滑動置信度約束的紅外弱小目標(biāo)跟蹤算法研究

曾溢良， 藍(lán)金輝， 鄒金霖

(北京科技大學(xué) 自動化學(xué)院， 北京 100083)

滑動置信度約束的紅外弱小目標(biāo)跟蹤算法研究

曾溢良， 藍(lán)金輝， 鄒金霖

(北京科技大學(xué) 自動化學(xué)院， 北京 100083)

為了提高紅外視頻弱小目標(biāo)的跟蹤精度，提出了滑動置信度約束的弱小目標(biāo)跟蹤方法。在快速自適應(yīng)中值濾波的紅外圖像背景抑制技術(shù)的基礎(chǔ)上，設(shè)計(jì)了正交變換和置信域約束的軌跡預(yù)測，利用加權(quán)參數(shù)增強(qiáng)目標(biāo)函數(shù)的收斂性能，提高下一位置初的預(yù)測準(zhǔn)確度；通過軌跡相鄰點(diǎn)的位置差計(jì)算搜索窗口的大小，搜索與之相匹配的特征點(diǎn)進(jìn)行關(guān)聯(lián)處理，完成對初預(yù)測點(diǎn)的篩選；以滑動軌跡置信度檢驗(yàn)為準(zhǔn)則判決軌跡的真實(shí)性，并進(jìn)行目標(biāo)軌跡更新以實(shí)現(xiàn)對弱小目標(biāo)的準(zhǔn)確跟蹤。通過紅外弱小目標(biāo)視頻對所提算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明,該算法對紅外弱小目標(biāo)的跟蹤軌跡誤差有較小的均方偏差與均方差，在噪聲消除和對圖像整體信息保護(hù)方面都具有良好的性能。

信息處理技術(shù)； 紅外小目標(biāo)； 目標(biāo)識別； 目標(biāo)跟蹤； 背景抑制

Abstract: The infrared dim-small target has a small portion of image pixel and low SNR, which makes it difficult to detect and track the target especially in noise and clutter. A dim-small target tracking method with fixed template sliding confidence constraint, on the basis of the fast adaptive median filter to suppress the infrared background, is presented. A prediction of trajectory with orthogonal transformation and confidence region is proposed. Weighted parameters are used to enhance the convergence of target function and the prediction accuracy of the next position. The size of sliding search window is calculated from the position difference of the adjacent points on trajectory to search the matched feature point with the predicted position in the next frame and make further parallel processing. The trajectory sliding confidence is used to verify the authenticity of trajectory and update the target trajectory for accurate tracking. The proposed algorithm is tested with infrared dim-small target video. The results show that the proposed method shows better performance in target tracking with lower mean square error deviation and mean square error. Furthermore, the good performance of noise elimination and image information protection also verifies the effectiveness of the algorithm.

Key words: information processing technology; infrared dim-small target; target detection; target tracking; background suppression

0 引言

隨著科技水平的不斷提高，具有全天候晝夜工作、靈敏度高、動態(tài)分辨率大等優(yōu)點(diǎn)的智能化紅外成像系統(tǒng)備受關(guān)注[1]，在預(yù)警系統(tǒng)、精確制導(dǎo)、目標(biāo)跟蹤等軍事系統(tǒng)中得到了廣泛應(yīng)用[2]。但是由于紅外成像系統(tǒng)的探測距離遠(yuǎn)、成像目標(biāo)小，同時存在背景噪聲，使紅外圖像弱小目標(biāo)的檢測與跟蹤成為技術(shù)難題之一。因此，國內(nèi)外研究者在該領(lǐng)域開展了深入研究。每年國際光學(xué)工程學(xué)會都會組織一次關(guān)于弱小目標(biāo)的信號與數(shù)據(jù)處理會議，探討弱小目標(biāo)(特別是紅外小目標(biāo))檢測的新技術(shù)[3]。美國、俄羅斯、法國等國已經(jīng)開發(fā)并裝備了基于紅外成像技術(shù)的武器系統(tǒng)，包括美國的“響尾蛇”、“海爾法”和“標(biāo)槍”導(dǎo)彈，以及英國、法國、德國等國聯(lián)合研制的“崔格特”導(dǎo)彈等，用于紅外小目標(biāo)的檢測與跟蹤[4]。

經(jīng)過多年的深入研究，紅外弱小目標(biāo)檢測和跟蹤技術(shù)伴隨著應(yīng)用領(lǐng)域的不斷需求而不斷地發(fā)展并提高，并形成了較多研究成果[5-7]。常見的目標(biāo)跟蹤算法可以分為兩類，即“基于模板匹配的跟蹤”[8-9](基于模型驅(qū)動(Model-driven)的方法)和“基于濾波、數(shù)據(jù)估計(jì)的跟蹤”[10-11](基于數(shù)據(jù)驅(qū)動(Data-driven)的方法)。前者主要依靠目標(biāo)特征提取、目標(biāo)模型建立、模板匹配、相似度度量等技術(shù)對跟蹤過程中圖像的假設(shè)目標(biāo)位置進(jìn)行評估，尋找最佳匹配結(jié)果。后者首先依據(jù)不同情況建立目標(biāo)的運(yùn)動數(shù)學(xué)方程，利用數(shù)據(jù)估計(jì)方法進(jìn)行紅外目標(biāo)的運(yùn)動狀態(tài)預(yù)測，然后采用粒子濾波等方法提取真實(shí)目標(biāo)，這類算法的本質(zhì)是基于離散非線性動態(tài)系統(tǒng)的序列概率推理[12]。由于復(fù)雜環(huán)境中的紅外圖像目標(biāo)面積小，同時背景中包含大量噪聲和雜波，信噪比較低，給目標(biāo)檢測和跟蹤算法帶來了極大的挑戰(zhàn)。因此，如何對小目標(biāo)進(jìn)行準(zhǔn)確的檢測與穩(wěn)定的跟蹤，仍是該領(lǐng)域的技術(shù)瓶頸問題之一。

本文提出滑動置信度約束的弱小目標(biāo)跟蹤方法，采用快速自適應(yīng)中值濾波的紅外圖像背景抑制技術(shù)來消除噪聲干擾、提高圖像信噪比；在目標(biāo)檢測的基礎(chǔ)上，利用紅外成像弱小目標(biāo)運(yùn)動軌跡近似直線的特點(diǎn)，通過加權(quán)選取分割圖像的候選目標(biāo)，進(jìn)行正交變換與置信度約束的曲線擬合位置預(yù)測，采用滑動限制搜索進(jìn)行軌跡關(guān)聯(lián)，并結(jié)合置信度檢驗(yàn)準(zhǔn)則實(shí)現(xiàn)目標(biāo)跟蹤，以有效解決當(dāng)前算法對紅外弱小目標(biāo)跟蹤效果差、軌跡偏差大的問題。

1 置信度約束的紅外弱小目標(biāo)跟蹤方法

1.1 快速自適應(yīng)紅外背景抑制算法

中值濾波算法是20世紀(jì)70年代提出的一種非線性空域?yàn)V波器。其基本處理方式是將像素點(diǎn)采用周邊區(qū)域(3×3或者5×5)的像素值進(jìn)行中值處理，用得到的中值替代原來圖像中的像素值，從而有效地去除一些突變的噪聲點(diǎn)或者由于紅外成像造成的壞點(diǎn)，實(shí)現(xiàn)圖像小范圍的平滑處理。由于中值濾波算法結(jié)構(gòu)簡單，很適合圖像的去噪處理。

設(shè)有1個一維序列f1,f2,f3,…,fn，取該滑動窗口點(diǎn)數(shù)為m(m為奇數(shù))，對該序列的中值進(jìn)行濾波，需要從序列中連續(xù)取出m個數(shù)fi-v,…,fi-1,fi,fi+1,…,fi+v(fi為窗口中心點(diǎn)，v=(m-1)/2)。將這m個值進(jìn)行排序，取出中間值，即為濾波器的輸出。數(shù)學(xué)公式為

yi=med{fi-v,…,fi-1,fi,fi+1,…,fi+v}，

(1)

式中：i∈Z.

二維中值濾波可以用(2)式表示：

yi=med{fij}.

(2)

中值濾波主要依賴其窗口的大小：窗口越大，越能保留圖像自身的細(xì)節(jié)，但是會造成處理速度過慢；窗口太小，則會在一定程度上破壞圖像信息。同時，對于背景圖像變化平緩的圖像，濾波也比較有限。

因此，本文采用一種快速自適應(yīng)中值濾波算法，通過對圖像的整體分布，對中值處理窗口進(jìn)行改進(jìn)?？焖僦兄蹬判虻闹饕枷肴缦拢菏紫葘⒚恳涣羞M(jìn)行升序排列，然后分別取第1行的最大值、第2行的中值和第3行的最小值，最后取它們的中值，就可以得到整個3×3窗口內(nèi)9個像素的中值。實(shí)現(xiàn)過程如圖1所示。

圖1 快速中值排序Fig.1 Fast median ranking

每列3個數(shù)的一次升序排列，需要比較的次數(shù)為3×3=9次，傳統(tǒng)的排序算法需要進(jìn)行9×3+3=30次比較運(yùn)算，而快速中值排列算法僅需要進(jìn)行9×2+3=21次比較運(yùn)算。該快速排序算法可擴(kuò)展到n×n的窗口，執(zhí)行一次快速中值算法需要進(jìn)行運(yùn)算的次數(shù)大大減少。例如，5×5的窗口，傳統(tǒng)的算法需要進(jìn)行運(yùn)算的次數(shù)為234次，快速算法需要進(jìn)行運(yùn)算的次數(shù)為110次，比原來減少了近一半。隨著窗口維數(shù)的增加，傳統(tǒng)算法所需比較次數(shù)迅速增加，而快速算法所需次數(shù)增加的速度明顯較小。

快速自適應(yīng)中值濾波算法通過在濾波窗口使用上述快速排序算法計(jì)算出最大、最小和中值，并對這些值進(jìn)行判斷。如果其中值和像素點(diǎn)均在最大和最小值范圍內(nèi)，則認(rèn)為圖像沒有明顯變化，同時沒有明顯的噪聲點(diǎn)和壞點(diǎn)，因此不需要用中值替換原像素點(diǎn)；如果原像素不在該范圍內(nèi)，則說明在中心點(diǎn)出現(xiàn)明顯變化，因此需要用中值替換原像素點(diǎn)；如果兩個值均不在最大和最小值范圍內(nèi)，則需要擴(kuò)大濾波窗口，直至找到中心點(diǎn)且中值有一點(diǎn)出現(xiàn)在最大和最小值范圍內(nèi)為止。

1.2 滑動置信度約束的軌跡估計(jì)跟蹤方法

1.2.1 置信度約束的軌跡預(yù)測

弱小目標(biāo)在空間中的運(yùn)動是連續(xù)有規(guī)律的，對其運(yùn)動軌跡進(jìn)行預(yù)測，可大大提高弱小目標(biāo)跟蹤的可靠性和速度。

設(shè)目標(biāo)軌跡為T，依據(jù)目標(biāo)運(yùn)動軌跡連續(xù)性假設(shè)，結(jié)合得到的k個順序時刻軌跡點(diǎn)的位置(xT,yT)建立目標(biāo)的運(yùn)動軌跡方程，并利用固定距離模板預(yù)測k+1時刻目標(biāo)的位置坐標(biāo)(xk+1,yk+1)。

以軌跡點(diǎn)的x坐標(biāo)為例進(jìn)行說明，y坐標(biāo)同理。

對于已知的k組目標(biāo)軌跡觀測數(shù)據(jù)

[(x1,y1),(x2,y2),…,(xk,yk)]，

(3)

建立一組依賴于L個參數(shù)的曲線模型

gk=xk+1=f(xk;a1,a2,…,aL)，

(4)

通過計(jì)算實(shí)際值與逼近值之間的總體誤差函數(shù)，可以得到對應(yīng)a1,a2,…,aL參數(shù)擬合的目標(biāo)函數(shù)為

minε2=[f(xk;a1,a2,…,aL)-gk]2.

(5)

設(shè)誤差方程矩陣為C∈RK×L，向量y∈RK，參數(shù)向量a∈RN，剩余向量ε∈RN，可以將(5)式簡化為

ε=Ca-y.

(6)

由于正交矩陣變換能夠使迭代過程中的系數(shù)矩陣條件數(shù)降低、有效提高數(shù)值穩(wěn)定性，本文將(6)式進(jìn)行正交變化，得到

(7)

式中：Q∈RK×K為正交矩陣；U∈R(K-L)×K為正規(guī)上三角矩陣；0∈RL×L為全零矩陣。

引入置信度作為約束條件，以建立全局收斂的估計(jì)模型，保證計(jì)算結(jié)果能夠分布在可信區(qū)域內(nèi)。因此，目標(biāo)函數(shù)(5)式可以轉(zhuǎn)化為二次準(zhǔn)則目標(biāo)函數(shù)

(8)

式中：r=x-xk；ρ>0為置信域半徑[13]。在置信域算法中，根據(jù)模型函數(shù)ε(r)來調(diào)整gk的擬合程度置信域半徑，如果置信域定得過小則容易使當(dāng)前點(diǎn)偏離最優(yōu)點(diǎn)，如果置信域定得過大則可能導(dǎo)致二次準(zhǔn)則的估計(jì)模型不準(zhǔn)確。

(9)

又因?yàn)榧訖?quán)殘差與加權(quán)誤差方程關(guān)系為

(10)

式中：S為殘差靈敏度矩陣；r為加權(quán)殘差量；I為單位矩陣。根據(jù)文獻(xiàn)[13]，可以得到置信度約束下誤差估計(jì)的極值條件為

(11)

根據(jù)上述模型，可以對每個樣本按照正交變換和置信域法進(jìn)行狀態(tài)估計(jì)。由于該方法在從誤差方程到正規(guī)方程的過渡過程中使C的條件數(shù)自乘，從而使得到的參數(shù)值誤差較小。

1.2.2 匹配過程

隨著目標(biāo)位置點(diǎn)與預(yù)測點(diǎn)距離的增加，預(yù)測點(diǎn)的置信度會降低，相互的關(guān)聯(lián)度也將下降。為了提高預(yù)測精度，本文采用固定距離模板進(jìn)行遞推滑動匹配，并計(jì)算軌跡匹配點(diǎn)的置信度。

在成像高幀頻系統(tǒng)，弱小目標(biāo)在圖像序列中近似為勻速直線運(yùn)動，即可表示為

(12)

式中：k、l表示不同時刻；vx、vy分別表示x軸、y軸方向的速度。設(shè)累加幀數(shù)為K、最大幀間速度為vmax，假設(shè)目標(biāo)軌跡的當(dāng)前位置為(xk，yk)、預(yù)測位置為(ik+1，jk+1)，在下一幀圖像中的可能匹配點(diǎn)位置為(xk+α，yk+β)，則α和β為整數(shù)，其可能取值為[-Kvmax/2，Kvmax/2]. 具體情況如下：

dx1=Ti·xk-Ti·xk-1，
dy1=Ti·yk-Ti·yk-1.

下面分5種情況討論：

1)若dx1≥Kvmax/2+1，則α∈[-Kvmax/2+1，Kvmax/2]；

2)若dx1≤-1-Kvmax/2，則α∈[-Kvmax/2，Kvmax/2+1]；

3)若dy1≥Kvmax/2+1，則β∈[-Kvmax/2+1，Kvmax/2]；

4)若dy1≤-1-Kvmax/2，則β∈[-Kvmax/2，Kvmax/2+1]；

5)其余情況，α∈[-Kvmax/2+1，Kvmax/2-1]，β∈[-Kvmax/2+1，Kvmax/2-1].

針對第K幀圖像中軌跡Ti的預(yù)測位置(predx,predy)，在其對應(yīng)的K+l幀圖像中的對應(yīng)搜索窗內(nèi)，選取滿足夾角相容條件時距離最近的點(diǎn)作為軌跡Ti在K+1幀中的位置點(diǎn)。夾角相容條件為

[(i-x)2+(j-y)2]×[α2+β2]<
2[(i-x)α+(j-y)β]2.

(13)

若存在這樣的匹配點(diǎn)，則Ti.Age+1，Ti.MatchNum+1，Ti.MatchFalg=1，Ti.ConLostNum=0，軌跡Ti的記錄更新。

圖2 搜索窗口匹配示意圖Fig.2 Schematic diagram of search window

1.2.3 滑動軌跡置信度檢驗(yàn)

對于紅外視頻中弱小目標(biāo)軌跡跟蹤檢驗(yàn)，本文采用基于固定模板滑動軌跡置信度方法[14]，根據(jù)目標(biāo)虛警率和檢測概率確定置信度高低門限ΔH與ΔL.

在這里，利用以下公式構(gòu)建滑動軌跡置信度，并作為判斷軌跡輸出或刪除的準(zhǔn)則：

(14)

當(dāng)軌跡Ti.ConLostNum≥m時，刪除該軌跡Ti. 當(dāng)軌跡Ti.Age≥T時，計(jì)算軌跡置信度，再分別考慮：當(dāng)Δ>ΔH時，將Ti確定為檢測出的輸出軌跡；當(dāng)Δ<ΔL時，刪除該軌跡；當(dāng)Δ介于兩個閾值區(qū)間內(nèi)時，繼續(xù)觀測。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 背景抑制結(jié)果及分析

圖3是不同背景下目標(biāo)的濾波效果，其中左邊為受到噪聲污染的原始紅外圖像，右邊為采用本文算法處理后的圖像。由圖3可見，本文算法能夠有效地從模糊圖像中剔除噪聲的影響，提高了紅外圖像的信噪比，降低了圖像的噪聲對后續(xù)處理算法的影響。

為了驗(yàn)證本文算法的性能，綜合利用紅外圖像的信噪比、峰值信噪比以及噪聲抑制因子評價各種噪聲平滑算法的性能。各性能指標(biāo)的定義如(15)式～(17)式所示。

信噪比

(15)

式中：f(x,y)為原始圖像；f′(x,y)為噪聲平滑后的圖像；M和N為圖像的行列數(shù)。

圖3 濾波實(shí)驗(yàn)效果圖Fig.3 Results of filtering experiment

峰值信噪比

(16)

式中：Q為圖像量化的級數(shù)；PSNR越大，表示圖像的失真度越小。

噪聲抑制因子

IN=Bi/Bo，

(17)

式中：Bi和Bo分別為圖像噪聲平滑前和平滑后的標(biāo)準(zhǔn)差；IN越大，說明算法的噪聲抑制效果就越好。

表1為中值濾波、時域平均濾波以及快速自適應(yīng)中值濾波算法的性能比較。

由表1可知，本文采用的快速自適應(yīng)中值濾波算法在信噪比、峰值信噪比和噪聲抑制因子3個評價指標(biāo)中的參數(shù)值比中值濾波算法和時域平均濾波算法的效果好，在噪聲消除和對圖像整體信息保護(hù)方面都具有良好的性能。

表1 不同算法的性能比較

2.2 軌跡預(yù)測跟蹤結(jié)果及分析

為了驗(yàn)證本文所提軌跡估計(jì)算法的性能，使用真實(shí)環(huán)境下拍攝的圖像序列對所提算法的性能進(jìn)行測試，所采用的圖像分辨率為320×240. 圖4所示為跟蹤示意圖，圖中的紅色表示捕獲的目標(biāo)，綠色曲線表示目標(biāo)的軌跡。從圖4中可知，該系統(tǒng)對干擾遮擋過后的目標(biāo)能夠重新捕獲并跟蹤，并且短暫的誤檢測對目標(biāo)的軌跡沒有影響，表明本系統(tǒng)能有效穩(wěn)定地完成紅外目標(biāo)跟蹤任務(wù)。

圖4 軌跡跟蹤示意圖Fig.4 Schematic diagram of trajectory tracking

實(shí)驗(yàn)中，小目標(biāo)的初始位置通過小目標(biāo)檢測方法確定。為了驗(yàn)證軌跡預(yù)測的性能，利用有誤檢測目標(biāo)和無誤檢測目標(biāo)兩組復(fù)雜環(huán)境中所檢測弱小目標(biāo)的位置進(jìn)行軌跡預(yù)測精度比較。

2.2.1 無誤檢測

圖5是行駛在道路中的車輛小目標(biāo)檢測效果圖，圖5(a)為原始圖像，圖5(b)為檢測結(jié)果圖。在無誤檢測情況下軌跡預(yù)測算法性能測試的視頻中，目標(biāo)檢測算法能夠準(zhǔn)確檢測出共200個小目標(biāo)的坐標(biāo)點(diǎn)。

圖5 不同背景下車輛目標(biāo)無誤檢測結(jié)果圖Fig.5 Vehicle target detection in different backgrounds

為了更好地展示軌跡估計(jì)跟蹤算法測試的效果，分別對目標(biāo)位置坐標(biāo)點(diǎn)的x軸坐標(biāo)值和y軸坐標(biāo)值進(jìn)行預(yù)測，在采用相同數(shù)據(jù)的基礎(chǔ)上，3種算法的軌跡預(yù)測效果如圖6和圖7所示。圖中黑線表示每一幀圖像中車輛目標(biāo)的真實(shí)位置，紅線表示本文算法預(yù)測的目標(biāo)軌跡線，藍(lán)線表示粒子濾波預(yù)測器預(yù)測出的目標(biāo)軌跡線，綠線表示平方預(yù)測器計(jì)算出的目標(biāo)軌跡線。

圖6 目標(biāo)坐標(biāo)點(diǎn)的x軸坐標(biāo)值預(yù)測效果圖Fig.6 Predicted x-axis coordinate values of target

圖7 目標(biāo)坐標(biāo)點(diǎn)的y軸坐標(biāo)值預(yù)測效果圖Fig.7 Predicted y-axis coordinate values of target

從圖6和圖7可知，在目標(biāo)無誤檢測的視頻中，本文算法能準(zhǔn)確預(yù)測出目標(biāo)下一位置的坐標(biāo)點(diǎn)，x坐標(biāo)值和y坐標(biāo)值與真實(shí)軌跡點(diǎn)的坐標(biāo)值很相近。而粒子濾波預(yù)測器和平方預(yù)測器由于受到突變點(diǎn)和劇烈變化過程的影響，無法準(zhǔn)確預(yù)測出目標(biāo)的位置。

為了顯示各個預(yù)測算法的效果，依據(jù)獲得的紅外圖像序列，對每個算法的預(yù)測值和真實(shí)值采用均值偏差、均方差和處理時間3個參數(shù)進(jìn)行比較。圖8和圖9分別顯示了3種算法在x軸和y軸兩個方向的預(yù)測值和真實(shí)值間的均值偏移量。

圖8 x軸坐標(biāo)值與真實(shí)值的均值偏差效果圖Fig.8 Mean value error of x-axis coordinate value and truth value

圖9 y軸坐標(biāo)值與真實(shí)值的均值偏差效果圖Fig.9 Mean value error of y-axis coordinate value and truth value

由圖8和圖9可知，本文算法的均值偏差和均方差都最小，分別為1 334和342.1，粒子濾波法其次，平方逼近法最大。

2.2.2 有誤檢測

圖10是弱防護(hù)車輛在道路中行駛時的視頻序列，其中弱小目標(biāo)檢測算法有誤檢測。圖中檢測算法獲得的目標(biāo)位置點(diǎn)出現(xiàn)偏差，并且在車輛行進(jìn)中有障礙物遮擋車輛，使目標(biāo)在短時間內(nèi)消失，遺失了目標(biāo)的位置信息。該段視頻含有200個數(shù)據(jù)點(diǎn)，依據(jù)該目標(biāo)軌跡數(shù)據(jù)基礎(chǔ)，針對3種算法在目標(biāo)坐標(biāo)點(diǎn)x軸和y軸方向的軌跡預(yù)測性能進(jìn)行驗(yàn)證，實(shí)驗(yàn)效果如圖11和圖12所示。

圖10 樹葉遮擋下車輛目標(biāo)檢測結(jié)果圖Fig.10 Detected results of vehicle target sheltered by leaves

圖11 目標(biāo)坐標(biāo)點(diǎn)的x軸坐標(biāo)值預(yù)測效果圖Fig.11 Predicted x-axis coordinate values of target

圖12 目標(biāo)坐標(biāo)點(diǎn)的y軸坐標(biāo)值預(yù)測效果圖Fig.12 Predicted y-axis coordinate values of target

由圖11和圖12可知，在目標(biāo)誤檢測和遮擋的區(qū)域，本文算法可以很好地預(yù)測出目標(biāo)的運(yùn)動軌跡，并有效剔除誤檢測產(chǎn)生的突變點(diǎn)。而粒子濾波預(yù)測器和平方預(yù)測器由于目標(biāo)誤檢測導(dǎo)致點(diǎn)坐標(biāo)的突變，使預(yù)測值偏離實(shí)際位置較多、預(yù)測精度偏低，不能收斂于目標(biāo)的準(zhǔn)確位置。

圖13和圖14分別顯示了x軸和y軸方向的3種算法的均值偏移量效果。

圖13 x軸坐標(biāo)值與真實(shí)值的均值偏差效果圖Fig.13 Mean value error of x-axis coordinate value and truth value

圖14 y軸坐標(biāo)值與真實(shí)值的均值偏差效果圖Fig.14 Mean value error of y-axis coordinate value and truth value

由圖13和圖14可知，本文算法的均值偏差最小，粒子濾波預(yù)測算法和平方預(yù)測算法的偏差相近。

從有誤檢測目標(biāo)視頻和無誤檢測目標(biāo)視頻的實(shí)驗(yàn)結(jié)果中可以明顯看出，由于誤檢測目標(biāo)點(diǎn)或者軌跡突變點(diǎn)，導(dǎo)致粒子濾波預(yù)測算法和平方預(yù)測算法的軌跡預(yù)測誤差較大，難以準(zhǔn)確預(yù)測出目標(biāo)的下一位置。本文算法在有誤檢測和無誤檢測的情況下，都能實(shí)時并準(zhǔn)確估計(jì)出目標(biāo)的下一位置，實(shí)現(xiàn)紅外弱小目標(biāo)的持續(xù)穩(wěn)定跟蹤。兩組實(shí)驗(yàn)中，量測誤差最大的是平方軌跡估測，本文提出的滑動置信度約束的目標(biāo)軌跡估計(jì)算法的量測誤差最小，并且魯棒性最強(qiáng)。

3 結(jié)論

復(fù)雜背景下紅外弱小目標(biāo)探測與跟蹤技術(shù)在軍事、民用領(lǐng)域有著重大的應(yīng)用價值和廣泛應(yīng)用前景。本文研究了復(fù)雜背景下紅外弱小目標(biāo)的檢測與跟蹤技術(shù)，在快速自適應(yīng)中值濾波的紅外圖像背景抑制技術(shù)的基礎(chǔ)上研究目標(biāo)跟蹤算法，提出一種滑動置信度約束的軌跡估計(jì)的目標(biāo)跟蹤算法，包括建立點(diǎn)目標(biāo)的運(yùn)動軌跡記錄、預(yù)測過程、滑動匹配過程和軌跡置信度檢驗(yàn)，依據(jù)識別出的目標(biāo)位置信息，對下一幀圖像中目標(biāo)的位置進(jìn)行預(yù)測估計(jì)，在有效降低目標(biāo)跟蹤算法計(jì)算量的同時，提高紅外弱小目標(biāo)跟蹤的正確率。實(shí)驗(yàn)結(jié)果表明，該方法在均值偏差和均方差性能方面優(yōu)于粒子濾波預(yù)測法和平方預(yù)測法，有較好的跟蹤效果。

References)

[1] 藺向明. 基于紅外成像的小目標(biāo)檢測技術(shù)研究[J]. 航空兵器, 2014(3):12-15. LIN Xiang-ming. Research on small target detecting algorithm based on IR imaging[J].Aero Weaponry, 2014(3):12-15. (in Chinese)

[2] Kim K, Davis L S.Object detection and tracking for intelligent video surveillance[J]. Measurement & Control Technology, 2008, 346(5):265-288.

[3] 林曉. 紅外小目標(biāo)檢測與跟蹤技術(shù)研究[D].南京：南京航空航天大學(xué), 2013. LIN Xiao. Research on infrared small target detection and tracking technology[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2013.(in Chinese)

[4] 王瑞鳳,楊憲江,吳偉東.發(fā)展中的紅外熱成像技術(shù)[J]. 紅外與激光工程, 2008, 37(增刊2): 354-357. WANG Rui-feng, YANG Xian-jiang, WU Wei-dong. Development of infrared thermal imaging technology[J]. Infrared and Laser Engineering, 2008, 37(S2): 354-357. (in Chinese)

[5] Bai X Z, Zhou F G. Infrared dim small target enhancement and detection based on modified top-hat transformations [J]. Computers and Electrical Engineering, 2010, 36(6): 1193-1201.

[6] Yilmaz A, Shanfique K, Shah M. Target tracking in airborne forward looking infrared imagery[J]. Image Vision Computer, 2003,21(7):623-635.

[7] Braga-Neti U, Choudhary M, Goutsias J. Automatic target detection and tracking in forward-looking infrared image sequences using morphological connected opertors[J]. Journal of Eletronic Imaging, 2004, 13(4): 802-813.

[8] 蘇娟,楊羅,張陽陽. 基于輪廓片段匹配和圖搜索的紅外目標(biāo)識別方法[J]. 兵工學(xué)報, 2015, 36(5):845-860. SU Juan, YANG Luo, ZHANG Yang-yang. Infrared target recognition algorithm based on contour fragment matching and graph searching[J]. Acta Armamentarii, 2015, 36(5):845-860.(in Chinese)

[9] Zhao D, Zhou H, Qin H, et al. Research on infrared target tracking adaptively based on second-order differential and template matching[C]//International Symposium on Optoelectronic Technology and Application. Beijing : International Society for Optics and Photonics, 2016.

[10] Qian K, Zhou H, Rong S, et al. Infrared dim-small target tracking via singular value decomposition and improved Kernelized correlation filter[J]. Infrared Physics & Technology, 2017, 82: 18-27.

[11] 鐘圣芳,張兵,盧煥章.一種基于動態(tài)規(guī)劃的點(diǎn)目標(biāo)軌跡關(guān)聯(lián)算法[J]. 計(jì)算機(jī)測量與控制,2004,12(8):772-774. ZHONG Sheng-fang, ZHANG Bing, LU Huan-zhang. Track-association algorithm of point target based on dynamic programming[J]. Computer Measurement and Control, 2004,12(8):772-774.(in Chinese)

[12] Drummond O E. Small target detection from image sequences using recursive max filter[J]. Proceedings of SPIE-Signal and Data Processing of Small Targets, 1995, 2561:153-166.

[13] 盧志剛, 田莎莎, 邵奇, 等. 基于正交變換與置信域的量測方差估計(jì)與權(quán)重設(shè)置算法[J]. 電工技術(shù)學(xué)報, 2016, 31(21):67-74. LU Zhi-gang, TIAN Sha-sha, SHAO Qi, et al. Measurement variance estimation and weights configuration algorithm based on orthogonal transformation and trust region[J]. Transactions of China Electrotechnical Society, 2016, 31(21):67-74.(in Chinese)

[14] 李勐. 紅外序列圖象弱小運(yùn)動目標(biāo)檢測新方法研究[D]. 武漢：華中科技大學(xué), 2006. LI Meng. Research on novel detection algorithms for moving infrared dim small targets[D]. Wuhan: Huazhong University of Science and Technology, 2006.(in Chinese)

ResearchonInfraredDim-smallTargetTrackingAlgorithmwithTemplateSlidingConfidenceConstraint

ZENG Yi-liang, LAN Jin-hui, ZOU Jin-lin

(School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China)

TP391.413

A

1000-1093(2017)09-1771-08

10.3969/j.issn.1000-1093.2017.09.014

2017-06-14

武器裝備“十三五”預(yù)先研究基金項(xiàng)目(61404520101)；中國博士后科學(xué)基金項(xiàng)目(2016M600922)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(FRF-TP-15-117A1)； 高分辨率對地觀測系統(tǒng)重大專項(xiàng)項(xiàng)目(2015年)

曾溢良(1988—)， 男， 講師。 E-mail: ylzeng@ustb.edu.cn

藍(lán)金輝(1967—)， 女， 教授， 博士生導(dǎo)師。 E-mail: lanjh@ustb.edu.cn