《Journal of Marine Science and Engineering》：Miniature Multi-Target Tracking in Sonar Images Using Dual Trajectory Storage Method
Zhen Huang,
Peizhen Zhang,
Rui Wang,
Xiaoyan Xian,
Qi Wang,
Jiayu Hu and
Qinyu Wu
编辑推荐：
在水下声呐图像中，多目标运动轨迹的检测与跟踪对海洋生态监测、资源勘探等应用至关重要，但面临轨迹碎片化、关联准确性与数据完整性难以兼顾的挑战。为解决这一问题，研究人员提出了一种基于双轨迹存储机制与自适应轨迹关联的微尺度多目标运动检测与跟踪算法。该方法通过高斯混合模型(GMM)前景提取获得目标质心，利用实时轨迹与完整轨迹的双存储结构，并结合自适应关联阈值，实现了轨迹的完整记录(100%)、高关联精度(96.07%)、低轨迹碎片化率(0.9%)以及高效实时关联(平均0.28 ms/帧)，为提升水下微尺度目标的实时检测与跟踪能力提供了轻量化技术方案。
在深邃神秘的海洋世界，人类对水下活动的探测与监控始终充满挑战，尤其在渔业资源评估、海洋生态监测乃至自主水下航行器导航等关键领域。传统的视觉方法在陆地和空中游刃有余，但在水下却遭遇“水土不服”。声呐图像作为水下探测的“眼睛”，常常受到水体混响、环境噪声和设备特性等因素的干扰，呈现出低分辨率、强斑点噪声和目标轮廓模糊等先天不足。这导致水下的运动目标特征严重退化，使得对多个微小目标（例如体长仅10厘米左右的鱼类）进行稳定、连续的跟踪变得异常困难。传统的背景减除、帧间差分等方法依赖理想成像条件，在数据稀缺、质量不佳的水下声呐场景中表现乏力；而依赖于海量标注数据的深度学习方法，又与标注成本高昂、数据获取困难的水下现实形成了根本矛盾。更棘手的是，现有的主流跟踪算法多采用单层轨迹存储结构，一旦目标因遮挡或漏检而暂时丢失，其历史信息便难以找回，极易造成轨迹“断片”（即轨迹碎片化），破坏了长期跟踪的连续性。为了突破这些瓶颈，一项发表于《Journal of Marine Science and Engineering》的研究提出了一种创新性的解决方案。
该研究主要运用了以下关键技术方法：首先，采用自适应更新的高斯混合模型(Gaussian Mixture Model, GMM)进行背景建模与前景提取，结合形态学后处理和连通区域分析，以获取精确的目标质心位置。其次，研究核心在于设计了一种创新的双轨迹存储结构，由记录当前帧目标运动状态的“实时轨迹”和保存目标完整历史运动路径的“完整轨迹”构成。最后，引入了一种基于帧采样率动态调整的自适应关联阈值机制，以实现高效、准确的数据关联。实验数据来源于浙江杜河口水库实验站，使用M750d双频多波束成像声呐采集，目标包括一个持续可见的人工悬吊目标（铝制三柱结构）和三条自然活动的鱼。
2. Data Acquisition and Methods
实验在浙江杜河口水库的实验站进行，水位维持在27.0-28.0米。使用M750d双频多波束成像声呐（英国Blueprint Subsea公司）采集数据，成像距离5米，刷新率15 Hz。视频序列包含四个“微尺度”（物理尺寸小于0.5米）目标：一个在转台上匀速360度旋转、全程可见的人工悬吊铝制三柱结构目标，以及三条在不同时间段出现的、自然活动的鱼。通过该声呐系统实时记录了目标运动的回波图像数据，为后续分析提供了基础。
2.1. Background Modeling and Foreground Extraction
采用高斯混合模型(Gaussian Mixture Model, GMM)进行背景建模以实现前景提取。该模型为图像中每个像素建立包含k个高斯分布的概率密度函数，以对复杂、多模态的背景变化进行建模。对于一个在时间t的像素Xt，其概率由其所属的各个高斯分量的加权和决定，通过不断更新每个高斯分量的权重、均值和协方差，模型能够适应背景的动态变化。通过比较当前像素值与已建立的背景模型，可以有效地将运动的前景目标与静态或缓慢变化的背景分离开来。
3. 研究结果
本研究提出的算法在实验数据集上进行了全面评估，结果证明了其卓越性能：
- •
轨迹完整性达到100%：得益于“完整轨迹”存储机制，算法能够完整记录所有有效轨迹点的长度，即使在目标暂时丢失的情况下，也能从备份中恢复缺失的轨迹段，彻底避免了轨迹碎片化。
- •
关联准确率提升至96.07%：通过引入基于帧采样率的自适应关联阈值机制，算法能够动态调整匹配的宽容度，从而显著提高了目标在连续帧间正确关联的准确性。
- •
轨迹碎片化率降至0.9%：双存储结构有效解决了因目标短暂消失（如遮挡、漏检）而导致的轨迹中断问题，将轨迹断裂的现象控制在极低水平。
- •
高效实时处理能力：算法的平均关联时间仅为每帧0.28毫秒，在保证高精度和完整性的同时，满足了水下实时检测与跟踪应用对计算效率的严苛要求。
4. 结论与讨论
本研究的核心贡献在于提出并验证了一种平衡轨迹完整性与计算效率的微尺度多目标跟踪新范式。通过将传统的单层轨迹存储优化为“实时轨迹”与“完整轨迹”相结合的双层结构，从根本上解决了长期、多目标跟踪中的轨迹碎片化难题。同时，自适应的关联阈值机制摒弃了传统方法对固定参数或大量标注数据的依赖，在数据稀缺的水下声呐场景中展现出强大的鲁棒性和轻量化优势。实验结果表明，该方法不仅在轨迹记录的完整性上达到了完美，而且大幅提升了关联精度并显著降低了碎片化率，同时保持了卓越的实时处理性能。这项工作为水下微尺度多目标（如鱼群、小型自主航行器）的运动分析提供了一套高效、实用的技术框架，对增强水下安防监控、海洋资源勘探和智能水下航行器导航等实际应用的能力具有重要推动意义。未来，该方法的框架可进一步与更高级的运动预测模型或外观特征相结合，以应对更复杂的交叉、密集目标场景。
