基于視覺搜索的艦船跟蹤方法研究與仿真

樊 凌

(1.江蘇科技大學(xué) 蘇州理工學(xué)院，江蘇 蘇州215104;2.蘇州市職業(yè)大學(xué) 計(jì)算機(jī)工程學(xué)院，江蘇 蘇州215104)

0 引 言

隨著計(jì)算機(jī)視覺圖像處理技術(shù)的發(fā)展，采用計(jì)算機(jī)視覺特征分析和圖像處理方法實(shí)現(xiàn)對(duì)軍事目標(biāo)的跟蹤和識(shí)別，對(duì)提高目標(biāo)的跟蹤搜索和打擊能力，具有重要的應(yīng)用價(jià)值和意義。艦船作為海戰(zhàn)的重要平臺(tái)，對(duì)艦船目標(biāo)的視覺分析和圖像處理，通過對(duì)艦船目標(biāo)視覺搜索跟蹤和特征提取，在計(jì)算機(jī)視覺中成像，實(shí)現(xiàn)艦船目標(biāo)打擊，成為國防科技領(lǐng)域和計(jì)算機(jī)圖像處理領(lǐng)域研究的熱點(diǎn)。艦船在海面上航行，受到外界環(huán)境噪聲干擾和水面的抖動(dòng)影響較大，在圖像特征分析中常常會(huì)丟失部分有用信息，不能滿足高精度、高清晰度圖像識(shí)別要求，因此，需要研究一種有效的基于計(jì)算機(jī)視覺搜索的艦船跟蹤方法，通過計(jì)算視覺處理技術(shù)，結(jié)合電子穩(wěn)像和圖像處理技術(shù)，使圖像清晰穩(wěn)定的同時(shí)，提高視覺跟蹤搜索能力，相關(guān)的算法研究受到人們重視［1］。

傳統(tǒng)方法中，對(duì)艦船目標(biāo)的視覺特征提取和目標(biāo)跟蹤搜索方法主要有時(shí)頻特征提取算法、基于塊匹配的目標(biāo)輪廓檢測(cè)算法、基于白平衡的艦船亮點(diǎn)檢測(cè)算法和基于高分辨率灰度中值濾波的艦船圖像邊緣檢測(cè)算法實(shí)現(xiàn)對(duì)艦船目標(biāo)的視覺搜索和跟蹤［2］。其中，文獻(xiàn)［3］提出一種基于塊匹配的電子穩(wěn)像實(shí)現(xiàn)艦船目標(biāo)的敏感特征檢測(cè)和視覺搜索，提高目標(biāo)的識(shí)別率，但是該算法需要對(duì)艦船目標(biāo)進(jìn)行空間亮度均衡化處理，在海上濃霧環(huán)境下目標(biāo)識(shí)別性能不好;文獻(xiàn)［4］提出一種基于點(diǎn)分布模型(Point Distribution Model，PDM)的塊匹配方法實(shí)現(xiàn)對(duì)艦船的視覺搜索和跟蹤，模板形狀的構(gòu)建以及約束規(guī)則形成過程中容易產(chǎn)生視覺偏移，導(dǎo)致艦船目標(biāo)的視覺特征漏檢，搜索性能不好;文獻(xiàn)［5］提出一種基于LWT 小波分解艦船視覺邊緣輪廓特征提取算法實(shí)現(xiàn)對(duì)艦船視覺搜索跟蹤，對(duì)采集的艦船圖像進(jìn)行亮度補(bǔ)償和紋理分區(qū)，使得對(duì)艦船圖像的重構(gòu)效果較好，但該算法的問題是計(jì)算量大，巨大的開銷導(dǎo)致目標(biāo)識(shí)別的實(shí)時(shí)性不好?？梢?，傳統(tǒng)方法采用艦船目標(biāo)輪廓亮點(diǎn)檢測(cè)方法實(shí)現(xiàn)對(duì)目標(biāo)的視覺搜索，在圖像模糊和背景干擾較強(qiáng)時(shí)，檢測(cè)效果不好［6-10］。

針對(duì)上述問題，本文提出一種基于相鄰幀補(bǔ)償和尺度不變特征變換的艦船視覺搜索跟蹤算法。首先構(gòu)建了艦船目標(biāo)圖像的視覺特征采集模型，采用電子穩(wěn)像技術(shù)對(duì)艦船視覺信息進(jìn)行直方圖均衡處理，以此為基礎(chǔ)，采用尺度不變特征變換 (Scale Invariant Feature Transform，SIFT)對(duì)艦船目標(biāo)進(jìn)行角點(diǎn)特征提取。根據(jù)提取的角點(diǎn)特征進(jìn)行干擾濾波算法設(shè)計(jì)，提高了對(duì)艦船目標(biāo)的視覺搜索和跟蹤識(shí)別能力，仿真實(shí)驗(yàn)進(jìn)行了性能驗(yàn)證，展示了本文算法在提高艦船目標(biāo)跟蹤識(shí)別的準(zhǔn)確度，提高艦船視覺特征提取的穩(wěn)像能力方面的優(yōu)越性和有效性。

1 艦船視覺圖像采集和電子穩(wěn)像預(yù)處理

1.1 艦船視覺圖像采集模型

艦船視覺圖像采集過程是艦船目標(biāo)圖像的三維成像過程，在艦船高速運(yùn)動(dòng)和水面的不穩(wěn)定場景下進(jìn)行圖像采集時(shí)，攝像機(jī)安裝在震動(dòng)的環(huán)境中，艦船視覺圖像特征采集不穩(wěn)定，在圖像采集和三維建模過程中，采用視角變化和仿射變換方法，提高艦船目標(biāo)視覺特征采集的穩(wěn)定性能，采用電子穩(wěn)像方法對(duì)圖像采集結(jié)果進(jìn)行穩(wěn)定性處理，采用分塊處理方法艦船圖像進(jìn)行三維建模，艦船視覺特征圖像初始分塊的大小15 ×15，每幀圖像尺寸大小m ×n 決定了圖像的像素點(diǎn)數(shù)，為了獲得視覺清晰的艦船目標(biāo)圖像，建立圖像全局運(yùn)動(dòng)估計(jì)模型，對(duì)艦船目標(biāo)的視覺特征圖像進(jìn)行旋轉(zhuǎn)和縮放參數(shù)估計(jì)，這一過程描述如圖1 所示。

圖1 艦船目標(biāo)的視覺特征圖像參數(shù)估計(jì)模型Fig.1 Visual features of ship target image model parameter estimation

結(jié)合圖1，根據(jù)已知的運(yùn)動(dòng)參數(shù)，對(duì)艦船目標(biāo)的視覺特征進(jìn)行塊匹配，形成3 ×3 結(jié)果的網(wǎng)格模型，對(duì)艦船目標(biāo)圖像進(jìn)行單幀視覺分析:設(shè)艦船目標(biāo)圖像的寬為W、高為H，假設(shè)單位時(shí)間內(nèi)圖像運(yùn)動(dòng)幅度為(W/2)× (H/2)，將海面背景圖像B 和當(dāng)前艦船目標(biāo)視覺特征圖像I 劃分個(gè)子塊，得到單幀角點(diǎn)的分塊信息素為:

假設(shè)在艦船表面網(wǎng)格面中有2 ×2 個(gè)像素點(diǎn)，艦船圖像邊緣檢測(cè)分量沿梯度方向的邊緣特征點(diǎn)C(［a，b］，R)有上下邊界，F(xiàn) 和C(［a，b］，R)是艦船目標(biāo)視覺圖像的中值濾波分類均值和方差，表達(dá)式為:

其中:

為提高對(duì)艦船目標(biāo)的圖像重建能力，需要選擇合適的角點(diǎn)匹配方法求得各個(gè)建模點(diǎn)的分布參數(shù)，由此實(shí)現(xiàn)對(duì)艦船目標(biāo)的三維圖像視覺建模。

1.2 艦船視覺圖像的電子穩(wěn)像預(yù)處理

在艦船目標(biāo)的三維圖像采集中，由于艦船在海面上航行，受到外界環(huán)境噪聲干擾和水面的抖動(dòng)影響較大，需要進(jìn)行電子穩(wěn)像處理，滿足高精度、高清晰度圖像識(shí)別要求，得到艦船目標(biāo)圖像電子穩(wěn)像算法的主要步驟和功能框圖如圖2 所示。

圖2 艦船目標(biāo)圖像電子穩(wěn)像算法的主要步驟和功能框圖Fig.2 Ships target image electronic stability as the main steps and the function block diagram of the algorithm

由上可見，運(yùn)動(dòng)的艦船圖像電子穩(wěn)像流程中，采用灰度化直方圖均衡的方法，提高艦船目標(biāo)圖像視覺特征采集的清晰度和穩(wěn)定性。電子穩(wěn)像算法實(shí)現(xiàn)描述如下:

初始化艦船目標(biāo)圖像建模點(diǎn)求出圖像的像素點(diǎn)P(i，j)的值，在艦船目標(biāo)通行區(qū)域，如果P(i，j)的值為1，子塊屬于運(yùn)動(dòng)區(qū)域，對(duì)艦船目標(biāo)視覺特征進(jìn)行曲線分割，在運(yùn)動(dòng)過程中產(chǎn)生成像抖動(dòng)，艦船目標(biāo)運(yùn)動(dòng)的三維視點(diǎn)切換運(yùn)動(dòng)方程表達(dá)為:

式中:x，y，z 為艦船視覺圖像的質(zhì)心位置;ψV為艦船目標(biāo)區(qū)域的切換偏角。求得的全部幀圖像在(x，y)處的灰度值為:

式中:YG為高斯尺度;BG為艦船圖像的差分尺度;IG為單位矩陣。采用電子穩(wěn)像技術(shù)對(duì)艦船視覺信息進(jìn)行直方圖均衡處理，得到當(dāng)前時(shí)刻下的艦船的運(yùn)動(dòng)狀態(tài)的公式為:

式中:φ 為方位角;k 為迭代次數(shù)。求解艦船目標(biāo)圖像的運(yùn)動(dòng)參數(shù)方程式為:

式中:Δx 和Δy 分別為艦船視覺特征穩(wěn)像過程中的水平位移和豎直位移;k 為調(diào)頻約束因子θ 為艦船圖像在水面運(yùn)動(dòng)中偏航角。通過上述運(yùn)動(dòng)參數(shù)估計(jì)，實(shí)現(xiàn)對(duì)艦船視覺特征采集的電子穩(wěn)像處理。

2 SIFT 角點(diǎn)特征提取及艦船視覺搜索跟蹤算法改進(jìn)實(shí)現(xiàn)

2.1 艦船視覺圖像的SIFT 角點(diǎn)特征提取

傳統(tǒng)方法采用艦船目標(biāo)輪廓亮點(diǎn)檢測(cè)方法實(shí)現(xiàn)對(duì)目標(biāo)的視覺搜索，在圖像模糊和背景干擾較強(qiáng)時(shí)，檢測(cè)效果不好。為了克服傳統(tǒng)方法的弊端，本文提出一種基于相鄰幀補(bǔ)償和尺度不變特征變換的艦船視覺搜索跟蹤算法。采用尺度不變特征變換SIFT 技術(shù)對(duì)艦船目標(biāo)進(jìn)行角點(diǎn)特征提取，SIFT 角點(diǎn)特征提取是在多尺度空間中進(jìn)行差分組合，算法描述為:首先建立像點(diǎn)信息高斯差分尺度空間，通過不同尺度下的直方圖均衡差分核求得的艦船目標(biāo)視覺特征的時(shí)間尺度空間D(x，y，σ)，為:

式中:I(x，y)為艦船視覺特征在(x，y)處的灰度值;L(x，y，σ)為信息熵空間;G(x，y，σ)為艦船邊緣特征的高斯函數(shù)，函數(shù)式為:

采用SIFT 技術(shù)，對(duì)艦船的邊緣輪廓線進(jìn)行角點(diǎn)特征提取，利用Hessian 矩陣計(jì)算圖像邊緣信號(hào)能量，矩陣形式為:

式中:Ix為圖像的水平縮放量;Iy為垂直縮放量;IxIy為圖像相關(guān)度。最后選定方差、對(duì)比度α 與β 的比值是γ，即α/β=γ，艦船視覺特征SIFT 角點(diǎn)檢測(cè)的關(guān)系式為:

如果:

則定義邊緣輪廓點(diǎn)為艦船視覺圖像的角點(diǎn)。通過上述處理，判斷極值點(diǎn)處對(duì)應(yīng)的像素是否為角點(diǎn)，由此實(shí)現(xiàn)角點(diǎn)特征提取。

2.2 艦船視覺搜索和跟蹤算法優(yōu)化實(shí)現(xiàn)

綜上分析，根據(jù)提取的角點(diǎn)特征進(jìn)行干擾濾波算法設(shè)計(jì)，提高了對(duì)艦船目標(biāo)的視覺搜索和跟蹤識(shí)別能力，對(duì)艦船目標(biāo)圖像的干擾背景采用相鄰幀補(bǔ)償技術(shù)實(shí)現(xiàn)干擾濾波，基本濾波方法選擇Kalman 濾波器，濾波器的系統(tǒng)函數(shù)為:

其中:

θ(k)，Δx(k)和Δy(k)分別為艦船圖像正常掃描、抖動(dòng)和偏航運(yùn)動(dòng)參數(shù)。求解S(0)得到艦船視覺跟蹤在初始狀態(tài)下運(yùn)動(dòng)方程，由于艦船運(yùn)動(dòng)的不確定性，導(dǎo)致視覺跟蹤搜索中每幀圖像產(chǎn)生視覺偏移。對(duì)此，采用相鄰幀補(bǔ)償法對(duì)每幀圖像的視覺偏移進(jìn)行補(bǔ)償濾波，相鄰幀補(bǔ)償過程描述為:

求得各個(gè)相鄰幀的艦船目標(biāo)運(yùn)動(dòng)參數(shù)，由此實(shí)現(xiàn)艦船目標(biāo)的視覺搜索跟蹤(見圖3)。

圖3 相鄰幀補(bǔ)償艦船視覺搜索跟蹤示意圖Fig.3 Adjacent frames compensating ship visual search tracking diagram

3 系統(tǒng)測(cè)試與結(jié)果分析

為了測(cè)試本文算法在實(shí)現(xiàn)艦船視覺特征提取和計(jì)算機(jī)視覺下艦船目標(biāo)跟蹤識(shí)別的性能，進(jìn)行仿真實(shí)驗(yàn)。仿真實(shí)驗(yàn)的硬件環(huán)境為:Windows XP，32 位雙處理器，內(nèi)存2.60 GHz，2 GB 緩存，仿真軟件為Matlab 7。艦船目標(biāo)的視覺特征采集采用功率分辨率帶寬(RBW)為10 Hz 至1 MHz 的多功能視覺成像儀，視覺特征采集的總體振幅精度: ±1.5 dB，艦船視覺圖像的存儲(chǔ)和通信通道功率選擇OBW、ACP、CCDF、SEM 全雙工通道，艦船抖動(dòng)的穩(wěn)像靈敏度:-130 Bm。艦船視覺特征分析和視覺搜索跟蹤軟件運(yùn)行所需有關(guān) OpenGL 的 DLL 庫為opengl32. dll，glu32. dll，glut32. dll，glaux. dll。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行艦船視覺搜索跟蹤仿真實(shí)驗(yàn)?；诒疚臉?gòu)建的艦船目標(biāo)圖像的視覺特征采集模型，得到采集的原始艦船運(yùn)動(dòng)下的視覺特征如圖4 所示。

圖4 艦船視覺跟蹤圖像采集Fig.4 Ships visual tracking image acquisition

根據(jù)圖4，對(duì)水面艦船拍攝的視頻第330 幀圖像進(jìn)行視覺搜索跟蹤處理，對(duì)艦船視覺圖像進(jìn)行電子穩(wěn)像預(yù)處理，進(jìn)行直方圖均衡，以此為基礎(chǔ)，進(jìn)行SIFT角點(diǎn)特征提取，水面艦船視覺跟蹤的電子穩(wěn)像處理和SIFT 角點(diǎn)特征提取提取結(jié)果如圖5 和圖6 所示。

圖5 水面艦船視覺跟蹤的電子穩(wěn)像處理Fig.5 Eelectronic image processing of surface ships，visual tracking

圖6 水面艦船視覺跟蹤SIFT 角點(diǎn)特征提取Fig. 6 Surface ships，visual tracking Angle SIFT points feature extraction

從圖分析可見，采用本文算法具有較好的角點(diǎn)特征效果，角點(diǎn)分布全面，特征反映準(zhǔn)確，為實(shí)現(xiàn)視覺搜索提供前提。以此為基礎(chǔ)實(shí)現(xiàn)，根據(jù)提取的角點(diǎn)特征進(jìn)行干擾濾波，提高了對(duì)艦船目標(biāo)的視覺搜索和跟蹤識(shí)別能力，對(duì)艦船目標(biāo)圖像的干擾背景采用相鄰幀補(bǔ)償技術(shù)實(shí)現(xiàn)干擾濾波，實(shí)現(xiàn)艦船視覺搜索跟蹤，為了定量分析跟蹤性能，采用艦船目標(biāo)準(zhǔn)確識(shí)別率為測(cè)試指標(biāo)，得到不同方法下對(duì)艦船視覺搜索跟蹤的準(zhǔn)確識(shí)別率對(duì)比結(jié)果如圖7 所示，由圖可見，采用本文算法有效提高了視覺搜索跟蹤和目標(biāo)識(shí)別性能，顯示了本文算法的優(yōu)越性。

圖7 艦船視覺跟蹤目標(biāo)識(shí)別性能對(duì)比Fig.7 Ship visual tracking target recognition performance

4 結(jié) 語

艦船在海面上航行，受到外界環(huán)境噪聲干擾和水面的抖動(dòng)影響較大，在圖像特征分析中常常會(huì)丟失部分有用信息，不能滿足高精度、高清晰度圖像識(shí)別要求，因此，需要研究一種有效的基于計(jì)算機(jī)視覺搜索的艦船跟蹤方法，通過計(jì)算視覺處理技術(shù)，結(jié)合電子穩(wěn)像和圖像處理技術(shù)，使圖像清晰穩(wěn)定的同時(shí)，提高視覺跟蹤搜索能力。本文提出一種基于相鄰幀補(bǔ)償和尺度不變特征變換的艦船視覺搜索跟蹤算法。進(jìn)行電子穩(wěn)像處理，采用尺度不變特征變換對(duì)艦船目標(biāo)進(jìn)行角點(diǎn)特征提取。根據(jù)提取的角點(diǎn)特征進(jìn)行干擾濾波算法設(shè)計(jì)，提高了對(duì)艦船目標(biāo)的視覺搜索和跟蹤識(shí)別能力，研究結(jié)果表明，采用本文算法具有較好的艦船視覺搜索跟蹤和目標(biāo)識(shí)別性能，應(yīng)用價(jià)值較高。

［1］郭哲，張艷寧，林增剛.多信息融合的多姿態(tài)三維人臉面部五官標(biāo)志點(diǎn)定位方法［J］.計(jì)算機(jī)學(xué)報(bào)，2012，35(1):163 -170.GUO Zhe，ZHANG Yan-ning，LIN Zeng-gang. More information fusion of attitude of 3 d face facial features marking point locating method［J］. Journal of Computers，2012，35(1):163 -170.

［2］楊棽，齊越，沈旭昆，等.一種快速的三維掃描數(shù)據(jù)自動(dòng)配準(zhǔn)方法［J］.軟件學(xué)報(bào)，2010，21(6):1438 -1450.YANG Chen，JI Yue，SHEN Xu-kun，et al. A fast 3 d scanning data automatic registration method［J］.Journal of Software，2010，21(6):1438 -1450.

［3］李計(jì)添，何永強(qiáng)，陳財(cái)森，等.一種基于灰度投影算法的車載電子穩(wěn)像方法［J］.紅外技術(shù)，2010，32(6):328-332.LI Ji-tian，HE Yong-qiang，CHEN Cai-sen，et al.A kind of vehicle electronic stability like method based on gray projection algorithm［J］. Infrared Technology，2010，32(6):328 -332.

［4］郝帥，程詠梅，馬旭，等.無人直升機(jī)視覺著艦中合作目標(biāo)角點(diǎn)檢測(cè)算法［J］.西北工業(yè)大學(xué)學(xué)報(bào)，2013，31(4):653 -659.HAO Shuai，CHENG Yong-mei，MA Xu，et al. Unmanned helicopter visual collaboration in the ship target corner detection algorithm ［J］. Journal of Northwestern Polytechnical University，2013，31(4):653 -659.

［5］盂勃，韓廣良.基于改進(jìn)的尺度不變特征變換特征點(diǎn)匹配的電子穩(wěn)像算法［J］. 計(jì)算機(jī)應(yīng)用，2012，32(10):2817 -2820.YU Bo，HAN Guang-liang. Based on the improved scale invariant feature transform feature point matching algorithm to stabilize the image electronic［J］. Journal of Computer Applications，2012，32(10):2817 -2820.

［6］杜輝.基于小波變換的彩色圖像中快速人臉檢測(cè)算法［J］.科技通報(bào)，2012，12(28):89 -90.DU Hui.Color image based on wavelet transform in the fast face detection algorithm［J］. Science and Technology，2012，12(28):89 -90.

［7］王俊，朱利.基于圖像匹配-點(diǎn)云融合的建筑物立面三維重建［J］.計(jì)算機(jī)學(xué)報(bào)，2012，35(10):2072 -2079.WANG Jun，ZHU Li. Julie-point cloud based on image matching fusion of building facade 3 d reconstruction［J］.Journal of Computers，2012，35(10):2072 -2079.

［8］吳建，馬躍.種改進(jìn)的SIFT 算法［J］.計(jì)算機(jī)科學(xué)，2013，40(7):270 -272.WU Jian，MA Yue. The kind of the improved SIFT algorithm［J］.Journal of Computer Science，2013，40(7):270 -272.

［9］羅翌陳，楊輝華，李靈巧，等.SIFT 算法在CUDA 加速下的實(shí)時(shí)人物識(shí)別與定位［J］. 計(jì)算機(jī)科學(xué)，2012，39(11A):391 -394.LUO Yi-chen，YANG Hui-hua，LI Ling-qiao，et al. SIFT algorithm under the CUDA accelerated the real-time character of identification and positioning［J］. Journal of Computer Science，2012，33(11A):391 -394.

［10］李志丹，和紅杰，尹忠科，等.基于塊結(jié)構(gòu)稀疏度的自適應(yīng)圖像修復(fù)算法［J］.電子學(xué)報(bào)，2013，41(3):549 -554.LI Zhi-dan，HE Hong-jie，YIN Zhong-ke，et al. Based on sparse block structure adaptive image restoration algorithm［J］.Journal of Electronics，2013，9(3):549 -554.