基于組合跟蹤的景象匹配分析評估方法

涂國勇，李偉建，劉興威，劉旭光，李 壯，譚鳳義

（酒泉衛(wèi)星發(fā)射中心，甘肅酒泉，732750）

景象匹配制導因具有分辨率高、可選擇目標攻擊點、命中精度高以及附帶傷害小等優(yōu)點[1]，已成為重要的制導方式之一。在景象匹配問題研究中，匹配算法的研究是熱點問題，如自適應冗余關鍵點消除的SIFT方法[2]、基于相位信息的梯度紋理特征匹配方法[3]、改進的基于分區(qū)的匹配算法[4]等。有學者關注了匹配制導精度的分析評估問題，如：文獻[5]提出了1 種基于Gabor 小波的制導精度預測方法；文獻[6]從實時圖獲取及預處理誤差、圖像匹配誤差、慣導測量誤差等方面分析了SAR圖像匹配制導精度的影響因素；文獻[7]研究了景象匹配/慣組導航復合制導武器系統(tǒng)精度分析和評估問題。但以上研究與飛行試驗工作中的分析評估側重點有所不同。近年來，目標跟蹤方法在醫(yī)療、航空、軍事等領域得到了廣泛的應用[8]，它能有效解決視頻流圖像中目標精確定位問題。飛行試驗中，景象匹配全過程實際上就是1 個目標跟蹤的過程，鑒于此，本文提出1 種基于組合跟蹤的景象匹配圖像全流程評估方法，以解決飛行試驗中景象匹配分析評估的問題。

1 序列圖關鍵幀匹配方法

當拍攝場景為平面時，可用射影變換描述任意2幀圖像間的幾何變換關系，特別是在高空對地面進行拍攝時，一般可用仿射變換近似描述。對于圖像序列Ik，k=2,3,…,n。對相鄰幀圖像進行匹配，得到變換矩陣Hk，k=2,3,…,n，滿足：

序列圖中的每1點坐標都可經過多次變換轉移到首幀圖像坐標系中，從而描述任意點在序列中的運動軌跡，并正則化描述任意軌跡之間的相對關系。據此實現對景象匹配的分析評估。

1.1 序列圖關鍵幀匹配框架

在飛行試驗中，受各種因素影響，圖像序列中可能存在無效幀，也可能有嚴重噪聲，在這種情況下，相鄰幀匹配會變得不可靠，本文提出1 種序列圖關鍵幀匹配方法，以期解決這一問題。如圖1所示，將關鍵幀記為Iut，t=1,2,…,m。設置u1=1，即第1 幀為關鍵幀。

圖1 序列圖匹配示意圖Fig.1 Diagram of sequence images matching

式（6）中,Area()· 表示區(qū)域面積。

圖2 匹配重疊率計算示意圖Fig.2 Diagram of the calculation of matching overlap rate

圖3 相關系數計算示意圖Fig.3 Diagram of the calculation of correlation coefficient

式（7）中：W為圖像坐標范圍；f、g分別為2幅圖像的灰度值；fˉ、gˉ分別為2幅圖像的灰度均值。

1.2 圖像匹配算法

對于序列圖中待匹配的模板和圖像，采用基于特征點的匹配方法進行快速匹配，流程如圖4 所示。分別在模板和圖像上檢測Fast特征點[9-10]，對檢測到的特征點構建BRIEF局部特征描述[11-12]，利用文獻[13]中提出的基于機器學習的方法進行特征點匹配，最后計算并輸出變換矩陣H。

圖4 匹配流程圖Fig.4 Matching flow diagram

2 基于組合跟蹤的景象匹配評估

2.1 跟蹤方法對比實驗

圖5 11組圖像序列的首幀圖像及目標Fig.5 First frame image and target of 11 sets of image sequences

11組圖像序列中多種跟蹤方法的跟蹤誤差，如表1 所示。表中，False 表示跟蹤失敗次數，AVE 表示算法的平均誤差。從跟蹤成功率角度分析，Struck最優(yōu)，之后依次為配準跟蹤、TLD、MIL、Boosting、中值流；從平均誤差角度分析，TLD最優(yōu)，之后依次為中值流、配準跟蹤。對于場景中立體效應較大的序列#1、#4、#5、#6、#7，跟蹤誤差最小的是TLD。對于場景符合平面約束的序列#2、#3、#8、#9、#10，配準跟蹤能取得較小的跟蹤誤差。

表1 多種跟蹤算法的跟蹤誤差對比結果Tab.1 Comparison results of track errors for multiple tracking algorithms

上述實驗結果說明，若要同時獲得較高的跟蹤成功率和較小的誤差，可同時使用多種方法，并對多種方法的跟蹤結果進行融合。

2.2 組合跟蹤方法

從上節(jié)分析結論可知，配準跟蹤和TLD 跟蹤是1種較優(yōu)組合方式，能優(yōu)勢互補，具體組合方法，如圖6所示。

圖6 組合跟蹤流程Fig.6 Combination tracking process

采用序列圖像配準方法計算圖像序列中每幀圖像到首幀圖像的變換矩陣，同時用TLD方法對目標進行跟蹤。用TLD跟蹤結果預測目標坐標，計算目標區(qū)域平整度。利用平整度對配準跟蹤與TLD 跟蹤的結果進行融合。當平整度較好時，采用配準跟蹤結果作為系統(tǒng)跟蹤結果；當平整度較差時，采用TLD 跟蹤結果作為系統(tǒng)跟蹤結果。

2.3 景象匹配評估實驗

為了說明組合跟蹤方法的性能，進行了以下3 組模擬實驗。

第1組實驗采用對室內場景拍攝的圖像序列。圖像間存在連續(xù)尺度變化、旋轉變化和快速移動等。跟蹤結果，如圖7所示。

圖7 第1組圖像實驗結果Fig.7 Results of the first set of image experiments

第2組實驗采用對室外場景拍攝的圖像序列。圖像間存在因快速變焦導致的圖像模糊。跟蹤結果，如圖8所示。

圖8 第2組圖像實驗結果Fig.8 Results of the second set of image experiments

圖7和圖8中的實驗結果表明，本文所提組合跟蹤方法能夠可靠快速地進行目標跟蹤，對圖像旋轉、尺度變化、圖像噪聲和模糊等都有很強的適應性。

第3組采用沙盤圖像序列進行實驗，指定第1幀圖像中心為目標，跟蹤結果，如圖9所示。

圖9 第3組圖像實驗結果Fig.9 Results of the third set of image experiments

圖10 和圖11 表示了圖9 中跟蹤過程的評估結果。圖10為視線中心與目標正則化距離曲線，圖像上2點間的正則化距離是指將2點轉換到首幀對應點上計算得到的像素距離。圖10 中，橫軸為圖像幀數，縱軸為視線中心與目標正則化距離，從圖可見在該組序列圖上，目標逐漸偏離視線中心。圖11為視線中心與目標2D關系。目標位于第1幀圖像中心，實心端點為首幀中視線中心位置，空心端點為末幀中視線中心位置，曲線表示將各幀圖像視線中心轉換到首幀圖像坐標系下形成的運動路徑，反映了目標與視場中心點間的運動關系。

圖10 視線中心與目標正則化距離曲線Fig.10 Curve of regularization distance between the center-of-sight and the target

圖11 視線中心與目標2D空間關系Fig.11 Two dimension spatial relationship between the center-of-sight and the target

通過將沙盤、室內和室外場景拍攝獲得的3 組實驗視頻作為跟蹤算法的測試圖像，實驗分析處理表明，采用文中提出的組合跟蹤方法對景象匹配制導過程中獲得的系列圖像進行分析處理，可獲得景象匹配的定量評估結論。

3 結論

景象匹配分析評估是飛行試驗的1 項重要工作，本文針對飛行試驗中獲得的圖像可能存在質量問題，在基于序列圖關鍵幀匹配方法的基礎上，提出了1 種組合跟蹤方法，用于景象匹配全流程評估。模擬實驗結果表明，組合跟蹤方法適應性強，視線中心與目標的正則化距離曲線和2D空間關系曲線能再現匹配跟蹤全過程，可給出光學景象匹配過程定量的評估結論。該項研究既提高了景象匹配分析評估工作的準確性，也能為飛試產品性能的改進等提供參考依據。