多準則粒子濾波下的無人艇航行軌跡虛擬重構

李克玲

(長春大學 計算機科學技術學院，吉林 長春 130022)

0 引 言

通過圖像數據分析和計算機視覺處理技術進行無人艇航行軌跡虛擬重構處理，提高對無人艇航行軌跡模擬和控制能力，在對無人艇航行軌跡虛擬重構中，采用數據特征與 RGB 圖像分析方法[1]，結合虛擬現實的視景仿真技術進行圖像信息增強處理，構建復雜場景下的無人艇航行線路和軌跡跟蹤模型，通過高層特征的融合方法，結合圖像視覺增強技術，提高對無人艇航行軌跡虛擬重構和跟蹤識別能力，研究無人艇航行軌跡虛擬重構方法，在實現對無人艇的全局信息增強和目標跟蹤方面具有重要意義[2]。在對無人艇航行軌跡虛擬重構設計中，采用影像端元的譜特征分析和影像空間采樣技術，實現對無人艇航行軌跡圖像檢測，結合端元光譜的空間變異方法，通過點云數據在特征空間分布特性，進行無人艇航行軌跡的虛擬重建。本文提出基于多準則粒子濾波的無人艇航行軌跡虛擬重構方法。首先進行無人艇航行軌跡圖像采集，然后采用融合雙模態特征檢測方法實現對無人艇航行軌跡的圖像檢測，結合多準則粒子濾波分析方法，實現對無人艇的航行軌跡重構，并通過Matlab進行圖像仿真。

1 無人艇航行軌跡的圖像檢測和預處理

1.1 無人艇航行軌跡圖像檢測

為了實現對多準則粒子濾波下的無人艇航行軌跡虛擬重構，采用幾何單形體體積法構建圖像采集模型，根據對無人艇的航行方向規劃設計[3]，進行航跡分布的三維坐標設計，如圖1所示。

圖1 無人艇的航行方向規劃坐標系Fig.1 Navigation direction planning coordinate system of unmanned craft

根據圖1所示的無人艇的航行方向規劃坐標分布，以像素點θe,ρe為2個端元間的光譜特征點，采用單形體的頂點與端元分析方法[4]，得到觀測向量集合的灰度像素集：

式中：V為影像的紋理特征，(xi?1,yi+1)為端元提取參數，I(xi+1,yi?1)為端元光譜信息散度，通過橢圓的參數代替輪廓進行相應位置的端元匹配。

結合對無人艇航行軌跡圖像的邊緣特征分析，得到無人艇航行軌跡圖像邊界特征分布表達為：

式中：Gray表示無人艇航行軌跡控制點的灰值，Edge為邊界檢測函數。

由此建立無人艇航行軌跡圖像檢測模型，通過邊分區邊界的像素融合實現軌跡虛擬重構[5]。

1.2 無人艇航行軌跡圖像濾波處理

采用雙階段 RGB-D 顯著性檢測方法進行無人艇航行軌跡圖像的融合和增強處理，將無人艇航行軌跡圖像進行動態分割，構建圖像梯度檢測模型，結合單峰特征的提取方法[6]，得到無人艇航行軌跡的跟蹤的權重分布函數為：

式中：t為無人艇航行軌跡檢測目標的置信損失分配時間點，f(k,N)為無人艇航行軌跡跟蹤模擬的干擾因子，avg為像素級強度分布均值。

對 RGB 特征和增強后的深度特征進行分段融合，進一步獲取交融模塊分布函數，得到各層深度圖的糊度分布集：

式中：τ0為高層融合跨模態門限因子，ωd為推導出門限因子，u(t?τ0)表示航跡檢測的尺度因子。

從低層次的2種模態特征進行特征匹配，得到圖像質量分布模型參數，根據本層RGB特征和增強后的深度特征融合結果，得到濾波輸出：

式中：avgdl表示目標模板和搜索區域的目標特征匹配值，fsearch表示多層特征融合預測模型參數，n為前置門限，d為第i個濾波器窗口的加權融合分類信息，l為分層聯合雙邊濾波參數。

根據圖像濾波結果，采用融合雙模態特征檢測方法實現對無人艇航行軌跡的圖像檢測，結合視覺分割技術進行圖像濾波處理。

2 無人艇航行軌跡虛擬重構優化

2.1 無人艇航行軌跡多準則粒子濾波

把注意力機制融入到航跡跟蹤模型中，得到無人艇航行軌跡多準則粒子濾波配集為B0，在位置信息注意力模塊中，得到全局空間信息分布的平均值表示為：

式中：Rm(r,i)為qj處出現背景信息干擾的深度值，i下標為邊緣模糊和紋理特征點。N為輸入特征圖沿水平方向的像素點數，m為全局空間信息維度，τ為采樣時間延遲。

獲取2個方向上的通道參數，得到粒子濾波集群參數為：

利用線性加權得出整體的響應特征值，得到多準則濾波輸出矩陣為：

式中：a表示隨機選取數據集中一個視頻參數分布維度。

根據復點聚類，表示為：

綜上，在同質區域進行端元提取，結合多準則粒子濾波，實現航跡重構，實現流程如圖2所示。

圖2 無人艇航行軌跡多準則粒子濾波流程Fig.2 Multicriteria particle filter process for unmanned boat navigation trajectory

2.2 無人艇航行軌跡的三維虛擬重構實現

采用三維數據場可視化分析的方法，基于計算、裁剪、紋理映射方法，得到模糊集函數為：

式中：r為三維數據場可視化分布的平均值，A為體數據中提取的聚合參數，Rin為三維數據場的部分屬性特征分布集，e?ikr為體繪制指數增益。

基于三維數據場可視化的數據獲取和跟蹤識別的方法，得到邊界模糊集分配函數為：

式中：ain為 三維數據場可視化的數據動態分布集，ejψin為結構化類型的數據集，A為三維空間數據場外部輪廓，r為相同屬性值的數據點集合。以相同屬性值的數據點的集合為軌跡分布集，得到邊緣分布像素分布函數為：

式中：αi和α?i表示斷層序列圖像上的外部動態分布特征，k(xi,xj)表示相同屬性值的數據點分布核函數，b表示拓撲結構重建的幾何參數，通過各層圖像輪廓線之間相互動態分量，得到重建的軌跡線表示為P={1,···,P}。

通過圖像增強、去噪處理，得到自適應權重值分布矩陣為：

式中：t為圖像中的輪廓線分布時延參數，BER為上下2層輪廓線上對應節點的誤差率，xk表示三維重建模型質量分布參數，yk為2層輪廓線節點的模糊隸屬度。

以體素作為最小處理單元，得到qj處像素的深度值為：

式中：Eint(vi)表示體素來模擬無人艇航行軌跡的等值面計參數值，Eext(vi)表示某一屬性的動態軌跡分布參數，N表示相同屬性值的等值面體素。

綜上，實現對無人艇航行軌跡的虛擬重構，重構實現結構圖如圖3所示。

圖3 無人艇航行軌跡的虛擬重構實現結構圖Fig.3 Virtual reconstruction implementation structure of unmanned craft navigation trajectory

3 仿真測試

為了驗證本文方法在實現無人艇航行軌跡虛擬重構的性能，采用Matlab進行實驗測試，透明度的范圍為0~1，航行軌跡采樣點所在體素的 8 個頂點，無人艇與拖曳體之間距離為339.479 m，信噪比為?4.507 19 dB，各個航跡采樣點的圖像像素點分布如表1所示。

表1 航跡采樣點的圖像像素點分布Tab.1 Pixel distribution of the image at the track sampling points

根據表1參數設定，進行航跡虛擬重構。采用本文方法可以進行無人艇航行軌跡的重構虛擬重構，測試軌跡跟蹤的性能，得到重構性能測試如圖4所示。分析可知，本文方法進行無人艇航行軌跡虛擬重構的視覺增強能力較好，期望值和實際值擬合性能較好。

圖4 無人艇航行軌跡重構Fig.4 Reconstruction of unmanned boat navigation trajectory

4 結 語

構建復雜場景下的無人艇航行線路和軌跡跟蹤模型，通過高層特征的融合方法，結合圖像視覺增強技術，提高對無人艇航行軌跡虛擬重構和跟蹤識別能力本文提出基于多準則粒子濾波的無人艇航行軌跡虛擬重構方法。通過無人艇航行軌跡多準則粒子濾波和圖像處理，實現無人艇航行軌跡虛擬重構，分析可知，本文方法進行軌跡重構視覺效果較好，響應性能較強。