基于粒子濾波的復(fù)雜背景下的紅外運動目標跟蹤*

王海梅，洪 敏

（南京理工大學(xué)自動化學(xué)院，南京 210094）

0 引言

紅外目標跟蹤技術(shù)依靠紅外傳感器感應(yīng)目標輻射得到紅外圖像序列，它不受夜間光照條件限制，可以全天候工作，在民用、軍事領(lǐng)域都有著重要的作用。然而，相對于可見光圖像，紅外圖像也有其明顯的弱點，如信噪比低，目標特征單一（一般為灰度特征），容易與背景混淆，特別是當(dāng)目標處于復(fù)雜背景下時，傳統(tǒng)的跟蹤方法常常會發(fā)生跟蹤不準確甚至誤跟、漏跟的情況。

粒子濾波算法作為一種非線性濾波技術(shù)，對非高斯背景的非線性隨機系統(tǒng)有很好的適用性［1］。經(jīng)典的粒子濾波跟蹤算法在對紅外圖像序列中的目標進行跟蹤時，其觀測模型通常只選取紅外目標的灰度特征，這一方法對于一些背景簡單的目標跟蹤有著不錯的效果，但當(dāng)目標處于復(fù)雜背景下，如背景與目標具有相似的灰度等級、光照變化強烈或者目標自身屬性發(fā)生變化、遮擋等情況時，粒子濾波的準確性和穩(wěn)定性都會降低。為了克服經(jīng)典粒子濾波算法應(yīng)用的局限性，文中探討了融合目標灰度與運動特征的粒子濾波算法，并應(yīng)用該算法研究了遮擋及有相似干擾兩種情況下紅外運動目標的跟蹤問題［1-5］。

1 基于灰度和運動特征的聯(lián)合觀測模型

1.1 帶有空間信息的灰度特征提取

在基于粒子濾波的目標跟蹤算法中，目標模板的選取對目標的跟蹤性能有決定性的影響。紅外目標最顯著的特征就是其灰度特征，但傳統(tǒng)的灰度直方圖模型只包含了當(dāng)前幀中相應(yīng)區(qū)域的灰度分布信息，如果將像素的空間位置信息也加入到灰度直方圖中，顯然目標將得到更好的描述。一般的紅外圖像，其灰度等級L=256，為了提高跟蹤效率，將灰度級映射為H=32級［2］。假設(shè)目標所在區(qū)域的像素為{xi}i=1，…，M，M 為目標區(qū)域包含的像素總數(shù)，則目標的灰度概率分布為q={qu}Hu=1，并且有：

其中，b（xi）是點xi處的灰度值特征映射函數(shù)，u為目標圖像的特征值。

對于像素的空間分布信息，這里認為一個像素點對目標特征描述的作用與它和目標中心點的距離成反比，即距離越近對目標特征描述的作用越明顯。因此，對于目標所在區(qū)域的像素點，可以用式（2）所示的加權(quán)核函數(shù)來定義其作用大小，其中，r是像素到目標中心的距離。

假設(shè)參考目標中心位置為x0，xi為目標區(qū)域中的任一點，則目標模型的帶有空間位置信息的灰度概率分布為：

其中，Cq為歸一化系數(shù)，令，使得為目標區(qū)域大小。

同理，可以得到當(dāng)前幀中心位置為y處候選目標的帶有空間位置信息的灰度概率分布，

其中，表示候選目標區(qū)域的像素點。

利用Bhattacharyya系數(shù)定義候選目標與目標模板帶空間信息的灰度模型之間的距離測度：

其中，越小，則兩個直方圖之間的相似度越高。

由此可得帶有空間信息的灰度特征觀測概率模型：

其中，σ為經(jīng)驗系數(shù)，可以根據(jù)跟蹤性能來選取，通常?。?，10］。

1.2 紅外目標運動特征提取

對于復(fù)雜背景下的紅外運動目標，單一的灰度特征有時很難將目標從周圍的強干擾中識別出來，為了提高跟蹤算法的魯棒性，文中在利用紅外目標灰度特征的同時，還運用幀間差分法提取目標的運動特征，將兩者融合用于紅外目標的跟蹤。

紅外目標運動特征的提取步驟如下：

1）利用幀間差分法計算差分圖像

對圖像上的每個像素（i，j），計算第k幀圖像fk與第k-1幀圖像fk-1之間以該像素為中心的3×3范圍內(nèi)所有像素的絕對差之和，并賦給該像素。該方法可以盡可能多地填充幀間差分圖像中運動區(qū)域內(nèi)的空隙，使目標信息更加充分。

2）計算第k-1幀和k-2幀的差分圖像，對兩個差分圖像和取平均值，以此來抑制圖像中的噪聲：。

3）對差分圖像Dk中的像素進行運動像素判定

設(shè)定判別閾值為為 Dk的均值，σ 為 Dk的標準差，k為經(jīng)驗系數(shù)，一般?。?，3］。如果Dk中的像素值大于閾值，則令其為1，表示該像素可能是運動像素，否則令其為0。由此可以得到運動差分圖像Id：

4）對Id中值為1的點進行目標點判定

將Id中所有值為1的運動像素與目標灰度進行比較，灰度接近則判定為目標點。這里將目標模板的灰度直方圖作反向投影得到灰度的概率分布圖Ig［3］，最后將Id與Ig相乘得到融合了灰度信息的運動概率分布圖 Im，即：Im=Id×Ig。

5）獲取候選目標運動特征

用Im中候選目標區(qū)域的零階矩G來衡量候選目標與目標的匹配程度，G越大，匹配程度越高。

綜上所述，基于紅外目標運動特征的觀測概率模型可以表示為：

其中，為目標區(qū)域像素點總數(shù)。

1.3 聯(lián)合觀測模型建立

在分別建立灰度特征與運動特征觀測模型的基礎(chǔ)上，通過加權(quán)的方法將兩個觀測模型進行融合，得到一個聯(lián)合觀測模型，用以更新當(dāng)前幀中粒子的權(quán)值，其形式如式（11）所示：

其中，α為權(quán)值，α∈［0，1］，當(dāng)灰度特征較為明顯時，增大α，使得聯(lián)合觀測模型中的灰度特征發(fā)揮更大作用；當(dāng)目標處于強干擾環(huán)境中時，減小α，增強聯(lián)合觀測模型中運動特征的地位。

2 基于灰度-運動特征的粒子濾波算法描述

基于灰度-運動特征的聯(lián)合觀測模型的粒子濾波算法描述如下：

1）粒子采樣。從初始幀手動提取目標模板，得到目標的初始狀態(tài)參數(shù)，并在目標附近隨機選取N個粒子，初始化粒子權(quán)值。

2）粒子狀態(tài)轉(zhuǎn)移?？紤]到運動目標的狀態(tài)傳播具有加速度，所以采用如式（12）所示的二階ARP模型作為狀態(tài)轉(zhuǎn)移模型：

其中，是粒子隨機傳播的半徑，，這樣粒子集從k-1時刻的轉(zhuǎn)移到k時刻的。

3）粒子更新。根據(jù)聯(lián)合觀測模型來衡量粒子所代表的狀態(tài)與目標真實狀態(tài)之間的相似程度，相似度越高相應(yīng)權(quán)值越大，然后計算粒子權(quán)值并歸一化。

觀測模型：

粒子權(quán)值：

歸一化權(quán)值：

4）重采樣，避免粒子退化。這里采用相對效率的一種近似測量尺度，即有效樣本數(shù)Neff來度量，Neff越小，退化現(xiàn)象越嚴重［4］，如果有效樣本數(shù)Neff小于設(shè)定閾值，即：，則進行重采樣。重采樣過程采用隨機采樣方法。

5）目標位置確定。通過粒子加權(quán)和來估計當(dāng)前幀目標的狀態(tài)并更新目標的灰度模型。

3 目標跟蹤算法的實現(xiàn)

實例1：嚴重遮擋情況下紅外人體目標的跟蹤

紅外圖像序列1：存在樹木對人體的完全遮擋，279幀，大小為320×240。在初始幀中手動提取目標模型，目標中心為（9，118），大小為 10×30，初始化粒子數(shù)N=100，圖1為基于經(jīng)典粒子濾波算法的目標跟蹤結(jié)果。

圖1 經(jīng)典粒子濾波算法的跟蹤結(jié)果

從圖1可以看出，經(jīng)典粒子濾波算法在目標被部分遮擋情況下（第27幀）跟蹤出現(xiàn)了一些偏差，當(dāng)目標被完全遮擋時（第30幀），跟蹤誤差較大，當(dāng)目標重新出現(xiàn)時（第42幀），已經(jīng)無法進行跟蹤。分析跟蹤丟失的原因，主要是因為當(dāng)目標被嚴重遮擋時，粒子包含的目標狀態(tài)不可靠而造成的。

采用基于灰度-運動特征的粒子濾波算法進行目標跟蹤。灰度量化級數(shù)H=32，初始化粒子數(shù)N=100，考慮到對象為紅外目標，聯(lián)合觀測模型中運動信息發(fā)揮主要作用，故取系數(shù)α=0.3。圖2顯示了運動概率分布圖的獲取過程（以第69幀圖像為例）。為顯示需要，將值為1的點映射為255（白色），值為0的點仍然是0（黑色）。

圖2 運動信息提取過程

基于灰度-運動特征的粒子濾波算法的目標跟蹤結(jié)果如圖3所示。

從圖3可以看出，基于灰度-運動特征的粒子濾波算法在目標被部分遮擋時（第27幀），能很好地跟蹤目標，當(dāng)目標被完全遮擋時（第30幀），給出了目標的估計位置，當(dāng)目標從遮擋物中走出時（第42幀），能快速復(fù)原并恢復(fù)對目標的穩(wěn)定跟蹤。可見融合灰度與運動信息的粒子濾波跟蹤算法成功解決了完全遮擋情況下目標的跟蹤問題。

實例2：相似灰度干擾情況下紅外人體目標的跟蹤

紅外序列2：背景中存在與目標灰度相似的干擾，如花壇中的白色物體和路燈燈桿，186幀，大小為320×240，目標模型為15×33，經(jīng)典粒子濾波算法及基于灰度-運動特征的粒子濾波算法的目標跟蹤結(jié)果如圖4所示（參數(shù)設(shè)置與實例一相同）。

圖3 基于灰度-運動特征的粒子濾波算法的跟蹤結(jié)果

圖4 序列2的目標跟蹤結(jié)果（從左到右依次是10、81、128、183幀）

由于經(jīng)典粒子濾波算法只利用了目標的灰度信息，因此，背景中與目標灰度相似的干擾，如花壇中的白色物體、路燈燈桿等對跟蹤效果影響非常大。當(dāng)目標進入干擾區(qū)域（第81幀）時，跟蹤出現(xiàn)偏差，隨后誤差越來越大，最終跟蹤失敗。而基于灰度-運動特征的粒子濾波算法，由于增加了目標的運動信息，消除了靜止不動的干擾，實現(xiàn)了目標的準確跟蹤。

以實例1為例，對上述兩種算法的單幀處理時間進行了統(tǒng)計，經(jīng)典粒子濾波算法、基于灰度-運動特征的粒子濾波算法的單幀平均處理時間分別為0.1248 s、0.1532 s，說明后者在目標特征信息提取方面花費了更多的時間。

4 結(jié)論

經(jīng)典粒子濾波算法在對紅外目標進行跟蹤時，只利用了目標的灰度特征，當(dāng)背景較為復(fù)雜時，很容易丟失目標，為解決上述問題，文中對基于目標灰度及運動特征的粒子濾波算法進行了研究。實驗結(jié)果表明，基于灰度-運動特征的粒子濾波算法與經(jīng)典粒子濾波算法相比，雖然在效率上略有降低，但跟蹤精度與穩(wěn)定性卻大大增強。

［1］夏楠，邱天爽.一種卡爾曼濾波與粒子濾波相結(jié)合的非線性濾波算法［J］.電子學(xué)報，2013，41（1）：148-152.

［2］王鑫，唐振民.基于特征融合的粒子濾波在紅外小目標跟蹤中的應(yīng)用［J］. 中國圖象圖形學(xué)報，2010，15（1）：91-97.

［3］SHAH C F，WEI Y C，TAN T N.Real time hand tracking by combining particle filtering and mean shift［C］//Proceedings of the IEEE Intemational Conference on Automatic Face and Gesture Recognition，2004：669-674.

［4］NUMMIARO K，KOLLER M E，GOOL L V.An adaptive color-based particle filter［J］.Image and Vision Computing，2003，21（1）：99-110.

［5］胡穎.一種改進的均方根容積粒子濾波算法［J］.火力與指揮控制，2016，41（1）：104-108.