融合兩類跟蹤框架優(yōu)點(diǎn)的紅外目標(biāo)跟蹤算法

朱洪翔，董　青，張振華

（中國(guó)飛行試驗(yàn)研究院，西安　710089）

融合兩類跟蹤框架優(yōu)點(diǎn)的紅外目標(biāo)跟蹤算法

朱洪翔，董青，張振華

（中國(guó)飛行試驗(yàn)研究院，西安710089）

基于粒子濾波的算法模型框架，針對(duì)紅外的目標(biāo)成像與背景對(duì)比度低、背景復(fù)雜等問(wèn)題，進(jìn)行提取目標(biāo)灰度特征，通過(guò)對(duì)系統(tǒng)概率的密度函數(shù)的采樣集進(jìn)行了預(yù)測(cè)和更新，來(lái)逼近系統(tǒng)的后驗(yàn)密度概率，初步確定目標(biāo)位置，再融合均值漂移算法進(jìn)行小區(qū)域精確搜索，確定目標(biāo)位置；同時(shí)，通過(guò)調(diào)整均值漂移的算法和函數(shù)的帶寬，對(duì)于紅外目標(biāo)有阻擋情況下的識(shí)別能夠得到有效處理；通過(guò)仿真得到該模型具有算法高效、去除粒子的退化，并且對(duì)于有遮擋的紅外目標(biāo)能夠進(jìn)行實(shí)時(shí)穩(wěn)定地跟蹤。

粒子濾波；均值漂移；紅外目標(biāo)跟蹤；抗遮擋

0　引言

在現(xiàn)代紅外制導(dǎo)中，紅外目標(biāo)的跟蹤技術(shù)是其中的一項(xiàng)核心技術(shù)［1］，具有探測(cè)距離遠(yuǎn)、抗干擾強(qiáng)等優(yōu)點(diǎn)，已廣泛應(yīng)用在武器制導(dǎo)、電子信息對(duì)抗等領(lǐng)域。目標(biāo)跟蹤的算法主要有根據(jù)圖像識(shí)別技術(shù)的先識(shí)別后跟蹤［1］和根據(jù)統(tǒng)計(jì)理論的濾波技術(shù)進(jìn)行跟蹤［2］等思想。先識(shí)別后追蹤的方法首先對(duì)圖像進(jìn)行識(shí)別，提取其局部特點(diǎn)，再用匹配的算法對(duì)其進(jìn)行追蹤，這種算法的實(shí)時(shí)性好，易于工程實(shí)現(xiàn)，但復(fù)雜背景下目標(biāo)跟蹤的魯棒性較差且紅外目標(biāo)的特征單一，基于優(yōu)化類框架下建立均值的漂移算法模型［3］是近年來(lái)的研究熱點(diǎn)。根據(jù)統(tǒng)計(jì)學(xué)粒子的濾波算法模型［4］的目標(biāo)跟蹤方法，雖能夠有效解決紅外圖像中非線性以及非高斯的問(wèn)題，考慮到樣本點(diǎn)數(shù)量的增加，算法復(fù)雜程度大大提高，從而在紅外目標(biāo)被遮擋時(shí)不能實(shí)時(shí)快速的跟蹤目標(biāo)，造成跟蹤失?。?］。本文綜合考慮上述兩種模型優(yōu)勢(shì)，設(shè)計(jì)具有粒子濾波功能和帶有均值漂移特點(diǎn)的算法模型。對(duì)于紅外條件下跟蹤目標(biāo)的成像與背景對(duì)比度低，紋理和輪廓特征都不明顯的特點(diǎn)，提取目標(biāo)灰度特征，通過(guò)預(yù)測(cè)和更新來(lái)自于系統(tǒng)概率密度函數(shù)，再結(jié)合均值漂移模型，在進(jìn)一步縮小的區(qū)域內(nèi)執(zhí)行再查詢，進(jìn)而對(duì)目標(biāo)執(zhí)行更準(zhǔn)確的跟蹤。此外，均值漂移算法中核函數(shù)的帶寬即是被跟蹤的目標(biāo)區(qū)域，因此在確保準(zhǔn)確跟蹤目標(biāo)的同時(shí)，還可以利用均值漂移算法的自適應(yīng)帶寬，解決紅外目標(biāo)跟蹤中目標(biāo)被遮擋的問(wèn)題。

1　算法描述

1.1粒子濾波

在狀態(tài)矢量為｛xk，k∈N｝的情況下，系統(tǒng)狀態(tài)模型為：

式中，xk-1是表示狀態(tài)的向量，fk：Rnx×Rnv是其非線性的表達(dá)方式，｛uk-1，k∈N｝是一種有關(guān)噪聲的序列，nx和nv表示的是上述兩種向量的維數(shù)。同樣gk：Rnx×Rnv是xk的非線性表達(dá)式，｛vk，k∈N｝是離散測(cè)試噪聲集合，nx和nv作為測(cè)試向量和測(cè)試噪聲向量的維數(shù)。

結(jié)合貝葉斯濾波理論，令｛xi0：k，wik｝Ni=1為后驗(yàn)的概率密度p（x0：k|z1：k）隨機(jī)采樣集合，x0：k=｛xj，j=0，1，2，…，k｝作為采樣樣本。｛wik，i=1，2，…，Ns｝是基于粒子有關(guān)的權(quán)值集合，該集合滿足條件∑iwik=1。則在k時(shí)刻的后驗(yàn)概率密度則可以近似為：

其中：wik表示k時(shí)刻第i個(gè)粒子的權(quán)值。根據(jù)重要性的采樣原理對(duì)wik進(jìn)行分析處理，如果樣本來(lái)自重要性的密度函數(shù)q（x0：k|z1：k），則wik定義為：

展開(kāi)式（3）可以得到：

先驗(yàn)密度一般由重要性的密度函數(shù)來(lái)決定，即上式中：

q（xik|xi0：k-1，z1：k）=p（xik|xik-1）（5）

由式（5）、式（4）解算可得到：wik∝wik-1p（zk|xik）（6）

后驗(yàn)濾波估計(jì)近似寫(xiě)成：

1.2均值漂移

Mean Shift（均值漂移）通常為“基于優(yōu)化”類追蹤框架的求概率密度的極大值的最佳算法。假設(shè)D維空間Rd里含有樣本數(shù)為n的樣本集合｛xi，i=1，2，…，n｝，x點(diǎn)均值的漂移向量表達(dá)式如下：

其中：Sh是一個(gè)半徑為h的高維球區(qū)域，即滿足Sh（x）=｛y：（y-x）T（y-x）≤h2｝。k表示在Sh區(qū)域中落入了樣本點(diǎn)xi總數(shù)為k。由表達(dá)式可以分析出Mh（x）即為概率密度函數(shù)的梯度。

在此基礎(chǔ)上對(duì)獨(dú)立樣本增加Mh（x）的權(quán)重系數(shù)，從而對(duì)Mean Shift表達(dá)式進(jìn)行展開(kāi)：

其中：G（x）為單位核函數(shù)，且GH（xi-x）=。H是正定對(duì)稱的矩陣，工程上取為H =h2I。w（xi）≥0為采樣點(diǎn)i的權(quán)重。將式（9）展開(kāi)可得：

結(jié)合上式，假設(shè)誤差門(mén)限為ε，Mean shift算法將按次執(zhí)行以下步驟，直至條件滿足：

（1）計(jì)算Mean shift向量mh（x）；

（2）將mh（x）賦給x；

2　模型分析

2.1狀態(tài)模型

通常狀態(tài)轉(zhuǎn)移模型典型公式為：

xt-xt-1=xt-1-xt-2+ut（11）

目標(biāo)狀態(tài)由xt=｛x，y，hx，hy｝來(lái)表示，（x，y）作為目標(biāo)中心點(diǎn)，（hx，hy）則圖像區(qū)域尺寸參數(shù)。

2.2觀測(cè)模型

紅外目標(biāo)跟蹤過(guò)程中，由于探測(cè)距離遠(yuǎn)，目標(biāo)成像一般較小，紋理、邊緣及顏色等特征不明顯，因此用灰度分布描述紅外目標(biāo)，建立系統(tǒng)觀測(cè)模型。其直方圖分布被量化為M個(gè)等級(jí)且用h（li）來(lái)描述。由式 （12）可以得到某一量級(jí)灰度直方圖分布。

m

其中：f為歸一化系數(shù)，使∑p（u）=1；N為區(qū)域總像素

lu=1數(shù)；a=為區(qū)域大小；l為中心區(qū)域坐標(biāo)；N為紅外目標(biāo)以l為中心的像素?cái)?shù)；li為目標(biāo)區(qū)域中的某個(gè)點(diǎn)；g（·）為一個(gè)加權(quán)函數(shù)，定義為：

2.3遮擋判定與自適應(yīng)融合策略

粒子的濾波算法具有嚴(yán)重的粒子退化和貧化現(xiàn)象，增大粒子數(shù)雖可提高跟蹤精度但計(jì)算量明顯增加。本文根據(jù)兩種模型框架的優(yōu)弱勢(shì)，設(shè)計(jì)結(jié)合粒子的濾波算法模型，首先對(duì)目標(biāo)狀態(tài)粗略分析，再結(jié)合Mean shift算法模型，在進(jìn)一步縮小的區(qū)域內(nèi)執(zhí)行再查詢，從而確定目標(biāo)精確位置的跟蹤策略。Mean shift算法還可以結(jié)合增加核函數(shù)帶寬來(lái)解決復(fù)雜環(huán)境下目標(biāo)遮擋追蹤問(wèn)題。

假設(shè)模板為q=｛qu｝u=1，2，…，m，候選區(qū)域?yàn)閜=｛p（u）｝u=1，2，…，m，兩者的遠(yuǎn)近用Bhattacharyya相似系數(shù)ρ（p，q）度量，遠(yuǎn)近越近時(shí)，兩者更具有相似性。目標(biāo)區(qū)域和候選區(qū)域是否相近我們可以通過(guò)式（14）中ρ（p，q）的值來(lái)進(jìn)行分析。

公式（15）是計(jì)算觀測(cè)模型的經(jīng)驗(yàn)公式，σ為高斯分布的方差值，本文取σ=0.2。

通常ρ（p，q）作為判斷目標(biāo)是否被遮擋的準(zhǔn)則，當(dāng)其小于預(yù)先設(shè)定的閾值ρT即ρ（p，q）≤ρT時(shí)，說(shuō)明目標(biāo)具有遮擋的可能性，之后對(duì)Mean shift的帶寬進(jìn)行增加，此時(shí)對(duì)ρ（p，q）進(jìn)行計(jì)算，直到ρ（p，q）＞ρT的情況下給出最終的結(jié)果，否則繼續(xù)增加Mean shift的帶寬。結(jié)合粒子的濾波算法模型與均值漂移模型抗遮擋紅外目標(biāo)追蹤模型的流程如圖1所示。

圖1　本文算法流程圖

3　仿真結(jié)果分析

本實(shí)驗(yàn)在具有英特爾I5處理器，內(nèi)存4 GB的筆記本進(jìn)行，數(shù)據(jù)分析采用MATLAB 7進(jìn)行。紅外攝像機(jī)鏡頭焦距為25 mm，拍攝距離大于80 m，環(huán)境照度為0.05～0，1 Lux。在試驗(yàn)剛開(kāi)始時(shí)人為給出初始點(diǎn)，如果鎖定目標(biāo)了，對(duì)目標(biāo)采用白色框進(jìn)行標(biāo)示。

圖2　第一組測(cè)試序列效果分析圖

試驗(yàn)中我們?cè)诩t外的情況下對(duì)飛行模型進(jìn)行跟蹤，每幀圖像像素為290×210，紅外目標(biāo)灰度分布等級(jí)為8，N=100。第一組實(shí)驗(yàn)在無(wú)遮擋條件下，對(duì)紅外飛機(jī)目標(biāo)的進(jìn)行追蹤，共測(cè)試100幀，在粒子濾波算法對(duì)飛機(jī)狀態(tài)進(jìn)行粗略估計(jì)之后，用均值漂移算法進(jìn)行進(jìn)一步精確搜索。從圖2中可看出，本文設(shè)計(jì)的算法可以精確穩(wěn)定的進(jìn)行紅外目標(biāo)跟蹤。

第二組實(shí)驗(yàn)，在遮擋情況下進(jìn)行紅外飛機(jī)目標(biāo)的追蹤，試驗(yàn)測(cè)試共50幀。圖3（c）第25幀時(shí)，飛機(jī)明顯被遮擋，本文算法融合Mean shift的抗遮擋特性，在有遮擋的情況下，再結(jié)合Mean shift算法模型，在進(jìn)一步縮小的區(qū)域內(nèi)執(zhí)行再查詢，試驗(yàn)中在32幀后精確的追蹤上目標(biāo)。結(jié)合試驗(yàn)結(jié)果，對(duì)比其他的設(shè)計(jì)本文的設(shè)計(jì)具較強(qiáng)的魯棒性，還減少了算法計(jì)算量，提高了紅外目標(biāo)跟蹤的實(shí)性。

4　結(jié)束語(yǔ)

基于統(tǒng)計(jì)類框架下的粒子濾波與基于優(yōu)化類框架下的均值漂移，各自都難以表現(xiàn)出良好的跟蹤性能，本設(shè)計(jì)根據(jù)兩類跟蹤框架的優(yōu)點(diǎn)，設(shè)計(jì)了一種在粒子的濾波模型下增加均值漂移模型的跟蹤算法。同時(shí)，針對(duì)紅外系統(tǒng)探測(cè)距離遠(yuǎn)，目標(biāo)成像小而導(dǎo)致的目標(biāo)特征不明顯、目標(biāo)背景復(fù)雜、遮擋等問(wèn)題，提取紅外圖像的灰度信息，根據(jù)巴氏系數(shù)自適應(yīng)更新模板，使紅外目標(biāo)在遇到遮擋時(shí)仍能魯棒地跟蹤。若想要更好得實(shí)現(xiàn)復(fù)雜環(huán)境下紅外目標(biāo)的追蹤魯棒性，可融合多個(gè)紅外信息特征對(duì)目標(biāo)進(jìn)行追蹤。

圖3　第二組測(cè)試序列效果分析圖

［1］姜錦鋒.紅外圖像的目標(biāo)檢測(cè)、識(shí)別與跟蹤技術(shù)研究［D］.西北工業(yè)大學(xué)，2007.

［2］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.

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

［4］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.

［5］管小清，呂志強(qiáng).適用于復(fù)雜環(huán)境下的實(shí)時(shí)目標(biāo)跟蹤技術(shù)［J］.計(jì)算機(jī)測(cè)量與控制，2012，20（10）：2776-2778.

2016年1期文章《基于車載電子標(biāo)簽數(shù)據(jù)的單交叉口狀態(tài)判別研究》，增加第四作者，作者信息為：

姓名：劉續(xù)博

所屬單位：美國(guó)密歇根大學(xué)工業(yè)與運(yùn)營(yíng)工程學(xué)院

College of Engineering University of Michigan

Infrared Target Tracking Based on Particle Filter and Mean Shift

Zhu Hongxiang，Dong Qing，Zhang Zhenhua
（Chinese Flight Test Establishment，Xi'an710089，China）

According to problems of cluttered environment or the low contrast between infrared target imaging and background，we extract the gray characteristics of target and use the particle filter algorithm which recursively forecast and update the sample sets of the state space to approximate the posterior density probability.In order to further increase the accuracy of tracking，we fuse the Mean Shift algorithm to search for target in local area.The bandwidth of kernel function in Mean Shift algorithm can also deal with the target occlusion problem effectively.Experimental results indicate the proposed method can not only improve the efficiency of the algorithm and overcome the particle degeneracy phenomenon，but also has good performance in occlusion.

particle filter；mean shift；infrared target tracking；anti-occlusion

1671-4598（2016）05-0207-02

10.16526/j.cnki.11-4762/tp.2016.05.058

TP391

A

2016-03-09；

2016-03-31。

朱洪翔（1989-），男，江蘇鎮(zhèn)江人，碩士研究生，主要從事機(jī)載測(cè)試技術(shù)方向的研究。