Journal of Applied Science Engineering and Technology, 2007, 4(1): 459-463 [4] 方正, 佟國峰, 徐心和. 粒子群優(yōu)化粒子濾波方法[J]. 控制與決策, 2007, 22(3): 273-277. FANG Zheng, TONG Guofeng, XU Xinhe. Particle swarm optimized particle filter[J]. Control and Decision, 2007, 22(3): 273-277. [5] JI C L, ZHANG Y Y, TONG M M, et al. Particle filter with swarm move for optimization[C]//Parallel Problem Solving From Nature-PPSN X, International Conference Dortmund, Germany, September 13-17, 2008, Proceedings. DBLP, 2008:909-918. [6] HAN H, DING Y, HAO K. A new immune particle filter algorithm for tracking a moving target[C]//Sixth International Conference on Natural Computation. IEEE, 2010: 3248-3252. [7] 胡士強, 敬忠良. 粒子濾波算法綜述[J]. 控制與決策, 2005, 20(4): 361-365. HU Shiqiang, JING Zhongliang. Overview of particle filter algotithm[J]. Control and Decision, 2005, 20(4): 361-365. [8] KITAGAWA G. Monte Carlo Filter and Smoother for Non-Gaussian Nonlinear State Space Models[J]. Journal of Computational & Graphical Statistics, 1996, 5(1): 1-25 [9] 劉立昕. 前視聲納目標跟蹤技術(shù)研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2011, 34-35. LIU Lixin. Research on target tracking technique of forward-looking sonar[D]. Harbin: Harbin Engineering University, 2011, 34-35., [10] 李茂軍, 羅安, 童調(diào)生. 人工免疫算法及其應(yīng)用研究[J]. 控制理論與應(yīng)用, 2004, 21(2): 153-157. LI Maojun, LUO An, TONG Tiaosheng. Article immune algorithm and its applications[J]. Control Theory & Applications, 2004, 21(2): 153-157. [11] 李文輝, 陳昱昊, 王瑩. 自適應(yīng)的免疫粒子濾波車輛跟蹤算法[J]. 吉林大學(xué)學(xué)報(理學(xué)版), 2016, 54(5): 1055-1063. LI Wenhui, CHEN Yuhao, WANG Ying. Vehicle tracking algorithm based on adaptive immune particle filter[J]. Journal of Jiling University(Science Edition), 2016, 54(5): 1055-1063. Application of immune particle filter in target tracking with sonar image SHI Yang1,2, HU Chang-qing 1, CUI Jie 1,2 (1. Shanghai Acoustic Laboratory, Institute of Acoustics, Chinese Academy of Sciences, Shanghai 201815, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China) Abstract: Based on the forward-looking sonar image sequences, the particle filtering (PF) optimized by the immune algorithm for underwater target tracking is studied and implemented. After the sonar image is segmented into binary image, the area shape features of the target are extracted to construct the observation model, and the adaptive updating method of the target template is designed. The clone and mutation ideas of the immune algorithm are introduced into particle filtering to solve the problem of particle degradation. The tracking experiments for two groups of underwater moving objects show that even if the target has certain deformation and interference, the immune particle filtering algorithm in this paper can still track the real trajectory with high precision and compared to the traditional particle filtering algorithm, the stability is also stronger. Key words: sonar image; target tracking; particle filtering; immune algorithm 中圖分類號：TB566 文獻標識碼：A 文章編號：1000-3630(2019)-04-0370-06 DOI編碼：10.16300/j.cnki.1000-3630.2019.04.002 收稿日期: 2018-08-04; 修回日期: 2018-09-03 作者簡介:石洋(1991－), 男, 湖北黃石人, 碩士研究生, 研究方向為水聲技術(shù)。 通訊作者: 胡長青,E-mail: hchq@mail.ioa.ac.cn