成像目標質(zhì)心跟蹤算法適應(yīng)性研究

穆曉敬，楊振聲，劉紅梅，黃子露

（航空工業(yè)洪都，江西 南昌， 330024）

0 引言

紅外成像制導是利用目標和背景的熱輻射差，形成目標與背景的紅外信息來實現(xiàn)自動導引的一種制導方法。瞄準系統(tǒng)中使用的紅外系統(tǒng)自動從背景雜波中選擇和識別目標，并使用門限技術(shù)來做出識別和選擇。 當目標被檢測或識別出來后，需要對目標進行實時跟蹤，即實現(xiàn)從當前幀目標到后一幀目標的對應(yīng)與匹配。

本文對成像目標質(zhì)心跟蹤算法進行研究，分別建立基于種子點生長和閾值分割的質(zhì)心跟蹤算法MATLAB 數(shù)學模型，基于簡單背景和復雜環(huán)境進行性能仿真，并應(yīng)用相關(guān)策略實現(xiàn)目標跟蹤，統(tǒng)計目標跟蹤特征量，對質(zhì)心跟蹤算法適應(yīng)性進行綜合評估。

1 基于種子點生長的質(zhì)心跟蹤算法

1.1 種子點生長算法

種子點生長算法是指依據(jù)事先給定的相似性準則（生長準則），將相鄰且滿足相似性準則的像素或子區(qū)域合并成同一區(qū)域的過程。種子點生長法面臨的問題有3 個：種子點選取，相似性準則確定，生長停止的條件。 紅外圖像一般選擇高亮的像素作為種子點，依據(jù)像素之間灰度值的差異作為生長準則，并通過預先設(shè)定門限來判斷是否進行生長，直到所有像素遍歷完，則停止生長。

種子點生長算法原理如圖1 所示，其中下標為像素點序號，紅色字體表示像素點灰度。

圖1 種子點生長過程

假設(shè)當前種子點為01 點， 則在其8 鄰域連通像素中，像素點08 的灰度值與種子點的灰度值最接近，像素點08 被加入到生長區(qū)域中，并且像素點08 作為新的種子點執(zhí)行后面的過程。 在第二次循環(huán)過程中，待分析圖像中像素11、12 的灰度值和已生長區(qū)域（由01 和08 組成）的灰度均值12 最接近，像素點11、12被加入到生長區(qū)域中。

種子點生長基本步驟如下：

1） 圖像預處理：圖像區(qū)域生長基于像素，去除圖像中一些灰度不正常的噪聲點可明顯改善圖像分割效果，本文采用均值濾波去除這些噪聲。

2） 邊緣檢測： 圖像邊緣是圖像局部特性不連續(xù)性， 標志著一個區(qū)域的終結(jié)和另外一個區(qū)域的開始。本文采用Sobel 算子進行圖像邊緣提取。

3） 種子點的自動選取

種子像素的選取常借助具體問題的特點。在軍用紅外圖像中檢測目標時， 通常由于目標輻射較大，可選用圖中最亮（或最暗）的點作為種子像素。如果對具體問題沒有先驗知識，則可借助生長準則對每個像素進行計算，若計算結(jié)果呈聚類現(xiàn)象，則接近聚類中心的像素可取為種子像素。在圖像跟蹤過程中目標一般位于圖像的中心處， 可選取圖像的中心作為種子點。這里為了避免一些隨機噪聲點的影響，種子點生長算法選取圖像3×3 鄰域灰度均值最大的像素作為種子像素點。

4） 生長判決條件及過程

設(shè)得到的邊緣像素點集中，邊緣像素點的總數(shù)為，灰度分別為（0），（1），…，（-1），種子點的像素灰度為M，計算平均相似度：

作為區(qū)域生長過程的分割閾值。 另外，計算種子區(qū)域中的像素點與候選像素之間的相似性是否滿足：

5） 搜索種子點的8 鄰域像素點， 若與種子點相鄰的像素的灰度與種子點本身的灰度差異小于預先設(shè)定的門限T，則認為該像素與種子點隸屬于同一個區(qū)域，將其標記為一類，將種子點的值賦予當前點，并以當前點為種子點繼續(xù)生長；若灰度值差異大于門限T，認為當前像素點與種子點不屬于同一類，則跳過當前點，繼續(xù)下一個像素點的判斷，執(zhí)行步驟6）。

6） 判斷當前像素點是否已標記以及是否最后一個像素點，若已標記，則跳過該點，繼續(xù)下一個相鄰點的判斷；反之，則執(zhí)行步驟(6)；若已是圖像最后一個像素點，則結(jié)束循環(huán)。

1.2 基于種子點生長的質(zhì)心跟蹤算法仿真分析

基于種子點生長的質(zhì)心跟蹤算法就是利用種子點生成圖像跟蹤目標，程序流程圖如圖2 所示。

圖2 種子點生長算法流程圖

根據(jù)種子點生長規(guī)則，目標跟蹤效果主要受種子點選取和生長閾值的影響。戰(zhàn)場環(huán)境中涉及紅外成像目標可分為簡單背景目標和復雜背景目標，根據(jù)目標距離關(guān)系可分為成像小目標和大目標，根據(jù)目標特性可分為無紋理目標和紋理豐富目標。本文采用Matlab軟件就該算法對不同目標適應(yīng)性進行仿真分析。

在目標跟蹤過程中，遠距離時目標成像小，隨目標距離逼近，目標成像逐漸增加直至充滿視場。 首先對遠距離小目標跟蹤效果進行分析。選取某簡單背景下的暗目標如表1 所示，目標大小約為視場的1/20，分別以跟蹤點和偏離跟蹤點3 個像素取為種子點進行仿真。

表1 小目標靜止圖像跟蹤仿真

當目標較小生長點偏差3 個像素時生長圖像無法生成跟蹤目標，尤其在遠距離跟蹤過程中，其質(zhì)心跟蹤點逐漸漂移到目標邊界影響跟蹤效果。

目標與背景的對比度也影響著目標跟蹤穩(wěn)定性。選取合適種子點對簡單背景下低對比度目標進行仿真， 當視場中目標具有一定大小且目標紋理不明顯（低對比度目標）時，種子點生長算法具有良好分割效果，如表2 所示，能夠?qū)崿F(xiàn)目標的穩(wěn)定跟蹤。

表2 種子點生長算法結(jié)果

綜上可知：對于遠距離小目標，基于種子點生長的質(zhì)心跟蹤算法有一定的局限性，但是可以通過相關(guān)策略對跟蹤效果進行修正，一是對目標跟蹤點進行人工在線修正；二是在目標逼近的過程中，隨著目標增大，跟蹤點不會漂出目標外且目標與背景對比度較明顯，此時再介入質(zhì)心跟蹤?？紤]到目標增大種子點生長全目標的時間增加，實際應(yīng)用中需要對該算法進行簡化，并對處理器運算能力提出了一定的要求。

2 閾值分割的原理分析

閾值分割首先確定一個處于圖像灰度級范圍內(nèi)的灰度閾值T，然后將圖像中每個像素的灰度值都與這個閾值T 比較，根據(jù)它是否超過閾值T 而將該像素歸于兩類中的一類。 常用的方法就是設(shè)定某一閾值T，用T 將圖像分割成大于閾值T 的像素群(目標)和小于閾值T(背景)的像素群兩部分。

設(shè)輸入圖像是F（x，y），輸出圖像是B（x，y），則：

由此可以看出，確定最優(yōu)的分割閾值是閾值分割的關(guān)鍵所在，決定了圖像分割的效果。 目前常用的閾值分割方法有：直方圖峰谷法、最大類間方差法、最大熵法、基于統(tǒng)計的閾值分割法等。 本文主要使用基于灰度統(tǒng)計的閾值分割方法。

對于不同的背景圖像，其分割閾值不應(yīng)該是固定，而自適應(yīng)閾值一定跟圖像的某些統(tǒng)計屬性有關(guān)。統(tǒng)計發(fā)現(xiàn)，可以利用圖像的灰度均值以及方差來確定閾值，因此，基于灰度統(tǒng)計的閾值分割方法的主要思想可以描述如下：

根據(jù)圖像的灰度均值及方差統(tǒng)計圖像來確定門限th，即

其中，m，n 為處理圖像的長和寬；mean 為整幅圖像的平均灰度值；σ 為整幅圖像的灰度標準差；k 為常數(shù)，可以通過試驗反復調(diào)整獲得。 窗口寬度m，n 的選擇對閾值分割效果影響較大。 若m 取值過大，則有可能失去局部處理的意義， 同時也會產(chǎn)生大量的計算，導致算法運行速度較慢。 若m 取值過小，則可能導致前景或背景內(nèi)部產(chǎn)生噪聲干擾。參數(shù)k 對圖像的分割效果也有著一定的影響，一般試驗參數(shù)k 取3 較為理想，既不會引入太多的虛假噪聲點；也不會影響目標的形狀分割。這種基于灰度統(tǒng)計閾值分割算法特別適合于對小目標圖像的處理。

工程上常采用如下的閾值分割參數(shù)：

當目標與背景有一定灰度差時：

分割閾值=背景均值+3*背景方差

當目標與背景有一定的灰度差，但對比度較小時：

分割閾值=（1-）* 背景均值+（1-） 前景均值+（3*背景方差+3*前景方差）

該方法適用于目標位于圖像中心且所占視場比例較小的情況。

2.1 基于閾值分割的質(zhì)心跟蹤仿真分析

本文采用基于灰度統(tǒng)計的閾值法來確定圖像分割的閾值，并結(jié)合幀間目標信息實現(xiàn)目標跟蹤。 算法流程圖如圖3 所示。

圖3 程序流程圖

為避免分割過程中背景比重、目標大小對圖像分割的影響，本文采用子圖形進行圖像分割，即對包含目標在內(nèi)的一定區(qū)域進行閾值分割，當目標超出當前區(qū)域大小時， 采用下采樣的方法對圖像進行分割，分割完成后對跟蹤波門進行回歸處理。本文根據(jù)實際圖像和目標的大小，選取的子圖像大小為64*64，采樣率分別為1 倍采樣、2 倍采樣和4 倍采樣； 若在原圖上進行圖像分割，由于目標較小時，背景較多，干擾較大，會對分割效果有一定影響，采用子圖像進行圖像分割能夠有效改善該問題，同時采用不同采樣率設(shè)計能夠滿足目標逼近過程中圖像分割的適應(yīng)性。圖像中采用紅色波門框表示圖像分割出的目標，藍色標記點為目標質(zhì)心跟蹤點。

采用MATLAB對不同背景下的目標跟蹤特性進行仿真， 選取圖像跟蹤中的部分跟蹤結(jié)果進行說明，內(nèi)容包括跟蹤圖和分割圖兩部分，跟蹤圖為原始圖像加跟蹤波門，分割圖為不同子圖像下根據(jù)分割閾值分割出的目標圖像。

1） 簡單背景下的目標跟蹤

對簡單背景下低對比度目標進行仿真分析，結(jié)果如表3 所示， 可見采用基于閾值分割的質(zhì)心跟蹤算法，在目標由遠到近、由小到大的逼近過程中能準確分割出目標并跟蹤，對于孤立目標且與背景有一定對比度的目標能穩(wěn)定跟蹤， 但是在目標逼近充滿視場時，由于目標較大，目標紋理細節(jié)突出，圖像分割只分出目標的一部分， 目標跟蹤進入到目標某部分的質(zhì)心。 此時跟蹤算法可通過對前后幀目標長高比、占空比及其變化率的判定來對當前目標跟蹤進行判斷，決定是否退出質(zhì)心跟蹤，更換跟蹤策略。

表3 簡單背景下的目標跟蹤

可見，當目標位于圖像中心且所占視場比例較小時，該算法分割的子圖像形狀規(guī)則、邊緣清晰，分割效果良好，圖像逐漸增大過程中能夠?qū)崿F(xiàn)目標穩(wěn)定跟蹤。

2） 復雜背景下的目標跟蹤

對復雜場景中的目標跟蹤進行仿真，采用質(zhì)心跟蹤算法存在質(zhì)心分割不完整的現(xiàn)象。該問題由目標邊緣部分像素灰度值與背景灰度值相近且目標內(nèi)部紋理豐富對比度較大造成。圖像分割時找不到合適的閾值，此時目標分割不完整。

表4 復雜背景下的圖像跟蹤

基于閾值分割質(zhì)心跟蹤算法適用于目標與背景有一定灰度差，且目標灰度較均勻的場景。 灰度差較小的目標和背景不適用于該方法， 需進一步改進研究。該方法也適用于復雜背景下與背景對比明顯的低對比度目標跟蹤，對分割閾值加以約束，并對分割后的目標占空比、長高比及其變化率進行判斷，可以得到穩(wěn)定的質(zhì)心分割結(jié)果。

3 基于種子點生長與閾值分割的質(zhì)心跟蹤對比分析

對同一背景目標，分別采用基于種子點生長和閾值分割的質(zhì)心跟蹤算法進行仿真研究，目標為簡單背景下“田”字目標，仿真結(jié)果如表5 所示。

表5 基于種子點生長和閾值分割的質(zhì)心跟蹤算法仿真分析

基于閾值分割的質(zhì)心跟蹤算法在目標跟蹤全程均能獲得較好的跟蹤效果，在目標較小或由小到大的逼近過程中，目標分割穩(wěn)定，能夠?qū)崿F(xiàn)穩(wěn)定跟蹤基于種子點生長的質(zhì)心跟蹤算法，在目標較小時存在分割不穩(wěn)定的現(xiàn)象；當目標有一定紋理時，存在分割不完整的現(xiàn)象。

4 結(jié)語

本文主要研究了基于種子點生長和閾值分割的質(zhì)心跟蹤算法，并對其分別進行仿真分析。 仿真結(jié)果表明：基于種子點生長的質(zhì)心跟蹤算法適用于簡單背景下無紋理或低對比度目標，對于遠距離小目標由于跟蹤漂移的影響，會導致目標分割不完整。 隨著目標增大到視場一定比重后，種子點生長算法能夠穩(wěn)定生長出目標，進入穩(wěn)定的質(zhì)心跟蹤，直到目標放大到超出質(zhì)心跟蹤的最大范圍，則退出跟蹤。 實際應(yīng)用中可通過對目標距離的判定或分割目標大小的判定決定是否啟用基于種子點的質(zhì)心跟蹤分割算法。若在跟蹤過程中可對跟蹤點進行修正，可以獲得良好的跟蹤效果。

基于閾值分割的質(zhì)心跟蹤算法，只利用圖像的灰度信息，不依賴當前跟蹤點，可實現(xiàn)無修正分割和自適應(yīng)跟蹤，自適應(yīng)跟蹤過程中對簡單場景下的目標跟蹤效果較好；對遠距離孤立小目標且與背景有一定灰度對比度時，能穩(wěn)定跟蹤在目標由遠逼近、由小到大的過程中，跟蹤穩(wěn)定；對復雜場景中的低對比度目標有一定的適應(yīng)性，適用范圍較種子點生長更優(yōu)越。