成像声纳视觉信息处理技术在军事和民用方面均有着十分重要的意义及应用,它对水下环境认知具有重要的作用,不但可以辅助水下潜器进行躲避障碍、辅助导航,还可以对水下空间环境进行成图、对指定目标进行探测、对运动目标进行跟踪等。成像声纳信号直观、具体,不易受水域浑浊度影响。然而,声纳图像分辨率低、容易出现信息缺失、图像的帧间信息存在不稳定性,常伴有目标声散射、多途干扰及旁瓣干扰,此外,多目标在二维成像声纳的回波数据中产生声混叠现象,即二维前视声纳缺少对相同距离、相同水平角度、不同垂直角度的目标的描述能力,当此类多目标同时存在时,常出现反射能量高的目标将反射能量低的目标淹没的情况。上述这些特点为准确地进行水下视觉认知带来巨大挑战。为了寻找适合克服上述声纳图像特点的处理方法,本文主要对前视声纳的目标检测技术及目标跟踪技术进行探讨。在水下目标检测方面。论文首先对存在干扰的水下线状目标图像分割技术进行了研究。综合Hough变换良好的空间映射关系和阈值分割低计算成本的性能,提出将Hough变换和阈值分割结合的水声图像分割技术,用Hough变换所获得的直线关系约束阈值分割的阈值取向,与此同时,阈值分割为Hough变换提供直线关系检测的依据。通过实验验证了该方法较传统的分割方法更加有效,适用于对水中悬浮管状物体、水下管道等具有线状特征的目标分割。其次,鉴于传统目标检测方法对前视声纳图像序列进行运动目标检测时出现大量噪声、无法准确提取目标的事实,论文设计了适合前视声纳图像序列的运动目标检测流程,通过时空域联合滤波,对高斯背景去除模型进行改进,通过形态学处理、连通区域标记、轨迹差分前景生成等技术的联合,大大改善了检测效果。通过对不同目标图像序列的实验,验证了本文方法在一定程度上降低了因图像信噪比低和帧间局部信息不稳定等的影响,增强了前景提取性能,更加利于人眼或计算机的判断,为后续目标跟踪等提供了良好的铺垫。在水下目标跟踪方面。本文以基于蒙特卡罗和递推贝叶斯估计的粒子滤波为主要框架。针对水下单目标跟踪、双目标跟踪和抗混叠的目标跟踪任务,分别研究了多特征融合 PSOPF(Particle Swarm Optimized Particle Filter)、基于 LBF(Local Binary Fitting)的轮廓跟踪和抗混叠跟踪技术。首先,在粒子滤波进行系统状态预估时,若粒子数目过大会导致系统的实时性较差,而粒子数目较小则会降低系统的鲁棒性和跟踪精度。如果似然概率位于先验概率的尾部,更新之后大部分的粒子权重变得较小,重采样后样本集的多样性降低,容易产生粒子贫乏现象。本文使用多特征自适应融合方法构建粒子滤波的观测模型,用由粒子及其权重组成的离散随机测度近似相关概率分布。考虑到PSO和粒子滤波在运动机制、最优解、更新机制等方面具有相似性,为了通过PSO优化过程使粒子向高似然概率区域运动,提出多特征融合PSOPF跟踪算法。该算法利用多特征冗余性,根据目标多特征的不同贡献程度,将自适应加权特征值作为适应度值进行优化。通过对不同目标图像序列的实验,验证了本文算法可以避免因精确状态预估的需要而耗费大量粒子的情况,每个粒子的使用效率得到提升,从而解决了粒子贫乏和发散的问题,较传统算法有跟踪精度高、鲁棒性强的特点,适用于水下单目标跟踪。其次,由于前视声纳图像对目标的描述缺乏稳定性,对水下多目标进行跟踪时,不但计算开销较大,而且,多目标在轨迹上重合区域会出现状态空间模糊,鉴于目标轮廓具有描述目标的优势,将LBF模型引入粒子滤波,设计了基于LBF的轮廓跟踪算法。水平集方法将曲线的演化转变成偏微分方程的求解问题,有效避免参数化的过程的同时,也有效避免对演化过程的监督,对闭合曲线的拓扑结构变化不敏感,提取效果优于传统目标提取方法。基于LBF的轮廓跟踪算法利用水下目标的轮廓信息创建一个空间先验,用形状先验所决定的边界规范粒子重采样步骤。论文用最大后验概率估计的方法推导了相邻时刻水平集演化对轮廓跟踪的可行性,建立了区域的活动轮廓与运动目标的对应关系。本文设计了两组不同目标分别相向运动、相遇折回运动的实验,通过与传统轮廓跟踪算法的比较,验证了基于LBF的轮廓跟踪算法对目标轮廓具有较好的表达,对局部帧间信息不稳定和状态空间模糊等方面具有较强的鲁棒性。最后,针对目标声混叠情形,分析了声纳平视和俯视两种情形的目标声混叠现象。目标回波被淹没或被削弱时,目标的几何特征、灰度特征和纹理特征等均被淹没。论文通过计算目标Euclidean距离,实现了对目标即将进入混叠区域时有效检测混叠,以及目标即将离开混叠区域时及时恢复对目标的估计。论文通过对混叠区域的建模完成跟踪模型的转变,维持对目标状态的估计。发生混叠时,动态创建混叠物的新模型,跟踪目标变为混叠物,并将新模型加入联合模型中,状态转移方程保持不变。由混叠判断函数判断混叠结束后,跟踪目标调至前一目标,忽略不必要的模型。论文为声纳平视和俯视两种情形分别设计了实验,在图像中目标被障碍物混叠时,传统方法的粒子在状态空间产生漂移,无法准确对目标进行跟踪,本文方法可以对抗旁瓣干扰和目标声混叠,对简单混叠物或简单背景干扰下的被混叠目标的跟踪的鲁棒性较强。