基于仿生探測的大視場小目標(biāo)跟蹤算法

，，

(北京理工大學(xué)機(jī)電動態(tài)控制重點(diǎn)實(shí)驗室，北京 100081)

0 引言

目標(biāo)探測與跟蹤是彈藥精確打擊中最為關(guān)鍵與核心的部分[1]。引信前端光學(xué)探測器遠(yuǎn)距離探測并跟蹤目標(biāo)時，存在視場大、目標(biāo)成像小、背景復(fù)雜等問題。目前針對小目標(biāo)探測的研究主要針對天空背景相對簡單的環(huán)境展開[2]，而對復(fù)雜地面背景下的小目標(biāo)探測及跟蹤研究仍較少。

目標(biāo)探測的主要方法有特征匹配法和前景-背景分割法。其中基于特征匹配的方法主要是匹配目標(biāo)的穩(wěn)定特征，比如特征點(diǎn)、顏色、梯度、直方圖等[3-6]?；谇熬?背景分割的方法則利用前景和背景之間的差異分割出背景信息[7]。

目標(biāo)跟蹤算法主要有基于濾波數(shù)據(jù)關(guān)聯(lián)度的方法與基于目標(biāo)表示和定位方法兩種。其中，基于濾波和數(shù)據(jù)關(guān)聯(lián)的方法主要有卡爾曼濾波[8]和粒子濾波[9]；而基于目標(biāo)表示和定位的跟蹤算法類別中以基于均值漂移(Mean-Shift，MS)濾波[10]的目標(biāo)跟蹤算法為研究熱點(diǎn)，如徐火希提出了基于Mean-Shift的運(yùn)動目標(biāo)跟蹤算法，提高算法的魯棒性[11]；武江濤等提出了基于擴(kuò)展跟蹤波門的跟蹤方法以提高擴(kuò)展目標(biāo)的跟蹤精度[12]。

以上方法均未能有效地解決地面復(fù)雜背景下大視場內(nèi)小目標(biāo)探測時目標(biāo)分辨率低、特征不穩(wěn)定導(dǎo)致的跟蹤失效的問題。為解決以上問題，本文提出基于仿生探測的大視場小目標(biāo)跟蹤算法。

1 仿生探測及相關(guān)理論

1.1 仿生探測原理

仿生探測是指模擬生物感知器官或系統(tǒng)的功能結(jié)構(gòu)和作用機(jī)理，構(gòu)建相似功能和結(jié)構(gòu)的人工系統(tǒng)技術(shù)[13]。仿生探測系統(tǒng)的實(shí)現(xiàn)機(jī)理如圖1所示，一般情況下可按照圖中所示三個階段進(jìn)行。

1)研究生物體的某些結(jié)構(gòu)與功能關(guān)系或能量轉(zhuǎn)換、信息傳遞的關(guān)系，將研究結(jié)果簡化，得到生物感知原型。

2)將生物模型提供的資料進(jìn)行數(shù)學(xué)分析，分析其內(nèi)在聯(lián)系，從生物感知原型抽象出數(shù)學(xué)模型。

3)根據(jù)抽象出的數(shù)學(xué)模型，采用電子或機(jī)械手段，制造出可在工程上實(shí)現(xiàn)的模型，并通過實(shí)驗、改進(jìn)及發(fā)展成技術(shù)模型，實(shí)現(xiàn)對生物系統(tǒng)的工程模擬。

在視覺信息處理上，鷹眼可以在千米高空中精確探測并跟蹤目標(biāo)，對鷹視覺系統(tǒng)進(jìn)行分析，發(fā)現(xiàn)鷹在探測目標(biāo)時，首先根據(jù)其視覺特性迅速在大視場下提取感興趣區(qū)域，隨后通過單眼注視功能對目標(biāo)區(qū)域進(jìn)行分類判定，實(shí)現(xiàn)目標(biāo)的跟蹤。鷹眼的視覺信息處理通路主要靠兩個并行通路：離頂蓋通路和離丘腦通路。兩個通路中神經(jīng)細(xì)胞通過不同形式的感受野(Receptive Field)逐級進(jìn)行抽取有效信息，從而使得鷹眼具有了運(yùn)動目標(biāo)檢測、前景-背景分離和目標(biāo)識別等能力。

1.2 形態(tài)學(xué)濾波

形態(tài)學(xué)的基本思想是用具有一定形態(tài)結(jié)構(gòu)的元素度度量和提取圖像中對應(yīng)的形態(tài)，以簡化圖像數(shù)據(jù)，保持其基本形狀，并去除不相干的結(jié)構(gòu)區(qū)域，其基本運(yùn)算有4種：膨脹、腐蝕、開運(yùn)算和閉運(yùn)算。其中膨脹及腐蝕運(yùn)算定義如式(1)與式(2)：

(f⊙g)(s,t)=min{f(s-x,t-y)+b(x,y)}

(1)

(f⊕g)(s,t)=max{f(s-x,t-y)-b(x,y)}

(2)

灰度形態(tài)膨脹以結(jié)構(gòu)元素g(s,t) 模板，搜尋圖像結(jié)構(gòu)元范圍內(nèi)的灰度和的極大值。腐蝕運(yùn)算的過程則是以結(jié)構(gòu)元素g(s,t) 為模板，搜尋圖像在結(jié)構(gòu)元素大小范圍的灰度差極小值。

灰度形態(tài)學(xué)開運(yùn)算及閉運(yùn)算的定義如式(3)，(4)和式(5)，開運(yùn)算采用相同的結(jié)構(gòu)先做腐蝕后做膨脹的迭代運(yùn)算，而閉運(yùn)算采用相同的結(jié)構(gòu)元先做膨脹后做腐蝕的迭代運(yùn)算。

f·b=(f⊕b)⊙b

(3)

f·b=(f⊙b)⊕b

(4)

Tophat(x,y)=f(x,y)-f·b

(5)

1.3 方向梯度直方圖(HOG)特征

HOG特征通過構(gòu)建目標(biāo)方向梯度直方圖，并以直方圖中的統(tǒng)計信息作為目標(biāo)特征。該特征對圖像幾何和光學(xué)形變保持良好的不變性[14]，其提取過程如圖2所示。

圖2 HOG特征提取步驟
Fig.2 The extraction process of HOG

首先對圖像進(jìn)行歸一化處理以消除光照等影響，隨后將圖像分成小的連通區(qū)域即細(xì)胞單元，采集細(xì)胞單元中各像素點(diǎn)的梯度方向直方圖，最后將若干個細(xì)胞單元進(jìn)行串聯(lián)得到一個塊，并將塊中的梯度方向直方圖組合起來構(gòu)成塊的特征描述器。

2 基于仿生探測的小目標(biāo)跟蹤

本文將目標(biāo)成像像元數(shù)目不高于20×20，且占整幅圖像的比例不超過0.25%的情況定義為大視場小目標(biāo)，以下研究建立在這一基礎(chǔ)上。將目標(biāo)的探測與跟蹤方法分為目標(biāo)探測器與跟蹤器兩部分，設(shè)計基于仿生探測的小目標(biāo)跟蹤方法。

2.1 目標(biāo)探測器原理

目標(biāo)探測器主要是模仿鷹眼視覺通路的信息處理機(jī)制建立，建立探測目標(biāo)可能位置的顯著圖，為目標(biāo)跟蹤器的初始化位置、修正跟蹤誤差提供必要數(shù)據(jù)。圖3是仿鷹眼的視覺顯著圖建立方法。

2.1.1仿鷹眼視覺顏色模型

鷹眼的顏色辨別屬于四色制，分別為紅、橙、黃綠、淡白本文為模擬鷹眼顏色處理機(jī)制，提出以下兩個基本假設(shè)：

1)光感受器的接收信號類型是相同的，即信號之間可以相互運(yùn)算；

2)三種顏色特性信號，即長波、中波、短波信號，在下一層神經(jīng)處理機(jī)制中相互拮抗，得到三條對比通路和一條亮度通路。

由此根據(jù)彩色視覺處理機(jī)制的后處理層，將三種波段的顏色信號，定義為紅色、綠色和藍(lán)色，分別對應(yīng)長波、中波和短波信號。這三種顏色信號在顏色處理機(jī)制中又可以得到一條亮度通道。

2.1.2仿鷹眼感受野模型

根據(jù)鷹眼感受野特性，采用Gabor變換模擬其感受野，提取圖像的局部空間信息和頻率信息。Gabor濾波器在空間域上幅度圖如圖4，其可看作是一個正弦平面波與高斯核函數(shù)的乘積，在空間域和頻率域同時具有最優(yōu)局部化的特性，可以很好地描述空間頻率和方向等局部信息。

圖5是Gabor濾波器的二維平面的映射圖，通過設(shè)定參數(shù)，可以得到如圖所示一組具有不同尺度和方位的平行條紋，當(dāng)目標(biāo)邊緣方向與濾波器方向一致時，其響應(yīng)越大，反之越小，將其用于提取方向信息和邊緣信息。

2.1.3Top-Hat形態(tài)學(xué)濾波處理

根據(jù)圖1鷹眼顯著圖的構(gòu)建方法，可以得到具有全局目標(biāo)區(qū)域探測能力的探測器，但經(jīng)過提取目標(biāo)顏色、亮度及邊緣特征信息而形成的目標(biāo)顯著圖由于地面背景復(fù)雜，可能存在大量的虛假結(jié)果，即非目標(biāo)區(qū)域，為了濾除該部分區(qū)域，可通過對目標(biāo)顯著圖采用如式(3)的開運(yùn)算，有效地去除顯著圖中的高頻成分，此處采用與目標(biāo)大小相似的結(jié)構(gòu)元進(jìn)行開運(yùn)算，得到去除目標(biāo)的背景圖像，隨后使用原顯著圖與濾波結(jié)果圖做差，如式(5)，去除大部分非目標(biāo)區(qū)域。

2.2 目標(biāo)跟蹤器原理

目標(biāo)跟蹤器主要分為特征向量提取與分類器構(gòu)建兩部分。此處選取區(qū)域梯度分布直方圖(HoG)作為特征，提取方法如圖2，通過提取目標(biāo)的HoG特征，得到一個高維的特征向量(X1,X2,X3，…，Xn)。

分類器構(gòu)建部分選用樸素貝葉斯分類器，其具有高效率和最小誤差率的優(yōu)點(diǎn)，跟蹤方法中，類別分為目標(biāo)與非目標(biāo)兩種，其中，C=1時判斷類別為目標(biāo)，C=0時，判斷為非目標(biāo)。假設(shè)目標(biāo)的特征屬性條件獨(dú)立，根據(jù)貝葉斯公式，候選目標(biāo)特征向量為(X1,X2,X3，…，Xn)時，其類別為C的條件概率如式(6)：

P(C|X1,…,Xn)=P(C)P(X1,…,Xn|C)=

(6)

其中，P(C)是類概率，P(Xi|C)是條件概率。假設(shè)在小目標(biāo)跟蹤過程中，由探測器探測的目標(biāo)區(qū)域特征向量的條件概率滿足高斯分布。

綜上所述，該樸素貝葉斯分類器通過樣本點(diǎn)訓(xùn)練得到特征向量在不同類別下的高斯分布，并通過選取特征向量在C=1時概率最大值的區(qū)域作為目標(biāo)，表示方式如式(7)：

(7)

至此，通過構(gòu)建基于HOG特征與樸素貝葉斯分類器的跟蹤器，以式(7)計算所得概率值衡量由探測器輸出目標(biāo)顯著區(qū)域與目標(biāo)模型之間的相似程度，選取相似度最高即候選區(qū)域概率最高的區(qū)域作為目標(biāo)區(qū)域，實(shí)現(xiàn)對目標(biāo)的定位與跟蹤。

3 實(shí)驗驗證

為了驗證本文方法有效性，采用視場模擬采集系統(tǒng)驗證本文的跟蹤方法的跟蹤準(zhǔn)確性。選用坦克及裝甲車模型作為目標(biāo)，如圖6所示，其尺寸分別為22 cm×10 cm與20 cm×9 cm。

根據(jù)等比例原則采集實(shí)驗所用圖像及視頻，采集實(shí)驗環(huán)境如下：探測器像元陣列640×480，像元尺寸為3.7 μm，透鏡焦距5 mm，探測距離15 m，模型在探測器上成像所占像元數(shù)約為20×10，約占視場的0.06%，實(shí)驗環(huán)境光照強(qiáng)度較弱，目標(biāo)與背景對比度較低。

3.1 目標(biāo)探測結(jié)果

圖7為裝甲車模型所獲原圖像與通過提取顯著圖并二值化的對比圖，分析結(jié)果可知，被標(biāo)注為顯著區(qū)域的像素數(shù)約占總圖像像素數(shù)的0.24%，且目標(biāo)所在區(qū)域被標(biāo)注為顯著區(qū)域，極大縮小了后期識別及跟蹤的區(qū)域，減小后續(xù)計算量。由于圖像背景復(fù)雜，存在一定干擾，檢測結(jié)果除目標(biāo)區(qū)域外仍存在部分非目標(biāo)區(qū)域，如圖中中上部分及邊緣部分的的顯著區(qū)域，因此需對以上區(qū)域內(nèi)進(jìn)行進(jìn)一步特征提取、識別及跟蹤。

3.2 目標(biāo)跟蹤結(jié)果

此處采用中心誤差和窗口重疊率兩個指標(biāo)評價實(shí)驗結(jié)果。中心誤差是指目標(biāo)跟蹤結(jié)果中心點(diǎn)相對于目標(biāo)真實(shí)位置中心點(diǎn)的誤差，如式(8)：

(8)

窗口重疊率是指目標(biāo)跟蹤結(jié)果和該幀中目標(biāo)真實(shí)位置的重疊面積與真實(shí)目標(biāo)位置區(qū)域面積的比值，如式(9)：

(9)

表1為本文方法對裝甲車及坦克模型的跟蹤窗口重疊率及中心點(diǎn)誤差部分幀的結(jié)果數(shù)據(jù)。對該數(shù)據(jù)進(jìn)行分析并與MS方法的結(jié)果進(jìn)行對比，得到圖8—圖11。

表1 坦克及裝甲車跟蹤結(jié)果數(shù)據(jù)Tab.1 The result of panzer and tank’s tracking

圖8為裝甲車模型目標(biāo)的跟蹤結(jié)果，由圖可知，該方法能夠從探測器輸出結(jié)果進(jìn)行進(jìn)一步判別與分類，并最終實(shí)現(xiàn)小目標(biāo)區(qū)域的定位。

圖9為上述方法與MS方法在跟蹤過程中跟蹤中心誤差與窗口重疊率統(tǒng)計結(jié)果對比圖。由結(jié)果圖可看出均值漂移方法的跟蹤中心誤差隨著幀數(shù)增加而累積加大，且平均誤差為6個像素，在探測距離為15 m時對應(yīng)空間上誤差約為6.7 cm，跟蹤窗口重疊率為57.4%。本文方法中心誤差隨幀數(shù)增加逐漸趨于平穩(wěn)，平均誤差為1.95個像素，探測距離為15 m時空間誤差約為2.2 cm，跟蹤窗口重疊率79.3%，跟蹤效果明顯優(yōu)于均值漂移算法。

圖10為坦克模型目標(biāo)的跟蹤結(jié)果，圖11為不同方法在跟蹤過程中跟蹤中心誤差與窗口重疊率統(tǒng)計結(jié)果對比圖。

由于坦克模型和地面背景相近，采用灰度直方圖特征的均值漂移方法在第10幀后跟蹤失敗，中心誤差大于15個像素點(diǎn)，且窗口重疊率為0。本文方法雖然目標(biāo)特征提取失敗但在探測器的誤差糾正下，最終跟蹤中心誤差穩(wěn)定在2個像素，平均中心誤差為2.2個像素，探測距離為15 m時對應(yīng)空間誤差為2.4 cm，窗口重疊率為79.0%。經(jīng)實(shí)驗驗證，本文方法可以有效解決大視場下小目標(biāo)的檢測及跟蹤問題。

4 結(jié)論

本文提出了基于仿生探測的大視場小目標(biāo)跟蹤算法。通過提取圖像中顏色拮抗特征及亮度特征，并根據(jù)感受野模型獲得目標(biāo)邊緣及方向特征，通過線性融合得到顯著圖，對該顯著圖進(jìn)行形態(tài)學(xué)濾波去除多數(shù)非目標(biāo)區(qū)域，并通過提取HOG特征在上述檢測所得區(qū)域?qū)δ繕?biāo)進(jìn)行跟蹤。

實(shí)驗結(jié)果表明，該算法可以有效解決大視場下小目標(biāo)的探測與跟蹤問題，為成像引信遠(yuǎn)距離探測目標(biāo)奠定理論基礎(chǔ)。后續(xù)研究中，可針對目標(biāo)成像大小發(fā)生變化時的跟蹤窗口自適應(yīng)變化問題繼續(xù)展開研究。

[1]田鵬輝,隋立春,燕莎. 紅外運(yùn)動小目標(biāo)檢測方法綜述[J]. 探測與控制學(xué)報,2013,35(2):76-80.

[2]曲勁松. 基于光電跟蹤轉(zhuǎn)臺的空中小目標(biāo)檢測與跟蹤系統(tǒng)設(shè)計[D].北京：北京工業(yè)大學(xué), 2014.

[3]李鵬, 劉玉, 王敬東. 一種基于SIFT和KLT相結(jié)合的特征點(diǎn)跟蹤方法研究[J]. 宇航學(xué)報, 2011,32(7):1618 -1625.

[4]XU Kun, HE Yuyao, WANG Weiya, et al. Object tracking algorithm with adaptive color space based on CamShift[J]. Journal of computer application, 2009(3):757-760.

[5]郭偉, 朱紅, 趙亦工,等. 基于新的梯度特征相似度量的目標(biāo)跟蹤算法[J]. 光電工程, 2008(4):17-22.

[6]Yong W, Chen F, Guo Hongxiang, et al. Kernel spatial histogram target tracking based on template drift correction[J]. Acta Automatica Sinica, 2012, 38(3):430-436.

[7]李少毅, 梁爽, 張凱,等. 基于紅外壓縮成像的點(diǎn)目標(biāo)跟蹤方法研究[J].電子與信息學(xué)報, 2015(7):1639-1645.

[8]Patel H A, Thakore D G. Moving object tracking using Kalman filter[J]. International Journal of Computer Science & Mobile Computing, 2013,2(4):1-5.

[9]于金霞, 許景民. 多特征融合的自適應(yīng)性粒子濾波跟蹤算法[J]. 計算機(jī)工程與應(yīng)用, 2014(18):178-181.

[10]Iraei I, Faez K. Object tracking with occlusion handling using mean shift, Kalman filter and Edge Histogram[C]// Pattern Recognition and Image Analysis (IPRIA), 2015 2nd International Conference. IEEE, 2015:1-6.

[11]徐火希. 基于改進(jìn)Mean Shift的運(yùn)動目標(biāo)跟蹤算法[J]. 兵器裝備工程學(xué)報,2016(2):127-130.

[12]武江濤,白森. SAR-GMTI中擴(kuò)展目標(biāo)跟蹤[J]. 四川兵工學(xué)報,2015(11):108-111.

[13]李東光, 李杰, 馬寶華. 仿生探測技術(shù)在武器系統(tǒng)中的應(yīng)用初探[C]//第十二屆引信學(xué)術(shù)年會論文集.西安：中國兵工學(xué)會引信專業(yè)委員會，2001.

[14]Dalal N, Triggs B, Schmid C. Human detection using oriented histograms of flow and appearance[M]// Computer Vision-ECCV 2006. Springer Berlin Heidelberg, 2006:428-441.