使用声纳和USBL测量的水下目标跟踪

摘要

水下航行器跟踪水下目标时，需要对目标位置进行可靠的估计。USBL测量以低但定期的更新速率提供目标位置测量，多波束声纳成像提供高精度测量，但在有限的视野。本文描述了跟踪滤波器的发展，该滤波器融合了USBL和处理过的声纳图像测量，用于跟踪水下目标，即使在声纳或USBL测量不可用或有故障的情况下，也能以稳定的速率获得可靠的跟踪估计。该算法大大提高了水下机器人在靠近人类潜水员的情况下的安全性，而人类潜水员释放的气泡会降低跟踪性能。除了跟踪滤波器的发展，特别注意的是使用跟踪滤波器协方差变换来适应声纳图像中感兴趣的区域，以提高检测和避免虚假的声纳测量。对所开发的算法进行了现场实测数据的验证。统计分析表明，与使用纯USBL或声纳测量的传统跟踪相比，该滤波器具有更好的性能。

1.介绍

在海洋机器人中，跟踪水下目标是一个巨大的挑战，因为缺乏全球定位信号，而全球定位信号通常在卫星可以到达的区域可用。为了解决这一问题，声学传感器如LBL(长基线)、SBL(短基线)和USBL(超短基线)被用于水下定位和导航，通过对声信标的响应进行三角测量。虽然LBLs需要在操作区域周围不方便地部署水下信标，但USBLs利用声传播实现相对水下定位，最常用于跟踪水下目标。USBL系统的最大优点是易于部署(系统只包含两个节点，一个发射器和一个换能器)和相对较长的射程。另一方面，USBLs的精度随着距离的增加而降低，可能会出现多路径问题。此外，由于声波传播，测量是稀疏的(以秒为单位的间隔到达)，时间延迟取决于接收和发射节点之间的距离。

除了使用USBL器件之外，多沟声纳设备（也称为声摄像机）通常在水下使用，以便获得相对位置测量。而状态的最先进的多波束声纳提供几乎实时的声象在高频率精度高，它们的特征在于具有视场有限，通常较低的范围内。与USBLS不同，SONAR需要额外的声学图像处理，以便在视野中获得对象的位置，这通常可能导致由于噪声引起的错误测量。

本文提出的工作目标是利用USBL和声纳设备的优点，通过融合它们的测量来实现精确和可靠的水下目标跟踪。本文的主要贡献是(我)开发跟踪滤波器，融合USBL和处理不同特征的声纳图像测量，以获得稳定速率的可靠跟踪估计，即使在声纳或USBL测量不可用或有故障的情况下;(2)利用跟踪滤波协方差变换对声纳图像中的感兴趣区域进行自适应，以提高检测效率，避免虚假声纳测量;(3)对所开发的跟踪算法进行了实验验证(在现场条件下)，并进行了对比分析，证明了所获得结果的质量。

提出的主要动机工作起源于FP7“CADDY-Cognitive自治潜水伙伴”项目之下的主要目标发展的多组分组成的海洋机器人系统自主水下航行器(AUV)和一个自治表面海洋平台,将使合作机器人和人类潜水员。设想系统的三个主要功能包括“巴迪奴隶”,帮助潜水员在水下活动,“伙伴指南》指导潜水员的兴趣,和“巴迪观察者”监视器的潜水员在任何时候都保持在一个安全的距离从潜水员和预期潜水员可体验到的任何问题。

在用于人机交互期间执行预想的控制算法，并确保安全潜水员的主要先决条件的项目CADDY之一的上下文中是精确潜水员位置估计。为了达到这一要求，则使用多波束声纳成像。然而，使用多波束声纳时产生的主要问题是视场有限。如果观察对象（或潜水员水下航行器）将离开视声纳的领域，就不可能跟踪它，甚至从可能进入视野的另一个目标区分跟踪的对象。为了解决这个问题，USBL和声纳测量之间的融合被结合。精度低USBL测量被用于由估计器提供的目标位置，尽管有较高的方差。此信息被用于由声纳目标检测器设置在其中的目标位于感兴趣区域。最后，如果检测器声纳求出目标在感兴趣该区域中，估计器与所述高精度（低方差）声纳测量更新。测量的两个源的结合确保了可靠的目标跟踪。

USBL通常用于车辆定位和导航，处理目标跟踪的论文数量非常有限。USBL测量与惯性传感器数据和/或车辆动力学的融合，用于精确的车辆定位，见[1，2］.在 [3.[作者使用USBL跟踪大白鲨与自动水下航行器，并在[4] USBL跟踪用于跟踪潜水员与自主地面车辆。

已经发表了几篇关于使用成像声纳进行目标探测和跟踪的论文。一种基于粒子滤波的方法，如[5，以解决前视声纳图像序列中的目标跟踪问题。在 [6]的图像处理算法，以及用于拍摄成像声纳数据和跟踪非平稳水下物体的跟踪算法被呈现。在 [7将多波束声纳采集到的实时声纳数据流表示为图像，通过系统进行预处理。根据声纳图像的特点，结合轮廓检测算法，提出了一种改进的目标检测方法，成功地将前景目标从背景中分离出来。然后采用基于多特征自适应融合的粒子滤波跟踪方法对目标进行跟踪。在 [8]作者探讨了这种声纳来检测和跟踪障碍物。在 [9[作者提供了探测海底人造物体的算法，他们主要关注目标-海床分离问题。与我们的工作最相似的尝试是在[10在那里，声纳被用来探测人类潜水员。作者使用了与我们相似的图像处理方法，然后采用基于隐马尔可夫模型的算法进行候选分类。

以上的论文也主要集中在利用图像处理和基于轮廓的算法来检测目标。然而，它们与我们的方法没有直接的可比性，因为它们更关注声纳图像内部的探测部分。我们的方法不同于上述所有方法，因为它是基于声纳和USBL的融合。这允许目标跟踪，即使目标是在声纳的非常狭窄的视野之外。它还有助于消除假阳性检测，这将导致跟踪错误的目标，如果多个目标存在。

论文的其余部分组织如下2描述部署的声纳图像处理算法。节3.定义了跟踪滤波器的运动模型。部分4利用变换后的位置协方差矩阵对感兴趣区域自适应进行了深入研究。本节给出了实验结果5．本文的结论与第6．

2.声纳图像处理

为了确定声纳视野中的目标位置，必须处理声纳图像。本节致专用于用于检测多芯声纳图像中的对象的算法的描述，并确定其在声载图像内的位置。

2.1。多波束声纳

多波束声纳也被称为声学摄像机，因为它们像摄像机一样产生二维图像，尽管几何原理非常不同。它们发射出若干声束，每一束形成覆盖一定的水平和垂直角度。

２.２.目标探测

用于图像中目标检测和识别的一些最广泛使用的方法和算法是哈尔级联[11]，面向梯度的直方图[12，特别是最近，人工神经网络[13，14］.尽管这些技术在视频图像中被广泛使用，但在基于声纳的目标检测中应用有限，这主要是因为声纳图像通常质量很低，目标可视化不完整，甚至阻止人类观察者可靠地检测或识别目标。此外，我们对特征描述符OpenCV实现的测试表明，传统的图像描述符非常容易受到声纳图像噪声的影响，结果很差。

由于这些原因，所实现的目标检测算法依赖于聚类轮廓，寻找最有可能属于目标的轮廓。为了提高声纳图像中目标检测的可靠性，只对USBL测量得到的感兴趣区域进行搜索。

跟踪算法的实现可分为三步。第一步涉及基本的图像处理、模糊和图像二值化。第二步是在二值化后的图像中寻找轮廓并聚类。最后一步包括在感兴趣的区域内搜索最佳候选人。

2.2.1。步骤1:图像处理

在第一步中，将高斯模糊滤波器应用于图像以去除图像中的噪声。通常，图像非常嘈杂，并且具有许多非常小的白色轮廓，这些轮廓由我们想要忽略的几个像素组成。通过用二维高斯函数卷积图像来执行高斯模糊： 通过在二值化之后侵蚀和扩张的相似结果可以获得类似的结果，如[10］.模糊处理后，采用自适应阈值法对图像进行二值化处理。每个像素与其相邻像素的均值进行比较，并设置为白色如果它高于那个值，或者黑色的除此以外。等式（2)描述二值化算法，其中在应用二值化和之前，像素值是否在0和255之间二值化后的值为0或255: 在哪里

图像模糊和二值化的结果如图所示1．

2.2.2。步骤2:轮廓检测与聚类

在第二步中，如果图像中的所有白色轮廓比某个预定义的距离更近，则将它们聚在一起。这个距离的选择取决于跟踪的目标。例如，如果跟踪一名潜水员，我们可以预期潜水员的头部或四肢与躯干脱节。为了将它们聚在一起，合理的做法是让距离小于半米的轮廓聚在一起。

为了实现聚类，可以采用带早期终止的Kruskal最小生成树算法的图方法。而采用不相交集数据结构的简单并寻算法可以在更低的复杂度下达到同样的效果),图中的边数是和吗是顶点的数目，工会查找运行,在那里是项目的数量和是阿克曼函数的极其缓慢生长的逆[15］.

所实现的聚类算法的结果显示在图2．潜水员的身体是分离的，但在聚类算法中，这些碎片被合并到同一个聚类中，并用相同的颜色标记。

2.2.3。步骤3:在ROI中找到目标

最后一步假设目标应该已经熟悉的近似区域;也就是说，它是由扩展卡尔曼滤波器估计的，该滤波器使用前一步的USBL测量和声纳测量，如下章解释。这种假设是必要的，因为仅使用声纳图像是很难精确跟踪的，特别是在图像中存在其他类似物体的情况下，例如多个潜水员或自主水下航行器。

基于一个由两部分组成的标准，ROI内的所有集群都被给予一个质量评分:（1）从ROI中心的距离：距离越近集群的ROI中心，较高的分数。（2）每个聚类和目标的视觉相似性:即使训练数据非常少，聚类的相似性也会与已知目标的属性进行比较(通过比较大小和形状，并应用一个简单的基于模板的目标检测器或小的神经网络)。高于(经验设定的)阈值的分数最高的对象被选为最有可能的目标。这允许我们对多个目标进行评分，并可靠地选择最适合目标当前估计位置(从跟踪滤波器获得)和目标已知特征的目标。

3.跟踪滤波器

一旦目标在声纳视场内的位置已知，它就可以用作跟踪滤波器的测量。为了从现有的测量数据中估计水下目标的位置，采用了扩展卡尔曼滤波器(EKF)。由于目标动力学通常是未知的，因此仅采用运动学模型进行目标位置估计。给出了车辆平动运动方程(4),位置向量是和吗是车辆在地上固定坐标框架中的方向。输入是速度矢量和输入吗为固定体坐标系下的姿态率: 旋转矩阵给出了用 将跟踪水下目标并携带成像声纳的水下机器人建模为过驱动水面机器人;也就是说，它可以通过改变浪涌、摇摆和垂荡速度向任何方向移动，同时在水平面上获得任意方向。给出目标的运动模型，方程如下: 在哪里目标位置矢量和速度矢量是由喘振速度构成的吗和起伏速度．状态表示目标航向课率。各状态的过程噪声表示为．最后给出了目标绝对位置跟踪滤波器的状态向量 下标表示目标相关状态。给出了测量矢量 向量表示车辆位置测量，航向测量,目标深度测量，而和表示USBL和声纳距离和方位测量，其中各自的测量方程为 范围表示测量噪声，在这种情况下，建模为零平均高斯噪声。注意方位测量是相对的;因此，有一个标题状态包括(10）.

目标深度测量可以使用USBL设备提供的两个单元之间的升高角度和范围测量来获取。此外，如果可以使用声学通信，用于在目标上直接在目标上发送深度测量。

已经注意到，声纳测量到达的频率高，时延小，而USBL测量的频率低，时延小;因此，卡尔曼滤波测量矩阵根据可用的测量值，在每个时间步长都进行更改。此外，为了考虑测量延迟，可以采用向后重新计算的方法。

4.兴趣区域适应

为了提高检测和避免假声纳测量，关注区域（ROI）的区域，通过使用跟踪滤波器估计协方差定义。可以在相对的笛卡尔坐标或极坐标来执行声纳图像处理;因此，有必要相应地变换绝对位置协方差。

4．1.协方差转换

根据定义，车辆的协方差矩阵和目标的相对位置可以被写为 在哪里．假设携带声纳的飞行器的位置是已知的，没有不确定性，所有的不确定性来自未知的目标位置。假设当目标在声纳图像中可见时，由于声纳垂直视场相当小，飞行器和目标处于相同的深度。因此，我们认为目标深度是已知的，省略了．

以下4.4.1。两个直角坐标系间的协方差变换

固定地球NED坐标系相对位置与固定身体坐标系相对位置的协方差变换为(12),NED是坐标协方差矩阵吗为旋转矩阵(13） ［16]：

4.1.2。直角坐标系与极坐标系统的协方差变换

给出相对笛卡尔坐标系与极坐标的关系，其非线性方程表达式为: 为了变换协方差矩阵，笛卡尔到极坐标协方差变换的雅可比矩阵为17］ 最后，相对极性坐标的协方差矩阵是计算

4.2。利用追踪滤波器协方差对兴趣区域

在相对坐标系(笛卡尔坐标系或极坐标坐标系)中转换滤波协方差后，它用于定义声纳跟踪中使用的感兴趣区域，如本节所述2．更具体地说，给定协方差和在相对坐标系中，沿着这些轴估计物体的大小和，跟踪滤波器估计位置，感兴趣区域定义如下: 在协方差和成员和由相对协方差矩阵(12）.类似地，在极坐标的情况下，为半径定义线段和角度，感兴趣的区域是两者之间的笛卡尔积。

数字3.说明了感兴趣区域的大小和目标的估计位置(ROI的中心)。数字3（a）显示了只有USBL测量可用的情况，而图3 (b)显示USBL和声纳测量的结果。当声纳测量可用时，ROI(协方差)要小得多。然而，值得注意的是，即使目标在声纳视野之外，跟踪也是可能的，因为USBL测量在跟踪滤波器内融合。

通过调整测量噪声的方差，可以设定ROI的最小面积，而无测量可用时的ROI增长率可以通过调整过程噪声参数来定义，特别是．

5.实验结果

5．1.实验装置

2015年10月，在CADDY项目验证试验期间，在克罗地亚比格拉德那莫鲁进行了与使用声纳和USBL数据进行目标跟踪相关的实验。实验装置包括自主水下航行器BUDDY AUV和自主过驱动海洋表面平台PlaDyPos，均由水下系统与技术实验室开发[4，18］.多波束声纳水平和前视安装在BUDDY AUV上，这里称为车辆，而PlaDyPos车辆扮演目标跟踪的角色。Buddy AUV，如图6，已发展在CADDY项目范围内。它配备了六个推进器，允许在水平面上进行全方位运动，从而确保了分离的航向和位置控制。在其他传感器中，它配备一个多波束声纳和一个USBL用于定位和通信。BUDDY AUV的外形尺寸为1220 × 700 × 750 mm，重量约为70kg。PlaDyPos作为目标，是一种具有全向运动能力的小型过驱动无人水面舰艇。它配备了四个“X”配置的推进器。这种结构使在任何方向下的水平面运动成为可能。车辆高0.35米，宽0.707米，长0.707米，重约25公斤。

本文实验所用的声纳为Soundmetrics ARIS 3000 [19]，有128根横梁，水平面30°角，垂直面14°角。它支持两种工作模式:高频在3兆赫，以获得更高的细节范围达5米，低频在1.8兆赫，范围达15米。此外，在实验中，使用了Seatrec X150和X110 USBL调制解调器对[20.］.组合调制解调器/USBL单元被设计成一个非常紧凑的组件。它们的工作频率为24-32 kHz，通信速率可达100 bps。

USBL调制解调器安装在车辆和目标对象上。在实验期间，假设当靶在声纳图像中可见时，车辆和目标在相同的水平面中;也就是说，车辆和目标具有相同的深度。过滤GPS测量，从安装的车辆和目标安装的测量单元，被视为地面真相。应当注意，由于固有的GPS测量协方差，实际测量中的误差存在，并且在车辆上安装了不同的GPS模块以及诱导小变量漂移的不同GPS模块的事实。通过对声纳图像的目视检查，观察到，当图像处理算法检测到正确的目标时，获取的相对声纳测量比由GPS测量计算的相对距离更准确并且精确。

5.2。结果

在验证试验中，进行了大量的目标跟踪实验。在本文中，对两个数据集的结果进行分析，每个数据集描述一个实验场景。在场景1中，当目标静止或缓慢漂移时，车辆正在移动(图1)4）.在场景2中，当目标移动时，车辆是静止的(图)5）.在这两种情况下，研究了三种不同的过滤器配置，由可用的测量定义:(i)”声纳”配置如只提供声纳测量，则(ii)”USBL”配置只使用USBL测量，最后，（iii）“声纳+ USBL”配置声纳和USBL测量都可用。

场景1对应的数据集如图1所示4,而图5显示场景2的数据集。在这两幅图中，前两个子图显示了北坐标和东坐标，而第三个子图显示了估计位置和地面真实值之间的误差(欧氏距离)，通过GPS测量从车辆和目标获得。红线表示仅使用声纳测量(滤波配置“sonar”)的跟踪滤波器获得的结果，绿线表示仅使用USBL测量(滤波配置“USBL”)的跟踪滤波器获得的结果，蓝线是跟踪滤波器获得的结果，该滤波器在两个测量源可用时使用(滤波器配置为“声纳+ USBL”)。黑线表示地面真实位置。

5.2.1。测量的频率

在两幅图的第三副图中4和5，可以欣赏品红色和黄色的圆圈，标记声纳和USBL测量可用的时间实例。表格1对Sonar和USBL测量可用的时间量进行全面分析。考虑到跟踪滤波器以10 Hz采样频率提供估计，可以看出，在这两种情况下，位于SONAL测量的SONAL测量值，在70％的采样实例，无论是由于声纳图像处理算法的较低运行频率还是由于声纳图像处理算法的较低频率或由于某些时间，目标不存在于声纳图像中。另一方面，USBL测量仅在5％的时间实例中获得。从图中可以看出4和5USBL测量可用性在两个场景的整个持续时间内是一致的;然而，USBL测量的更新速率约为2 s，考虑到10hz跟踪滤波器采样频率，这相当于约5%的可用性。

5.2.2。滤波器配置的比较

数据集如图所示4和5立即显示过滤器配置“声纳”的缺点-无论何时声纳测量不可用，位置估计漂移从真值。我们可以在图中更清楚地理解这一点7(一)它展示了一个45秒的全时反应片段。当目标不在声纳视野范围内时，位置估计会迅速漂移，这一事实可能会产生严重的后果，特别是当一个人类潜水员是被跟踪的目标，位置估计用于控制车辆相对于潜水员的位置时。

另一方面，仅使用USBL测量(如过滤器配置“USBL”)，即使目标在视场外也能跟踪，只要目标和飞行器之间有清晰的路径，确保声波无障碍传播。然而，USBL测量的更新频率很低。

声纳和USBL测量的融合结合了两种类型的测量的最佳特性：高精度声纳测量和USBL测量的可用性。这也是从图清晰7 (b)它显示了跟踪每个滤波器配置的滤波器位置方差。使用USBL和声纳测量，滤波器估计方差更稳定，无论哪种测量可用。在只使用USBL测量的情况下，两种测量之间的差异会增大。在只使用声纳测量的情况下，当测量不可用时，方差会无限增长。

5.2.3。结果统计分析

为了量化结果是声纳和USBL融合方法给出，最可靠的结果度量是基于作为基础事实位置之间的欧几里得距离（使用GPS船上两个车辆和目标获得的）获得的定位误差定义，并位置估计使用所有这三个过滤器配置。这些错误显示在的箱线图的形式，其中，图8(一个)给出了场景1的分析(如图所示)4),和图8 (b)给出场景2的分析(如图所示)5）.两个箱图示出了用于过滤器的配置“声纳”，“USBL”和“声纳+ USBL结果”。除此之外，将结果示出了用于过滤器配置“声纳”，只服用顾及位置估计时声纳测量是可用的，即，当目标是的声纳场内视图这个标记有“声纳（可用的）。”

正如所料，“声纳（可用）”数据给出了两种情况下最精确的结果。然而，这一措施并不能代表真实情况，因为它表明目标的视声纳场只有大约30％的在这两种情况下的时间内是可用的。这种措施应被视为可使用设置中可用的测量装置来获得最佳的可能的结果。

整个数据集上的过滤器配置“Sonar”的定位错误箱线图显示，结果是最不精确的，如图所示8(一个)和8 (b)．这是由于包括所有数据的事实，即使是从声纳fov丢失目标时的数据，并且没有办法估计目标位置，因为滤波器假定在它在离开声纳之前的方向上继续目标。FOV。

在这两种情况下，滤波配置“USBL”提供了最不精确的平均位置误差，但整个数据集的方差比滤波配置“Sonar”低得多。

从图中可以看出8(一个)和8 (b)在这两种情况下，过滤配置“Sonar + USBL”给出了比过滤配置“Sonar”和“USBL”低的本地化误差。可以说相同的位置误差方差。应该注意的是，该过滤器配置提供了非常接近我们的“理想”情况，其中目标始终存在于声纳图像中，即“声纳（可用）”案例。

在场景2(静态目标情况)中，得到的所有定位误差统计结果都较小，但可以观察到与场景1(运动目标情况)相同的模式。

5.2.4。视频

通过融合声纳和USBL测量得到的目标位置估计结果的视频可在[21］.

6.结论

本文讨论了利用声纳和USBL测量进行水下目标跟踪的问题。结果用于分析的跟踪质量得到使用巴迪AUV,从收集的数据自主水下航行器为diver-robot交互开发,担任跟踪车辆在实验中,和PlaDyPos自治表面海洋平台,扮演的角色被跟踪目标。

实验表明，声纳测量，当可用时，是非常准确和精确的，但总是有可能发现虚假目标，特别是在杂波环境中。此外，在跟踪潜水员时，由于气泡而产生的错误测量是很常见的。即使目标在声纳视场中，使用USBL测量也有助于减少误探测事件的数量。例如，在Figure中4we can see false detection at time instants 280 s, 360 s, and 450 s. Using USBL and sonar sensor fusion discards such measurements since they are out of ROI, and there are no abrupt changes of position estimate. As a consequence, mean localization error is the lowest as seen in Figure4．最后，所开发的跟踪滤波器将USBL测量值与处理后的声纳图像中获得的位置测量值融合在一起，显示出优越的性能。

未来的工作将集中在利用这些实验获得的知识设计算法，水下航行器主动跟踪水下目标，同时尽量使其保持在声纳视野中。

相互竞争的利益

作者声明本文的发表不存在利益冲突。

致谢

这项工作得到了欧盟委员会FP7-ICT项目“CADDY-Cognitive Autonomous Diving Buddy”的支持。611373.Filip Mandić是由克罗地亚科学基金会通过青年研究人员职业发展项目资助的。

补充材料

参考文献

1. M. Morgado, P. Oliveira, C. Silvestre，和J. F. Vasconcelos，“USBL/INS水下导航系统的嵌入式车辆动力学辅助”，控制系统技术的IEEE交易第22卷第2期1, pp. 222 - 330, 2014。查看在：出版商的网站|谷歌学者
2. A. Jayasiri，R. G. Gosine，G. K.一曼，和P.麦圭尔，“基于AUV-羽跟踪：一个模拟研究”作者：王莹， 2016年第1期，文章编号1764527,15页，2016年。查看在：出版商的网站|谷歌学者|MathSciNet
3. G. E. Packard, a . Kukulya, T. Austin等人，“使用remus100 auv对大白鲨和姥鲨进行连续自主跟踪和成像”IEEE海洋学报，第1-5页，圣迭戈，加利福尼亚州，美国，2013年9月。查看在：谷歌学者
4. N. Stilinovic, D. Nad，和N. Miskovic，“Auv用于潜水员协助和安全的设计和实施”海洋的诉讼程序，第1-4页，瑞士日内瓦，2015年5月。查看在：出版商的网站|谷歌学者
5. 张涛，“基于高斯粒子滤波的水下目标跟踪，”曾伟，万磊，马思生，“基于高斯粒子滤波的水下目标跟踪，”计算信息系统杂志，第6卷，第2期14，页4801-4810,2010。查看在：谷歌学者
6. D. W. Krout，W.库伊曼，G. Okopal和E. Hanusa“与成像声纳对象跟踪，”在第十五届信息融合国际会议论文集(Fusion’12)，pp.2400-2405，IEEE，新加坡，2012年9月。查看在：谷歌学者
7. M.李，H.JI，X. Wang，L. Weng和Z.Gong，“基于多束声纳图像处理的水下对象检测和跟踪”IEEE机器人与仿生学国际会议论文集(ROBIO’13)，页1071-1076，中国深圳，2013年12月。查看在：出版商的网站|谷歌学者
8. Y. Petillot, I. T. Ruiz和D. M. Lane，“使用多波束前视声纳的水下车辆避障和路径规划”，海洋工程学报第26卷第2期2，页240 - 251,2001。查看在：出版商的网站|谷歌学者
9. E. Galceran, V. Djapic, M. Carreras, and D. P. Williams，“多波束前视声纳的实时水下目标探测算法”，IFAC诉讼，第45卷，第306-311页，2012。查看在：谷歌学者
10. K. J. DeMarco, M. E. West, and a . M. Howard，“基于声纳的水下人-机器人交互场景的潜水员探测和跟踪”IEEE系统、人与控制论国际会议文集(SMC’13)，pp.2378-2383，Ieee，曼彻斯特，英国，2013年10月。查看在：出版商的网站|谷歌学者
11. P. Viola和M. Jones，“使用简单特征的增强级联快速目标检测”，在IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’01)，第1卷，第I-511-I-518页，IEEE，美国夏威夷考艾岛，2001年12月。查看在：谷歌学者
12. N. Dalal和B. Triggs，“面向人类检测的梯度直方图”IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’05)，第886-893页，美国加州圣地亚哥，2005年6月。查看在：出版商的网站|谷歌学者
13. H. A. Rowley, S. Baluja和T. Kanade，《基于神经网络的人脸检测》，模式分析与机器智能学报，卷。20，没有。1，第23-38，1998年。查看在：出版商的网站|谷歌学者
14. A. Krizhevsky, I. Sutskever，和G. E. Hinton，《基于深度卷积神经网络的图像网络分类》，发表于第26届年度会议上神经信息处理系统的程序（NIPS '12），第1097-1105，2012年12月。查看在：谷歌学者
15. R. E. Tarjan，《一个好的但不是线性集并算法的效率》，计算机协会学报，卷。22，pp。215-225,1975。查看在：出版商的网站|谷歌学者|Zentralblatt数学|MathSciNet
16. 陈志强，“关于局部直角坐标系与交换图间协方差矩阵的变换”，《中国科学(d辑)》ASP-ACSM公约论文集，第393-406，1985。查看在：谷歌学者
17. a . j . Haug贝叶斯估计与跟踪：实用指南， John Wiley & Sons，纽约，纽约，美国，2012。
18. D. Nad, N. Mišković和F. Mandić，“过度驱动的海洋水面飞行器的导航、制导和控制”，年度管理检讨，第40卷，172-181页，2015。查看在：出版商的网站|谷歌学者
19. SoundMetrics,”阿里斯3000年,“http://www.soundmetrics.com/products/aris-sonars/aris-explorer-3000．查看在：谷歌学者
20. J. A. Neasham, G. Goodfellow和R. Sharphouse，“针对水下机器人和潜水员应用的‘Seatrac’微型声学调制解调器和USBL定位单元的开发”海洋 - 热那亚的诉讼，第1-8页，IEEE，意大利热那亚，2015年5月。查看在：出版商的网站|谷歌学者
21. 多波束声纳和USBL融合跟踪，2015，https://www.youtube.com/watch?v=O6ndThfLT-0．

版权

版权所有©2016菲利普·曼迪奇等。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。