基于快速移動(dòng)的紅外小目標(biāo)實(shí)時(shí)檢測(cè)跟蹤方法*

張佳楠, 楊曉梅, 張 勁

(四川大學(xué) 電氣信息學(xué)院，四川 成都 610056 )

當(dāng)前，視頻監(jiān)測(cè)與跟蹤的需求越來(lái)越大，尤其是在民用安防、軍事科技等領(lǐng)域.西方發(fā)達(dá)國(guó)家的紅外檢測(cè)、跟蹤研究較為領(lǐng)先[1].然而，小型目標(biāo)的檢測(cè)、跟蹤，尤其是在復(fù)雜背景下目標(biāo)檢測(cè)、跟蹤受到背景環(huán)境的影響，技術(shù)難度較大，是當(dāng)前相關(guān)研究領(lǐng)域的重點(diǎn)[2-3].

當(dāng)前主流的目標(biāo)檢測(cè)方法有幀差法、背景差法、光流法等[4-5].背景差法僅適用于靜態(tài)目標(biāo)，且易受背景影響[6].光流法適用于快速移動(dòng)目標(biāo)，對(duì)運(yùn)行條件要求較高.對(duì)于慢速目標(biāo)，幀差法較為適用，其對(duì)背景環(huán)境的篩除能力較強(qiáng)，對(duì)運(yùn)行條件要求不高[7].

在分析當(dāng)前主流方法的基礎(chǔ)上，我們分別在不同的背景中進(jìn)行了大量的實(shí)驗(yàn)，最終提出一種兼?zhèn)涓櫢咚倌繕?biāo)能力和跟蹤非勻速目標(biāo)能力的算法.針對(duì)該算法進(jìn)行的實(shí)驗(yàn)驗(yàn)證了其可靠性和實(shí)時(shí)性.通過(guò)不同的場(chǎng)景和實(shí)驗(yàn)對(duì)比，使用該算法對(duì)在幀差法中快速移動(dòng)運(yùn)動(dòng)目標(biāo)的跟蹤和運(yùn)動(dòng)目標(biāo)變化較慢或靜止的漏檢起到有效的改善，并可應(yīng)用于移動(dòng)和靜止監(jiān)控?cái)z像頭[8-11].在目標(biāo)丟失的情況下可自動(dòng)尋找到新目標(biāo)位置，使得目標(biāo)檢測(cè)更加準(zhǔn)確，充分利用幀差法的優(yōu)點(diǎn)并改善其不足.

1 檢測(cè)跟蹤算法思路

本文提出的檢測(cè)跟蹤算法可以概括為：(1) 通過(guò)直方圖均衡化增強(qiáng)圖像對(duì)比度，減小由于硬件原因?qū)е碌膱D像對(duì)比度過(guò)弱而使目標(biāo)檢查受到的影響.(2) 給定目標(biāo)初始位置后繪制目標(biāo)矩形框，并在目標(biāo)小范圍內(nèi)做幀差法和圖像方差.(3) 自適應(yīng)搜索框，在目標(biāo)可移動(dòng)范圍內(nèi)進(jìn)行搜索.(4) 根據(jù)矩形框內(nèi)方差參數(shù)判斷是否跟蹤到運(yùn)動(dòng)目標(biāo).算法流程圖如圖1所示.

2 自適應(yīng)跟蹤框

自適應(yīng)搜索框基于目標(biāo)速度特征變化條件搜索范圍，根據(jù)被跟蹤物體在上一幀中的位置，通過(guò)速度特征自適應(yīng)調(diào)整搜索的范圍.在不考慮目標(biāo)尺寸大小變化的情況下，目標(biāo)在視頻圖像中的運(yùn)動(dòng)看作是在平面范圍內(nèi)運(yùn)動(dòng)，目標(biāo)的運(yùn)動(dòng)可用目標(biāo)中心運(yùn)動(dòng)來(lái)代表.目標(biāo)移動(dòng)快，容易超出搜索范圍，則擴(kuò)大搜索范圍；目標(biāo)運(yùn)動(dòng)慢，移動(dòng)慢，則縮小搜索范圍.這里分析目標(biāo)在相鄰兩幀圖像上的位移運(yùn)動(dòng)．設(shè)相鄰兩幀圖像中的背景相同，則目標(biāo)移動(dòng)的快慢，可由目標(biāo)在前一幀和當(dāng)前幀的位置變化體現(xiàn)，即位移速度．目標(biāo)的位移速度可分解成兩個(gè)方向上的速度，即x軸上的速度Cx與y軸上的速度Cy,則

很多文章中基于速度特征的目標(biāo)跟蹤方法都是基于速度大小設(shè)定幾個(gè)不同的搜索框閾值，這樣做的缺點(diǎn)是無(wú)法適應(yīng)被跟蹤目標(biāo)的非勻加速運(yùn)動(dòng)狀態(tài).在加速度不規(guī)律的情況不能很好地跟蹤到目標(biāo)，目標(biāo)跟蹤效果不明顯，增加了虛警率.針對(duì)這種情況，本文采用增量式PD對(duì)目標(biāo)速度與搜索框范圍之間進(jìn)行反饋控制，

當(dāng)使用PID控制時(shí)，往往將積分、比例、微分三種控制方法結(jié)合，這樣做的好處是可以擴(kuò)展積分時(shí)間常量，減少積分和振蕩，增加系統(tǒng)的魯棒性.在上述情況下，需要增加系統(tǒng)靜差的清理時(shí)間，避免積分時(shí)間常量過(guò)低，增大系統(tǒng)的振蕩次數(shù).但由于紅外小目標(biāo)速度變化過(guò)快，積分環(huán)節(jié)會(huì)使系統(tǒng)反應(yīng)滯后，影響響應(yīng)速度，所以只需要進(jìn)行PD調(diào)節(jié).設(shè)目標(biāo)速度為C，則目標(biāo)框?qū)挾葹椋?/p>

γ=γ0+{Kp1ΔCt+Kp2(ΔCt-ΔCt-1)},

式中：γ0為初始搜索框?qū)挾龋脼楦碌哪繕?biāo)框?qū)挾?

3 實(shí)驗(yàn)結(jié)果和分析

為驗(yàn)證基于速度特征的自適應(yīng)搜索框算法的性能和準(zhǔn)確性，選用具有快速運(yùn)動(dòng)目標(biāo)的紅外視頻集飛行器和人物進(jìn)行驗(yàn)證，并與普通閾值搜索框跟蹤算法進(jìn)行性能比較.為了評(píng)價(jià)公平，算法均是在Interi5-3670，CPU3.2 GHz和4 GB RAM的Window7系統(tǒng)的電腦上進(jìn)行測(cè)試，本文程序采用MATLAB語(yǔ)言編制.圖像大小為768×465，幀頻為每秒50幀，目標(biāo)平均尺寸為39×39.

圖2(a)為連續(xù)跟蹤300幀狀態(tài)下，運(yùn)動(dòng)目標(biāo)速度與跟蹤框半徑變化圖，跟蹤框半徑基于速度的幾種不同的閾值.從實(shí)驗(yàn)結(jié)果來(lái)看，跟蹤框半徑保持不變，目標(biāo)處于勻速運(yùn)動(dòng)狀態(tài)，在個(gè)別幀狀態(tài)下出現(xiàn)了誤判.圖2(b)為目標(biāo)速度與自適應(yīng)跟蹤框的半徑關(guān)系.圖中可以看出追蹤框時(shí)刻保持變化，目標(biāo)速度瞬時(shí)變化時(shí)，跟蹤框作出相應(yīng)調(diào)整，保證目標(biāo)鎖定在追蹤框內(nèi).采用速度閾值的搜索半徑在連續(xù)300幀的視頻圖像中出現(xiàn)7幀的跟蹤丟失情況，誤警率2.3%，而采用自適應(yīng)跟蹤框搜索沒(méi)有出現(xiàn)丟失現(xiàn)象，達(dá)到準(zhǔn)確實(shí)時(shí)的效果.圖3(a)、(b)為運(yùn)動(dòng)目標(biāo)被跟蹤物體在90幀和100幀的紅外跟蹤，跟蹤框根據(jù)目標(biāo)速度變化采用閾值操作，運(yùn)動(dòng)目標(biāo)在90幀和100幀的視頻運(yùn)動(dòng)中，運(yùn)動(dòng)目標(biāo)跟蹤框并沒(méi)有任何變化，而實(shí)際上人物運(yùn)動(dòng)的質(zhì)心是非勻速狀態(tài).圖中可以看出相同目標(biāo)相同時(shí)刻，采用兩種不同方法，搜索框的半徑大小不同，而自適應(yīng)搜索框顯然更符合視頻中目標(biāo)實(shí)際的運(yùn)動(dòng)情況.圖3(c)、(d)、(e)為飛行器在自適應(yīng)搜索框200幀、220幀、280幀的搜索框變化情況.從圖中可以看出，飛行器在第200幀、220幀、280幀時(shí)刻，由于速度變化的不同，運(yùn)動(dòng)目標(biāo)跟蹤框的大小變化不同，跟蹤框根據(jù)運(yùn)動(dòng)目標(biāo)的速度變化快慢改變搜索半徑，保證運(yùn)動(dòng)目標(biāo)鎖定在搜索框內(nèi).

在算法處理速度方面，由于紅外小目標(biāo)跟蹤算法最基本的要求是保持算法的實(shí)時(shí)性，導(dǎo)致很多復(fù)雜的數(shù)學(xué)算法無(wú)法滿足設(shè)備硬件成本的要求.自適應(yīng)法跟蹤框的大小是浮動(dòng)的，會(huì)根據(jù)被跟蹤物體的大小、距離、速度等因素自我調(diào)整.其優(yōu)點(diǎn)是可以降低跟蹤運(yùn)算處理的信息量，提高系統(tǒng)的效率.在具體的實(shí)驗(yàn)中，在1 000幀的跟蹤范圍內(nèi)，視頻格式為每秒45幀，平均每幀處理時(shí)間為27 ms左右，達(dá)到實(shí)時(shí)跟蹤檢測(cè)的效果.

4 結(jié) 論

本文提出的方法基于自適應(yīng)算法，采用大小浮動(dòng)的跟蹤框，可以解決運(yùn)動(dòng)中的被跟蹤物體運(yùn)動(dòng)不規(guī)律的問(wèn)題.在紅外小目標(biāo)飛行器做無(wú)規(guī)則變速運(yùn)動(dòng)時(shí)可以保證目標(biāo)穩(wěn)定在搜索框之內(nèi)，而且該算法在目標(biāo)保持靜止和平臺(tái)移動(dòng)的情況下都能保持良好的魯棒特性、實(shí)時(shí)性和穩(wěn)健的跟蹤特性.

參考文獻(xiàn)

[1] GUZMAN E, BAETEN V, PIERNA J A, et al. Infrared machine vision system for the automatic detection of olive fruit quality[J]. Talanta, 2013, 116(22):894.

[2] YILMAZ A，JAVED O，SHAH M ，et a1． Obiect tracking：a survey[J].ACM Computing Surveys，2006，38(4)：13．

[3] 張應(yīng)輝. 基于幀差法和背景差法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2013, 33(2):25-26.

[4] KALAL Z，MIKOLAJCZYK K，MATAS J，et a1．Tracking learning detection[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34(7)：1409-l422．

[5] HE I ，BO Y，ZHAO G，et a1．Muhifeatures based compressive sensing tracking[J]． Mathematical Problems in Engineering，2014，21(3):221-456．

[6] LUO Y, REMILLARD J, HOETZER D. Pedestrian detection in near-infrared night vision system[J].Intelligent Vehicles Symposium. IEEE,2010,14(1):51-58.

[7] REINHART K F, ECKARDT M, HERRMANN I, et al. Low-cost approach for far-infrared sensor arrays for hot-spot detection in automotive night vision systems[J]. Advanced Microsystems for Automotive Applications,2009:397-408.

[8] XIONG Y． An extended track-before-detect algorithm for infrared target detection[J].IEEE Trans on Aerospace and Electronic Systems，1997，33(3):187-192．

[9] QIN S, WANG L, CHENG H, et al. Infrared image saliency detection based on human vision and information theory[J].Biomedical Engineering and Informatics. IEEE, 2017，25(1):484-488.

[10] 易翔, 王炳健. 基于多特征的快速紅外弱小目標(biāo)檢測(cè)算法[J]. 光子學(xué)報(bào), 2017, 46(6)：123-128.

[11] LEIGH A J，VIKRAM K． Performance analysis of a dynamic programming track before detect algorithm[J].IEEE Trans on Aerospace and Electronic Systems，2002，38(1):228-242．