免疫粒子滤波在声呐图像目标跟踪中的应用

石洋，胡长青，崔杰

免疫粒子滤波在声呐图像目标跟踪中的应用

石洋1,2，胡长青1，崔杰1,2

(1. 中国科学院声学研究所东海研究站，上海 201815；2.中国科学院大学，北京 100049)

基于前视声呐图像序列，研究并实现了经免疫算法优化的粒子滤波水下目标跟踪。声呐图像分割成二值图后，提取目标的区域形状特征以构建观测模型，设计目标模板自适应更新方法；将免疫算法的克隆与变异思想引入到粒子滤波中以解决粒子退化问题。对两组水下运动物体的跟踪实验表明，即使目标存在一定形变与干扰，文中的免疫粒子滤波算法仍能以较高的精度跟踪到目标真实运动轨迹；相比于传统粒子滤波算法，稳定性也更强。

声呐图像；目标跟踪；粒子滤波；免疫算法

0 引言

水下目标探测一直是海洋军事和民用领域的研究热点之一。水下运动目标跟踪可用于特定物体的探测和潜器航行避障等方面。成像声呐将获取的水声信号以图像的形式展现出来，可对水下状态进行比较直观的展示，但是由于声波在水中传播时受到的干扰限制较多，水声成像存在无颜色信息、细节模糊、对比度差等问题。因此，目标跟踪理论与算法应用到水声探测中还需结合水声图像的特性。

粒子滤波算法是一种常用的目标状态估计方法，在非线性、非高斯的情况下有着独特的优势[1]。传统粒子滤波算法存在粒子退化[2]问题，虽然重采样在一定程度上可以解决该问题，却也降低了粒子的多样性。为了改善这种情况，各种优化算法与粒子滤波相结合的思想开始被提出：PARK等[3]将遗传算法引入到粒子滤波中；方正等[4]利用粒子群算法做优化；JI等[5]提出拟退火算法优化。同时，国内外很多学者的研究证明了粒子滤波及其改进算法在目标跟踪上的有效性。具体到水声探测领域，由于不同型号的声呐成像性能不同，以及水下环境的差异性，基于水声图像的目标跟踪并未形成通用的处理方法。本文使用文献[6]提出的免疫粒子滤波作为算法框架，结合前视声呐图像的特征，将其应用到水下二维目标的探测中。

1 粒子滤波算法

对于一个非线性、非高斯的系统，构建其状态模型与观测模型：

1.1 贝叶斯滤波

(1) 预测过程

(2) 更新过程

求得观测概率后，可得更新方程：

1.2 蒙特卡洛方法

1.3 序贯重要性采样

1.4 重采样

2 基于粒子滤波的声呐图像目标跟踪

声呐图像目标跟踪的目的就是准确地获取图像序列中目标的运动轨迹。由于前视声呐常被安装在潜器或船舶的前端，用于水下环境感知或目标探测，在海洋开发以及军事需求等方面有着较为广泛的应用，故本文主要研究前视声呐的水下目标跟踪。

2.1 声呐图像处理

前视声呐在水下发射声波，根据回波的强弱与方向得到灰度图。原始声呐图像存在细节模糊、边界残缺、对比度差等问题，需要先进行增强处理以提高视觉效果。之后本文利用融合邻域均值信息的模糊C均值(Fuzzy C-means, FCM)算法分割图像。该算法具有较高的抗噪性与准确性，可得到目标与背景区边界清晰的二值图。为方便后续计算，将背景区像素值设置为0，目标区像素值设置为1。

2.2 特征提取

目标的特征是建立观测模型的基础。由于前视声呐图像没有颜色信息，缺乏纹理特征，故提取4种区域形状特征，并进行特征融合用以描述目标区域的二值图像。

2.2.1 似圆度

2.2.2 最大连通分量的外接矩形

对目标区域做膨胀处理，使得整个区域内的连通分量尽可能形成一个整体。用该区域内最大连通分量的外接矩形的长、宽来反映物体的形状信息。

2.2.3 连通区域的外接矩形面积之和

选取目标区域内所有连通分量外接矩形的面积和作为特征，可在面积特征的基础上加强对形状信息的反映。

2.3 声图像目标跟踪

以目标的区域形状特征建立系统的观测模型，以目标的质心坐标建立系统的状态模型。基于声图像的目标跟踪问题可描述为：利用当前帧的图像信息(观测值)来估计目标的位置(状态值)。

2.3.1 状态模型

状态模型用来描述目标的运动方式。在图像跟踪领域，非机动目标常用一阶自回归模型，即

2.3.2 观测模型

粒子权值为

2.3.3 算法步骤

(3) 重采样：选用随机重采样(Random Resampling, RP)方法，详见参考文献[8]。随机重采样能在粒子数不变的情况下多次复制权值大的粒子。

(4) 自适应更新模板：物体运动导致不在同角度和距离上接收到的声图像存在差异，目标在帧与帧之间存在着形变。固定不变的模板势必给跟踪带来误差[9]，因此需要自适应更新模板。时刻模板更新规则为

3 免疫粒子滤波算法

3.1 免疫算法

免疫算法是一种模拟生物免疫系统的智能优化算法。它通过构造动态的自适应防御体系，抵制外部无用信息，从而保证接收信息的有效性。该算法把所求问题的目标函数和约束条件当作抗原，把问题的解当作抗体，通过免疫操作使抗体在解空间不断搜索进化，按照抗体与抗原的匹配程度即亲和度进行评价产生最优解。通过克隆对抗体进行复制，促进亲和力大的抗体，抑制亲和力小的抗体；通过变异对抗体的状态进行改变，提高了抗体群的多样性，防止算法收敛于局部最优解[10]。将免疫算法运用到粒子滤波的重采样中，可较好地解决粒子多样性丧失的问题，提高跟踪精度。

3.2 免疫粒子滤波目标跟踪

声图像免疫粒子滤波算法步骤如下：

(1) 初始化：与2.3.3节中步骤(1)相同。

(3)克隆：将抗体按照亲和度大小复制个，定义

(4) 变异：对完成克隆后的所有抗体进行变异，形式为[11]

4 实验结果及分析

本实验使用挪威Konsberg公司生产的M3多波束前视声呐于某湖上进行。以铁架和渔网为水下目标，用细绳牵引它们运动。

4.1 形变目标跟踪

收集铁架在水下运动的声图像，一共56帧。图1为部分分割后的二值图。由图1可知，随着运动位置的变化，目标图像在不同序列间逐渐发生了改变。

免疫PF跟踪轨迹与目标真实运动轨迹如图3所示。

(a) 第1帧

(b) 第20帧

(c) 第30帧

(d) 第50帧 图1 部分铁架声呐图像 Fig.1 Part of iron frame sonar images 图2 随机重采样粒子滤波跟踪铁架的运动轨迹 Fig.2 Tracking trajectory of random resampling PF for iron frame 图3 免疫粒子滤波跟踪铁架的运动轨迹 Fig.3 Tracking trajectory of immue PF for iron frame 图4 两种粒子滤波算法的误差对比 Fig.4 Error comparison between two PF algorithms 由图4可知，除第4帧、6～7帧、15～20帧、第28帧和41～45帧外，其余帧免疫PF跟踪结果的误差均小于随机重采样PF；免疫PF的误差均值为1.31，方差为1.71，小于随机重采样PF的误差均值1.71和方差1.91。 4.2 存在干扰时目标跟踪 收集渔网在竖直方向运动的声图像，一共55帧。渔网在运动过程中，自身存在一定程度的形变，同时在某些时刻还有鱼类穿过。图5为部分分割后的二值图。 (a) 第8帧 (b) 第22帧 (c) 第55帧 图5 部分渔网声呐图像 Fig.5 Part of fishing net sonar images 粒子数N=20，B与R的选取方法同4.1节，且两个参数在x方向的大小为y方向的1/3；=0.85，=0.6。图6为随机重采样PF跟踪轨迹与误差。 (a) 随机重采样粒子滤波y方向跟踪轨迹 (b) 随机重采样粒子滤波y方向跟踪误差 图6 随机重采样粒子滤波跟踪渔网在y方向运动的结果 Fig.6 Tracking result of random resampling PF for fishing net moving in the y direction 图7为免疫PF跟踪轨迹与误差由图6、7可知，随机重采样PF跟踪误差的均值为5.48，方差为19.60；免疫PF跟踪误差的均值为4.68，方差为13.92。对比图6和图7可知，该场景下免疫PF的跟踪精度与稳定性也强于传统的随机重采样PF。 2.1.3 开花习性。“鸿福金钻蔓绿绒”及其亲本在大棚种植1年后可开花，不同的是“鸿福金钻蔓绿绒”肉穗花序呈浅橙色，“鸿运金钻蔓绿绒”肉穗花序呈黄绿色。 (a) 免疫粒子滤波y方向跟踪轨迹 (b) 免疫粒子滤波y方向跟踪误差 图7 免疫粒子滤波跟踪渔网在y方向运动的结果 Fig.7 Tracking result of immune PF for fishing net moving in the y direction 5 结论 本文利用免疫算法对粒子滤波进行优化，提高了粒子的多样性；结合前视声呐图像的特征，设计目标模板的自适应更新，减小了目标形变与外界干扰造成的误差；完成了基于声呐图像的水下目标跟踪。分别对铁架和渔网的声图像序列做跟踪，结果表明：免疫粒子滤波能够在较小的误差范围内跟踪到物体；对比传统的随机重采样粒子滤波，免疫粒子滤波通过提高粒子的多样性，使得跟踪结果更具稳定性，精度也得到了一定程度的提升，为特定目标的检测、识别等工作中位置信息的获取提供了支持。 参考文献 [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, 佟国峰, 徐心和. 粒子群优化粒子滤波方法[J]. 控制与决策, 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] 胡士强, 敬忠良. 粒子滤波算法综述[J]. 控制与决策, 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] 刘立昕. 前视声纳目标跟踪技术研究[D]. 哈尔滨: 哈尔滨工程大学, 2011, 34-35. LIU Lixin. Research on target tracking technique of forward-looking sonar[D]. Harbin: Harbin Engineering University, 2011, 34-35., [10] 李茂军, 罗安, 童调生. 人工免疫算法及其应用研究[J]. 控制理论与应用, 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] 李文辉, 陈昱昊, 王莹. 自适应的免疫粒子滤波车辆跟踪算法[J]. 吉林大学学报(理学版), 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 中图分类号：TB566 文献标识码：A 文章编号：1000-3630(2019)-04-0370-06 DOI编码：10.16300/j.cnki.1000-3630.2019.04.002 收稿日期: 2018-08-04; 修回日期: 2018-09-03 作者简介:石洋(1991－), 男, 湖北黄石人, 硕士研究生, 研究方向为水声技术。 通讯作者: 胡长青,E-mail: hchq@mail.ioa.ac.cn