CN111999735B - 一种基于径向速度和目标跟踪的动静目标分离方法 - Google Patents

Abstract

本发明提供的是一种基于径向速度和目标跟踪的动静目标分离方法。该方法利用成像声纳的回波测量得到目标径向速度信息，通过径向速度信息初步判断目标是否为运动目标，在此基础上，计算每个被判断为运动目标的等效中心坐标，使用多假设跟踪算法对目标进行跟踪，跟踪后的结果可以获得每个目标的状态信息，最后根据此状态信息中的速度信息进一步筛选出真实的运动目标。该方法对原先只用径向速度提取结果中短暂丢失的目标也能进行检测提取，并滤除部分干扰目标，由此提高了动静目标分离的稳定性。

Description

一种基于径向速度和目标跟踪的动静目标分离方法

技术领域

本发明涉及二维成像声纳技术领域，具体涉及一种基于径向速度和目标跟踪的动静目标分离方法。

背景技术

成像声纳在港口的实时检测，自动报警，水下蛙人探测等方面有着广泛的应用价值，在上述场景中成像结果中运动目标是我们主要关注的对象，因此动静目标分离必不可少，动静目标分离可以转化为运动目标检测问题。当前成像声纳的对动目标检测大部分是基于图像序列来判断运动目标，常用的方法有：背景消减法、帧间差分法、光流法。但是这些方法存在较多的限制条件，比如背景消减法需要背景环境相对稳定；帧间差分法对图像序列选择的时间间隔有要求；光流法计算量较大，难以满足实时性要求；也有基于特定形状的目标运动目标的检测，这类方法就要求较高的成像精度，同时要已知目标的特征。然而前视声纳分辨率低，目标信息量少，对噪声敏感，旁瓣干扰严重(郭戈,王兴凯,徐慧朴.基于声呐图像的水下目标检测、识别与跟踪研究综述[J],控制与决策,2018,5(33):906-922)，使用上述方法实现动静目标分离效果欠佳。

成像声纳动静目标分离的可以利用目标跟踪方法，事先将所有目标检测出来，然后使用目标跟踪算法对检测到的目标进行跟踪，通过跟踪结果中目标的状态信息来判断目标的运动状态。此时动静目标分离问题转化为目标跟踪问题，此时的目标跟踪是一个未知目标数目的多目标跟踪问题，可以使用多假设跟踪算法实现(Blackman S S.Multiplehypothesis tracking for multiple target tracking[J].IEEE Aerospace andElectronic Systems Magazine,2004,19(1):5-18.)。该方法跟踪效果稳定，原始检测到的目标中可能存在大量的静止目标，直接使用多假设跟踪算法，随着检测目标数目的增加，目标跟踪所需计算量也会增加，进而导致动目标检测的实时性降低。

另外还可以利用回波信号的多普勒特征获取目标的径向速度，以判断目标的运动状态，该方法可以迅速的判断出成像目标是否为运动目标，对回波信号中含有速度的目标具较好的检测效果，但是该方法容易受到环境的影响(鱼类的干扰、环境噪声等)，会出现较高的虚警概率，检测结果不稳定。因此如何提高动静目标分离的稳定性具有重要的现实意义。

发明内容

为了克服利用径向速度的方法判断运动目标时，检测结果不稳定的问题，本发明提供了一种基于径向速度和目标跟踪的动静目标分离方法。

本发明所采用的具体技术方案如下：

一种基于径向速度和目标跟踪的动静目标分离方法，其步骤如下：

S1：利用成像声纳的回波测量得到当前时刻所有目标的径向速度信息，通过径向速度信息对目标是否为运动目标进行初步判断，得到初始运动目标集合；

S2：针对初始运动目标集合中的每个运动目标，将运动目标的每个像素点坐标由极坐标转换为直角坐标，以等效坐标中心点到运动目标的各个像素点的距离之和最小为目标函数，求解得到运动目标的等效坐标中心点；

S3：以S2中得到的所有运动目标的等效坐标中心点组成测量集合，然后使用多假设跟踪算法对测量目标进行跟踪，获得每个运动目标的状态信息；

S4：根据每个运动目标的状态信息中的速度分量信息，进一步判断目标的运动状态并筛选出真实的运动目标，实现动静目标分离。

作为优选，步骤S1中，通过径向速度信息对目标是否为运动目标进行初步判断的方法为：

针对每个目标中所有速度大于设定阈值v_T的像素点，求其速度均值，若该速度均值大于阈值v_T0，则初步判断该目标为运动目标，否则初步判断该目标为静止目标。

作为优选，所述设定阈值v_T＝0.1m/s，所述阈值v_T0＝0.5m/s。

作为优选，步骤S2中，运动目标的等效坐标中心点计算方法为：

将计算等效坐标中心问题转化为求解最小值问题，其中目标函数为(x_n,y_n)为运动目标中第n个像素点的直角坐标，N_m为运动目标中的像素点个数；求解目标函数，得到使f(Tx_0m,Ty_0m)取得最小值的等效坐标中心点坐标(Tx_0m,Ty_0m)。

作为优选，求解目标函数时，采用粒子群算法求解最小值问题。

作为优选，步骤S3中，每个运动目标的状态信息为[x_l,vx_l,y_l,vy_l]^T，其中x_l、y_l分别表示第l个运动目标的在直角坐标系下的等效坐标中心点的x、y坐标值，vx_l和vy_l分别表示第l个运动目标在x方向上和y方向上的速度分量。

作为优选，步骤S4中，判断目标的运动状态并筛选出真实的运动目标的方法为：

根据运动目标的状态信息，计算每个运动目标的标量速度v_l＝||(vx_l,vy_l)||₂，其中||·||₂表示2范数；将每个运动目标的标量速度v_l与设定阈值v_T1进行比较，若v_l小于等于阈值v_T1时，将该运动目标视为静止目标，反之视为真实的运动目标。

作为优选，阈值v_T1＝0.2m/s。

本发明中，需要建立在目标径向速度以及每个目标的像素点位置已知的情况下。因此，作为优选，本发明提供了一种利用成像声纳的回波测量得到当前帧中所有目标的径向速度信息的方法，其具体为：

S101：对声纳接收阵接收到的信号进行相位补偿，得到波束形成结果，该结果的数据矩阵为N×T的二维矩阵，其中N表示预成波束形成的方位个数，T表示一个回波周期的采样点数；将波束形成结果在每个方位上等间距划分成R个距离单元，并对每一个距离单元中所有采样点求和后作为代表该距离单元的值，得到N×R的二维矩阵；

S102：在S101得到的N×R的二维矩阵基础上，使用二维十字形参考窗做二维恒虚警检测，其中在方位维上使用单元平均恒虚警检测方法，在距离维上使用一维的有序统计恒虚警检测算法，然后将两个维度的恒虚警检测结果做逻辑与操作，得到一个N×R的0-1矩阵；

S103：在步骤S102输出结果的基础上，确定0-1矩阵中每一个数值为1的像素点的位置信息，然后使用dbscan聚类分析算法对这些数值为1的像素点进行聚类，得到聚类输出结果实现信号中目标的划分，其中一个类别的像素点代表一个目标；需注意，聚类结果中需对噪声点进行排除使其不参与步骤S104的处理；

S104：在步骤S103得到的聚类输出结果基础上，分别找到每一类别中每个像素点在步骤S101所述N×T的二维矩阵中对应的数据段，然后使用脉冲对法对找到的数据段进行速度估计，得到每一个像素点对应的数据段的速度估计值，实现目标径向速度提取。

通过该做法，可以提取到目标径向速度信息，用于S1中目标的运动状态判断。当然，需要注意的是此处提供的利用成像声纳的回波测量得到当前帧中所有目标的径向速度信息的方法仅仅是一种实现形式，并非仅有该方式可以实现，本发明也可以采用现有技术中获取目标径向速度信息的任意方式实现。

本发明可用于针对静止目标与运动目标不重叠且相隔一定的距离条件下的动静目标分离。

本发明具有的有益效果为：

该方法将基于径向速度的动目标检测方法与目标跟踪技术相结合，减少了多假设跟踪的输入样本集合，减少了跟踪算法的计算量，实现了动静目标分离。该方法对原先只用径向速度提取结果中短暂丢失的目标也能进行检测提取，并滤除部分干扰目标，由此提高了动静目标分离的稳定性。

附图说明

图1为本发明一种基于径向速度和目标跟踪的动静目标分离方法流程图；

图2为直接利用径向速度检测方法和一种基于径向速度和目标跟踪的动静目标分离方法试验结果对比；

图3为试验现场视角范内已知目标说明。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

实施例1

在本发明的一个较佳实施例中，提供了一种基于径向速度和目标跟踪的动静目标分离方法，流程如图1所示，其具体实现过程可以划分以下几个步骤：

(1)步骤101中：利用成像声纳的回波测量得到当前时刻(记为k时刻)中所有目标的径向速度信息，从该径向速度信息中已知每个目标T_i像素点的极坐标(r_n,α_n)，以及相应的像素点对应的速度vr_n，记为T_i＝{r_n,α_n,vr_n|n∈Z,1≤n≤N_i}。然后对每个目标中所有速度大于设定阈值v_T的像素点，求其速度均值102，该均值与设定阈值v_T0作比较，若该速度均值大于阈值v_T0，则设v_i＝1，表示为该目标为运动目标，反之，当该速度均值小于等于阈值v_T0时，设v_i＝0，表示为该目标为静止目标。此时每个目标表示为T_i＝{r_n,α_n；v_i|n∈Z,1≤n≤N_i；v_i＝0,1}，其中r_n和α_n分别表示成像目标的每个像素点的距离和方位，n表示像素点索引值，N_i表示该目标共有N_i个像素点。由于此时判断为运动目标的集合可能包含部分干扰，或者静止目标，因此需要对取出这部分目标做进一步的分析，只取v_i＝1的目标，得到初始运动目标集合T_m＝{r_n,α_n；v_m|n∈Z,1≤n≤N_m；v_m＝1,m＝1,…,M_k}，其它则初步视为是静止目标。

此处，设定速度阈值v_T进行筛选的目的是去除目标中部分误差像素点，防止引入过大的误差。v_T和v_T0的具体取值需要根据实际的场景进行优化，选择能够准确判断出目标运动还是静止的取值。在本实施例中，设定阈值v_T＝0.1m/s，所述阈值v_T0＝0.5m/s

(2)计算每个目标的位置等效位置103：输入的初始运动目标集合中每个运动目标的像素点坐标为极坐标，需要先使用极坐标转换公式x_n＝r_ncos(α_n)和y_n＝r_n sin(α_n)将其从极坐标系转换到直角坐标系中，由此得到直角坐标系下的初始运动目标集合T_m＝{x_n,y_n；v_m|n∈Z,1≤n≤N_m；v_m＝1,m＝1,…,M_k}，M_k表示运动目标的个数；然后计算每个运动目标的等效坐标中心点(Tx_0m,Ty_0m)，计算等效坐标的方法如下：建立目标函数f(Tx_0m,Ty_0m)，求解该函数令等效坐标中心点到目标中各个像素点之间的距离和最小。

其中求解坐标(Tx_0m,Ty_0m)使得f(Tx_0m,Ty_0m)取最小值，即/>此时计算等效坐标中心的问题转化为求最小值的问题，求解最小值问题的方法有遗传算法、粒子群算法、模拟退火算法等，本实施例使用粒子群算法求解。

(3)目标跟踪104：以k时刻得到的所有等效坐标z_m(k)＝(Tx_0m,Ty_0m)组成测量集合Z_k＝{z_m(k),m＝1,…,M_k}，然后使用多假设跟踪算法对测量目标进行跟踪，获得每个运动目标的状态信息。

多假设跟踪算法生成数据关联假设，以说明每个测量的所有可能起始来源，然通过计算每个假设的概率，只保留大概率关联假设。该算法主要包括三个部分：数据聚簇、假设生成以及对应概率计算、假设删减。在本实施例中其具体实现方法如下：

1)数据聚簇

数据聚簇就是将当前的测量和已确定的簇进行关联，如果有先前两个或以上的簇和一个测量关联，则就将这两个簇合并成一个簇；若当前测量与之前任何一个簇没有关联，则生成一个新的簇。已经确定的每个目标单独形成一个簇。聚簇就是将所有目标和测量分成独立的簇(组)。

2)假设生成以及概率计算

令Z_k＝{z_m(k),m＝1,…,M_k}表示k时刻的测量集合；Z^k＝{Z₁,Z₂,…,Z_k}表示从起始时刻到k时刻累积的测量集合；表示k时刻的累积测量集合Z^k与目标或者干扰关联的所有假设；/>表示一个测量集经过m次处理之后的假设集，当得到一个新的测量集合Z_k+1，新的假设集合Ω^k+1生成方式如下：/>表示初始假设集，令/>新的假设集合/>由上一次处理得到的假设集合/>中的每个假设/>和新的测量集合中第m个测量z_m(k+1)关联得到的所有假设组成。新的集合中每个假设都是联合假设，其中假设/>为真，则测量z_m(k+1)来自目标j。若j＝0时，则表示当前测量是虚警，若j是任何一个已知的目标序号时，则表示当前测量来源于对应的目标，若j的取值大于最大目标个数时，此时表示测量来源于一个新的目标。以上操作对新的测量集合中的每个测量都重复执行，直到假设集合/>生成。

与当前相关的量测事件θ(k)包括：τ个测量源于已确认的目标；υ个测量源于新目标；φ个测量是虚警。对于i＝1,2,…m_k，以下定义θ(k)事件有关的标记变量

在θ_k事件中已确认的目标数是

在θ_k事件中已新确认的目标数为

在θ_k事件中虚假量测数是

φ＝m_k-τ-υ (6)

对于任一假设θ^k,l的概率，其迭代计算公式如下：

其中，C为归一化常数因子，μ_F、μ_N分别是虚警测量和新目标数的先验概率密度函数，是目标t的检测概率，V是跟踪门面积(体积)大小，上式中假设虚警和新目标在跟踪门内服从均匀分布，目标互联的测量服从高斯分布。

3)假设删减

由MHT生成假设个数将会随着测量的次数、杂波和目标数目的增加呈指数增长，因此在不对假设做任何处理的情况下，目标跟踪处理的计算量会很大，目标跟踪的实时性难以实现，假设删减处理是至关重要的。常用的假设删减方法有K-best最优假设和N-scan回溯剪枝，以及假设矩阵简化法等。本发明使用K-best方法简化假设分支。

(4)获取跟踪到的每个目标的状态信息105：经过目标跟踪104后，可以获取第l个目标的当前跟踪帧数f_l、生存状态c_l和运动状态信息[x_l,vx_l,y_l,vy_l]^T，其中x_l、y_l分别表示第l个运动目标的在直角坐标系下的等效坐标中心点的x、y坐标值，vx_l和vy_l分别表示第l个运动目标在x方向上和y方向上的速度分量。然后根据运动目标的状态信息，通过公式计算每个运动目标的标量速度v_l，v_l＝||(vx_l,vy_l)||₂，其中||·||₂表示2范数，即根据每个运动目标的状态信息中的速度分量信息，即可用于后续进一步判断目标的运动状态并筛选出真实的运动目标。

(5)阈值判断步骤106：根据得到的每个运动目标的标量速度v_l与设定阈值v_T1比较，当v_l小于等于阈值v_T1时，记v_i＝0，表示为该目标为静止目标，反之该目标为运动目标，由此实现稳定的动静目标分离。阈值v_T1的取值需要根据实际场景优化，本实施例中v_T1＝0.2m/s。

使用实验数据将直接使用径向速度检测的结果，与结合目标跟踪的结果进行对比分析，实验结果如图2所示，图中将第5、6、7、8帧的结果进行对比，左侧为使用径向速度检测后的结果即图1中步骤103的输入，右侧一列为经过目标跟踪后的结果，即图1中步骤104的输出结果。对比分析可得，使用本发明进行动目标检测，去除了样本集合中存在的部分干扰点，并缓解了动目标检测过程中目标丢失的情况，最后在图1中步骤104的输出结果中选取(48m,68m)处目标跟踪结果，获取其状态信息，如表1所示。试验现场视角范内已知和未知目标如图3所示，图中使用方框标记的部分为可见目标，使用圆圈标记部分为水下不可见目标，可以得(48m,68m)处的目标为静止目标，与观测结果相吻合，由此得出结论本发明提高了动静目标分离的稳定性，降低了误判率。

表1图3中(48m,68m)处目标跟踪结果

需注意的是，前述步骤(1)中目标的径向速度信息可以采用发明内容中的S101～S104实现，也可以采用其他现有技术实现，对此不做限制。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.一种基于径向速度和目标跟踪的动静目标分离方法，其特征在于，步骤如下：S1：利用成像声纳的回波测量得到当前时刻所有目标的径向速度信息，通过径向速度信息对目标是否为运动目标进行初步判断，得到初始运动目标集合；

S2：针对初始运动目标集合中的每个运动目标，将运动目标的每个像素点坐标由极坐标转换为直角坐标，以等效坐标中心点到运动目标的各个像素点的距离之和最小为目标函数，求解得到运动目标的等效坐标中心点；

S3：以S2中得到的所有运动目标的等效坐标中心点组成测量集合，然后使用多假设跟踪算法对测量目标进行跟踪，获得每个运动目标的状态信息；

S4：根据每个运动目标的状态信息中的速度分量信息，进一步判断目标的运动状态并筛选出真实的运动目标，实现动静目标分离。

2.如权利要求1所述的基于径向速度和目标跟踪的动静目标分离方法，其特征在于，步骤S1中，通过径向速度信息对目标是否为运动目标进行初步判断的方法为：

针对每个目标中所有速度大于设定阈值v_T的像素点，求其速度均值，若该速度均值大于阈值v_T0，则初步判断该目标为运动目标，否则初步判断该目标为静止目标。

3.如权利要求2所述的基于径向速度和目标跟踪的动静目标分离方法，其特征在于，所述设定阈值v_T＝0.1m/s，所述阈值v_T0＝0.5m/s。

4.如权利要求1所述的基于径向速度和目标跟踪的动静目标分离方法，其特征在于，步骤S2中，运动目标的等效坐标中心点计算方法为：

将计算等效坐标中心问题转化为求解最小值问题，其中目标函数为(x_n,y_n)为运动目标中第n个像素点的直角坐标，N_m为运动目标中的像素点个数；求解目标函数，得到使f(Tx_0m,Ty_0m)取得最小值的等效坐标中心点坐标(Tx_0m,Ty_0m)。

5.如权利要求4所述的基于径向速度和目标跟踪的动静目标分离方法，其特征在于，求解目标函数时，采用粒子群算法求解最小值问题。

6.如权利要求1所述的基于径向速度和目标跟踪的动静目标分离方法，其特征在于，步骤S3中，每个运动目标的状态信息为[x_l,vx_l,y_l,vy_l]^T，其中x_l、y_l分别表示第l个运动目标的在直角坐标系下的等效坐标中心点的x、y坐标值，vx_l和vy_l分别表示第l个运动目标在x方向上和y方向上的速度分量。

7.如权利要求1所述的基于径向速度和目标跟踪的动静目标分离方法，其特征在于，步骤S4中，判断目标的运动状态并筛选出真实的运动目标的方法为：

根据运动目标的状态信息，计算每个运动目标的标量速度v_l＝||(vx_l,vy_l)||₂，其中||·||₂表示2范数；将每个运动目标的标量速度v_l与设定阈值v_T1进行比较，若v_l小于等于阈值v_T1时，将该运动目标视为静止目标，反之视为真实的运动目标。

8.如权利要求7所述的基于径向速度和目标跟踪的动静目标分离方法，其特征在于，阈值v_T1＝0.2m/s。