基于相關(guān)濾波的艦船目標(biāo)抗干擾跟蹤算法

邱千鈞, 周鵬耀, 高 欣, 張 芳, 呂梅柏

(1. 海軍裝備部駐北京地區(qū)第二軍事代表室, 北京 100000; 2. 西北工業(yè)大學(xué), 西安 710072; 3. 軍工保密資格審查認(rèn)證中心, 北京 100089; 4. 西安應(yīng)用光學(xué)研究所, 西安 710065)

0 引 言

海上艦船目標(biāo)跟蹤是制導(dǎo)導(dǎo)彈實(shí)現(xiàn)準(zhǔn)確打擊的關(guān)鍵之一, 在跟蹤算法中, 目標(biāo)特征選取及特征提取方法很大程度上決定了跟蹤性能的好壞。 艦船類目標(biāo)制導(dǎo)系統(tǒng)特征的提取難點(diǎn)主要在于尺度縮放和特征丟失問(wèn)題。 這些問(wèn)題的存在使得跟蹤任務(wù)可能會(huì)受到影響, 造成目標(biāo)丟失、 跟蹤非選中目標(biāo)等結(jié)果。

隨著計(jì)算機(jī)技術(shù)廣泛應(yīng)用到生產(chǎn)與生活中, 計(jì)算機(jī)數(shù)字處理技術(shù)在圖像處理中的應(yīng)用發(fā)展迅速[1]。 計(jì)算機(jī)視覺(jué)是圖像處理中一個(gè)重要的研究方向, 其主要任務(wù)是利用計(jì)算機(jī)代替人眼對(duì)場(chǎng)景進(jìn)行感知[2], 通過(guò)對(duì)攝取到的圖像信息進(jìn)行提取, 實(shí)現(xiàn)目標(biāo)跟蹤功能。

目標(biāo)跟蹤[3]作用機(jī)理是通過(guò)給定視頻流中的第一幀或后續(xù)某一幀目標(biāo)的坐標(biāo)和長(zhǎng)寬后, 在后續(xù)幀中對(duì)目標(biāo)進(jìn)行識(shí)別, 持續(xù)穩(wěn)定跟蹤目標(biāo)的位置狀態(tài)。 基于視覺(jué)目標(biāo)跟蹤主要分為基于可見(jiàn)光目標(biāo)跟蹤和基于紅外目標(biāo)跟蹤[4]。 由于可見(jiàn)光圖像容易獲取并且擁有較高的分辨率和較為豐富的紋理細(xì)節(jié), 因此本文目標(biāo)跟蹤算法基于可見(jiàn)光圖像。

目標(biāo)跟蹤中基于相關(guān)濾波的跟蹤算法應(yīng)用較為廣泛, 最早將相關(guān)性應(yīng)用到目標(biāo)跟蹤中的算法是MOSSE(Minimum Output Sum of Squared Error)[5], 而之后衍生出的KCF(Kernelized Correlation Filters)算法[6]應(yīng)用最廣泛。

基于相關(guān)濾波開(kāi)展的KCF算法使用目標(biāo)的HOG(Histogram of Oriented Gradient)特征, 但這種特征對(duì)于目標(biāo)尺度縮放、 目標(biāo)形態(tài)變化等帶來(lái)的特征丟失、 局部特征不足、 抗尺度變化能力不夠等問(wèn)題不能很好的解決。 因此, 本文針對(duì)以上問(wèn)題, 開(kāi)展基于HOG, LBP(Local binary patterns), CN(Color Names)三種特征柔性融合技術(shù)對(duì)原有KCF算法特征丟失及局部特征不足進(jìn)行改進(jìn), 開(kāi)展多分辨率閾值選取算法研究, 對(duì)KCF算法抗尺度縮放干擾能力不足進(jìn)行優(yōu)化。

實(shí)驗(yàn)研究表明, 本文提出的基于特征柔性融合和多分辨閾值選取的改進(jìn)KCF算法, 有效解決了艦船類目標(biāo)跟蹤過(guò)程中特征模糊及丟失導(dǎo)致的形態(tài)變化和目標(biāo)尺度縮放問(wèn)題。

本文研究的算法邏輯流程如圖1所示。

圖1 算法邏輯流程圖Fig.1 Algorithm logic flow chart

1 HOG, LBP, CN特征融合

可見(jiàn)光圖像, 一般為RGB三通道[7], 其本質(zhì)是一個(gè)二維矩陣, RGB圖像是利用紅色(Red)、 綠色(Green)、 藍(lán)色(Blue)三個(gè)顏色進(jìn)行加權(quán)堆疊得到二維矩陣中的一個(gè)像素。

特征提取是可見(jiàn)光目標(biāo)跟蹤制導(dǎo)系統(tǒng)的一個(gè)重要組成部分, 圖像特征提取利用計(jì)算機(jī)提取圖像的信息, 判別圖像的像素點(diǎn)是否屬于圖像的一個(gè)特征。 特征提取把圖像上的像素點(diǎn)分成不同子集[8], 子集一般分為孤立的點(diǎn)、 連續(xù)曲線或者連續(xù)區(qū)域。

圖像特征種類很多, 因其應(yīng)用于不同任務(wù)有很多種分類方法, 本文主要介紹三種特征, 分別為HOG特征、 CN特征、 LBP特征。 利用這三種特征進(jìn)行特征像素級(jí)融合, 提高目標(biāo)跟蹤特征提取能力, 解決特征模糊問(wèn)題。

1.1 HOG特征提取

HOG特征是一種特性描述子, 即計(jì)算每個(gè)像素的梯度得到HOG特征[9]。 目標(biāo)的局部形狀可以被梯度很好地描述, 因?yàn)樘荻戎饕嬖谟诰植磕繕?biāo)中的邊緣區(qū)域。 提取HOG特征的步驟如圖2所示。

圖2 HOG特征提取流程示意圖Fig.2 Diagram of HOG feature extraction

(1) 首先是輸入圖片, 之后對(duì)圖像做歸一化處理, 由于采集到的圖像有時(shí)會(huì)過(guò)亮或過(guò)暗, 利用Gamma校正可以解決此問(wèn)題[10], 其原理如下:

I0(x,y)=I(x,y)γ

(1)

式中:I(x,y)表示像素點(diǎn)的灰度值;I0(x,y)表示經(jīng)過(guò)Gamma校正后的灰度值;γ表示矯正系數(shù)。 可以看出, Gamma校正本質(zhì)是對(duì)圖像灰度值做非線性操作, 使輸出圖像灰度值與輸入圖像灰度值呈指數(shù)關(guān)系, 當(dāng)γ>1時(shí), 圖像中灰度較高的區(qū)域?qū)Ρ榷仍鰪?qiáng), 圖像變暗; 當(dāng)γ<1時(shí), 圖像中灰度較低的區(qū)域?qū)Ρ榷仍鰪?qiáng), 圖像變亮; 當(dāng)γ=1時(shí), 不改變圖像的灰度。

(2) 圖像歸一化后, 對(duì)圖像中每個(gè)像素點(diǎn)計(jì)算梯度;

(3) 將圖片分成若干個(gè)8×8的單元, 那么一個(gè)單元里會(huì)包含8×8×2個(gè)值, 即每個(gè)像素點(diǎn)包含兩個(gè)信息, 梯度幅值和梯度方向, 將這128個(gè)值統(tǒng)計(jì)為梯度直方圖, 此時(shí)特征從128維降到9維。 把0°～180°分成9個(gè)間距相等的直方圖, 統(tǒng)計(jì)各個(gè)像素點(diǎn)從屬于哪個(gè)直方圖;

(4) 得到每一個(gè)單元的梯度直方圖后, 每4個(gè)單元為一個(gè)子塊, 即2×2個(gè)單元組成一個(gè)子塊, 每個(gè)單元為1×9維, 4個(gè)單元?jiǎng)t為1×36維, 再對(duì)子塊進(jìn)行歸一化;

(5) 將子塊框在圖像上滑動(dòng)遍歷, 可以得到若干個(gè)歸一化后的1×36維子塊向量, 將這些向量整合拼接, 便可得到HOG特征向量。

1.2 LBP特征提取

原始LBP特征提取時(shí), 定義以當(dāng)前像素為中心, 取大小為3×3的鄰域, 把中心點(diǎn)像素灰度值作為閾值, 和相鄰的8個(gè)像素的灰度值做比較, 如圖3所示。

圖3 中心像素LBP值提取示意圖Fig.3 Schematic diagram of LBP value extraction of center pixel

對(duì)原圖中某一像素點(diǎn)及其鄰域灰度求解得到圖3(b), 以中心點(diǎn)周圍像素的灰度值大于中心點(diǎn)時(shí)記為1, 否則記為0作為判斷標(biāo)準(zhǔn), 對(duì)圖3(b)進(jìn)行閾值判斷得到圖3(c)。 將圖3(c)中這8個(gè)數(shù)按順時(shí)針組成一個(gè)8位二進(jìn)制數(shù), 這個(gè)數(shù)就是中心像素的LBP值。

原始LBP特征值計(jì)算公式為

(2)

式中: (xc,yc)為中心像素的坐標(biāo);n為3×3鄰域中第n個(gè)像素;N為采樣個(gè)數(shù);i為鄰域像素灰度值;ic為中心像素灰度值; sgn(x)為符號(hào)函數(shù)。

1.3 CN特征提取

顏色特征作為一種全局特征, 描述了圖像或者圖像區(qū)域?qū)?yīng)景物的表面特征。 由于顏色對(duì)圖像或者圖像區(qū)域的方向、 大小等變化不敏感, 造成目標(biāo)定位準(zhǔn)確率低, 單獨(dú)使用CN特征會(huì)造成許多不必要的圖像也被檢索出來(lái)。 但由于CN特征不受圖像旋轉(zhuǎn)和尺度變化的影響, 艦船類目標(biāo)CN特征相對(duì)于背景較為明顯, 所以采用CN特征對(duì)艦船類目標(biāo)進(jìn)行特征增強(qiáng), 縮小背景噪聲干擾。

顏色矩作為一種常用的CN特征提取方法, 采用顏色的一階矩、 二階矩足以表達(dá)圖像的顏色分布。 相比于其他方法, 該方法無(wú)需對(duì)特征進(jìn)行向量化, 一定程度上減少算法的參數(shù), 提高算法實(shí)時(shí)性:

(3)

(4)

1.4 特征加權(quán)融合

考慮到艦船類目標(biāo)由于目標(biāo)形態(tài)變化等問(wèn)題, 原有KCF使用的HOG特征無(wú)法解決上述問(wèn)題。 因此, 提出了一種基于HOG特征, 對(duì)LBP和CN特征加權(quán)的特征提取方法。 該方法將艦船類目標(biāo)圖像進(jìn)行均勻分塊, 根據(jù)不同塊對(duì)于LBP和CN特征識(shí)別貢獻(xiàn)率添加不同權(quán)重, 加強(qiáng)艦船類目標(biāo)重要部位對(duì)識(shí)別效果的影響。 該方法實(shí)現(xiàn)步驟如下:

(1) 使用m×m卷積將圖像分成m塊并提取HOG, LBP, CN特征。 整幅圖像的特征向量為

H=(h1,h2,h3,h4, …,hm)

(5)

L=(l1,l2,l3,l4, …,lm)

(6)

式中:hi(1≤i≤m)表示第i子塊的HOG特征向量;li(1≤i≤m)表示第i子塊的LBP特征向量。

(2) 計(jì)算每個(gè)分塊的加權(quán)系數(shù)。 由于艦船顏色與背景區(qū)分較為明顯, 子塊顏色標(biāo)準(zhǔn)差能夠較為準(zhǔn)確反映該子塊內(nèi)艦船顏色所占整個(gè)子塊的比例。 因此, 比較子塊標(biāo)準(zhǔn)差與艦船類目標(biāo)顏色閾值的大小, 并統(tǒng)計(jì)符合閾值的子塊, 若子塊標(biāo)準(zhǔn)差越高, 賦予子塊的權(quán)重就越大。 對(duì)劃分為m塊的每個(gè)子塊提取到的顏色特征, 通過(guò)艦船類目標(biāo)顏色閾值選取每個(gè)子塊合適的權(quán)重。

C=(c1,c2,c3,c4, …,cm)

(7)

(8)

(9)

(3) 將不同子塊的權(quán)重系數(shù)賦予相應(yīng)子塊的HOG特征向量和LBP向量, 得到加權(quán)后的HOG-LBP特征。

經(jīng)實(shí)驗(yàn)測(cè)試, 本方法提出的HOG, LBP, CN融合算法對(duì)目標(biāo)形態(tài)變化的問(wèn)題有很好的改善效果, 解決了原有HOG特征在上述情況下的特征模糊及丟失問(wèn)題。

2 KCF算法原理

2.1 嶺回歸分類器

KCF的基本模型是嶺回歸分類器。 這個(gè)分類器和目標(biāo)的相似值為一個(gè)理想值, 也就是目標(biāo)的中心為1, 其周圍逐漸降低, 直至為0[11]。 設(shè)用于訓(xùn)練的樣本集為(xi,yi), 可以得到線性回歸函數(shù)f(xi):

f(xi)=ωTxi

(10)

式中:ω為列向量, 表示權(quán)重系數(shù), 也是待求的項(xiàng), 可通過(guò)最小二乘法求解。

(11)

式中:λ為正則化參數(shù), 以防止過(guò)擬合。 將式(11)寫(xiě)為矩陣形式, 即

(12)

ω=(XTX+λI)-1XTy

(13)

2.2 循環(huán)矩陣

(14)

循環(huán)矩陣有很多良好的性質(zhì), 例如相似對(duì)角化[14], 即在復(fù)數(shù)域中任何n階循環(huán)矩陣都可以對(duì)角化。

(15)

式中:F為酉矩陣。

2.3 ω簡(jiǎn)化計(jì)算

在引入循環(huán)矩陣后, 利用循環(huán)矩陣對(duì)角化的性質(zhì):

(16)

因此有

(17)

式中: ⊙代表點(diǎn)乘運(yùn)算。

把式(16)代入式(13)中:

(18)

繼續(xù)化簡(jiǎn)得到

(19)

對(duì)式(19)循環(huán)矩陣求逆的對(duì)角化性質(zhì):

(20)

式中:f為傅里葉變換,f-1為傅里葉逆變換。 之后再利用循環(huán)矩陣的卷積性質(zhì), 得到

(21)

2.4 核函數(shù)回歸訓(xùn)練提速

f(z)=wTψ(z)

(22)

式中:f(z)轉(zhuǎn)換為變換結(jié)果的線性函數(shù);w是由訓(xùn)練樣本的非線性變換ψ(xi)線性組合而成。

(23)

把式(23)代入式(22)中, 可得

(24)

(25)

式中:α為N×1維,κ(z)為N×1維, 其中第i個(gè)元素為訓(xùn)練的樣本xi和測(cè)試的樣本z的核函數(shù)值, 此時(shí)雖然f(z)是關(guān)于z的非線性函數(shù), 但其卻是關(guān)于核函數(shù)κ(z)的線性函數(shù), 因此可以用線性函數(shù)優(yōu)化法求解α:

α=(K+λI)-1y

(26)

式中:K為總訓(xùn)練樣本的核相關(guān)矩陣,Kij=κ(xi,xj), 當(dāng)K為高斯核時(shí), 核相關(guān)矩陣也是循環(huán)矩陣[15], 因此可以對(duì)閉式解α進(jìn)行簡(jiǎn)化:

(27)

(28)

再進(jìn)行傅里葉變換, 得到最終簡(jiǎn)化結(jié)果:

(29)

3 KCF抗干擾改進(jìn)算法

針對(duì)KCF算法中單訓(xùn)練濾波器造成的形態(tài)變化問(wèn)題, 以及固定尺寸目標(biāo)框響應(yīng)峰值相對(duì)固定造成的尺度單一問(wèn)題, 本文采用HOG, LBP, CN多特征濾波器融合及多分辨率目標(biāo)框方法進(jìn)行解決。

3.1 形態(tài)變化

目標(biāo)形態(tài)變化是目標(biāo)跟蹤領(lǐng)域中一個(gè)重要的挑戰(zhàn), 例如人在運(yùn)動(dòng)時(shí)軀體的變化, 鳥(niǎo)在飛翔時(shí)外觀的改變。 形態(tài)外觀的改變隨之帶來(lái)的是目標(biāo)特征的改變, 因此選取對(duì)目標(biāo)外觀改變不敏感的特征進(jìn)行相關(guān)濾波目標(biāo)跟蹤, 是解決形態(tài)變化的一種思路。 HOG特征具有幾何不變與光學(xué)不變性[16], LBP特征具有旋轉(zhuǎn)不變性和灰度不變性[17], 對(duì)HOG, LBP兩種特征以及CN特征進(jìn)行三特征融合。 利用式(29)對(duì)融合后的加權(quán)HOG-LBP特征訓(xùn)練濾波器:

(30)

(31)

將閾值乘以各自對(duì)應(yīng)的響應(yīng)矩陣, 得到最終響應(yīng)矩陣, 可得最終響應(yīng)圖。 根據(jù)最終響應(yīng)圖中最高峰坐標(biāo)得到目標(biāo)位置, 如圖4所示。

圖4 三特征融合示意圖Fig.4 Diagram of three features fusion

3.2 尺度縮放

針對(duì)艦船類目標(biāo)跟蹤過(guò)程中由于目標(biāo)尺度問(wèn)題造成的特征丟失問(wèn)題, 提出了一種多分辨率目標(biāo)框的解決方法。 該方法通過(guò)對(duì)目標(biāo)框進(jìn)行適當(dāng)?shù)目s放, 對(duì)每一幀的響應(yīng)圖用濾波器和訓(xùn)練樣本與待檢測(cè)區(qū)域樣本之間的核相關(guān)矩陣按元素相乘得到。 在根據(jù)目標(biāo)框獲取待檢測(cè)區(qū)域時(shí), 對(duì)目標(biāo)框進(jìn)行縮放, 如圖5所示, 圖中黑框代表原目標(biāo)框, 藍(lán)框代表縮放后的目標(biāo)框。

圖5 五尺度目標(biāo)框示意圖Fig.5 Schematic diagram of five scale target frame

圖5中所使用的0.9, 1.1, 0.85, 1.05縮放倍數(shù)通過(guò)由遠(yuǎn)及近多組艦船類目標(biāo)由圖6經(jīng)驗(yàn)取值流程得到。

圖6 縮放因子經(jīng)驗(yàn)取值流程Fig.6 Empirical value setting process for scaling factors

圖7 五尺度目標(biāo)框生成響應(yīng)示意圖Fig.7 Response diagram of five scale target frame

4 KCF抗干擾改進(jìn)算法實(shí)驗(yàn)

4.1 算法性能對(duì)比測(cè)試

為了進(jìn)一步驗(yàn)證本文提出的跟蹤算法性能, 將本方法和其他主流的目標(biāo)跟蹤方法進(jìn)行性能對(duì)比, 以精確度及成功率作為視頻跟蹤效果的評(píng)價(jià)指標(biāo), 精確度指標(biāo)反映了目標(biāo)中心位置誤差小于20像素的幀數(shù)占比, 中心位置誤差即算法標(biāo)定的中心位置與真實(shí)中心位置之間的平均歐式距離, 誤差差值取20個(gè)像素。 假設(shè)算法標(biāo)定的目標(biāo)框的中心位置為(xpre,ypre), 真實(shí)目標(biāo)框的中心位置為(xgt,ygt), 則中心位置誤差計(jì)算公式如下:

(32)

算法標(biāo)定成功率表示在總幀數(shù)中重疊率大于閾值的幀數(shù)占比, 該閾值取為0.5。 邊界框重疊率即算法標(biāo)定的目標(biāo)框與真實(shí)目標(biāo)框的交并比。 假設(shè)算法標(biāo)定的目標(biāo)框?yàn)锳pre, 真實(shí)目標(biāo)框?yàn)锳gt, 重疊率OR的計(jì)算公式如下:

(33)

在海上目標(biāo)數(shù)據(jù)集進(jìn)行測(cè)試得到結(jié)果如圖8所示。

圖8 海上目標(biāo)數(shù)據(jù)集上的測(cè)試結(jié)果Fig.8 Testing results on OTB

可以觀察得到, 本文改進(jìn)算法的性能均優(yōu)于經(jīng)典的濾波類跟蹤算法, 精確度為 0.936, 較CF2算法性能提高了4.1%, 較KCF算法性能提升了23.8%; 成功率為0.701, 較CF2跟蹤算法性能提高了5.3%, 較KCF算法性能提升了24.2%。 在海上目標(biāo)跟蹤數(shù)據(jù)集進(jìn)行測(cè)試, 與其他六種算法的對(duì)比跟蹤結(jié)果如表1所示。

表1 對(duì)比算法跟蹤結(jié)果Table 1 Comparison of algorithm tracking results

4.2 OTB數(shù)據(jù)集實(shí)驗(yàn)

由于艦船類目標(biāo)針對(duì)形變和尺度變化實(shí)驗(yàn)樣本少, 而OTB數(shù)據(jù)集作為跟蹤數(shù)據(jù)集包含各種復(fù)雜情況, 故本文所提出的三特征融合算法擬先在OTB數(shù)據(jù)集上驗(yàn)證抗形變和尺度變化能力。 本文選取OTB數(shù)據(jù)集中的DEF(形變)屬性的視頻作為實(shí)驗(yàn)對(duì)象, 其中較為經(jīng)典的是Bolt2視頻幀, 百米運(yùn)動(dòng)員在比賽奔跑過(guò)程中身體外觀變化較大, 因此適用于測(cè)試抗形態(tài)變化相關(guān)濾波目標(biāo)跟蹤算法, 如圖9所示, 圖中黃色框?yàn)槿卣魅诤虾蟮母櫧Y(jié)果, 綠框?yàn)榛叶葐翁卣鞯母櫧Y(jié)果, 在前10幀時(shí), 由于目標(biāo)形態(tài)外觀變化不大, 單特征算法與三特征融合算法表現(xiàn)都較好, 第24幀時(shí)單特征算法跟蹤出現(xiàn)了位置漂移, 并且漂移量隨著跟蹤的進(jìn)行持續(xù)增大, 在第143幀時(shí)完全丟失目標(biāo), 而三特征融合算法跟蹤結(jié)果一直較為穩(wěn)定, 未出現(xiàn)明顯漂移現(xiàn)象, 也未出現(xiàn)跟丟目標(biāo)的情況, 因此采用非獨(dú)立置信度融合法對(duì)三特征進(jìn)行融合后的相關(guān)濾波目標(biāo)跟蹤算法對(duì)于目標(biāo)形態(tài)變化有較好的魯棒性。

圖9 抗形態(tài)變化相關(guān)濾波目標(biāo)跟蹤算法效果Fig.9 Effect of target tracking algorithm with correlation filtering against morphological changes

同樣, 針對(duì)五尺度目標(biāo)框測(cè)試, 首先在OTB數(shù)據(jù)集中CarScale視頻中進(jìn)行測(cè)試, 然后在艦船類目標(biāo)測(cè)試。 如圖10所示, 可以看到開(kāi)始跟蹤后第37幀和第116幀的目標(biāo)大小比例變化不大, 第175幀、 第196幀和第232幀目標(biāo)大小比例變化較大, 五尺度目標(biāo)框可以較好地應(yīng)對(duì)目標(biāo)大小比例變化。

圖10 五尺度目標(biāo)框車輛測(cè)試視頻Fig.10 Five scale target frame vehicle test video

在艦船目標(biāo)跟蹤實(shí)驗(yàn)中, 選擇同一場(chǎng)景下同一艦船目標(biāo)進(jìn)行算法對(duì)比實(shí)驗(yàn)結(jié)果展示。 對(duì)SRDCF, DSST, KCF經(jīng)典濾波算法和本文算法進(jìn)行定性實(shí)驗(yàn), 對(duì)比跟蹤結(jié)果如圖11所示。

圖11 跟蹤結(jié)果Fig.11 Tracking Results

4.3 艦船目標(biāo)實(shí)驗(yàn)

使用本算法對(duì)海上艦船目標(biāo)進(jìn)行實(shí)驗(yàn), 分別選取艦船目標(biāo)形態(tài)變化和尺度縮放的情況。 如圖12所示, 航空母艦在轉(zhuǎn)彎時(shí)會(huì)因自身角度變化導(dǎo)致形態(tài)變化, 本文提出的算法穩(wěn)定鎖住目標(biāo)。

圖12 艦船目標(biāo)形態(tài)變化實(shí)驗(yàn)圖Fig.12 Experimental image of ship target morphology change

由于真實(shí)軍艦素材對(duì)于尺度驗(yàn)證難度大, 本方法采用仿真生成不同尺度下的軍艦。 如圖13所示, 軍艦在由遠(yuǎn)及近靠近攝像頭時(shí), 軍艦尺度會(huì)發(fā)生變化, 本文提出的算法穩(wěn)定鎖住目標(biāo)。

圖13 艦船目標(biāo)尺度縮放實(shí)驗(yàn)圖Fig.13 Experimental image of ship target scale change

5 結(jié) 論

為了解決艦船類目標(biāo)由于特征模糊及形態(tài)變化和尺度縮放導(dǎo)致的目標(biāo)丟失問(wèn)題。 通過(guò)對(duì)于多特征融合和相關(guān)濾波機(jī)理性研究, 可以得出以下結(jié)論:

(1) 在形態(tài)變化中, 利用非獨(dú)立置信度融合法對(duì)跟蹤響應(yīng)圖進(jìn)行閾值自適應(yīng)融合, 將HOG、 CN和LBP特征進(jìn)行了多特征融合, 較好地解決了目標(biāo)形態(tài)變化對(duì)目標(biāo)跟蹤任務(wù)產(chǎn)生的問(wèn)題。

(2) 在尺度縮放中, 利用五尺度分辨率目標(biāo)框應(yīng)對(duì)目標(biāo)尺度縮放問(wèn)題, 通過(guò)不同尺度目標(biāo)框產(chǎn)生的跟蹤響應(yīng)圖來(lái)得到目標(biāo)的當(dāng)前幀尺度, 較好地解決了目標(biāo)尺度縮放對(duì)目標(biāo)跟蹤任務(wù)產(chǎn)生的問(wèn)題。