Clutter Removal in Sonar Image Target Tracking Using PHD Filter

چکیده

In this paper we have presented a new procedure for sonar image target tracking using PHD filter besides K-means algorithm in high density clutter environment. We have presented K-means as data clustering technique in this paper to estimate the location of targets. Sonar images target tracking is a very good sample of high clutter environment. As can be seen, PHD filter because of its special features can remove clutter and track targets accurately and precisely. PHD filter does not need data association techniques and so can be used in online application where spent time for tracking is very important.

کلیدواژه‌ها


عنوان مقاله [English]

حذف کلاتر در ردگیری اهداف سوناری با استفاده از فیلتر چگالی احتمال چند فرضی

چکیده [English]

در این مقاله با استفاده از فیلتر چگالی احتمال چند فرضی و در کنار آن الگوریتم بخش بندی k-means اقدام به ردگیری اهداف سوناری نموده ایم. نتایج نشان داده شده حاکی از آن است که فیلتر چگالی احتمال چند فرضی به دلیل خواص منحصر بفرد خود قادر به حذف کلاتر موجود در تصاویر سوناری بوده و می تواند با دقتی خوب و زمانی بسیار کوتاه اقدام به ردگیری چندین هدف نماید. این فیلتر نیازی به تکنیکهای تخصیص اطلاعات ندارد و کلاتر نیز نمی تواند مانع از کار آن شود. تکنیک ارائه شده در این مقاله می تواند در کاربردهای عملی سونار به موفقیت بکار گرفته شود.

[1]         K. Panta, B. Vo, S. Singh, and A. Doucet, Probability hypothesis density filter versus multiple hypothesis tracking. In I. Kadar (Ed.), Proceedings of SPIE, Signal Processing, Sensor Fusion, and Target Recognition XIII, vol. 5429, Aug. 2004, 284295.

[2]         B. Vo, S. Singh and A. Doucet, Sequential Monte Carlo Implementation of the PHD Filter for Multi-Target Tracking, in Proc. of Fusion2003, pp. 792-799,Cairns,Australia.

[3]         B. Vo, S. Singh and A. Doucet, Random Finite Sets and Sequential Monte Carlo Methods in Multi-Target Tracking, in Proc. of RADAR2003, pp. 486-491,Adelaide,Australia.

[4]         Y. Bar-Shalom and T.E. Fortmann, “Tracking and Data Association”, Academic Press,Boston, 1988.

[5]         R. Mahler., Multi-target Bayes filtering via first-order multi-target moments.”, IEEE Transactions on Aerospace and Electronic Systems, 39, No.4:1152.1178, 2003.

[6]         D. E. Clark, J. Bell, de Y. S. Pern, and Y. Petillot, PHD filter multi-target tracking in 3D sonar.”, In Proceedings of IEEE Oceans Europe Conference, vol. 1, Brest, June 20-23, 2005, 265-270.

[7]         T. Kanungo, D. M. Mount, N. Netanyahu, C. Piatko, R. Silverman, and A. Y. Wu, A local search approximation algorithm for k-means clustering.”, In Proceedings of the 18th Annual ACM Symposium on Computational Geometry, 2002, 10-18.

[8]         D. E. Clark, and J. Bell, Multi-target state estimation and track continuity for the particle PHD filter.”, IEEE transactions on Aerospace and Electronic Systems, Volume 43, Issue 4, October 2007. 1441 -1453.

[9]         C. Haworth, de Y. Saint-Pern, D. Clark, E. Trucco, and Y. Petillot, Detection and tracking of multiple metallic objects in millimetre-wave images. ”, International Journal of Computer Vision, IJCV(71), No. 2, February 2007, pp. 183-196.