水下光學(xué)圖像中目標(biāo)探測關(guān)鍵技術(shù)研究綜述

1、水下光學(xué)圖像中目標(biāo)探測關(guān)鍵技術(shù)研究綜述一、引言近年來，海洋信息處理技術(shù)蓬勃發(fā)展，水下目標(biāo)探測技 術(shù)的應(yīng)用也日益廣泛，涉及海底光纜的鋪設(shè)、水下石油平臺(tái) 的建立與維修、海底沉船的打撈、海洋生態(tài)系統(tǒng)的研究等領(lǐng) 域。水下光學(xué)圖像分辨率較高，信息量較為豐富，在短距離 的水下目標(biāo)探測任務(wù)中具有突生優(yōu)勢。然而，由于受水下特 殊成像環(huán)境的限制，水下圖像往往存在噪聲干擾多、紋理特 征模糊、對(duì)比度低及顏色失真等諸多問題。因此，水下目標(biāo) 探測任務(wù)面臨諸多挑戰(zhàn)，如何在圖像可視性較差的情況下， 精確、快速、穩(wěn)定地檢測識(shí)別和跟蹤水下目標(biāo)物體是亟待解 決的問題。根據(jù)水下目標(biāo)探測任務(wù)的執(zhí)行步驟，將基于光學(xué)圖像的 水下目標(biāo)探測

2、關(guān)鍵技術(shù)分為圖像預(yù)處理和目標(biāo)探測兩部分。 其中，水下目標(biāo)探測特指水下目標(biāo)檢測、識(shí)別與跟蹤。近年 來，國內(nèi)外研究人員對(duì)基于光學(xué)圖像的水下目標(biāo)探測關(guān)鍵技 術(shù)進(jìn)行了大量研究，水下目標(biāo)探測技術(shù)取得了迅速發(fā)展，一 些研究人員總結(jié)了關(guān)鍵技術(shù)的發(fā)展現(xiàn)狀。Sahu等總結(jié)了一系列水下圖像增強(qiáng)算法，Han等對(duì)水下圖像智能去霧和色彩還 原算法進(jìn)行了綜述，Kaeli等概述了一組用于水下圖像顏色校 正改進(jìn)的算法，郭繼昌等對(duì)水下圖像增強(qiáng)和復(fù)原算法進(jìn)行了系統(tǒng)歸納并通過實(shí)驗(yàn)對(duì)比了不同算法，Moniruzzaman等梳理了近年來深度學(xué)習(xí)在水下圖像分析中的應(yīng)用。然而，這些綜 述僅總結(jié)了水下目標(biāo)探測某一關(guān)鍵技術(shù)的研究成果，目前仍

3、缺少對(duì)水下目標(biāo)探測關(guān)鍵技術(shù)的系統(tǒng)概述。本文從水下圖像預(yù)處理和水下目標(biāo)檢測、識(shí)別、跟蹤技 術(shù)入手，詳細(xì)歸納了水下目標(biāo)探測關(guān)鍵技術(shù)的研究現(xiàn)狀。根 據(jù)是否需要構(gòu)建模型，將水下圖像預(yù)處理分為圖像增強(qiáng)和圖 像復(fù)原，并重點(diǎn)分析了水下圖像增強(qiáng)的各類方法（基于直方 圖處理、基于 Retinex理論、基于圖像融合和基于深度學(xué)習(xí) 的方法）的優(yōu)缺點(diǎn)。由于水下目標(biāo)跟蹤技術(shù)的相關(guān)研究論文 較少，本文主要從傳統(tǒng)方法和深度學(xué)習(xí)兩個(gè)角度討論了水下 目標(biāo)檢測與識(shí)別相關(guān)算法，并簡要介紹了常用的水下圖像數(shù) 據(jù)集。在上述基礎(chǔ)上指由了水下光學(xué)圖像中的目標(biāo)探測技術(shù) 亟待解決的問題，討論了解決思路和進(jìn)一步發(fā)展方向。二、水下圖像預(yù)處理與大氣

4、光學(xué)成像技術(shù)相比，水下光學(xué)成像技術(shù)深受水體 光吸收和散射的影響，可見光在水體中傳播的波長依賴性使 得水下圖像呈現(xiàn)藍(lán)綠色調(diào)，水體中的雜質(zhì)微粒對(duì)光的散射導(dǎo) 致圖像細(xì)節(jié)模糊以及表面霧化。為解決上述問題，研究人員 提生了大量水下圖像預(yù)處理算法，分為基于非物理模型的圖 像增強(qiáng)方法和基于物理模型的復(fù)原方法。（一）水下圖像增強(qiáng)圖像增強(qiáng)不需要構(gòu)建模型，通過主觀處理消除水下圖像的畸變和噪聲，加強(qiáng)感興趣的目標(biāo)物體特征，削弱不相關(guān)的 背景特征。通過對(duì)現(xiàn)有水下圖像增強(qiáng)方法的調(diào)研得由常用的 水下圖像增強(qiáng)方法有基于直方圖處理、基于Retinex理論、基于圖像融合和基于深度學(xué)習(xí)的水下圖像增強(qiáng)，如表1所示表1水下圖像煙盜方法

5、對(duì)比MellusdPrincipleVbarMlermucLihniUlioiiItiprwiiig i luogt win rai ihm 璃hBrl/u vuUr-Ljck of leAiurr duiaih-H 訕WMiirri I喟儲(chǔ)，lanLiinrar 卦iTtlduiK if pi您Inah liuirincrvmi】r只.rBOve* (卜七 iiiillitfiiLv if illutiiJE3i-jr!?!inrts h倡liht frni iJih*t n-llAin卜里hcivl門,h|i-Airh. ti-iiinuirrtiin“.Il iIm1 1irpili i

6、f h |l |ii dip i、1by1 lljll f-8.1, lilTjik I -F-t| FRlJiltap Iill nbilhfTihr cidoriri.hshft aHii i-* n l l rh： fit-Lt I I iklS4 i n r-7f 1 lljll f-8.1, lilTjik I -F-t| FRlJiltap Iill nbilhfTihr cidoriri.hshft aHii i-* n l l rh： fit-Lt I I iklS4 i n r-7f s 引 mJ -TIJ-liik|rLhl rT III IrLr ；iFk 1 ；vi.!

7、i ；U il I telii!-i ni|iT Lhcl1 m：Lt nicir-i jiccurjLEi.J y1M P-ltfiwtl_isniriMiuilHur rEiijk of n/qf bywd -hjjM.I jijgmHkm_Kk T i-u ”即eI kip Ir.Liimiri prncm型.lh 黑 ru.1 Irflii d置utiiril. I hr i ha:舊 tnjiy 幻口中 Inpfp in tn.iillniil,-.-：；EE Anrr wuthiHitir eIoe .lAcpUK3k ：ihe ：mnLMmil ina. a nil Ih-ih/

8、anuftfrhaml hghi lfHeiimmI wml -Tnpuird1i rueriKihi m.i3i Icur 1 r：i ihiE3ly Bl.rNri 3 n4rrMruiiw%riieriiAN “1*kiEUi iinq!k;plh IW聞 in inpihl -Allii lbiTnlilh|Uruirrm-p4Jiiclir “yEharder inwl,rwniur rtnflgrji 抖 lailpuG基于深度學(xué)習(xí)的方法，如用于學(xué)習(xí)透射率圖的水下殘卷積神經(jīng)網(wǎng)絡(luò)（URCNN）、水下圖像復(fù)原網(wǎng)絡(luò)（UIRNet）及水 下圖像實(shí)時(shí)顏色校正的無監(jiān)督生成對(duì)抗網(wǎng)絡(luò)（WaterG

9、AN）等,通過有效的網(wǎng)絡(luò)訓(xùn)練在一定程度上降低了基于DCP假設(shè)方法的估計(jì)誤差，但在水質(zhì)較為渾濁的情況下，URCNN由現(xiàn)曝光過度的現(xiàn)象。止匕外，網(wǎng)絡(luò)越深，參數(shù)越多越復(fù)雜，給網(wǎng)絡(luò)訓(xùn) 練帶來一定的影響。三、水下目標(biāo)探測無論是對(duì)水下壩基裂縫的檢測、水下管道電纜的鋪設(shè)與檢修等工程應(yīng)用領(lǐng)域，還是對(duì)魚類等水生生物種群的海洋生 態(tài)監(jiān)測領(lǐng)域，水下目標(biāo)探測都具有重要的研究意義。本文的 水下目標(biāo)探測特指水下目標(biāo)檢測、 識(shí)別與跟蹤。從概念上說, 水下目標(biāo)檢測是在給定目標(biāo)物體的前提下，根據(jù)其特征和先 驗(yàn)知識(shí)確認(rèn)水下圖像中是否存在該目標(biāo)物體；水下目標(biāo)識(shí)別 是在給定一幅圖像的情況下，通過提取圖像中的特征信息， 并將其進(jìn)行分類

10、，進(jìn)而識(shí)別圖像中的目標(biāo)物體；水下目標(biāo)跟 蹤是在目標(biāo)檢測的基礎(chǔ)上對(duì)目標(biāo)的狀態(tài)進(jìn)行連續(xù)估計(jì)的過 程。檢測和識(shí)別間并沒有非常分明的界限，多數(shù)文獻(xiàn)也將檢 測和識(shí)別的概念混在一起，因此，本文對(duì)水下目標(biāo)檢測和識(shí) 別并不加以嚴(yán)格區(qū)分。（一）水下目標(biāo)檢測與識(shí)別近年來，國內(nèi)外研究機(jī)構(gòu)及學(xué)者對(duì)水下目標(biāo)檢測與識(shí)別 算法進(jìn)行了大量研究，水下目標(biāo)檢測與識(shí)別技術(shù)發(fā)展迅速， 根據(jù)目標(biāo)類型可將其分為基于傳統(tǒng)特征的水下目標(biāo)檢測識(shí) 別和基于深度學(xué)習(xí)網(wǎng)絡(luò)的水下目標(biāo)檢測識(shí)別。.基于傳統(tǒng)特征的水下目標(biāo)檢測與識(shí)別水下機(jī)器人在執(zhí)行工程任務(wù)時(shí)需檢測識(shí)別的目標(biāo)物體 多數(shù)為管道、電纜等具有規(guī)則形狀的人造目標(biāo)物體，特征明 顯?；趥鹘y(tǒng)特征的水下目

11、標(biāo)檢測與識(shí)別方法通過特征描述 符刻畫水下目標(biāo)物體，具有方法簡單、實(shí)時(shí)性好的優(yōu)點(diǎn)，但 也受目標(biāo)物體尺寸變化、旋轉(zhuǎn)、被遮擋和拍攝角度變化、物 種類別變化的影響。常用的水下圖像特征有顏色特征、形狀特征、紋理特征等，圖1歸納了傳統(tǒng)的水下圖像特征提取的主要方法。圖1 待疏的水再期像巖國好我宏金費(fèi)方法顏色特征雖然水下光學(xué)圖像存在色偏現(xiàn)象，使得顏色信息在水下 目標(biāo)探測中應(yīng)用時(shí)，存在一定的局限性，但顏色本身固有的 對(duì)尺度變化、目標(biāo)位置變化及局部遮擋的魯棒性，使得顏色 成為一個(gè)簡單且非?？煽康男畔⑻卣?。由于HSV顏色空間可分離圖像的顏色信息和光強(qiáng)度，顏色特征的提取通常在HSV顏色空間中進(jìn)行，通過設(shè)置特定的顏色閾

12、值分割目標(biāo)和背景 環(huán)境，但易受相同顏色的背景物體的干擾。有學(xué)者結(jié)合水下 顏色恒常性問題，檢測給定物體顏色的相容色，直接對(duì)原始 數(shù)據(jù)進(jìn)行處理，所需計(jì)算機(jī)資源少，實(shí)時(shí)性好，且對(duì)局部遮 擋、目標(biāo)位置和尺度變化具有很強(qiáng)的魯棒性，但未能考慮水 下較暗的顏色和光學(xué)成像模型中的后向散射分量。止匕外，顏色直方圖也是采用顏色特征進(jìn)行目標(biāo)檢測的一種常用方法, 但直方圖基于統(tǒng)計(jì)特性，缺少空間分布信息。形狀特征形狀特征具有較好的魯棒性，在水下環(huán)境中抗干擾能力 強(qiáng)，且典型的水下人造目標(biāo)物體，如管道、電纜等，均具有 規(guī)則的形狀，因此常通過形狀特征提取檢測識(shí)別水下目標(biāo)。 形狀特征的提取方法主要有邊緣檢測算子、霍夫（Houg

13、h）變換、形狀特征描述符法等。Hough變換是檢測直線的最好工具之一，LIN等將Hough變換用于識(shí)別物體的線性或中心 特征，F(xiàn)atan等采用Hough變換檢測水下電纜和管道。雖然 Hough變換可檢測直線，但不能提供線段長度等完整性信息， 且計(jì)算量大，耗費(fèi)存儲(chǔ)空間。尺度不變特征轉(zhuǎn)換（SIFT是較為可靠的特征描述符，包括尺度空間的極值檢測、關(guān)鍵點(diǎn) 定位、方向分配、生成關(guān)鍵點(diǎn)描述符四個(gè)步驟。加速穩(wěn)健特 征（SURF對(duì)SIFT進(jìn)行了優(yōu)化，采用box濾波器替代計(jì)算高 斯拉普拉斯函數(shù)的過程來檢測感興趣點(diǎn)，并增加了兩個(gè)新的 概念減少運(yùn)算時(shí)間，描述符向量的長度也減少了一半。紋理特征紋理特征是一種全局特征，

14、包含信息多且復(fù)雜，描述圖 像或其中小塊區(qū)域的空間顏色分布和光強(qiáng)分布，通過像素及 其周圍空間鄰域的灰度分布來表現(xiàn)，抗噪能力強(qiáng)，具有旋轉(zhuǎn) 不變性，不會(huì)因局部偏差導(dǎo)致無法成功匹配?；叶裙采仃?GLCM)常用來描述圖像的紋理特征，Li等同時(shí)利用GLCM和分形維數(shù)描述圖像視覺紋理特征，Cheng等采用GLCM提取水下模糊圖像的紋理細(xì)節(jié)信息捕捉圖像的模糊度。雖然 GLCM能夠很好地提取圖像的紋理特征，但也存在一些缺點(diǎn)，如計(jì)算量大，耗時(shí)較長，且有時(shí)會(huì)對(duì)不同結(jié)構(gòu)模式產(chǎn)生相同 的二進(jìn)制碼。局部二進(jìn)制模式(LBP)根據(jù)局部結(jié)構(gòu)特征對(duì)紋理進(jìn)行 結(jié)構(gòu)描述和統(tǒng)計(jì)描述，具有計(jì)算簡單、效率高、紋理識(shí)別性 能好等特點(diǎn)，但L

15、BP算子的不足在于當(dāng)鄰域數(shù)增加時(shí)，特征向量的維數(shù)變得很高，ZOTZLBP通過減少特征向量的維數(shù)降低了 LBP的計(jì)算復(fù)雜度，成功用于珊 瑚圖像的分類中。多特征結(jié)合單個(gè)特征難以完全描述目標(biāo)物體的特性，一些顏色和輪 廓特性構(gòu)建塊特征描述符；Rizzini等根據(jù)水下圖像的顏色均勻性和輪廓的銳度搜索目標(biāo)物體。多特征結(jié)合的方法能夠更 加準(zhǔn)確地描述水下目標(biāo)物體，檢測成功率普遍有了提升，但 也存在計(jì)算復(fù)雜度增加的不足。傳統(tǒng)的水下目標(biāo)檢測與識(shí)別方法預(yù)先指定了目標(biāo)物體 的特征，這些特征采用常用的低層圖像特征描述符，能夠很 好地識(shí)別簡單目標(biāo)物體。然而在監(jiān)測魚類等水生生物種群信 息時(shí)，由于魚類的巨大多樣性，為特定物種

16、設(shè)計(jì)的一組特征并不能保證對(duì)其他物種也具有良好的適應(yīng)性。止匕外，人工選 擇的特征也可能導(dǎo)致物體的識(shí)別性能不佳。.基于深度學(xué)習(xí)的水下目標(biāo)檢測與識(shí)別在2012年的ImageNet大尺度視覺識(shí)別挑戰(zhàn)賽中，CNN方法顯示由更高的圖像分類精度。 隨著GPU等硬件系統(tǒng)的發(fā) 展日趨成熟，深度學(xué)習(xí)面臨的數(shù)據(jù)量異常龐大，訓(xùn)練時(shí)間冗 長的問題得到了有效解決，基于深度學(xué)習(xí)的目標(biāo)檢測與識(shí)別 技術(shù)發(fā)展迅速。水下目標(biāo)檢測識(shí)別算法許多機(jī)器視覺任務(wù)中，深度學(xué)習(xí)網(wǎng)絡(luò)從像素級(jí)原始數(shù)據(jù) 到抽象的語義概念逐層提取信息，使其在提取圖像的全局特 征和上下文信息方面具有突生的優(yōu)勢，與傳統(tǒng)方法相比，表 現(xiàn)更好。研究人員通過實(shí)驗(yàn)對(duì)比了深度學(xué)習(xí)網(wǎng)

17、絡(luò)和傳統(tǒng)分類 算法的性能，發(fā)現(xiàn)傳統(tǒng)方法分類的準(zhǔn)確率明顯更低。為了進(jìn) 一步提高深度網(wǎng)絡(luò)在水下特殊環(huán)境中的目標(biāo)檢測識(shí)別精度， 許多學(xué)者將深度神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合，如表3所示，充分發(fā)揮了各算法的優(yōu)勢，在水下目標(biāo)檢測時(shí)降低了大量訓(xùn) 練數(shù)據(jù)的需求，提高了檢測精度及適應(yīng)性。Cao等將人工提取的特征與 CNN提取的特征相結(jié)合，也達(dá)到了比單獨(dú)應(yīng)用 CNN更高的精度。表m深度神經(jīng)同絡(luò)用于水下目標(biāo)檢需與識(shí)別的時(shí)比分析AudusirMrilvidAdiivliinr irhl limiLliutiA hybridinv(hlvir|KI d Ziinlioli nEaiy*Sill nil ni.j j | I

18、 li 7 w w. I mJ 4RliLijlTipuL4liuilrwum，A ctnet-lays-f 產(chǎn)唱Lryj Igrriii hm niryin in4 fnr 力 1*府 fruinntu nf ir lining dam SarlJiqink啊I p(viiJ|ij rmmlhigk 4 Hmi itiit iicriiifHrw叫F *ml朔trk .a * *六HEHdiaZl foil結(jié)* dlTH；r)FHuiTmrlM esF rKtrlivir AHipiJtiliiIHA I W kKiVjledL- iJAnslt-r lirjhkiw ?rk forHmh

19、rriFhrin- rwTfhnwLiicTiSanumderwaier obiecl rwnKmitcm gdtx? irid kr a birgt iHriiiuHE ed 1rli加Eg djLiiat.enTraruing disrrimimiive feairnrInwer r01Hl其ffi m rfJnihTv hw cnninii imugt片Xh uhdv-rwi.KF fi4li rMnf|!nilio!ft 卜為m則Suf a fully unijper%Hdland cLls$ imLsUnrif m pri&ctieiLlri dj：“l(fā)ea.Eufr Imrtlii

20、Tig;ind ail*l蕓*applknti口的meiTTfir riiiKI ini rjiicfl.i,fiFkvw*ir mlicHErM*Idci 口替 mbui+ nAlucmg fialiirrxl iiiLdiud Lu i?c4ii.bik C、jidOuckmenMoruliiy wiihcujiiandrik-vigm-d fta.L urt% touL f,_.rhsifHBLiikiit lrfsir Eikmihrr jHupruvv l Ui flLr4lMB iMTitariKtltH V11m1口口1JUfHLlLdl喀 u&i.iijKal liiJi 1M

21、iL?隨后，CNN由現(xiàn)了很多變體，如 R- CNN、FastR CNN、 YOLOCNN YOLOv2CNN YOLOv3CNlW。li 等將高精度的 FastR -CNN應(yīng)用于復(fù)雜的水下環(huán)境中進(jìn)行魚類的檢測與識(shí)別，與可變形部件模型（DPM）相比，F(xiàn)astR- CNN的平均精度（mAP） 提高了 11.2%,達(dá)到了 81.4%,并且在單個(gè)魚圖像上檢測速 度比R-CMM快80倍。Mandal等將FastR CNN與三種分類 網(wǎng)絡(luò)相結(jié)合，用于魚類物種的檢測和識(shí)別。Lu等所提由的深度卷積濾波網(wǎng)絡(luò)（FDCNe。的分類精度比一些經(jīng)典的分類方法，如AlexNet、GoogLeNet、ResNet50和 R

22、esNet100,分別提高了 1.8%, 2.9%, 2.0%和 1.0%。 Christensen等提由了一種基于光學(xué)的魚類檢測網(wǎng)絡(luò)OFDNet,利用水下攝像機(jī)獲取的視覺數(shù)據(jù)進(jìn)行魚類檢測、定位和物種 分類。針對(duì)水下視頻魚類檢測的實(shí)時(shí)性問題，Sung等提由了 一種基于YOLO的卷積神經(jīng)網(wǎng)絡(luò)，使用真實(shí)環(huán)境下的魚類視 頻圖像對(duì)該方法的可靠性和準(zhǔn)確性進(jìn)行評(píng)價(jià)，分類準(zhǔn)確率為 93%。Pedersen 等對(duì) YOLOv2CN腳口 YOLOv3CNN8行了調(diào)整， 并用于水下目標(biāo)檢測。通過端到端訓(xùn)練的學(xué)習(xí)任務(wù)，深度學(xué) 習(xí)可實(shí)現(xiàn)多層非線性變換，將底層特征有效地組合成一個(gè)更 加抽象的高層表示屬性，當(dāng)存在目標(biāo)遮擋

23、，目標(biāo)尺寸較小時(shí) 也能成功檢測，但由于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，這使其應(yīng)用 到特定環(huán)境中時(shí)需調(diào)整大量參數(shù)。用于水下目標(biāo)檢測與識(shí)別的水下圖像數(shù)據(jù)集有效的 訓(xùn)練集數(shù)據(jù)是提高基于深度學(xué)習(xí)的水下目標(biāo)檢測與識(shí)別精 度的關(guān)鍵。通常，用于水下目標(biāo)檢測與識(shí)別的水下圖像數(shù)據(jù) 集應(yīng)包含以下特點(diǎn)：水下場景環(huán)境的多樣性，不同程度和不 同類型的圖像質(zhì)量退化，以及目標(biāo)種類、目標(biāo)物體姿態(tài)的多 樣性等。fish4knowledge數(shù)據(jù)集以復(fù)雜的珊瑚礁環(huán)境為背景， 包含豐富的運(yùn)動(dòng)生物，如游動(dòng)的魚類、?？⑸L的藻類、 漂動(dòng)的水生植物等，是應(yīng)用最為廣泛的水下圖像數(shù)據(jù)集。 Brackish數(shù)據(jù)集包含了不同能見度的咸水中的魚、蟹和海星

24、圖像序列及其對(duì)應(yīng)帶注釋的圖像序列。同時(shí)，有關(guān)文獻(xiàn)中也 詳細(xì)總結(jié)了用于魚類、底棲生物檢測和海洋環(huán)境監(jiān)測的JEDI、Croatian Fish Dataset、QUT Fish Dataset、HabCam、 Benthoz-15、Tasmania Coral PointCount、The Moorea LabeledCorals、Eilat Fluorescence、Mouss、AFSC MBARI 和 NWFSC數(shù)據(jù)集。止匕外，還有用于場景識(shí)別和目標(biāo)檢測的SUN Dataset中的水下圖像，用于海洋自主機(jī)器人的MARTS Dataset等。（二）水下目標(biāo)跟蹤水下目標(biāo)跟蹤過程中會(huì)存在各種問題，如

25、目標(biāo)形變、目標(biāo)遮擋、目標(biāo)與背景中相似的物體特征、陰影問題、光照的變化、背早早物的運(yùn)動(dòng)和跟蹤實(shí)時(shí)性與準(zhǔn)確性的平衡問題等。常用的水下目標(biāo)跟蹤方法如表4。水下目標(biāo)跟寫方法對(duì)比IlripMH p-iSPItiPfinr：pif(hf：rj4t iri-si tr(*p licalb&scdMudLBWKai皿k 呵fluvr nutkuiJ bi!*cd uj pyraiiDid hierarchy 豆nil utf nt ErrjbsfurniaLiciaEstinkELn Im pcjiLp: q by caIl li皿i i 呼 ihir vtkjciiy tn two CDiiAWTjilw

26、frme*XaM of a e nhniber o( pjrisr iniiBg# Itiiiurt1 poinij.1 t AJripliifc tzkHnn1 口型，nlhin翼k e口 lor Iij wmniR llut cn|fzrRd.-i r(-4rnh. Kb. rr- ib ii ：.r. 1 if. i 、 )r4tv、nJ bri. e，qMunn21jlp l.ipi I,v*-ri - Li Fl ( Iq if ilrt ihF I“Jr. i ill bTFidiinin ,i 1 H r 用 Jll1 Adt ?。∫?.iii4l N rliri.f Vn ti

27、iiI 卜聽、i1 ir|. Tftl 3 mj jjM LfcL c JiJif- l*XCUFe-由吧 aiHaJi liih11尸 fB.d 1 Ll-oljJievls!miihr ieit* 4lAf hnllim1 Fal Invrr fiirwsrdNo imd forofHiiic lr&iihiafi which I*imprivi 1E11 Wk UH 11 口腐 and iLquires 卜 l薩 of Lniinrng dbim光流法和均值偏移法常被用于基于視覺的跟蹤過程中。光流法通過計(jì)算兩個(gè)連續(xù)幀中的流速估計(jì)圖像點(diǎn)的位置，需 要大量精確的圖像特征點(diǎn)，當(dāng)圖像存在模糊問題

28、時(shí)，圖像特 征點(diǎn)提取困難，進(jìn)而影響跟蹤效果。均值偏移法能夠非常有 效地跟蹤非剛性物體，對(duì)距離變化具有魯棒性，但圖像中存在兩個(gè)互相重疊的物體時(shí)，無法跟蹤到目標(biāo)。Wang等采用自適應(yīng)均值偏移算法跟蹤魚類，通過對(duì)尺度的估計(jì)，利用背 景和目標(biāo)區(qū)域的顏色直方圖，處理魚姿態(tài)的變化和光照不均 勻性，很好地克服了上述不足。Zheng等提由了一種自適應(yīng)的基于邊緣的均值偏移（MS）跟蹤算法，該算法可有效地跟蹤灰度變化目標(biāo)，但嚴(yán)重的漂 移會(huì)導(dǎo)致目標(biāo)區(qū)域的擴(kuò)展和目標(biāo)位置的不精確。Chuang等采用基于顏色、紋理特征和HOG特征的均值漂移算法有效地估 計(jì)核運(yùn)動(dòng)，然后與 DPM相結(jié)合，提由了基于可變形多核的 跟蹤算法，不

29、僅利用了基于內(nèi)核的跟蹤的低計(jì)算成本，而且 利用了 DPM檢測目標(biāo)定位的魯棒性。近年來，深度學(xué)習(xí)的興起為視覺跟蹤領(lǐng)域提供了新的方 向。然而，超長的離線訓(xùn)練時(shí)間和深度學(xué)習(xí)所需的大量圖像 極大地阻礙了學(xué)習(xí)的進(jìn)展，CNT不需要大量輔助數(shù)據(jù)進(jìn)行離線訓(xùn)練，簡單的兩層前向卷積網(wǎng)絡(luò)就足以學(xué)習(xí)圖像特征來進(jìn) 行魯棒的視覺跟蹤。CNT的第一層卷積網(wǎng)絡(luò)由一組濾波器定義的簡單單元特 征圖構(gòu)成，其中每個(gè)濾波器用K means算法從第一幀中提取歸一化圖像塊；第二層將簡單單元特征圖疊加成復(fù)雜單元 特征圖作為目標(biāo)表示，對(duì)目標(biāo)的局部結(jié)構(gòu)和幾何布局信息進(jìn) 行編碼，采用軟收縮策略對(duì)目標(biāo)表示進(jìn)行降噪。止匕外，CNT還采用一種有效的在線

30、方案更新目標(biāo)表示，以適應(yīng)跟蹤過程 中目標(biāo)外觀的變化，但CNT的不足在于跟蹤目標(biāo)時(shí)存在漂移 現(xiàn)象。FasUCNT算法采用自適應(yīng) K值代替K- means算法中 的固定K值，省略了 CNT中使用的背景濾波器，在不影響性 能的前提下節(jié)省了計(jì)算時(shí)間， 平均計(jì)算性能提高了 210倍, SURF特征點(diǎn)與粒子濾波的結(jié)合解決了CNT中存在的漂移問題。Huang等在跟蹤前采用 GMM提取每個(gè)包含運(yùn)動(dòng)目標(biāo)（魚） 的區(qū)域，并識(shí)別包含魚的相應(yīng)區(qū)域，再采用Fast-CNT網(wǎng)絡(luò)進(jìn)行水下多目標(biāo)跟蹤，即使魚的姿態(tài)有很大的變化，該方法仍 然能夠成功跟蹤多條魚，但一條魚被另一條完全遮擋時(shí)，會(huì) 由現(xiàn)跟蹤失敗的情況。四、結(jié)束語水下目標(biāo)探測關(guān)鍵技術(shù)在海洋信息處理中具有很大的 應(yīng)用前景和發(fā)展?jié)摿?，受到越來越多學(xué)者的關(guān)注，經(jīng)過幾十 年的發(fā)展取得了很多成果，但目前對(duì)水下目標(biāo)探測關(guān)鍵技術(shù) 的研究現(xiàn)狀仍缺乏統(tǒng)一歸納。對(duì)近年來國內(nèi)外水下圖像預(yù)處 理、水下目標(biāo)檢測識(shí)別與跟蹤的研究進(jìn)展進(jìn)行了調(diào)研總結(jié)，