[發明專利]基于概率假設密度粒子濾波算法的魚群數量估計方法

在審

• 申請號: 201611206600.9
• 申請日: 2016-12-23
• 公開（公告）號: CN106772401A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 韓軍;荊丹翔;王杰英;杜鵬飛;章旻昊;任佳
• 申請（專利權）人: 浙江大學
• 主分類號: G01S15/96
• 分類號: G01S15/96;G01S7/539
• 代理公司: 杭州求是專利事務所有限公司33200
• 代理人: 邱啟旺

1.一種基于概率假設密度粒子濾波算法的魚群數量估計方法，其特征在于，包括以下步驟：

(1)將雙頻識別聲吶固定在調查船的船舷外側或船底，并將其朝下浸沒于水中，將姿態傳感器固定在調查船上。

(2)將雙頻識別聲吶通過網線與上位機相連，上位機實時獲取走航時的聲學數據，同時將姿態傳感器接入上位機，上位機獲取當前時刻調查船的姿態信息。

(3)對步驟(2)獲得的聲學數據進行圖像構建與圖像預處理得到聲學圖像，提取有效目標，利用概率假設密度粒子濾波算法，通過粒子預測、更新、重采樣、目標狀態提取，統計聲學圖像中的有效目標數量。

(4)將GPS接入上位機，上位機記錄下探測航跡，并結合雙頻識別聲吶的探測范圍，得到雙頻識別聲吶掃過水體的體積，將步驟(3)獲得的目標數量除以雙頻識別聲吶掃過水體的體積，得到魚群密度。

(5)根據已知水域的蓄水量，乘上步驟(4)中的魚群密度，得到整個水域中魚體數量。

2.根據權利要求1所述的基于概率假設密度粒子濾波算法的魚群數量估計方法，其特征在于，所述聲學數據由多幀數據組成，每一幀數據代表一幅矩形聲學圖像。

3.根據權利要求1所述的基于概率假設密度粒子濾波算法的魚群數量估計方法，其特征在于，所述雙頻識別聲吶布置于水面附近，深度不超過1米。

4.根據權利要求1所述的基于概率假設密度粒子濾波算法的魚群數量估計方法，其特征在于，所述雙頻識別聲吶波束探測方向與水面夾角選取0°至90°之間任意角度。

5.根據權利要求1所述的基于概率假設密度粒子濾波算法的魚群數量估計方法，其特征在于，所述調查船的航速不大于6節。

6.根據權利要求1所述的基于概率假設密度粒子濾波算法的魚群數量估計方法，其特征在于，所述步驟(3)具體為：

(3.1)根據笛卡爾坐標系到極坐標系的坐標轉換關系，將權利要求2中的矩形聲學圖像轉換成扇形圖，并通過插值將扇形圖填充完整；

(3.2)將(3.1)得到的扇形圖像進行線性拉伸處理；

(3.3)利用圖像差分原理，將拉伸后的圖像中的背景去除，留下圖像中的有效目標，即水中的魚體；

(3.4)利用概率假設密度粒子濾波算法，通過粒子預測、更新、重采樣、目標狀態提取，實現有效目標的跟蹤，并統計目標個數；

(3.5)將拉伸后的圖像進行實時顯示，并用不同顏色將每一個目標的軌跡顯示出來。

7.根據權利要求1所述的基于概率假設密度粒子濾波算法的魚群數量估計方法，其特征在于，所述步驟(3.4)具體為：

(3.4.1)定義有效目標在k時刻的系統狀態向量為其中(u_k,v_k)是有效目標在聲吶圖像中的位置，是有效目標在聲吶圖像中的速度；定義有效目標在k時刻的觀測向量為其中r是聲納圖像中有效目標相對于扇形對應的圓心的觀測距離，α是對應的觀測角度；定義Z_k為k時刻所有有效目標的觀測向量集合；

(3.4.2)已知k-1時刻概率假設密度函數(PHD函數)的粒子集合其中w_k-1是粒子的權值，L_k-1代表粒子個數；

對于其中按照采樣獲得的粒子，計算預測粒子的權值為：

${\tilde{w}}_{k|k-1}^i=\frac{{\mathrm{\φ}}_{k|k-1}\left({\tilde{x}}_k^i\right|x_{k-1}^i)w_{k-1}^i}{q_k\left({\tilde{x}}_k^i\right|x_{k-1}^i,Z_k)}$

其中i＝1,…,L_k-1，q_k(·|x_k-1,Z_k)是用來產生PHD函數中衍生目標的目標強度函數和繼續存活目標的目標強度函數對應粒子的概率密度函數；其中表示為：

${\mathrm{\φ}}_{k|k-1}\left({\tilde{x}}_k\right|x_{k-1})=b_{k|k-1}\left({\tilde{x}}_k\right|x_{k-1})+e_{k|k-1}\left(x_{k-1}\right)p\left({\tilde{x}}_k\right|x_{k-1})$

其中e_k|k-1(x_k-1)是目標在k時刻的存活概率，是單個目標的狀態轉移分布函數；

對于其中按照采樣獲得的粒子，計算預測粒子的權值為：

${\tilde{w}}_{k|k-1}^i=\frac{{\mathrm{\γ}}_k\left({\tilde{x}}_k^i\right)}{J_k{p}_k\left({\tilde{x}}_k^i\right|Z_k)}$

其中i＝L_k-1+1,…,L_k-1+J_k，J_k表示符合此采樣情況下的粒子個數；p_k(·|Z_k)是用來產生PHD函數中新生目標的目標強度函數對應粒子的概率密度函數；

(3.4.3)對每個z_k∈Z_k，計算

$C_k\left(z_k\right)=\underset{i=1}{\overset{L_{k-1}+J_k}{\Σ}}{\mathrm{\ψ}}_{k,z}\left({\tilde{x}}_k^i\right){\tilde{w}}_{k|k-1}^i$

其中是k時刻第i個粒子的目標檢測概率；由此可對權值進行更新：

(3.4.4)累加粒子的權值即為當前時刻的有效目標個數，如果大于前一個時刻的有效目標個數表示有新目標產生，如果小于前一個時刻的有效目標個數表示有個有效目標消亡，總目標個數加上這個差值；對粒子集合進行重采樣，得到新的粒子集合其中L_k＝L_k-1+J_k；

(3.4.5)利用K均值聚類算法從新粒子集合中提取個有效目標的狀態信息，即位置與速度信息，實現多目標的跟蹤；

(3.4.6)循環步驟(3.4.2)～(3.4.5)M次，就完成了有效目標數量的統計，其中M是所述聲學數據的總幀數。