[发明专利]一种基于声呐图像的水下运动目标跟踪方法

说明书

本发明公开了一种基于声呐图像的水下运动目标跟踪方法。首先基于高斯混合模型及最邻近算法对声呐图像背景进行建模，结合形态学方法分离图像的前景和背景，获取刚进入视野范围内运动目标初始位置，根据初始位置初始化基于级联匹配的跟踪器，该跟踪器以ECO‑HC算法为基础，在确认目标跟丢的情况下基于高斯混合模型对长期存在于视野范围内的目标进行重定位，结合水下运动目标的运动模型及外观模型对目标重定位结果和跟踪结果进行级联匹配，解决了一般情况下目标跟丢后无法再跟上的问题，有利于跟踪准确率的提高，实现长期稳定的水下运动目标跟踪。

技术领域

本发明涉及声呐图像处理和水下运动目标跟踪领域，特别涉及一种基于声呐图像的水下运动目标跟踪方法。

背景技术

海洋领域的探索一直是各国的研究重点和难点，海洋覆盖了地球绝大部分地区，内含丰富的生物与矿产资源，有很多未知等待发掘。随着成像声呐技术的蓬勃发展，声呐图像分辨率得到大幅度提升，基于声呐图像的后处理技术也逐渐得到了广泛应用。其中，基于声呐图像的目标跟踪在海洋军事、海洋环境监测、海产养殖等方面都起着至关重要的作用。

大多数基于声呐图像的目标跟踪算法，都是扫描整张声呐图像检测正在移动的运动目标，结合卡尔曼滤波或粒子滤波实现跟踪，属于基于检测的跟踪方式，而基于相关滤波的跟踪方法是一种无需检测的跟踪方式，只需要提供运动目标的初始位置，而后提取目标特征，训练滤波器模板，实现实时自动跟踪，不同于基于检测的方法，此类方法不需要扫描整张图寻找目标，只需要在上一帧目标位置附近进行搜索，在效率上有着极大的优越性。

目标出现在视野范围内的初始位置提取与目标提取一样，都是要将图像的前景和背景进行区分，从而确定目标位置。常用的目标提取的方法可根据是否使用帧间信息进行区分，只使用当前帧信息的方法有背景差分法、最大类间方差法(OTSU)、基于形态学的目标提取方法，它们都是根据目标与背景的灰度值差异来进行目标提取；使用帧间信息的常用方法为帧间差分法，即将当前帧减去上一帧从而获取目标位置，此方法拥有比基于单帧图像方法更多的信息，有利于声呐图像的提取，但是它们都存在一个共同的问题，声呐图像中存在着大量噪声，且不断变化，会对目标提取造成巨大干扰。并且由于水下声呐图像存在的分辨率低、前景和背景区分度低等问题，基于声呐图像的目标跟踪会存在跟丢的情况，而一般的跟踪算法一旦跟丢便无法再找回目标的正确位置。在水下运动目标跟踪过程中，需要能检测到目标是否跟丢，并实现对跟丢目标的再跟踪，以实现长期稳定的水下运动目标跟踪。

针对以上问题，本发明提出了一种基于声呐图像的水下运动目标跟踪方法。该方法基于高斯混合模型和最邻近算法进行目标提取，能够实时更新背景模型，及时捕捉环境变化，并且引入了形态学方法减轻了噪声的影响，然后基于相关滤波算法实现水下运动目标跟踪，采用目标重定位和级联匹配的方法实现对跟丢目标的再跟踪，大大提升了水下运动目标跟踪性能。

发明内容

本发明的目的是提供一种基于声呐图像的水下运动目标跟踪方法，以解决上述问题，实现对水下运动目标的长期稳定跟踪。

为达到上述目的，本发明采用如下技术方案：

一种基于声呐图像的水下运动目标跟踪方法，包括以下步骤：

S1：读取水下声呐图像序列，获取运动目标出现前的水下背景图像序列；

S2：根据水下背景图像序列，基于高斯混合模型对水下声呐图像背景进行建模，得到水下声呐图像背景模型，并结合最邻近算法对背景模型进行动态更新；

S3：基于建立的声呐图像背景模型获取刚进入视野范围的水下运动目标区域，根据真实运动目标与声学阴影的像素差异排除图像中声学阴影区域，利用形态学方法去除图像中噪点，然后构建最小外接矩形，获取基于声呐图像的水下运动目标初始位置及大小；

S4：根据水下运动目标位置及大小，融合目标的颜色特征和形状特征作为样本特征，训练滤波器并与下一帧中搜索范围内的融合特征样本进行卷积，响应最大的即为下一帧目标跟踪结果；