基于改進Camshift的穿墻雷達運動人體目標成像跟蹤算法

李松林，賈　勇，郭　勇，鐘曉玲，崔國龍

(1.成都理工大學(xué) 信息科學(xué)與技術(shù)學(xué)院，成都 610059；　2.電子科技大學(xué) 電子工程學(xué)院，成都 611731)(*通信作者電子郵箱jiayong_cdut@hotmail.com)

0　引言

建筑物內(nèi)運動人體跟蹤是目前穿墻雷達領(lǐng)域的研究熱點之一[1-3]，目前穿墻雷達運動人體跟蹤的實現(xiàn)方法主要有：基于單發(fā)雙收陣列的檢測定位跟蹤方法[4-5]和基于多輸入多輸出(Multi-Input Multi-Output，MIMO)陣列的目標成像跟蹤方法[6-7]。由于MIMO陣列成像技術(shù)具有高信噪比、高分辨、抗干擾能力強等優(yōu)點，逐漸成為目前建筑物內(nèi)運動人體跟蹤的主要方法。

陣列天線布局方式、未知墻體穿透補償、多徑雜波抑制、旁瓣柵瓣抑制均屬于基于MIMO陣列的目標成像跟蹤的研究熱點。如文獻[8]給出了適用于超寬帶穿墻雷達運動人體成像跟蹤的最優(yōu)MIMO陣列布局；文獻[9]提出了利用墻體回波信息推算反射系數(shù)、進而確定墻體參數(shù)以實現(xiàn)墻體穿透補償?shù)乃惴?，形成了較高分辨率的運動目標圖像；文獻[10]推導(dǎo)出了在MIMO穿墻雷達成像中多徑幻像的分布特性，并評估了相位相干因子(Phase Coherence Factor，PCF)對多徑幻像抑制的性能；文獻[11]在建立的多徑模型基礎(chǔ)上提出了從原始數(shù)據(jù)中消除多徑回波的方法，在超寬帶穿墻雷達成像中達到了實驗預(yù)期效果；文獻[12]利用MIMO多通道回波在目標區(qū)域和柵瓣區(qū)域相位分布的差異性，引入符號相干因子(Sign Coherence Factor，SCF)對穿墻雷達圖像柵瓣進行抑制。上述研究均通過直接觀察雷達圖像的方式來判斷運動目標的位置，然而墻體補償誤差、多徑雜波和旁瓣柵瓣抑制殘余，會造成單幀穿墻雷達圖像中出現(xiàn)散焦、偏移、幻像甚至丟失的問題，從而使連續(xù)多幀雷達圖像中目標圖像呈現(xiàn)“閃爍”和“抖動”的特點；同時，空間分辨率和人體散射特性的變化會進一步加劇目標圖像的“閃爍”和“抖動”，此時仍采用直接觀察圖像確定目標位置的方式，會對運動目標進行跟蹤的可靠性和準確度造成影響。因此如何從穿墻雷達圖像中提取目標位置并形成跟蹤航跡也成為MIMO成像跟蹤的一個研究方向，如文獻[8]在修正的Kirchhoff目標成像算法的基礎(chǔ)上對目標位置進行提取，形成了目標跟蹤航跡，但并沒有針對穿墻雷達圖像給出具體的提取目標位置的方法。

本文針對MIMO穿墻雷達圖像中運動目標位置提取與跟蹤的需求，借鑒計算機視覺中的Camshift視頻目標跟蹤算法[13]，在建立的穿墻雷達圖像顏色概率分布圖中，首先采用目標預(yù)測的方法在概率分布圖中確定目標存在可能性較大的搜索區(qū)域，從而濾除雜波、幻像等干擾；然后利用迭代的思想在目標搜索區(qū)域進行運動目標位置提取，減少了目標圖像形狀、大小變化對位置提取的影響；最后對提取的目標位置進行平滑濾波處理，得到連續(xù)穩(wěn)定的跟蹤航跡。實驗結(jié)果表明，相比Meanshift與傳統(tǒng)的Camshift跟蹤算法，改進后的Camshift算法在MIMO穿墻雷達實時成像系統(tǒng)中對建筑物內(nèi)運動人體目標具有更好的跟蹤效果。

1　穿墻雷達運動人體目標成像跟蹤模型

如圖1所示的MIMO陣列運動人體目標成像跟蹤模型，墻體后運動人體目標沿A、B、C運動到D點，假設(shè)MIMO天線陣列連續(xù)發(fā)送和接收n個周期超寬帶脈沖信號，接收到n個周期的回波信號經(jīng)兩脈沖背景對消[14]、墻體補償[15]和后向投影成像算法[16-17]得到n幀連續(xù)的穿墻雷達圖像。

在連續(xù)的n幀穿墻雷達圖像中，由于受穿墻雷達中多徑雜波[18-19]、背景雜波殘余[18-19]和圖像旁瓣[20]及柵瓣[12]的影響，會在部分幀圖像中出現(xiàn)幻像干擾；同時因為墻體補償誤差、圖像分辨率變化以及運動人體目標散射特性變化，在多幀圖像中會出現(xiàn)目標圖像形狀、大小變化，這些都會將影響目標位置提取的準確度。

圖1　MIMO陣列運動人體目標成像跟蹤模型Fig. 1　Moving target imaging tracking model based on MIMO array

2　本文算法

Camshift算法，即連續(xù)自適應(yīng)Meanshift算法，其基本思想是對視頻序列的所有圖像作Meanshift運算，利用目標的顏色直方圖模型將圖像轉(zhuǎn)化為顏色概率分布圖，初始化一個搜索窗的大小和位置，并根據(jù)上一幀得到的結(jié)果自適應(yīng)調(diào)整窗口的位置和大小[13]。利用這一優(yōu)點，并結(jié)合穿墻雷達圖像的特點，本文提出了基于改進Camshift的穿墻雷達運動人體目標成像跟蹤算法，其關(guān)鍵是在每一幀穿墻雷達圖像中準確提取目標位置，然后結(jié)合多幀目標位置信息給出跟蹤濾波處理后的連續(xù)穩(wěn)定的目標運動航跡。算法主要分為目標位置預(yù)測、目標位置提取及航跡平滑處理。

改進Camshift的穿墻雷達運動人體目標成像跟蹤算法的處理流程如圖2所示，相比傳統(tǒng)的Camshift視頻目標跟蹤算法，改進后的算法對穿墻雷達成像圖中目標位置提取進行了兩點優(yōu)化：第一，針對多徑雜波、背景雜波殘余、圖像旁瓣和柵瓣的影響，本文在算法中融入目標預(yù)測思想，首先根據(jù)目標運動特征確定目標位置搜索波門(目標可能性較大區(qū)域)，抑制了波門外的幻像干擾。第二，由于墻體補償誤差散焦、圖像分辨率變化、運動人體散射特性變化造成的目標圖像形狀、大小變化，將影響目標位置的提取。針對該問題，本文提出了目標圖像質(zhì)心位置迭代搜索，根據(jù)目標圖像形狀、大小變化，調(diào)整搜索窗尺度進行波門內(nèi)目標質(zhì)心位置迭代，提取出多幀目標位置信息，最后利用α-β濾波得到連續(xù)穩(wěn)定的目標運動航跡。

圖2　基于改進Camshift的穿墻雷達運動人體目標成像跟蹤算法流程Fig. 2　Flow chart of moving target tracking algorithm based on improved Camshift for through-wall-radar imaging

2.1　顏色概率分布圖

本文對目標位置的提取是在顏色概率分布圖上進行的，顏色概率分布圖中的像素概率值是用來度量目標出現(xiàn)“可能性”的值，這種可能性是目標運動過程中在此像素位置的概率。將MIMO陣列實時成像中得到的n幀連續(xù)穿墻雷達圖像經(jīng)直方圖反向投影處理后得到顏色概率分布圖[13,21]。在直方圖反向投影的過程中，穿墻雷達圖像中的像素被顏色直方圖中相應(yīng)的像素統(tǒng)計量所代替，然后重新量化就得到顏色概率分布圖，定義如下：

假設(shè)像素種類為m個，像素個數(shù)共有j個，那么位置{(xi,yi)}i=1,2,…, j處直方圖表示為{q}u=1,2,…,m，即在u=1,2,…,m出現(xiàn)的概率，定義一個映射c:R2→{1,2,…,m}，用以表示(xi,yi)的索引值，則直方圖可以寫成：

(1)

其中δ(x)是Delta函數(shù),如下所示：

(2)

進行直方圖歸一化處理，即將[0,max(qu)]的范圍變換到[0,255]。

(3)

其中:max[qu]是特征值中的最大值，m為特征空間中特征值的個數(shù)。設(shè)與原圖尺寸相同的顏色概率分布圖為I，(xi,yi)為原圖像直方圖中任意一像素點，則該像素點對應(yīng)的顏色概率分布圖的概率為pI(xi,yi):

(4)

2.2　目標跟蹤起始

本文利用傳統(tǒng)Camshift算法在前兩幀穿墻雷達圖像中進行目標起始速度確定。首先對前兩幀圖像進行直方圖反向投影得到相應(yīng)的顏色概率分布圖，然后在第一幀圖像中直接手動標注目標位置，以此確定下一幀固定的目標搜索波門，并在標注目標位置區(qū)域內(nèi)建立目標圖像顏色概率分布圖；接著以當前幀目標位置為搜索中心，在固定的波門內(nèi)進行第二幀目標位置搜索，該范圍內(nèi)某一區(qū)域像素概率值最大，即認定該區(qū)域為目標位置。利用得到的第一幀和第二幀的目標位置和時間關(guān)系，確定目標初始運動速度為：

(5)

其中時間T為連續(xù)兩幀圖像時間間隔。

2.3　目標位置預(yù)測

傳統(tǒng)Camshift算法針對目標的大小，以n幀確定的目標位置直接作為第n+1幀目標波門搜索中心進行目標位置提取(計算像素概率值最大區(qū)域)。但是在MIMO雷達圖像中，由于受多徑雜波、背景雜波殘余、圖像旁瓣及柵瓣的影響，會造成圖像散焦和幻像，圖像中目標位置容易發(fā)生偏移，目標的航跡會受到很大影響，甚至?xí)斐赡繕苏`判與錯誤航跡；同時目標處于運動狀態(tài)，第n幀目標質(zhì)心位置和第n+1幀目標質(zhì)心位置會有一定距離，這使得部分幀圖像出現(xiàn)虛假的目標位置以及目標跟蹤丟失等問題。

(6)

2.4　目標位置提取

在上文得到的目標可能性較大區(qū)域(即波門范圍)內(nèi)進行目標質(zhì)心位置提取，然而在運動過程中，目標圖像的形狀、大小時刻在變化，目標圖像的質(zhì)心位置難以確定。針對這一問題，本節(jié)提出了目標質(zhì)心位置迭代計算方法，在連續(xù)多幀雷達圖像中，通過在波門范圍內(nèi)自適應(yīng)調(diào)整目標搜索窗的大小，使搜索窗與目標圖像相匹配，最后將搜索窗中心作為目標位置。

如圖3所示，圖中陰影部分為穿墻雷達圖像中目標圖像區(qū)域，虛線圓形為搜索波門，實線框為目標搜索窗，在目標跟蹤起始之后，即第三幀開始，在波門范圍內(nèi)，以波門中心為當前時刻搜索窗中心(點S)，在上一幀搜索窗大小的基礎(chǔ)上膨脹ρ倍作為當前時刻搜索窗大小，在此搜索窗內(nèi)建立顏色概率分布圖，利用其零階矩和一階矩來確定搜索窗內(nèi)目標圖像的質(zhì)心位置。

圖3　提取目標質(zhì)心位置過程Fig. 3　Process of extracting target centroid position

考慮到對噪聲不敏感的突出優(yōu)點，顏色概率分布圖的零階矩和一階矩被用來確定搜索窗內(nèi)目標圖像的質(zhì)心位置，零階矩和一階矩[13]分別定義為：

零階矩：

(7)

X軸和Y軸方向一階矩：

(8)

其中：pI(x,y)為顏色概率分布圖中坐標(x,y)處的像素概率值，x和y的變化范圍為當前搜索窗口的大小。

根據(jù)式(7)、(8)可得到目標圖像區(qū)域的質(zhì)心位置為：

(9)

每完成一次迭代計算，即確定了搜索窗內(nèi)部分目標圖像質(zhì)心位置，然后將搜索窗中心移至該質(zhì)心位置，并利用式(10)重新計算搜索窗大小。重復(fù)上述迭代過程，當搜索窗中心與波門范圍內(nèi)目標圖像質(zhì)心位置重合或距離小于設(shè)定的閾值，則認定迭代收斂。如圖3所示，從點S到點Q′，其中W和H兩點為迭代過程中搜索窗的中心位置，每一次迭代都會重新得到新的搜索窗中心位置。為了表述清晰，只選取了迭代過程中較典型的W和H兩點，省略了迭代過程中其他搜素窗中心位置，此時將搜索窗中心作為當前幀提取的目標位置。

(10)

其中γ為搜索窗控制參數(shù)，根據(jù)大量的實測實驗得出，當γ為2.5時，可實現(xiàn)搜索窗對目標圖像的最優(yōu)匹配。

在上述迭代過程中：膨脹系數(shù)ρ過大將增加波門范圍內(nèi)雜波幻像對目標圖像質(zhì)心位置提取的影響；ρ過小將降低迭代效率，甚至出現(xiàn)搜索窗未包含目標圖像的情況，從而導(dǎo)致迭代中斷。在本文給出的實驗中設(shè)置ρ=1。

(11)

(12)

針對多幀連續(xù)雷達圖像進行上述目標位置預(yù)測、目標位置提取，并得到每一幀濾波處理后的目標位置，最后形成連續(xù)穩(wěn)定的目標運動航跡。

3　實驗結(jié)果與分析

實驗場景如圖4所示，墻體為粘土磚墻，墻體厚度為0.24 m。穿墻雷達采用兩發(fā)八收陣列，兩個發(fā)射天線分別放置在接收陣列的兩端，相鄰收發(fā)天線間距為15 cm，相鄰接收天線間距為30 cm。發(fā)射信號為步進掃頻連續(xù)波(Stepped Frequency Continuous Wave, SFCW)信號，頻帶為1～2 GHz，頻率步進為2 MHz。雷達設(shè)置在距墻體5 m處，并且距離地面1.2 m，以使聚焦平面在高度為1.75 m的人體散射部分(胸部位置)，即保證來自胸部位置散射的最強回波是形成人體圖像的大部分數(shù)據(jù)。在建筑物內(nèi)運動人體以不大于1.5 m/s的運動速度從一端墻角A位置(2,9)到達另一端B位置(-1,11)，如圖4(a)所示。為了更好地說明本文算法的性能，圖中標注了運動目標的實際運動航跡，并在下文對運動航跡進行了定量誤差分析。

在本次穿墻雷達探測實驗中，本文提取了100幀連續(xù)雷達圖像對提出的算法進行驗證分析，其中連續(xù)兩幀圖像間隔 為0.5 s。圖5(a)～(c)分別給出了Meanshift算法、傳統(tǒng)Camshift算法以及改進后Camshift算法對100幀連續(xù)雷達圖像的跟蹤結(jié)果。本文定義了均方根誤差(Root-Mean-Square Error, RMSE)來定量分析改進Camshift算法與其他兩種算法的跟蹤航跡誤差。

(13)

其中：n為圖像幀數(shù)，實測實驗中n=100；Xest,i為算法跟蹤過程中第i幀目標位置；Xact,i為目標實際運動中的位置。

通過上述定義的均方根誤差分析，改進Camshift算法與實際目標運動航跡相比均方根誤差為0.272 m，傳統(tǒng)Camshift算法和Meanshift算法均方誤差分別為0.461 m、0.478 m，改進Camshift算法較傳統(tǒng)Camshift算法跟蹤航跡誤差降低了40.99%，較Meanshift算法跟蹤航跡誤差降低了43.09%。整體上看，相比Meanshift算法和傳統(tǒng)Camshift算法，本文提出的改進Camshift算法獲得的目標航跡更加貼近目標運動狀態(tài)，且人體目標跟蹤航跡更為穩(wěn)定平滑。

為了進一步說明算法的優(yōu)勢，圖6給出了在跟蹤過程中第3、42、100幀目標位置提取結(jié)果，在此三幀雷達圖像中目標圖像存在明顯的大小起伏，且受到雜波幻像與旁瓣柵瓣的干擾，這些因素降低了Meanshift算法和傳統(tǒng)Camshift算法對目標位置提取的可靠性，如圖6(a)和(b)所示，用于提取目標位置的搜索窗未能夠準確地圈定目標圖像。對比而言，圖6(c)給出的改進Camshift算法處理結(jié)果顯示，目標搜索窗準確圈定了雷達圖像中目標圖像，從而形成了更平滑的跟蹤航跡。實測數(shù)據(jù)驗證了本文提出的改進Camshift算法通過引入目標預(yù)測和迭代搜索思想，可有效對抗雷達圖像“閃爍”和“抖動”，保證了對目標位置提取的可靠性。

圖4　實驗場景Fig. 4　Experimental scene

4　結(jié)語

本文提出了基于改進Camshift的穿墻雷達運動人體目標成像跟蹤算法，引入了目標預(yù)測與迭代搜索的思想，避免了連續(xù)多幀雷達圖像的“閃爍”和“抖動”對目標位置提取的影響，最后由α-β濾波獲得了連續(xù)穩(wěn)定的目標跟蹤航跡。實驗結(jié)果表明：一方面相比直接觀察圖像的方式，本文算法獲得的跟蹤航跡清晰地給出了目標的運動過程；另一方面相比Meanshift與傳統(tǒng)的Camshift算法，本文算法給出了平滑度更高的目標運動航跡。

圖5　整體跟蹤結(jié)果比較Fig. 5　Comparison of overall tracking results

圖6　目標位置提取結(jié)果比較Fig. 6　Comparison of target position extraction results

參考文獻:

[1]BEKTAS H O, OZDEMIR O, ORHAN M, et al. An experimental investigation of F-K migration and SAR algorithm using beam space MUSIC for UWB through-the-wall imaging [C]// Proceedings of the 2016 IEEE Radar Methods and Systems Workshop. Piscataway, NJ: IEEE, 2016: 70-75.

[2]HU J, SONG Y, JIN T, et al. Shadow effect mitigation in indication of moving human behind wall via MIMO TWIR [J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(3): 453-457.

[3]TIVIVE F H C, BOUZERDOUM A, AMIN M G. An SVD-based approach for mitigating wall reflections in through-the-wall radar imaging [C]// Proceedings of the 2011 IEEE Radar Conference. Piscataway, NJ: IEEE, 2011: 519-524.

[4]AHMAD F, AMIN M G. A noncoherent approach to radar localization through unknown walls [C]// Proceedings of the 2006 IEEE Radar Conference. Piscataway, NJ: IEEE, 2006, 4: 583-589.

[5]IYA N M, MUQAIBEL A H, JOHAR U M. Ultra wideband wall compensation for through-wall tracking and imaging [C]// ICUWB 2011: Proceedings of the 2011 IEEE International Conference on Ultra-wideband. Piscataway, NJ: IEEE, 2011: 81-85.

[6]WANG W, LU B, SONG Y, et al. Parallel realization of moving target imaging in 2D MIMO through-wall radar applications [C]// ICCP 2015: Proceedings of the 2015 International Conference on Communication Problem-Solving. Piscataway, NJ: IEEE, 2015: 137-140.

[7]RALSTON T S, CHARVAT G L, PEABODY J E. Real-time through-wall imaging using an ultrawideband Multiple-Input Multiple-Output (MIMO) phased array radar system [C]// ARRAY 2010: Proceedings of the 2010 International Symposium on Phased Array Systems and Technology. Piscataway, NJ: IEEE, 2010: 551-558.

[8]吳世有,譚愷,徐艷云,等.超寬帶穿墻雷達天線陣列配置分析及運動人體跟蹤成像算法[J].電子與信息學(xué)報,2012,34(11):2601-2607. (WU S Y, TAN K, XU Y Y, et al. Study on UWB through-wall radar antenna array configuration and moving person tracking and imaging algorithm [J]. Journal of Electronics & Information Technology, 2012, 34(11): 2601-2607.)

[9]AFTANAS M, SACHSY J, DRUTAROVSKY M, et al. Efficient and fast method of wall parameter estimation by using UWB radar system [J]. Frequenz, 2009, 63(11/12): 231-235.

[10]LIU J, KONG L, YANG X, et al. First-order multipath ghosts’ characteristics and suppression in MIMO through-wall imaging [J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(9): 1-5.

[11]CHEN X, CHEN W. Multipath ghost elimination for through-wall radar imaging [J]. IET Radar, Sonar & Navigation, 2015, 10(2): 299-310.

[12]LIU J, JIA Y, KONG L. Sign-coherence-factor-based suppression for grating lobes in through-wall radar imaging [J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(11): 1681-1685.

[13]BRADSKI G R. Computer vision face tracking for use in a perceptual user interface [J]. Intel Technology Journal, 1998, Q2: 214-219.

[14]WANG H-N, LU B-Y, ZHOU Z-M, et al. Through-the-wall imaging and correction based on the estimation of wall parameters [C]// Proceedings of the 2011 IEEE CIE International Conference on Radar. Piscataway, NJ: IEEE, 2011: 1327-1330.

[15]LIU J, KONG L, YANG X, et al. Refraction angle approximation algorithm for wall compensation in TWRI [J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(7): 943-946.

[16]DEHMOLLAIAN M, SARABANDI K. Refocusing through building walls using synthetic aperture radar [J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(6): 1589-1599.

[17]AHMAD F, AMIN M G, MANDAPATI G. Autofocusing of through the-wall radar imagery under unknown wall characteristics [J]. IEEE Transactions on Image Processing, 2007, 16(7): 1785-1795.

[18]TAN Q Y, LEUNG H, SONG Y, et al. Multipath ghost suppression for through-the-wall-radar [J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(3): 2284-2292.

[19]GENNARELLI G, SOLDOVIERI F. Multipath ghosts in radar imaging: physical insight and mitigation strategies [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 8(3): 1078-1086.

[20]WANG W, LU B, QIU L, et al. A modified adaptive sidelobe reduction method for through-the-wall radar imaging [J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(9): 1255-1259.

[21]XIU C, BA F. Target tracking based on the improved Camshift method [C]// CCDC 2016: Proceedings of the 2016 Chinese Control and Decision Conference. Piscataway, NJ: IEEE, 2016: 3600-3604.