多特征融合的優(yōu)化粒子濾波紅外目標(biāo)跟蹤

李 蔚，李 輝

(西北工業(yè)大學(xué)電子信息學(xué)院，陜西西安710129)

1 引言

相對(duì)于雷達(dá)、激光跟蹤等技術(shù)，利用紅外技術(shù)對(duì)目標(biāo)跟蹤有著無(wú)可比擬的優(yōu)勢(shì)。目前，紅外目標(biāo)跟蹤技術(shù)廣泛應(yīng)用于導(dǎo)彈預(yù)警、衛(wèi)星偵察等電子對(duì)抗領(lǐng)域，主要是因?yàn)榧t外系統(tǒng)在大氣中的探測(cè)距離可以達(dá)到10 km，大氣層之外則可達(dá)到1000 km以上的探測(cè)距離［1］。其次，紅外技術(shù)作為一種被動(dòng)接收信號(hào)的方式，還具有抗干擾能力強(qiáng)、隱藏性好等優(yōu)點(diǎn)。紅外探測(cè)技術(shù)是通過(guò)目標(biāo)與背景間的輻射率差和溫度差來(lái)識(shí)別目標(biāo)，比可見(jiàn)光跟蹤系統(tǒng)有著更強(qiáng)的識(shí)偽能力［1］。

粒子濾波［2］算法雖能夠很好的處理紅外圖像中非高斯非線(xiàn)性問(wèn)題，但重要性函數(shù)的選擇、粒子的退化以及算法實(shí)時(shí)性較差等問(wèn)題仍然一定程度上制約著粒子濾波的發(fā)展。有學(xué)者針對(duì)重要性函數(shù)的選擇提出了似然粒子濾波［3］，采用似然函數(shù)作為重要性分布，在估計(jì)過(guò)程中融入最新觀測(cè)信息的同時(shí)也將多數(shù)粒子分布在高似然區(qū)域，似然函數(shù)的形狀尖銳導(dǎo)致粒子退化問(wèn)題更加嚴(yán)重。針對(duì)粒子退化貧化

2 權(quán)值優(yōu)選的粒子濾波

根據(jù)以上問(wèn)題，本文提出一種簡(jiǎn)單有效的權(quán)值優(yōu)化粒子濾波方法，基本思想是從重要性函數(shù)中取N個(gè)粒子，分別計(jì)算N個(gè)粒子所對(duì)應(yīng)的權(quán)值，選出其中權(quán)值較大的Np個(gè)粒子估計(jì)目標(biāo)狀態(tài)，具體算法步驟如下:

Step1:初始化:k=0，從重要性函數(shù)中選N個(gè)粒子組成粒子集，用表示粒子。

Step3:優(yōu)選:對(duì)N個(gè)粒子按權(quán)值從大到小排序，選出前Np個(gè)粒子，將權(quán)值歸一化

Step5:重采樣:Neff＜Nth時(shí)，對(duì) Np個(gè)粒子進(jìn)行重采樣。

Step6:權(quán)值恢復(fù):將重采樣后的粒子與未參與估計(jì)的粒子狀態(tài)均恢復(fù)為}，返回 Step2。

優(yōu)化后的算法，每個(gè)時(shí)刻只選取所有粒子中權(quán)值較大的前Np個(gè)粒子參與狀態(tài)的估計(jì)，保留了權(quán)值較小的粒子，使權(quán)值較小的粒子有可能參與下一時(shí)刻的狀態(tài)估計(jì)，從而使參與狀態(tài)估計(jì)的粒子具有多樣性，且算法的計(jì)算復(fù)雜度低，多次迭代計(jì)算后仍然能夠保持粒子的多樣性。在優(yōu)化后的算法中，Np數(shù)值的選擇是重點(diǎn)，Np過(guò)小會(huì)使目標(biāo)狀態(tài)估計(jì)不準(zhǔn)確，Np過(guò)大則逼近標(biāo)準(zhǔn)粒子濾波算法造成樣本枯竭，根據(jù)多次實(shí)驗(yàn)分析Np=0.56N較為合適。

3 多特征融合的紅外目標(biāo)模型

3.1 目標(biāo)狀態(tài)模型

紅外目標(biāo)的狀態(tài)定義為 xt={x，y，vx，vy，hx，hy}。其中(x，y)為紅外目標(biāo)的中心，(vx，vy)分別是目標(biāo)在水平和垂直方向的速度，(hx，hy)則表示圖像區(qū)域的尺寸參數(shù)。目標(biāo)狀態(tài)方程如下所示:

其中，A為系統(tǒng)傳遞矩陣;uk－1為隨機(jī)噪聲。對(duì)運(yùn)動(dòng)目標(biāo)的中心位置(x，y)采用常速運(yùn)動(dòng)模型，對(duì)跟蹤框(hx，hy)采用一個(gè)隨機(jī)擾動(dòng)，T為采樣周期，目標(biāo)狀態(tài)方程可進(jìn)一步描述為:

3.2 灰度特征模型

某一量級(jí)的灰度直方圖分布按式(3)計(jì)算:

其中，r為區(qū)域內(nèi)的點(diǎn)到目標(biāo)中心的距離。式(4)中的核函數(shù)g(·)表明離目標(biāo)中心較近的部分更能反映目標(biāo)的特征，而邊緣部分往往因易受干擾包含較少的目標(biāo)特征信息。

3.3 梯度特征模型

梯度特征體現(xiàn)了紅外目標(biāo)的邊緣信息，能夠抑制復(fù)雜背景下外界的噪聲干擾。使用水平和垂直的Sobel算子提取圖像中紅外目標(biāo)的邊緣信息，紅外圖像f(x，y)中每個(gè)像素Pij對(duì)應(yīng)的梯度幅值和梯度方向值分別為:

圖1 梯度直方圖模型

4 多特征自適應(yīng)融合策略

4.1 多特征融合

紅外目標(biāo)灰度特征和梯度特征的Bhattacharyya相似系數(shù)用式(8)表示，其中q(u)和q(k)分別表示目標(biāo)模板的灰度特征和梯度特征，p(u)和p(k)分別表示候選觀測(cè)模板的灰度特征和梯度特征。

若灰度模型的置信度為L(zhǎng)y，梯度模型的置信度為L(zhǎng)d，則置信度的計(jì)算公式為:

式(9)中可以通過(guò)ξ來(lái)調(diào)節(jié)置信區(qū)間，式中p(h(li))和p(b(xi))分別為灰度和梯度模型的背景概率密度函數(shù)，本文用跟蹤窗外的10個(gè)像素區(qū)域?yàn)楸尘皡^(qū)域。置信度是以模型和背景的區(qū)分度為參考，目標(biāo)與背景的區(qū)分度越高，則該模型置信度越高，對(duì)應(yīng)的相似度所占比重就越大。對(duì)兩種模型的置信度進(jìn)行歸一化處理后得到:

用歸一化置信度將灰度模型和梯度模型的相似度融合，得到綜合Bhattacharyya系數(shù):

ρ(p，q)越大，說(shuō)明目標(biāo)模板和候選區(qū)域的分布越相似。則觀測(cè)模型可以由式(12)得到:

4.2 自適應(yīng)模板更新

當(dāng)前候選區(qū)域與目標(biāo)模板的相似程度由ρ(p，q)確定，更新模板時(shí)，利用灰度和梯度模型相似系數(shù)并結(jié)合綜合相似度，利用置信度進(jìn)行適時(shí)的模版更新，判定標(biāo)準(zhǔn)為:

式中，ρT為閾值，本文中ρT取0.86。當(dāng)滿(mǎn)足式(13)中的任一條件時(shí)，進(jìn)行模型更新。在模型更新時(shí)分別對(duì)灰度和梯度特征相似度進(jìn)行判斷，綜合考慮了模型所含的信息量，使模板的更新不受某一特征突變的影響，不僅增加了模型的抗干擾能力還能夠避免頻繁更換模型帶來(lái)的累積誤差。這種模板更新準(zhǔn)則還能很好的應(yīng)用于紅外目標(biāo)被物體遮擋的情況，當(dāng)連續(xù)2幀圖像序列跟蹤結(jié)果的巴氏系數(shù)均小于閾值，則目標(biāo)可能存在持續(xù)遮擋，這時(shí)可融合均值漂移算法，增加Mean shift的帶寬，繼續(xù)跟蹤紅外目標(biāo)。若連續(xù)4幀圖像序列跟蹤結(jié)果的巴氏系數(shù)均小于閾值，則可認(rèn)定目標(biāo)丟失，應(yīng)重新對(duì)紅外圖像進(jìn)行檢測(cè)，得到目標(biāo)新的位置，并對(duì)其繼續(xù)跟蹤。

4.3 紅外目標(biāo)跟蹤

優(yōu)化后的紅外目標(biāo)跟蹤算法具體步驟如下:

步驟一:初始化

1.手動(dòng)選擇參考目標(biāo)，確定目標(biāo)位置，建立目標(biāo)灰度模板和梯度模板;

2. 每個(gè)粒子初始狀態(tài)為 x0={x，y，vx，vy，hx，hy}，根據(jù)先驗(yàn)密度概率生成粒子集，并設(shè)粒子的初始權(quán)值為1/N。

步驟二:預(yù)測(cè)

步驟三:觀測(cè)值計(jì)算

建立觀測(cè)目標(biāo)模型，計(jì)算目標(biāo)模板和觀測(cè)模板的巴氏系數(shù)，歸一化權(quán)值。

步驟四:權(quán)值優(yōu)選的重采樣

1.計(jì)算重采樣系數(shù)Neff，設(shè)定閾值Nth=2N/3，若Neff＞Nth，則不進(jìn)行重采樣;

2.若Neff≤Nth，則根據(jù)本文第2節(jié)內(nèi)容，對(duì)粒子進(jìn)行權(quán)值優(yōu)選的重采樣算法。

步驟五:根據(jù)權(quán)值較大的前Np個(gè)粒子，計(jì)算樣本的均值

步驟六:判斷遮擋

根據(jù)式(13)中三個(gè)條件判斷巴氏系數(shù)是否小于閾值，若滿(mǎn)足式(13)中任一條件則更換目標(biāo)觀測(cè)模板，若更換模板后連續(xù)4幀巴氏系數(shù)均小于閾值則目標(biāo)可能被遮擋，應(yīng)增大Mean shift帶寬，繼續(xù)進(jìn)行目標(biāo)匹配搜索。

步驟七:k=k+1，返回步驟二。

5 仿真實(shí)驗(yàn)分析

實(shí)驗(yàn)平臺(tái)為 Core－i3 CPU，計(jì)算機(jī)主頻為2.50GHz，內(nèi)存2.00GB的PC機(jī)，采用MATLAB 7.9軟件實(shí)現(xiàn)。

5.1 WSPF算法性能仿真

實(shí)驗(yàn)一對(duì)優(yōu)化后的粒子濾波器性能進(jìn)行了仿真。實(shí)驗(yàn)中選取權(quán)值較大的前Np=0.56 N個(gè)粒子參與目標(biāo)狀態(tài)估計(jì)。表1顯示了在過(guò)程噪聲為10，量測(cè)噪聲為1，不同粒子數(shù)下標(biāo)準(zhǔn)算法和優(yōu)化后算法的濾波算法仿真的相關(guān)數(shù)據(jù)，程序運(yùn)行10次得到平均有效粒子數(shù)、均方誤差值以及兩種算法的運(yùn)行時(shí)間。表1的相關(guān)數(shù)據(jù)表明優(yōu)化后的算法中有效粒子數(shù)明顯增加，均方誤差明顯減小，雖然優(yōu)化后算法的運(yùn)行時(shí)間有所增加，但相對(duì)來(lái)說(shuō)在合理范圍內(nèi)。圖2和圖3分別截取了在粒子數(shù)為100的情況下的狀態(tài)估計(jì)圖和兩種算法的估計(jì)誤差，實(shí)驗(yàn)表明優(yōu)化后算法的估計(jì)值能更好的接近真實(shí)值，誤差基本穩(wěn)定在較低的范圍內(nèi)，有著更為穩(wěn)定的跟蹤性能。均方根誤差用于衡量真實(shí)值和估計(jì)值之間誤差的大小，其計(jì)算公式為:

表1 優(yōu)化后算法的仿真數(shù)據(jù)

5.2 紅外目標(biāo)跟蹤

第一組實(shí)驗(yàn)對(duì)象是實(shí)時(shí)拍攝的有遮擋情況下紅外飛機(jī)目標(biāo)圖像序列。此紅外攝像機(jī)識(shí)別距離2.8 km，探測(cè)距離8 km，視場(chǎng)大小21.74×17.46，幀頻50Hz。目標(biāo)的初始位置手動(dòng)給出，跟蹤區(qū)域用白色矩形框標(biāo)示，每幀圖像像素為320×240，共100幀圖像。紅外目標(biāo)灰度分布量化為8個(gè)等級(jí)，梯度分布量化為8個(gè)等級(jí)，采樣粒子總數(shù)為N=100，其中Np=0.56 N。視頻序列中目標(biāo)從20幀到30幀之間遇到遮擋，從圖4(a)中可以看出第24幀時(shí)，飛機(jī)明顯被遮擋物遮擋，傳統(tǒng)的粒子濾波算法在多次迭代后粒子喪失多樣性且目標(biāo)模型不準(zhǔn)確，目標(biāo)被遮擋后不能適時(shí)更新模板，從而導(dǎo)致最終丟失目標(biāo)。圖4(b)中是采用粒子濾波與均值漂移相結(jié)合的改進(jìn)算法，在遇到遮擋后跟蹤性能明顯下降，在幾步迭代之后目標(biāo)丟失。圖4(c)中的仿真結(jié)果利用本文算法，在第28幀后仍然能夠?qū)δ繕?biāo)進(jìn)行有效精確的跟蹤。

圖4 兩種算法跟蹤結(jié)果對(duì)比(從左到右圖像分別為5，24，28，35 幀)

圖5所示為飛機(jī)運(yùn)動(dòng)的跟蹤軌跡圖。在跟蹤100幀圖像的過(guò)程中，傳統(tǒng)算法運(yùn)算時(shí)間為9.671286 s，由于多特征融合的計(jì)算較為耗時(shí)，使得本文算法運(yùn)行時(shí)間大大增加為48.116217 s。圖6為跟蹤過(guò)程中觀測(cè)模板和當(dāng)前目標(biāo)模板的匹配系數(shù)，在飛機(jī)遇到遮擋物后的20到30幀內(nèi)，匹配系數(shù)迅速減小到0.2以下，在第74幀時(shí)目標(biāo)自身有閃爍。通過(guò)實(shí)驗(yàn)驗(yàn)證，本文算法在遇到遮擋和閃爍點(diǎn)時(shí)，能夠及時(shí)調(diào)整模板置信度，增大帶寬進(jìn)行匹配搜索，及時(shí)準(zhǔn)確的跟蹤紅外目標(biāo)，算法具有較高的魯棒性。

第二組實(shí)驗(yàn)是針對(duì)復(fù)雜背景下人體紅外目標(biāo)的跟蹤仿真結(jié)果。此紅外攝像機(jī)識(shí)別距離為600 m，探測(cè)距離為1.7 km，視場(chǎng)大小21.74×17.46，幀頻50 Hz。實(shí)驗(yàn)時(shí)，目標(biāo)的初始位置手動(dòng)給出，跟蹤區(qū)域用白色矩形框標(biāo)示，每幀圖像尺寸為320×240，共100幀圖像。紅外目標(biāo)灰度分布描述的灰度量化為8個(gè)等級(jí)，梯度分布量化為8個(gè)等級(jí)，采樣粒子數(shù)為N=100，Np=0.56 N。傳統(tǒng)粒子濾波算法采用單一的灰度特征對(duì)目標(biāo)建模且粒子多次迭代后的退化現(xiàn)象導(dǎo)致跟蹤程序無(wú)法精確地分辨出紅外目標(biāo)。采用WS-PF算法后粒子貧化得到抑制，同時(shí)融合多特征建立目標(biāo)的觀測(cè)模型使目標(biāo)跟蹤的精度和穩(wěn)定性提高，從而在復(fù)雜背景下仍然能夠魯棒地跟蹤目標(biāo)，如圖7所示。

圖7 本文算法對(duì)復(fù)雜背景下的人體跟蹤(從左到右圖像分別為2，28，57，83 幀)

6 結(jié)束語(yǔ)

優(yōu)化后的WS-PF算法選取權(quán)值較大的優(yōu)良粒子參與跟蹤結(jié)果的估計(jì)，使權(quán)值較小的粒子有可能參與到下一狀態(tài)的目標(biāo)狀態(tài)估計(jì)，增加參與狀態(tài)估計(jì)粒子的多樣性，抑制粒子退化和貧化現(xiàn)象，使跟蹤性能顯著提高。同時(shí)，本文針對(duì)紅外目標(biāo)遮擋、目標(biāo)背景干擾等實(shí)際中遇到的問(wèn)題，融合紅外目標(biāo)的灰度特征和梯度特征建立紅外目標(biāo)的觀測(cè)模型，并引入置信度實(shí)時(shí)調(diào)整每個(gè)特征對(duì)跟蹤結(jié)果的影響。根據(jù)不同的環(huán)境因素適時(shí)切換融合策略，實(shí)現(xiàn)了對(duì)復(fù)雜遮擋等場(chǎng)景中紅外目標(biāo)的跟蹤，提高了紅外目標(biāo)跟蹤的魯棒性。經(jīng)多種情況下的仿真驗(yàn)證，本文算法不僅能穩(wěn)定實(shí)時(shí)的跟蹤紅外目標(biāo)，還有能力處理復(fù)雜遮擋背景下的紅外目標(biāo)跟蹤，可廣泛應(yīng)用于導(dǎo)彈制導(dǎo)、衛(wèi)星偵察等技術(shù)領(lǐng)域。

［1］ Peng Zhenming，Yong Yang，Yang Xianming.Optical image processing and applications［M］.Chengdu:University of Electronic Science and Technology Press，2010:218 －219.(in Chinese)彭真明，雍楊，楊先明.光電圖像處理及應(yīng)用［M］.成都:電子科技大學(xué)出版社，2008:218－219.

［2］ Doucet A，Gordon N，Krishnamurthy V.Particle filters for state estimation of jump markov linear systems［J］.IEEE Trans.Signal Processing，2001，49(3):613 －624.

［3］ Jiang Wei，Yi Guo-xing，Zeng Qingshuang.Likelihood particle filter based on support vector machines resampling［J］.Control and Decision，2011，26(2):243 － 247.(in Chinese)蔣蔚，伊國(guó)興，曾慶雙.一種基于SVM重采樣的似然粒子濾波算法［J］.控制與決策，2011，26(2):243 －247.

［4］ Qi Cheng.An efficient two-stage sampling method in particle filter［J］.IEEE Trans on Aerospace and Electronic Systems，2012，48(3):2666 －2672.

［5］ Comaniciu D，Ramesh V，Meer P.Kernel-based object tracking［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2003，25(5):564 －575.

［6］ Liu Qing，Tang Lin-bo.Infrared target tracking based on adaptive multiple features fusion and mean shift［J］.Jounal of Electronics ＆ Information Technology，2012，34(5):1137 －1141.(in Chinese)劉晴，唐林波.基于自適應(yīng)多特征融合的均值遷移紅外目標(biāo)跟［J］.電子與信息學(xué)報(bào)，2012，34(5):1137－1141.

［7］ Ji Xuefeng.Research on method of infrared target tracking based on particle filter［D］.Xi'an:Xidian University，2011.(in Chinese)姬雪峰.基于粒子濾波的紅外目標(biāo)跟蹤方法研究［D］.西安:西安電子科技大學(xué)，2011.

［8］ Rong Huaiyang，Zhang Yong.Small infrared target tracking algorithm based on frequency region feature［J］.Laser＆ Infrared，2012，42(8):959 －964.(in Chinese)戎懷陽(yáng)，張涌.基于頻域特征提取的紅外小目標(biāo)跟蹤算法［J］.激光與紅外，2012，42(8):959 －964.

［9］ Xu Rongping，Yang Lei.Small target tracking approach combined the merits of two tracking frameworks under infrared complex background［J］.J.Infrared Millim.Waves，2008，27(5):354 －360.(in Chinese)徐蓉萍，楊磊.紅外復(fù)雜背景中一種融合兩類(lèi)跟蹤框架優(yōu)點(diǎn)的小目標(biāo)跟蹤算法［J］.紅外與毫米波學(xué)報(bào)，2008，27(5):354 －360.

［10］ Zhang Hui，Zhao Baojun.Infrared object tracking based on adaptive multi-features integration［J］.Acta Optica Sinica.2010，30(5):1291 －1296.(in Chinese)張輝，趙保軍.基于自適應(yīng)多特征整合的紅外目標(biāo)跟蹤［J］.光學(xué)學(xué)報(bào)，2010，30(5):1291 －1296.

［11］ Yang Dongdong，Chang Danhua.Improvement and realization of the moving object detection and tracking［J］.Laser＆ Infrared，2010，40(2):205 －209.(in Chinese)楊冬冬，常丹華.運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法的改進(jìn)與實(shí)現(xiàn)［J］.激光與紅外，2010，40(2):205 －209.