-
摘要:
针对现有的单幅图像去雾问题, 提出了一种基于并联卷积神经网络的单幅图像去雾算法, 以端对端的方式实现图像去雾. 首先, 使用雾天RGB图像YUV变换的Y、U和V分量构建并联卷积神经网络, 自适应获得雾霾特征; 网络结构由两个子网络组成, 较深的网络预测清晰图像的亮度通道, 较浅的网络预测色度通道和饱和度通道. 最后, 采用递归双边滤波, 对去雾后的图像进行滤波, 可以得到更加清晰的无雾图像. 实验结果表明, 本文去雾算法无论是在合成雾天图像数据集还是自然雾天图像数据集上, 都具有良好的对比度与清晰度. 在主观评价和客观评价方面, 本文去雾算法都优于其他对比算法.
Abstract:Aiming at the problem that the existing single image dehazing algorithm, a single image dehazing algorithm based on multiple convolutional neural networks is proposed. Firstly, the Y, U and V components transformed by YUV of foggy day RGB images were used to construct a multiple convolutional neural network to obtain haze characteristics adaptively. The network structure is composed of two subnetworks, the deeper one predicts the brightness channel of the clear image, and the lighter one predicts the chromaticity channel and saturation channel. Finally, recursive bilateral filtering is adopted to filter the image after dehazing to obtain a clearer fog-free image. The experimental results show that this algorithm has good contrast and clarity in both synthetic and natural foggy image data sets, and is superior to other comparison algorithms in terms of subjective and objective evaluation.
-
机动目标跟踪(Maneuvering target tracking, MTT)是状态估计领域的重要研究方向之一, 广泛应用于雷达跟踪、飞行目标监测、导航等领域. 目前机动目标跟踪方法的研究主要基于卡尔曼滤波(Kalman filter, KF). 卡尔曼滤波是一种基于先验模型的估计方法, 要求先验模型准确, 即目标运动模式已知. 然而, 机动目标的机动性就体现在其运动模式未知且剧烈变化, 因此单模型方法难以有效解决机动目标跟踪问题. 基于多模型的跟踪方法是目前机动目标跟踪的重要研究领域. 以交互式多模型(Interacting multiple model, IMM)[1]为代表的多模型机动目标跟踪方法结合隐马尔科夫模型(Hidden Markov models, HMM), 利用模型转移概率提高对机动目标的状态估计精度. IMM方法采用模型集, 但Li认为实际模式空间与模型集合不一定匹配, 且模型集合应适应外界条件变化, 并提出变结构多模型方法(Variable structure multiple model, VSMM)[2-5]. 由于其良好的状态估计效果和灵活性, VSMM方法被国内外学者广泛关注.
随着传感器、计算机和通信技术发展, 多传感器信息融合逐渐成为研究热点, 可分为集中式(Centralized)、分布式(Distributed)与混合式(Hierarchical) 三种融合架构[6]. 基于一致性的分布式融合架构无需融合中心, 具有通信带宽要求低、通信能量损耗低、且对复杂网络适应性强等优点, 日益受到国内外学者关注. 基于一致性的分布式状态估计包括多种实现形式, 例如卡尔曼一致滤波(Kalman consensus filter, KCF)[7-9]、信息一致滤波(Information consensus filter, ICF)[10-11]等.
目前对一致性滤波的研究主要基于单模型方法, 主要关注传感器网络内丢包[12]、时延[13]、动态网络拓扑[14]、自适应一致性滤波[15]、网络能量优化[16]以及带牵引控制[17]等问题. 近年来, 考虑到多模型方法比单模型方法有更好的机动目标跟踪效果, Chisci等学者结合多模型思想, 提出分布式交互式多模型估计方法 (Distributed interacting multiple model, DIMM)[18-20]. 虽然变结构交互式多模型比交互式多模型具有更好的跟踪精度, 但由于VSMM方法中模型集随时可能扩增或删减, 难以直接应用于基于一致性的分布式估计方法, 因此目前已发表的相关研究成果不多.
本文重点研究如何将变结构多模型方法有效地引入分布式非线性状态估计方法, 具体研究内容如下: 首先为了解决量测方程非线性的问题, 研究了一类无迹信息滤波方法(Unscented information filter, UIF); 通过对变结构多模型方法进行改进, 提出基于可能模型集的期望模式扩增方法 (Expected-mode augmentation based on likely model-set, EMA-LMS), 进而将VSMM应用于分布式状态估计, 提出分布式变结构多模型方法 (Distributed variable structure multiple model, DVSMM). 仿真实验结果验证了本文提出方法的有效性.
1. 问题模型
本节介绍分布式传感器网络的图论表示以及雷达和红外传感器的量测模型.
1.1 传感器网络模型
通常用图
$G = (V,E)$ 对传感器网络建模. 顶点集$V = \{ 1,2,\cdots,n\}$ 表示网络中的传感器节点. 如果传感器节点$i$ 和$j$ 可以通信, 则认为图中这两个节点之间存在边, 即$(i,j) \in E$ . 邻接矩阵${A}$ 是$n$ 行$n$ 列的布尔矩阵, 记${A} = [{a_{ij}}]$ , 如式1所示:$${a_{ij}} = \left\{ \begin{array}{l} 1,\hskip5mm{\rm{ (}}i,j) \in E\\ 0,\hskip5mm{\rm{ (}}i,j) \notin E{\rm{\ or\ }}i = j \end{array} \right.$$ (1) 记
${N_i} = \{ j:({v_i},{v_j}) \in E\} $ 为传感器节点$i$ 可以通通信的节点集,${J_i} = {N_i} \cup \{ i\} $ . 如图1所示: 包含6节点的分布式传感器网络.该传感器网络对应的邻接矩阵如式(2)所示:
$${A} = \left[ {\begin{array}{*{20}{c}} 0&1&0&1&1&1 \\ 1&0&1&0&0&1 \\ 0&1&0&1&0&0 \\ 1&0&1&0&1&0 \\ 1&0&0&1&0&1 \\ 1&1&0&0&1&0 \end{array}} \right]$$ (2) 1.2 量测模型
本文研究二维平面内直接坐标系中的机动目标跟踪问题. 记视线与直角坐标系
$x$ 轴正方向的夹角记为方位角$\theta, $ 传感器与目标的距离记为$\rho.$ 雷达可获得目标距离$\rho $ 与方位角$\theta $ 量测值, 而红外传感器仅获得目标方位角$\theta,$ 如图2所示.构造极坐标
$(\rho ,\theta )$ 与二维平面上直角坐标描述$(x,y)$ 一一映射, 如式(3)所示, 方位角的范围须为$\theta \in [0,2\pi )$ 或$\theta \in ( - \pi ,\pi ]$ :$$\left\{ \begin{array}{l} x = \rho \cos \theta \\ y = \rho \sin \theta \end{array} \right.$$ (3) 当
$\theta \in [0,2\pi )$ 时, 直角坐标$(x,y)$ 转换为极坐标$(\rho ,\theta )$ 的映射关系如式(4)所示.$$\begin{split} &\rho = \sqrt {{{({x_t} - {x_s})}^2} + {{({y_t} - {y_s})}^2}} \\ &\theta = \left\{ \begin{aligned} &\arctan \frac{{{y_t} - {y_s}}}{{{x_t} - {x_s}}},\ {\rm{ }}{x_t} - {x_s} > 0,\ {y_t} - {y_s} \ge 0\\ &\arctan \frac{{{y_t} - {y_s}}}{{{x_t} - {x_s}}} + 2\pi ,\ {\rm{ }}{x_t} - {x_s} > 0,\ {y_t} - {y_s} < 0\\ &\arctan \frac{{{y_t} - {y_s}}}{{{x_t} - {x_s}}} + \pi ,\ {\rm{ }}{x_t} - {x_s} < 0\\ &\frac{\pi }{2},\ {\rm{ }}{x_t} - {x_s} = 0{\rm{,\ }}{y_t} - {y_s} > 0\\ &\frac{{3\pi }}{2},\ {\rm{ }}{x_t} - {x_s} = 0{\rm{,\ }}{y_t} - {y_s} < 0 \end{aligned} \right. \end{split}$$ (4) 式中,
${x_t}$ 和${y_t}$ 表示目标位置;${x_s}$ 和${y_s}$ 表示传感器位置. 式(4)中的映射关系不具有连续性, 即存在一组由奇异点构成射线$y = 0,\ x > 0.$ 且目标方位角在该射线两侧发生突变, 导致目标方位角误差增大, 影响滤波器的状态估计结果.为避免由反正切函数不连续引起的误差, 需判断映射关系是否奇异.
图 3$ {\theta }_{1}-{\theta }_{2} $ 的定义Fig. 3 Definition of$ {\theta }_{1}-{\theta }_{2} $ 首先计算相邻两个时刻目标方位角的顺时针变量
$\Delta {\theta _{acw}}$ 与逆时针变量$\Delta {\theta _{cw}}$ , 构造具有连续性的映射关系, 如式(5)所示, 计算方位角的变化量.$$\begin{split} {\theta _1} - {\theta _2} =\;& \left\{ {\begin{aligned} &{0,} \qquad\qquad\;\; {{\theta _1} - {\theta _2} = 0}\\ &{\Delta {\theta _{acw}},} \;\qquad {\Delta {\theta _{cw}} > \Delta {\theta _{acw}}}\\ &{ - \Delta {\theta _{cw}},}\qquad {\Delta {\theta _{cw}} < \Delta {\theta _{acw}}} \end{aligned}} \right.=\\ \;&\left\{ {\begin{aligned} &{{\theta _1} - {\theta _2},}\;\;\;\qquad\qquad{\left| {{\theta _1} - {\theta _2}} \right| \le \pi }\\ &{2\pi - \left| {{\theta _1} - {\theta _2}} \right|,}\qquad{{\theta _1} - {\theta _2} < - \pi }\\ &{\left| {{\theta _1} - {\theta _2}} \right| - 2\pi ,}\;\qquad{{\theta _1} - {\theta _2} > \pi } \end{aligned}} \right. \end{split}$$ (5) 2. 无迹信息滤波
本节介绍下一节中DVSMM方法所采用的无迹信息滤波UIF[21]原理. 无迹信息滤波与无迹卡尔曼滤波 (Unscented Kalman filter, UKF) 均通过Sigma点采样计算状态向量的一阶矩与二阶矩, 区别在于UIF采用信息矩阵与信息状态向量进行量测更新.
设
$x$ 为n维随机向量, 其均值和协方差分别为$\bar x$ 和${{P}_x}$ .${{f}} ( \cdot )$ 为非线性函数:1)计算
$2n + 1$ 个Sigma点${\xi ^\iota }$ :$$\left\{ \begin{aligned} &{\xi ^i} = \bar x,{\rm{ }}\ i = 0\\ &{\xi ^i} = \bar x + {(\sqrt {(n + \lambda ){P_x}} )_i}{\rm{, }}\ i = 1,\cdots,n\\ &{\xi ^i} = \bar x - {(\sqrt {(n + \lambda ){P_x}} )_{i - n}}{\rm{, }}\ i = n + 1,\cdots,2n \end{aligned} \right.$$ (6) 式中,
$\lambda $ 为尺度参数;${(\sqrt {(n + \lambda ){P_x}} )_i}$ 表示用$(n + \lambda ){{P}_x}$ 平方根的第$i$ 行或第$i$ 列来构造Sigma点[22-24].2)每个Sigma点通过非线性函数传播, 得到
${y^i}$ :$${y^i} = f({\xi ^i}),\quad {\rm{ }}i = 0,\cdots,2n$$ (7) 3)计算
$y$ 的均值$\bar y$ 和协方差${{P}_y}$ .$$\begin{split} &\bar y = \sum\limits_{i = 0}^{2n} {W_s^i{y^i}} \\ &{{P}_y} = \sum\limits_{i = 0}^{2n} {W_c^i({y^i} - \bar y){{({y^i} - \bar y)}^{\rm{T}}}} \end{split}$$ (8) 式中,
$W_s^i$ 和$W_c^i$ 为加权系数[22-23].设离散时间非线性系统的状态方程和量测方程如式(9)所示:
$$\begin{split} &{x_k} = {f_{k - 1}}({x_{k - 1}}) + {w_k}\\ &{z_k} = {h_k}({x_k}) + {v_k} \end{split}$$ (9) 式中,
${x_k}$ 表示目标状态向量;${z_k}$ 表示传感器量测向量;${{f}}_{k}(\cdot )$ 和${{h}}_{k}(\cdot )$ 分别表示非线性的状态函数和量测函数;${w_k} \sim {\rm N}(0,{{Q}_k})$ 表示过程噪声;${v_k} \sim {\rm N}(0,{{R}_k})$ 表示量测噪声.假设上一时刻的状态估计
${\hat x_{k \!-\! 1|k \!-\! 1}}$ 和估计协方差矩阵${{P}_{k - 1|k - 1}}$ 已知, 状态向量维度为$L,$ 量测向量维度为$M.$ 则UIF的一步状态预测与量测更新过程如下:1)一步状态预测
由式(6), 计算
${\hat x_{k - 1|k - 1}}$ 周围的Sigma点$x_{k - 1|k - 1}^i$ ,$i = 0,1,\cdots,2L.$ 计算$x_{k - 1|k - 1}^i$ 经过状态转移函数${{f}}_{k-1}( \cdot )$ 传递后的$x_{k|k - 1}^i.$ 由式(10)计算状态预测${\hat x_{k|k - 1}}$ 和状态预测协方差${P_{k|k - 1}}:$ $$\begin{split} &{{\hat x}_{k|k - 1}} = \sum\limits_{i = 0}^{2n} {W_s^ix_{k|k - 1}^i} \\ &{{P}_{k|k - 1}} = \sum\limits_{i = 0}^{2n} W_c^i(x_{k|k - 1}^i - {{\hat x}_{k|k - 1}})\times\\ &\qquad\qquad{(x_{k|k - 1}^i - {\hat x}_{k|k - 1}})^{\rm T} + {{Q}_k} \end{split}$$ (10) 计算先验信息向量
${\hat y_{k|k - 1}}$ 和对应的信息矩阵${{Y}_{k|k - 1}}$ :$$\begin{split} &{{\hat y}_{k|k - 1}} = {P}_{k|k - 1}^{ - 1}{{\hat x}_{k|k - 1}}\\ &{{Y}_{k|k - 1}} = {P}_{k|k - 1}^{ - 1} \end{split}$$ (11) 2)量测更新
计算
$x_{k|k - 1}^i$ 在量测函数下的映射$g_k^i$ :$$g_k^i = {{h}_k}(x_{k|k - 1}^i),\;\;\;i = 0,1,\cdots,2L$$ (12) 计算量测预测
${\hat z_k}$ :$${\hat z_k} = \sum\limits_{i = 0}^{2L} {W_s^ig_k^i} $$ (13) 计算量测预测和状态−量测协方差矩阵:
$$\begin{split} &{{P}_{{z_k}{z_k}}} = \sum\limits_{i = 0}^{2L} {W_c^i(g_k^i - {{\hat z}_k}){{(g_k^i - {{\hat z}_k})}^{\rm{T}}}} + {{R}_k}\\ &{{P}_{{x_k}{z_k}}} = \sum\limits_{i = 0}^{2L} {W_c^i(x_{k|k - 1}^i - {{\hat x}_{k|k - 1}}){{(g_k^i - {{\hat z}_k})}^{\rm{T}}}} \end{split}$$ (14) 引入伪测量矩阵计算信息状态贡献
${i_k}$ 和对应的信息矩阵${I_k}$ [21]:$$\begin{split} {{I}_k} =\;& {P}_{k|k{\rm{ - 1}}}^{{\rm{ - 1}}}{{P}_{{x_k}{z_k}}}{R}_k^{{\rm{ - 1}}}{P}_{{x_k}{z_k}}^{\rm{T}}{P}_{k|k{\rm{ - 1}}}^{{\rm{ - 1}}}\\ {i_k} =\;& {P}_{k|k{\rm{ - 1}}}^{{\rm{ - 1}}}{{P}_{{x_k}{z_k}}}{R}_k^{{\rm{ - 1}}}{\rm{\bigg(}}{z_k} - {{\hat z}_k} +\\ &{P}_{{x_k}{z_k}}^{\rm{T}}{\left({P}_{k|k{\rm{ - 1}}}^{\rm{T}}\right)^{{\rm{ - 1}}}}{{\hat x}_{k|k{\rm{ - 1}}}}\bigg) \end{split}$$ (15) 通过
${i_k}$ 和${{I}_k}$ 计算后验信息向量${\hat y_{k|k}}$ 和对应的信息矩阵${{Y}_{k|k}}$ :$$\begin{split} &{{Y}_{k|k}} = {{Y}_{k|k - 1}} + {{I}_k}\\ &{{\hat y}_{k|k}} = {{\hat y}_{k|k - 1}} + {i_k} \end{split}$$ (16) 由式(17)计算状态估计
${\hat x_{k|k}}$ 和状态估计协方差${P_{k|k}}$ :$$\begin{split} &{{P}_{k|k}} = {Y}_{k|k}^{ - 1}\\ &{{\hat x}_{k|k}} = {Y}_{k|k}^{ - 1}{{\hat y}_{k|k}} \end{split}$$ (17) 考虑到第1.2节所述的方位角突变的问题, 需要按照如下两个步骤修改UIF:
将式(13)改为直接用
${\hat x_{k|k - 1}}$ 来计算${\hat z_k}$ :$${\hat z_k} = {{h}_k}({\hat x_{k|k - 1}})$$ (18) 将式(14)、(15)中
$g_k^i - {\hat z_k}$ 和${z_k} - {\hat z_k}$ 中的方位角相减都用式(5)的角度相减代替.3. 分布式变结构多模型方法
本节将分析变结构多模型方法应用在分布式状态估计所面临的关键问题. 通过结合期望模式扩增方法和可能模型集方法, 提出基于可能模型集的期望模式扩增方法 EMA-LMS与分布式变结构多模型跟踪方法DVSMM.
3.1 VSMM方法在分布式估计的关键问题
在DIMM[18-20]方法框架下, 将每个模型对应的预测信息或传感器后验估计信息与通信邻域中其他传感器对应模型中的信息进行一致性加权融合, 如图4所示:
图4中, 每个传感器具有相同的交互式多模型集, 且模型数量为
$M.$ 假设传感器$s$ 和$j$ 相邻, 本地传感器与相邻传感器进行一致性加权融合的变量可分为三类: 1)本地先验信息向量${\hat y_{k|k - 1}}$ 及其对应的信息矩阵${{Y}_{k|k - 1}};$ 2)本地信息状态贡献${i_k}$ 和对应的信息矩阵${{I}_k}$ [18]; 3)本地后验信息向量${\hat y_{k|k}}$ 和对应的信息矩阵${{Y}_{k|k}}$ [19]. 此外, 分布式交互式多模型方法将对每个模型下的模型似然对数与相邻传感器对应模型下的模型似然对数进行一致性加权融合[18].但上述DIMM方法框架并不适用于分布式变结构交互式多模型方法. VSMM方法中不同时刻模型集的模型种类与数量可能不同. 即在每个方法周期内, 每个传感器所使用的模型可能不一样. 因此实现分布式VSMM方法主要有面临两个难点:
1) 信息滤波器中先验及后验的信息向量
${y_k}$ 、对应的信息矩阵${{Y}_k}$ 和多模型方法中的模型似然都依赖于模型和传感器本地量测向量${z_k}$ 来计算. 由于VSMM方法每个时刻使用的模型种类和数量都在变化, 因此无法像分布式IMM方法那样对每个模型对应的这些信息使用一致性加权融合.2) 在线性系统中与非线性系统中, 信息状态贡献
${i_k}$ 和对应的信息矩阵${{I}_k}$ 的计算不但依赖于本地量测${z_k}$ , 也依赖于模型.如图5所示, 每个传感器每个时刻所交互的模型不同(VSMM方法核心特点), 因此无法采用DIMM方法的思路实现分布式状态估计.
3.2 分布式变结构多模型方法
由于VSMM方法在不同时刻选用不同的模型集进行交互, 因此难以在相邻传感器之间直接交互模型的信息向量和信息矩阵. 为解决这一问题, 本文对Li提出的VSMM方法结合无迹信息滤波UIF进行改进, 提出分布式变结构多模型跟踪方法(DVSMM). 通过在相邻传感器之间直接传递量测向量, 并在每个传感器内部平行计算采用不同模型的UIF对应的信息向量、信息矩阵和模型似然函数, 最后进行一致性加权融合. DVSMM具体方法如下:
假设本地传感器为传感器
$s$ , 通过MSA方法可得$k$ 时刻本地用于状态估计的新模型集合$M_k^s$ . 假设每个方法周期开始时, 每个传感器已经向相邻的传感器发送本时刻自身的本地量测${z_k}$ 和位置${p_k}$ , 且每个传感器可知其他传感器量测向量来自的传感器类型(雷达或红外). 记${J_s} = {N_s} \cup \{ s\} $ , 则传感器$s$ 在本方法周期可用的传感器量测为$\{ z_k^m\} ,m \in {J_s}$ .对模型
$i$ , 目标的状态转移方程为:$${x_k} = f_{k - 1}^{(i)}({x_{k - 1}}) + w_k^{(i)}$$ (19) 式中,
$w_k^{(i)}$ 为过程噪声,$w_k^{(i)} \sim {\rm N}(0,{Q}_k^{(i)})$ .传感器
$s$ 的量测方程为:$$z_k^s = {h}_k^s({x_k}) + v_k^s$$ (20) 式中,
$v_k^s$ 为量测噪声,$v_k^s \sim {\rm N}(0, R_k^s)$ .假设
$ k-1 $ 时刻基于$M_{k - 1}^s$ 的本地目标状态估计$\hat x_{k - 1|k - 1}^{s,(j)}$ 、状态估计误差协方差${P}_{k - 1|k - 1}^{s,(j)}$ 模型概率$\mu _{k - 1}^{s,(j)}$ ,${m^{(j)}} \in M_{k - 1}^s$ 均已知. 分布式变结构多模型方法的模型集合$[M_k^s,M_{k - 1}^s]$ 包括${J_s} = \{ {N_s} \cup s\} $ 中所有传感器的量测信息$\{ z_k^m\} ,m \in {J_s}$ , 以及一致性加权融合过程.在
$k$ 时刻, 传感器$ s $ 内模型集合$[M_k^s,M_{k - 1}^s]$ 的一步预测和量测更新方法流程如下$({\pi _{ij}}$ 为模型转移概率):1)模型交互(对
$\forall {m^{(i)}} \in M_k^s)$ 计算模型预测概率:
$$\mu _{k|k - 1}^{(i)} = \sum\limits_{{m^{(j)}} \in M_{k - 1}^s} {{\pi _{ji}}\mu _{k - 1|k - 1}^{(j)}} $$ (21) 计算交互权值:
$$\mu _{k - 1}^{j|i} = {\pi _{ji}}\frac{\mu _{k - 1|k - 1}^{(j)}}{\mu _{k|k - 1}^{(i)}}$$ (22) 计算交互估计和方差:
$$\begin{split} &\bar x_{k - 1|k - 1}^{s,(i)} = \sum\limits_{{m^{(j)}} \in M_{k - 1}^s} {\hat x_{k - 1|k - 1}^{s,(j)}\mu _{k - 1}^{s,j|i}}\times \\ &\qquad{{\bar P}}_{k - 1|k - 1}^{s,(i)} = \sum\limits_{{m^{(j)}} \in M_{k - 1}^s} {\mu _{k - 1}^{j|i}\bigg[{P}_{k - 1|k - 1}^{s,(j)} + } \\ &\qquad\left(\bar x_{k - 1|k - 1}^{s,(i)} - \hat x_{k - 1|k - 1}^{s,(j)}\right)\!{\left(\bar x_{k - 1|k - 1}^{s,(i)} - \hat x_{k - 1|k - 1}^{s,(j)}\!\right)^{\rm{T}}}\bigg] \end{split}$$ (23) 2)模型条件滤波(对
$\forall {m^{(i)}} \in M_k^s$ )分布式变结构多模型的模型集合
$[M_k^s,M_{k - 1}^s]$ 使用了${J_s}$ 中所有传感器的量测信息$\{ z_k^m\} ,m \in {J_s}.$ 状态预测:
由式(6), 计算
$\bar x_{k - 1|k - 1}^{s,(i)}$ 的Sigma点$x_{k - 1|k - 1}^{s,l,(i)}$ $(l = 0,1,\cdots,2L$ ,$L$ 为状态向量维度). 然后计算Sigma点$x_{k - 1|k - 1}^{s,l,(i)}$ 经过状态函数${{f}} _{k - 1}^{(i)}$ 传递后得到的$x_{k|k - 1}^{s,l,(i)}$ . 于是可以如式(10)计算得到模型$i$ 下的状态预测$\hat x_{k|k - 1}^{s,(i)}$ 和状态预测协方差${P}_{k|k - 1}^{s,(i)}$ . 然后得到模型$ i $ 下先验信息向量$\hat y_{k|k - 1}^{s,(i)}$ 和对应的信息矩阵$Y_{k|k - 1}^{s,(i)}$ .量测更新:
利用多个传感器量测
$\{ z_k^m\} ,m \in {J_s}$ 进行量测更新. 分别计算这些来自不同传感器的量测向量对应每个模型的信息状态贡献、信息矩阵以及模型似然函数, 然后进行一致性加权融合. 具体步骤如下:对每个
$\{ z_k^m\} ,m \in {J_s}$ 计算$x_{k|k - 1}^{s,l,(i)}$ 经过量测函数${{h}}_{k}^{m}( \cdot )$ 传播后的Sigma点$g_k^{s,m,l,(i)}$ , 由式(14) 得到${P}_{{z_k}{z_k}}^{s,m,(i)}$ 和${{P}}_{{x_k}{z_k}}^{s,m,(i)}$ . 然后计算量测预测$\hat z_{k|k - 1}^{s,m,(i)}$ 和残差$\tilde z_k^{s,m,(i)}$ :$$\begin{split} &{\hat z_{k|k - 1}^{s,m,(i)} = {{h}}_k^m(\hat x_{k|k - 1}^{s,(i)})}\\ &{\tilde z_k^{s,m,(i)} = z_k^{s,m} - \hat z_{k|k - 1}^{s,m,(i)}} \end{split}$$ (24) 计算可得量测
$z_k^m$ 和模型${m^{(i)}}$ 对应的信息状态贡献与信息矩阵:$$\begin{split} &i_k^{s,m,(i)} = {\left({P}_{k|k - 1}^{s,(i)}\right)^{ - 1}}{P}_{{x_k}{z_k}}^{s,m,(i)}{\left({R}_k^m\right)^{ - 1}} \times \\ &\qquad\qquad\left(\tilde z_k^{s,m,(i)} + {\left({P}_{{x_k}{z_k}}^{s,m,(i)}\right)^{\rm{T}}}{\left({P}_{k|k - 1}^{s,(i)}\right)^{ - {\rm{T}}}}\hat x_{k|k - 1}^{s,(i)}\right)\\ &I_k^{s,m,(i)} = {\left({P}_{k|k - 1}^{s,(i)}\right)^{ - 1}}{P}_{{x_k}{z_k}}^{s,m,(i)}{\left({R}_k^m\right)^{ - 1}}\times\\ &\qquad\qquad{\left({P}_{{x_k}{z_k}}^{s,m,(i)}\right)^{\rm{T}}}{\left({P}_{k|k - 1}^{s,(i)}\right)^{ - {\rm{T}}}}\\[-15pt] \end{split}$$ (25) 计算量测
$z_k^m$ 和模型${m^{(i)}}$ 下的模型似然函数:$$L_k^{s,m,(i)}{\rm{ = }}\frac{{\exp \left( { \frac{- {{\left(\tilde z_k^{s,m,(i)}\right)}^{\rm{T}}}{{\left({P}_{{z_k}{z_k}}^{s,m,(i)}\right)}^{ - 1}}\tilde z_k^{s,m,(i)}}{2}} \right)}}{{\sqrt {{{\left( {2\pi } \right)}^{{N^m}}}\left| {{P}_{{z_k}{z_k}}^{s,m,(i)}} \right|} }}$$ (26) 式中,
${N^m}$ 为传感器$m$ 的量测向量维度;$ \left|\cdot \right| $ 表示矩阵的行列式.对模型似然求对数
$$\Lambda _k^{s,m,(i)} = \ln \left(L_k^{s,m,(i)}\right)$$ (27) 至此, 获得模型
${m^{(i)}}$ 下, 关于${J_s}$ 内的所有量测数据$\{ z_k^m\} ,m \in {J_s}$ 的信息状态贡献、对应的信息矩阵和模型似然的对数${\{ {\pmb{i}}_k^{s,m,(i)},{I}_k^{s,m,(i)},\Lambda _k^{s,m,(i)}\} _{m \in {J_s}}}$ .进行一致性加权融合:
$$\begin{split} &i_k^{s,(i)} = i_k^{s,s,(i)} - \sum\limits_{n \in {N_s}} {{w_{sn}}\left(i_k^{s,s,(i)} - i_k^{s,n,(i)}\right)} \\ &{I}_k^{s,(i)} = {I}_k^{s,s,(i)} - \sum\limits_{n \in {N_s}} {{w_{sn}}\left({I}_k^{s,s,(i)} - {I}_k^{s,n,(i)}\right)} \\ &\Lambda _k^{s,(i)} = \Lambda _k^{s,s,(i)} - \sum\limits_{n \in {N_s}} {{w_{sn}}\left(\Lambda _k^{s,s,(i)} - \Lambda _k^{s,n,(i)}\right)} \end{split}$$ (28) 式中,
$w$ 为一致性加权系数. 常用的一致性加权系数有最大度加权和Metropolis加权[25], 本文采用Metropolis加权系数.恢复模型似然函数
$L_k^{s,(i)} = \exp (\Lambda _k^{s,(i)})$ .更新每个模型下的信息向量和信息矩阵更新:
$$\begin{split} &\hat y_{k|k}^{s,(i)} = \hat y_{k|k - 1}^{s,(i)} + i_k^{s,(i)}\\ &{Y}_{k|k}^{s,(i)} = {Y}_{k|k - 1}^{s,(i)} + {I}_k^{s,(i)} \end{split}$$ (29) 进而得到每个模型下的状态估计和状态估计协方差:
$$\begin{split} &{P}_{k|k}^{s,(i)} = {({Y}_{k|k}^{s,(i)})^{ - 1}}\\ &\hat x_{k|k}^{s,(i)} = {({Y}_{k|k}^{s,(i)})^{ - 1}}\hat y_{k|k}^{s,(i)} \end{split}$$ (30) 至此, DVSMM方法具有明确的输入和输出结构与递推公式:
$$\begin{split} &\left[M_k^s,M_{k - 1}^s\right]:\left\{ \hat x_{k|k}^{i|M_k^s},{P}_{k|k}^{i|M_k^s},L_k^{i|M_k^s},\mu _{k|k - 1}^{i|M_k^s}\right\} =\\ &\quad\;\;\left(\hat x_{k - 1|k - 1}^{i|M_{k - 1}^s},{P}_{k - 1|k - 1}^{i|M_{k - 1}^s},\mu _{k - 1|k - 1}^{i|M_{k - 1}^s},{\{ z_k^m\} _{m \in {J_s}}}\right) \end{split}$$ (31) 每个传感器通过与临近传感器交互量测信息及传感器位置, 通过计算
$[M_k^s,M_{k - 1}^s]$ 和$[M_k^{s,1},M_k^{s,2}; M_{k - 1}^s]$ [2], 即可将各种单传感器下的VSMM机动目标跟踪方法迁移到传感器网络中, 进行分布式状态估计.DVSMM更新模型集方法流程如图6所示.
3.3 基于可能模型集的期望模式扩增方法
VSMM方法所使用的模型集合随时可能扩增和删减, 其核心在于模型集自适应方法 (Model-set adaptation, MSA)[3] 和基于模型集序列状态估计方法 (Model-set sequence conditioned estimation, MSE)[2, 25] . 目前, 模型集自适应方法包括可能模型集 (Likely-model set, LMS) 方法[4]、期望模式扩增 (Expected-mode augmentation, EMA) 方法[5]等. 其中, LMS方法根据模型概率, 在一个包含较多模型的模型集中选择部分模型来参与滤波估计, 能够减少每个方法周期参与滤波的模型数量, 降低多模型方法的计算量. EMA方法适用于模型具有可加性, 模式空间连续的情况. 它在每个方法周期对已有的模型求加权和(权值为模型概率), 计算得到期望模型, 并把期望模型扩增到模型集中参与滤波估计. 当目标的运动模式不落在基础模型上时, 能够显著改善跟踪效果. 而当目标的运动模式恰好落在基础模型上时, 跟踪效果相较于IMM方法有所下降. EMA方法取决于模型集的准确程度, 若目标运动模式恰好符合模型集, EMA方法跟踪效果. 然而, 考虑到实际条件下目标真实运动模式未知且难以预测, 大部分情况下目标真实运动模式并不符合EMA模型集.
针对目标真实运动模式未知且难以预测的问题, 本节提出基于可能模型集的期望模式扩增方法EMA-LMS, 并通过仿真分析及仿真实验结果说明分布式DVSMM方法框架的通用性和易于实现的特点.
EMA-LMS方法的优点在于, 既能够达到EMA方法跟踪精度, 又能降低每个时刻参与滤波的模型数量, 即降低运算时间复杂度. 本文提出的DVSMM方法通过拓展VSMM的输入, 将本地传感器的量测信息拓展为通信邻域内其他传感器的所有量测信息, 并进行一致性融合估计.
EMA-LMS方法流程如下:
1) 当
$k + 1$ 时刻, 首先计算模型概率${\left\{ \mu _{k|k - 1}^{(i)}\right\} ^{_{{m^{(i)}} \in {M_{k - 1}}}}}$ 与${E_k} = [{M_{k - 1}};{M^1},\cdots,{M^q}]$ 扩展后的模型集, 并计算${\left\{ \hat x_{k|k}^{(i)},{P}_{k|k}^{(i)},\mu _{k|k}^{(i)}\right\} ^{{m^{(i)}} \in {E_k}}}.$ 令${M^f} = {M_{k - 1}} - {E_{k - 1}},$ 由$[{M^f},{M_{k - 1}}]$ 计算可得${\left\{ \hat x_{k|k}^{(i)},{P}_{k|k}^{(i)},\mu _{k|k}^{(i)}\right\} ^{_{{m^{(i)}} \in {M^f}}}}.$ 2) 根据
${\left\{ \mu _{k|k}^{(i)}\right\} ^{_{{m^{(i)}} \in {M^f}}}}$ , 将模型${M^f}$ 分为可能模型${M_p}$ $\left(\mu _{k|k}^{(i)} > {t_2}\right)$ 、重要模型${M_s}$ $\left({t_1} \leq \mu _{k|k}^{(i)} \leq {t_2}\right)$ 、不太可能模型${M_u}$ (${\mu _k} \leq {t_1}$ ). 统计与${M_p}$ 毗邻(转移概率不为0)的模型集合${M_a}$ , 令本时刻需要删除的候选基础模型为${M_d} = {M_u} \cup {\bar M_a}$ .3) 统计与
${M_p}$ 毗邻(转移概率不为0)的模型集合${M_a}$ , 得到本时刻需要添加的基础模型${M_n} = $ $ {M_a} \cap {\bar M_k}$ . 本时刻需要删除的候选基础模型${M_d} = $ $ {M_u} - {M_a}$ .4) 若
${M_n} = \emptyset $ , 转到第5)步. 否则计算$[{M_n}, $ $ {M_{k - 1}}]$ , 得到${M_n}$ 各模型状态估计值、协方差和模型概率:${\left\{ \hat x_{k|k}^{(i)},{P}_{k|k}^{(i)},\mu _{k|k}^{(i)}\right\} ^{_{{m^{(i)}} \in {M_n}}}}$ . 然后进行期望模型的再次更新, 计算估计融合$[{M^f},{M_n},{E_k};{M_{k - 1}}]$ , 由得到的模型概率计算新的期望模型${E'_k}$ . 再计算一致性融合估计$[{M^f},{M_n},{E'_k};{M_{k - 1}}]$ , 得到本算法周期的总体估计结果${\left\{ \hat x_{k|k}^{(i)},{P}_{k|k}^{(i)},\mu _{k|k}^{(i)}\right\} ^{_{{m^{(i)}} \in ({M^f} \cup {M_n} \cup {{E'}_k})}}}$ . 并令${M_k} = {M^f} \cup {M_n} \cup {E'_k}$ , 且记${E_k} = {E'_k}$ .5) 输出本时刻的估计融合结果
$\Big\{ \hat x_{k|k}^{(i)}, {P}_{k|k}^{(i)}, $ $ \mu _{k|k}^{(i)}\Big\} ^{{m^{(i)}} \in {M_k}}$ . 若${M_d} = \emptyset $ , 返回S1; 否则,令${M_{k + 1}} = $ $ {M_k}$ , 并从${M_{k + 1}}$ 中删掉${M_d}$ 中具有更小概率的那些模型, 直到${M_d}$ 中所有模型被删完或$\left| {{M_{k + 1}}} \right| = K$ .4. 仿真分析
本节通过仿真分析说明本文提出的DVSMM方法的有效性. 考虑一个雷达和红外传感器网络, 所有传感器在仿真过程中始终能观察到目标.
通过4种方法验证本文提出的分布式VSMM框架的有效性. DIMM1和DIMM2分别使用了文献[18]和[19]的分布式IMM方法框架. DIMM3表示用本文提出的DVSMM框架实现的分布式IMM方法. DEMA-LMS为用本文提出的DVSMM框架实现的分布式EMA-LMS.
假设目标为二维平面机动目标, 目标的状态变量为
$x = {\left[ x\;\;{\dot x}\;\;y\;\;{\dot y} \right]^{\rm{T}}}$ ,$x$ 与$y$ 分别表示目标在$x$ 轴、$y$ 轴方向上的位置,$\dot x$ 与$\dot y$ 分别表示目标在$x$ 轴、$y$ 轴方向上的速度. 目标状态转移方程如式(32)所示:$${x_{k{\rm{ + }}1}} = {{F}_k}{x_k} + {{G}_k}{u_k} + {{\varGamma }_{k + 1}}{w_{k + 1}}$$ (32) 式中,
${u_k} = {[ {{a_x}}\;\;{{a_y}} ]^{\rm{T}}}$ 为目标加速度, 可以进行阶跃变化;${w_k}$ 为过程噪声,${w_k} \sim {\rm N}(0,{Q_k}){Q_k})$ ;${{F}_k}$ 表示状态转移矩阵;${{G}_k}$ 为加速度输入矩阵;${{\varGamma }_k}$ 为噪声传递矩阵.$$\begin{split} &{{F}_k} = {{\pmb I}_{2 \times 2}} \otimes {F},\;\;\;\; {{G}_k} = {{\Gamma }_k} = {{\pmb I}_{2 \times 2}} \otimes {G}\\ &{F} = \left[ {\begin{array}{*{20}{c}} 1&{{T}}\\ 0&1 \end{array}} \right],{G} = \left[ {\begin{array}{*{20}{c}} {{{{T}}^2}/2}\\ {{T}} \end{array}} \right] \end{split}$$ (33) 式中,
${{T}}$ 为采样周期;${{\pmb I}_{2 \times 2}}$ 表示二阶单位矩阵;$ \otimes $ 表示矩阵的直积.目标初始状态
${x_0} = {\left[ {0\;\;\; 1500\;\;\; 0\;\;\; 1500} \right]^{\rm{T}}}$ , 过程噪声方差${Q_k} = {\rm diag}\{0.01,0.01\}$ . 仿真时长为300s,$ {{T}} = 1 $ s. 目标运动加速度输入如表1所示:表 1 目标运动模式的变化Table 1 Target mode switching时间k 1 ~ 50 50 ~ 100 100 ~ 150 150 ~ 200 200 ~ 250 250 ~ 300 加速度${u_k}$ $ {\left[\rm{0}, \rm{0}\right]}^{\rm{T}}$ $ {\left[\rm{0}, \rm{-20}\right]}^{\rm{T}}$ $ {\left[\rm{0}, \rm{0}\right]}^{\rm{T}}$ $ {\left[\rm{10}, \rm{10}\right]}^{\rm{T}}$ $ {\left[\rm{-10}, \rm{-10}\right]}^{\rm{T}}$ $ {\left[\rm{10}, \rm{10}\right]}^{\rm{T}}$ 仿真中使用的基础模型集均为文献[4]中包含13个模型的基础模型集, 是具有固定加速度输入的二维CV模型. 对于模型
$j$ , 目标状态转移方程为:$${x_{k + 1}} = {F}_k^{(j)}{x_k} + {G}_k^{(j)}u_k^{(j)} + {\varGamma }_k^{(j)}w_k^{(j)}$$ (34) 式中,
${F}_k^{(j)}$ 、${G}_k^{(j)}$ 、${\varGamma }_k^{(j)}$ 的含义与式(33)相同. 模型之间的区别只在于加速度输入$u_k^{(j)}$ 不同. 基础模型集中不同模型的加速度输入如式(35)和图7所示:仿真中在基础模型集中使用的模型转移概率矩阵
${{\pmb G}}_k^{(j)}$ 如式(36)所示:$$\left\{\!\! \begin{aligned} &{u^{(1)}} \!=\! {[0,0]^{\rm{T}}},\qquad{u^{(2)}} \!=\! {[20,0]^{\rm{T}}},\qquad\!\;\,{u^{(3)}} \!=\! {[0,20]^{\rm{T}}}\\ &{u^{(4)}} \!=\! {[ - 20,0]^{\rm{T}}},\;\;\,{u^{(5)}} \!=\! {[0, - 20]^{\rm{T}}},\;\;\quad{u^{(6)}} \!=\! {[20,20]^{\rm{T}}}\\ &{u^{(7)}} \!=\! {[ - 20,20]^{\rm{T}}},\;{u^{(8)}} \!=\! {[ - 20, - 20]^{\rm{T}}},\;{u^{(9)}} \!=\! {[20, - 20]^{\rm{T}}}\\ &{u^{(10)}} \!=\! {[40,0]^{\rm{T}}},\quad{\kern 1pt} {\rm{ }}{u^{(11)}}\!=\! {[0,40]^{\rm{T}}},\qquad{u^{(12)}} \!=\! {[ - 40,0]^{\rm{T}}}\\ &{u^{(13)}} \!=\!{[0, - 40]^{\rm{T}}} \end{aligned} \!\!\right.$$ (35) 雷达传感器位置量测误差标准差为50 m, 角度量测误差标准差为0.01°. 红外传感器角度量测误差标准差为0.01°. 雷达传感器共4个, 坐标分别为(1, 0.4), (2, 1.7), (3.7, 1.7), (5.5, 2). 红外传感器共8个, 坐标分别为(2, 1.2), (0.8, 1.4), (3, 1.4), (2.5, 1), (4.1, 3), (3, 2), (4.5, 1.8), (4, 2.5). 目标运动轨迹和传感器位置如图8所示.
为了比较一致性滤波的跟踪效果使用两类指标作为方法性能的衡量指标: 平均位置
${E_p}(k)$ 和速度估计误差${E_v}(k)$ 用来衡量传感器节点状态估计准确性; 平均位置估计一致性误差${D_p}(k)$ 和平均速度估计一致性误差${D_v}(k)$ 衡量每个传感器节点状态估计的一致程度. 评价指标计算见式(37)和(38).$$\begin{split} &{E_p}(k) = \sqrt \frac{1}{N}\sum\limits_{i \in V} ({{(\hat x_{k|k}^i - {x_k})}^2} + (\hat y_{k|k}^i - {y_k})) \\ &{E_v}(k) = \sqrt \frac{1}{N}\sum\limits_{i \in V} ({{({\hat {\dot x}}_{k|k}^i - {{\dot x}_k})}^2} + ({\hat {\dot y}}_{k|k}^i - {{\dot y}_k})) \end{split}\tag{37}$$ (37) $$\begin{split} &{D_p}(k) = \sqrt {\frac{1}{N}\sum\limits_{i \in V} {({{(\hat x_{k|k}^i - \hat x_{k|k}^{av})}^2} + (\hat y_{k|k}^i - \hat y_{k|k}^{av}))} } \\ &{D_v}(k) = \sqrt {\frac{1}{N}\sum\limits_{i \in V} {({{({\hat {\dot x}}_{k|k}^i - {\hat {\dot x}}_{k|k}^{av})}^2} + ({\hat {\dot y}}_{k|k}^i - {\hat {\dot y}}_{k|k}^{av}))} } \end{split}\tag{38}$$ (38) 式中,
$N$ 为传感器节点数量;$x$ 与$y$ 、$\dot x$ 与$\dot y$ 分别表示状态向量中的位置和速度;$\hat x_{k|k}^{av}$ ,$\hat y_{k|k}^{av}$ 和$\;{\hat {\dot x}}_{k|k}^{av}$ ,$\;{ \hat {\dot y}}_{k|k}^{av}$ 分别表示节点位置和速度估计的平均值:$${{G_k} =\left[\begin{array}{*{20}{c}} 308/360 & 2/360 & 2/360 & 2/360 & 2/360 & 1/360 & 1/360 & 1/360 & 1/360 & 0 & 0 & 0 & 0 & 1/9 \\ 1/70 & 3/4 & 1/140 & 0 & 1/140 & 1/140 & 0 & 0 & 1/140 & 1/140 & 0 & 0 & 0 & 1/5 \\ 1/70 & 1/140 & 3/4 & 1/140 & 0 & 1/140 & 1/140 & 0 & 0 & 0 & 1/140 & 0 & 0 & 1/5 \\ 1/70 & 0 & 1/140 & 3/4 & 1/140 & 0 & 1/140 & 1/140 & 0 & 0 & 0 & 1/140 & 0 & 1/5 \\ 1 /7 0 & 1/140 & 0 & 1/140 & 3/4 & 0 & 0 & 1/140 & 1/140 & 0 & 0 & 0 & 1/140 & 1/5 \\ 1/30 & 1/90 & 1/90 & 0 & 0 & 11/15 & 0 & 0 & 0 & 1/180 & 1/180 & 0 & 0 & 1/5 \\ 1/30 & 0 & 1/90 & 1/90 & 0 & 0 & 11/15 & 0 & 0 & 0 & 1/180 & 1/180 & 0 & 1/5 \\ 1/30 & 0 & 0 & 1/90 & 1/90 & 0 & 0 & 11/15 & 0 & 0 & 0 & 1/180 & 1/180 & 1/5 \\ 1/30 & 1/90 & 0 & 0 & 1/90 & 0 & 0 & 0 & 11/15 & 1/180 & 0 & 0 & 1/180 & 1/5 \\ 0 & 1/20 & 0 & 0 & 0 & 1/40 & 0 & 0 & 1/40 & 7/10 & 0 & 0 & 0 & 1/5\\ 0 & 0 & 1/20 & 0 & 0 & 1/40 & 1/40 & 0 & 0 & 0 & 7/10 & 0 & 0 & 1/5 \\ 0 & 0 & 0 & 1/20 & 0 & 0 & 1/40 & 1/40 & 0 & 0 & 0 & 7/10 & 0 & 1/5 \\ 0 & 0 & 0 & 0 & 1/2 & 0 & 0 & 1/4 0 & 1/40 & 0 & 0 & 0 & 7/1 0 & 1/5\\ 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 1/50 & 37/50\end{array}\right]} \tag{36}$$ (36) $$\begin{split} &\hat x_{k|k}^{av} = \frac{1}{N}\sum\limits_{i \in V} {\hat x_{k|k}^i} ,\hat{\dot x}_{k|k}^{av} = \frac{1}{N}\sum\limits_{i \in V} {\hat{\dot x}_{k|k}^i} \\ &\hat y_{k|k}^{av} = \frac{1}{N}\sum\limits_{i \in V} {\hat y_{k|k}^i} ,\hat{\dot y }_{k|k}^{av} = \frac{1}{N}\sum\limits_{i \in V} {\hat{\dot y}_{k|k}^i} \end{split} \tag{39}$$ 进行50次蒙特卡洛重复试验, 三种方法的一致性权值都使用Metropolis加权. 仿真结果如图9 ~ 图12所示:
在图9 ~ 12中所示仿真实验结果中, 当
$k < 150$ 时, 目标运动模式突变前后均符合EMA方法13个基础模型. 而当$150 < k < 300$ 时, 目标运动模式不符合EMA基础模型. 对比上述4种分布式跟踪方法, 结论如下:1)尽管EMA-LMS方法比较复杂, 包含很多的模型扩增和删除步骤, 但还是能非常方便地将其应用于分布式状态估计中, 说明了本文提出的分布式VSMM方法的有效性;
2)当目标的运动模式落在基础模型上时, 通过DVSMM实现的分布式IMM与信息状态贡献和对应的信息矩阵一致的分布式IMM方法效果类似;
3)当目标的运动模式落在基础模型间隙时, 使用DVSMM方法实现的分布式IMM在运动模式位于基础模型间隙时效果比两种分布式IMM方法更好;
4) EMA-LMS方法运用在分布式状态估计中, 效果显著, 体现在当目标的运动模式落在基础模型间隙时, 具有高于另外三种方法的状态估计准确性和一致性.
通过上述仿真实验结果与分析, 验证了本文提出的分布式VSMM方法的有效性. 相比于分布式IMM方法, 分布式VSMM能够根据需要灵活调整模型集结构, 具备更好的适应性和状态估计效果.
5. 结论
本文根据一致性理论, 对变结构交互式多模型方法进行改进, 与无迹信息滤波相结合, 提出基于一致性的分布式变结构多模型状态估计方法框架. 本文方法能够在基于一致性的分布式状态估计中引入各种已有的变结构多模型方法, 具有良好的跟踪精度和状态估计一致性.
-
图 4 不同算法对雾天图像Dolls的去雾结果
Fig. 4 Different algorithms to defog results of fog image Dolls
图 6 不同算法对雾天图像Reindeer的去雾结果
Fig. 6 Different algorithms to defog results of fog image Reindeer
图 5 不同算法对雾天图像Trees的去雾结果
Fig. 5 Different algorithms to defog results of fog image Trees
图 7 不同算法的峰值信噪比和结构相似度的对比结果
Fig. 7 Comparison results of PSNR and SSIM of different algorithms
图 8 自然雾天图像House的去雾结果对比
Fig. 8 Comparison of defogging results of natural foggy images House
图 9 自然雾天图像Pumpkin的去雾结果对比
Fig. 9 Comparison of defogging results of natural foggy images Pumpkin
图 10 不同算法的对比度和平均梯度的对比结果
Fig. 10 Comparison results of Contrast and average gradient of different algorithms
表 1 多尺度卷积模型
Table 1 Multi-scale convolution model
卷积核尺寸 补零 步长 1×1×16 0 1 3×3×16 1 1 5×5×16 2 1 7×7×16 3 1 
下载: 导出CSV
表 2 30幅合成雾天图像的RMSE, 色调还原度, 平均梯度, 信息熵, PSNR, SSIM的平均结果
Table 2 The average results of RMSE, tone reduction, average gradient, information entropy, PSNR, SSIM for the 30 synthetic foggy images
评价指标 雾天图像 DCP CAP SRCNN DehazeNet MSCNN 本文算法 RMSE $ \downarrow $ 0.1534 0.0289 0.0331 0.0179 0.0176 0.0241 0.0160 色调还原度 $ \uparrow $ 0.5373 0.7523 0.6554 0.8900 0.8925 0.8064 0.9503 平均梯度 $ \uparrow $ 5.1909 6.0140 6.0101 6.2006 6.0335 7.1038 7.2011 信息熵 $ \uparrow $ 12.5004 14.5855 14.5920 16.6002 16.5660 16.4850 16.6522 PSNR $ \uparrow $ 15.3102 19.8640 23.2021 25.2305 25.7017 25.6899 25.9057 SSIM $ \uparrow $ 0.5883 0.8512 0.8666 0.9374 0.9461 0.8657 0.9603
下载: 导出CSV
表 3 图像House采用不同算法去雾后评价指标结果
Table 3 Evaluation indicators results by different defogging algorithms for image House
评价指标 雾天图像 DCP CAP SRCNN DehazeNet MSCNN 本文算法 均值 $ \uparrow $ 85.2630 85.5620 86.1508 90.4007 89.4709 83.4437 93.6325 标准差 $ \uparrow $ 32.5943 23.0221 28.5681 33.9261 37.9512 56.1652 59.3654 信息熵 $ \uparrow $ 15.2220 16.4238 15.9294 16.8104 15.8738 14.1624 16.8542
下载: 导出CSV
表 4 图像Pumpkin采用不同算法去雾后评价指标结果
Table 4 Evaluation indicators results by different defogging algorithms for image Pumpkin
评价指标 雾天图像 DCP CAP SRCNN DehazeNet MSCNN 本文算法 均值 $ \uparrow $ 79.0321 79.2335 88.8262 77.8436 97.1924 94.2468 97.9533 标准差 $ \uparrow $ 45.9969 47.4479 44.8145 44.8020 50.4282 43.1658 59.6355 信息熵 $ \uparrow $ 14.8954 14.3255 15.4778 15.9992 15.9761 15.9783 16.7523
下载: 导出CSV
表 5 不同算法的运行时间对比结果 (s)
Table 5 The run time comparison results of different algorithms (s)
图像 像素尺寸 DCP CAP SRCNN DehazeNet MSCNN 本文算法 House 345×450 1.026985 1.083050 1.420000 0.712700 2.300000 0.386680 Pumpkin 600×450 1.040880 4.097866 2.413527 0.643354 2.632809 0.401389
下载: 导出CSV
-
[1] McCann J J. Retinex at 40. Journal Electronic Imaging, 2004, 13(1): 6−7 doi: 10.1117/1.1645250 [2] Cooper T J, Baqai F A. Analysis and extensions of the Frankle-McCann retinex algorithm. Journal of Electronic Imaging, 2004, 13(1): 85−92 doi: 10.1117/1.1636182 [3] Land E H, McCann J J. Lightness and retinex theory. Journal of the Optical Society of America, 1971, 61(1): 1−11 doi: 10.1364/JOSA.61.000001 [4] Land E H. An alternative technique for the computation of the designator in the retinex theory of color vision. Proceedings of the National Academy of Sciences of the United States of America, 1986, 83(10): 3078−3080 doi: 10.1073/pnas.83.10.3078 [5] Frankle J A, McCann J J. Method and Apparatus for Lightness Imaging: USA. Patent 4384336, May 1983. [6] He K M, Sun J, Tang X O. Single image haze removal using dark channel prior. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341−2353 [7] Zhu Q S, Mai J M, Shao L. A fast single image haze removal algorithm using color attenuation prior. IEEE Transactions on Image Processing, 2015, 24(11): 3522−3533 doi: 10.1109/TIP.2015.2446191 [8] 周全, 王磊, 周亮, 郑宝玉. 多尺度上下文的图像标注算法. 自动化学报, 2014, 40(12): 2944−2949Zhou Quan, Wang Lei, Zhou Liang, Zheng Bao-Yu. Multi-scale contextual image labeling. Acta Automatica Sinica, 2014, 40(12): 2944−2949 [9] 李新德, 杨伟东, Dezert Jean. 一种飞机图像目标多特征信息融合识别方法. 自动化学报, 2012, 38(8): 1298−1307Li Xin-De, Yang Wei-Dong, Dezert Jean. An airplane image target′s multi-feature fusion recognition method. Acta Automatica Sinica, 2012, 38(8): 1298−1307 [10] 胡长胜, 詹曙, 吴从中. 基于深度特征学习的图像超分辨率重建. 自动化学报, 2017, 43(5): 814−821Hu Chang-Sheng, Zhan Shu, Wu Cong-Zhong. Image super-resolution based on deep learning features. Acta Automatica Sinica, 2017, 43(5): 814−821 [11] Cai B L, Xu X M, Jia K, Qing C M, Tao D C. DehazeNet: An end-to-end system for single image haze removal. IEEE Transactions on Image Processing, 2016, 25(15): 5187−5198 [12] Ren W Q, Liu S, Zhang H, Pan J S, Cao X C, Yang M H. Single image dehazing via multi-scale convolutional neural networks. In: Proceedings of the 2016 Conference on Computer Vision–ECCV2016, 2016. 154−169 [13] Li C Y, Guo J C, Porikli F, Fu H Z, Pan Y W. A cascaded convolutional neural network for single image dehazing. IEEE Access, 2018, 6: 24877−24887 [14] Narasimhan S G, Nayar S K. Contrast restoration of weather degraded images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(6): 713−724 [15] 徐岩, 孙美双. 基于多特征融合的卷积神经网络图像去雾算法. 激光与光电子学进展, 2018, 55(3): 260−269Xu Yan, Sun Mei-Shuang. Convolution neural network image defogging based on multi-feature fusion. Laser and Optoelectronics Progress, 2018, 55(3): 260−269 [16] Dong C, Chen C L, He K M, Tang X O. Image super-resolution using deep convolutional networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(2): 295−307 doi: 10.1109/TPAMI.2015.2439281 [17] 李大鹏, 禹晶, 肖创柏. 图像去雾的无参考客观质量评测方法. 中国图象图形学报, 2011, 16(9): 1753−1757 doi: 10.11834/jig.110024Li Da-Peng, Yu Jing, Xiao Chuang-Bai. No-reference quality assessment method for defogged images. Journal of Image and Graphics, 2011, 16(9): 1753−1757 doi: 10.11834/jig.110024 期刊类型引用(8)
1. 杨浩，周冬明，赵倩. 结合梯度指导和局部增强Transformer的图像去模糊网络. 小型微型计算机系统. 2024(01): 216-223 . 
百度学术2. 王斌，万雯，吴静进. 基于人脸识别技术的学生身份信息匹配技术. 长江信息通信. 2023(03): 15-17 . 百度学术3. 李文静，李治港，乔俊飞. 基于突触巩固机制的前馈小世界神经网络设计. 自动化学报. 2023(10): 2145-2158 . 本站查看4. 徐祯东，张天宇，张世恒，姚从荣，王道累. 基于YUV颜色空间GAN网络的图像去雾算法研究. 图学学报. 2023(05): 928-936 . 百度学术5. 杨秀璋，武帅，李娜，杨雯雯，廖文婧，周继松. 复杂环境下自适应去雾的YOLOv3汽车识别算法. 计算机科学. 2023(S2): 220-227 . 百度学术6. 税洁. 基于卷积神经网络的营业厅刷脸终端人脸识别可靠性评价. 自动化技术与应用. 2023(12): 67-70+149 . 百度学术7. 麻文刚，张亚东，郭进. 基于景深先验引导与环境光优化的图像去雾. 电子学报. 2022(07): 1708-1721 . 百度学术8. 冯晓峰，徐圣奇，刘杰. 基于偏振成像的快速去雾算法. 现代信息科技. 2022(17): 94-97 . 百度学术其他类型引用(16)
-
下载:
计量
- 文章访问数: 1544
- HTML全文浏览量: 666
- PDF下载量: 361
- 被引次数: 24
