基于圖像處理技術(shù)的紅外小目標(biāo)的檢測(cè)與跟蹤(共11頁(yè))

1、對(duì)于(duy)低慢小目標(biāo)的偵測(cè)和處理(chl)對(duì)策 -基于圖像處理技術(shù)的紅外小目標(biāo)的檢測(cè)(jin c)與跟蹤摘 要：驗(yàn)證了一種基于紅外小目標(biāo)視頻圖像序列的跟蹤算法，主要研究了基于形心計(jì)算的跟蹤方法和基于kalman濾波器多幀數(shù)據(jù)關(guān)聯(lián)方法的跟蹤法。分別仿真驗(yàn)證，并從實(shí)現(xiàn)結(jié)果出發(fā)得出了兩種算法的適用范圍和各自存在的不足。0 引言 隨著近十幾年信息技術(shù)的飛速發(fā)展，計(jì)算機(jī)硬件的處理能力不斷提高，存儲(chǔ)成本大幅下跌，一些研究人員開(kāi)始重點(diǎn)研究計(jì)算機(jī)視覺(jué)中有關(guān)運(yùn)動(dòng)的問(wèn)題。與處理單幅圖像相比，圖像序列引入了新的時(shí)間維以及時(shí)間相關(guān)性約束，這一額外的約束激發(fā)了人們對(duì)視頻理解的研究.視頻序列目標(biāo)跟蹤是指對(duì)傳感器攝取到

2、的圖像序列進(jìn)行處理與分析，一旦目標(biāo)被確定，就可獲得目標(biāo)的特征參數(shù)選擇。 。 由于視頻跟蹤具有廣泛的應(yīng)用范圍，因而引起了世界范圍內(nèi)廣大研究者的興趣。 在1996年至1999年間，美國(guó)國(guó)防高級(jí)研究項(xiàng)目署（DARPA）資助卡內(nèi)基梅隆大學(xué)、戴維SARNOFF研究中心等著名大學(xué)和公司合作，聯(lián)合研制視頻監(jiān)視與監(jiān)控系統(tǒng)VSAM，主要研究目的是開(kāi)發(fā)用于戰(zhàn)場(chǎng)及普通民用場(chǎng)景的自動(dòng)視頻理解技術(shù)。DARPA在2000年又資助了重大項(xiàng)目HID計(jì)劃，其任務(wù)是開(kāi)發(fā)多模式的監(jiān)控技術(shù)以實(shí)現(xiàn)遠(yuǎn)距離情況下人的檢測(cè)、分類和識(shí)別，以增強(qiáng)國(guó)防、民用等場(chǎng)合免受恐怖襲擊的保護(hù)能力。在2008年，DARPA資助了一項(xiàng)研究實(shí)時(shí)流視頻監(jiān)視的技術(shù)。

3、 國(guó)內(nèi)許多研究所和大學(xué)也投入了大量的精力致力于圖像跟蹤的研究。如清華大學(xué)人機(jī)交互與媒體集成研究所在人臉跟蹤、視覺(jué)監(jiān)控、等方面取得了許多科研成果；北京自動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室在交通場(chǎng)景監(jiān)控、人體跟蹤、智能輪椅手勢(shì)導(dǎo)航等領(lǐng)域進(jìn)行了深入研究。 1 設(shè)計(jì)(shj)背景視頻序列目標(biāo)跟蹤是指對(duì)傳感器攝取到的圖像序列進(jìn)行處理與分析，充分利用傳感器采集得到信息來(lái)對(duì)目標(biāo)進(jìn)行穩(wěn)定跟蹤的過(guò)程。一旦目標(biāo)被確定，就可獲得目標(biāo)的位置、速度、加速度等運(yùn)動(dòng)(yndng)參數(shù)，進(jìn)而獲得目標(biāo)的特征參數(shù)。 運(yùn)動(dòng)分析的目的是根據(jù)運(yùn)動(dòng)線索揭示關(guān)于環(huán)境有價(jià)值的信息，這些信息可以用來(lái)執(zhí)行更高級(jí)的視覺(jué)任務(wù)，如活動(dòng)識(shí)別、視覺(jué)檢索等。

4、由于采集到的圖像序列通常(tngchng)是二維圖像，許多研究者開(kāi)始使用簡(jiǎn)單的二維表示處理運(yùn)動(dòng)分析問(wèn)題，避免了恢復(fù)三維世界的結(jié)構(gòu)、屬性等信息。通過(guò)視頻目標(biāo)跟蹤系統(tǒng)通過(guò)對(duì)圖像的去噪、對(duì)圖像進(jìn)行灰度變換、圖像融合、圖像增強(qiáng)等處理，可以快速的篩選并提取有用的信息。在軍事上，視頻序列目標(biāo)跟蹤技術(shù)廣泛應(yīng)用于精確制導(dǎo)、戰(zhàn)場(chǎng)機(jī)器人自主導(dǎo)航、無(wú)人機(jī)助降，靶場(chǎng)光電跟蹤等領(lǐng)域。在民用上，該技術(shù)主要應(yīng)用在智能視頻監(jiān)控、智能交通管制、醫(yī)療影像診斷等方面。 2 總體方案2.1 常用的跟蹤算法2.1.1基于特征的目標(biāo)跟蹤方法基于特征的方法利用了特征位置的變化信息,首先從圖像序列中抽取顯著特征,然后在序列圖像上尋找特征點(diǎn)的

5、對(duì)應(yīng)關(guān)系,特征匹配算法大都引入了剛體約束條件,已有的技術(shù)包括結(jié)構(gòu)匹配、樹(shù)匹配等。之后利用序列幀圖像中目標(biāo)特征點(diǎn)的對(duì)應(yīng)關(guān)系,解算當(dāng)前幀圖像中目標(biāo)位置。2.1.2基于(jy)相關(guān)的目標(biāo)跟蹤方法基于相關(guān)的目標(biāo)跟蹤方法是把一個(gè)預(yù)先存儲(chǔ)(cn ch)的目標(biāo)樣板作為識(shí)別和確定目標(biāo)位置的依據(jù),然后用目標(biāo)樣板與實(shí)時(shí)圖像中的各個(gè)(gg)子區(qū)域圖像進(jìn)行比較,找出和目標(biāo)模板最相似的一個(gè)子圖像位置,作為當(dāng)前目標(biāo)的位置,這就是相關(guān)跟蹤的基本思想,這種方法也叫做圖像匹配。2.1.3基于對(duì)比度的目標(biāo)跟蹤方法基于對(duì)比度的目標(biāo)跟蹤方法又稱波門跟蹤方法,該方法適用于目標(biāo)和背景具有明顯對(duì)比度的目標(biāo)跟蹤。該方法需設(shè)計(jì)一個(gè)波門,波門的

6、尺寸略大于目標(biāo)尺寸,使目標(biāo)不受波門外的背景和噪聲干擾的影響。跟蹤波門可分為固定式和自適應(yīng)式兩種。前者在跟蹤過(guò)程中波門的大小始終不變;后者則是在跟蹤目標(biāo)的過(guò)程中波門隨目標(biāo)的大小變化而變化。波門跟蹤算法可分為矩心跟蹤算法、邊緣跟蹤算法、雙邊緣跟蹤算法和區(qū)域平衡跟蹤算法等。2.2 本方案實(shí)現(xiàn)的技術(shù)難點(diǎn)要解決圖像序列的去除噪聲問(wèn)題，由于目標(biāo)過(guò)小故要選擇適當(dāng)?shù)娜コ肼暦椒?，?duì)融合了多種噪聲的圖像要選用綜合的去除噪聲方法。最終的跟蹤系統(tǒng)要實(shí)現(xiàn)自適應(yīng)濾波。要解決小目標(biāo)丟失或被遮擋后再次出現(xiàn)的問(wèn)題，要保證目標(biāo)再次出現(xiàn)后的準(zhǔn)確識(shí)別和跟蹤。3 原理(yunl)描述3.1 形心跟蹤(gnzng) 視頻圖像序列 濾波

7、去噪 背景提取 二值化處理 設(shè)置波門 計(jì)算形心 目標(biāo)物體跟蹤 興趣區(qū)獲取 灰度轉(zhuǎn)換攝像頭標(biāo)定物體保證在鏡頭內(nèi) 圖(1) 形心跟蹤(gnzng)系統(tǒng)流程圖如圖（1）所示，形心跟蹤首先要對(duì)圖像進(jìn)行灰度化處理，使彩色圖像轉(zhuǎn)換為8位灰度圖像以方便以后的運(yùn)輸和處理過(guò)程。3.1.1濾波(lb)去噪本次所用圖像序列的噪聲課近似認(rèn)為是椒鹽噪聲，在去噪聲時(shí)可以用中值濾波法，本方法可以有效的消除(xioch)椒鹽噪聲并保持圖像中的邊緣和細(xì)節(jié)。中值濾波法是把領(lǐng)域內(nèi)的所有像素按順序排列，然后用中間值代替中心元素的灰度值作為輸出。二維中值濾波(lb)定義為： （1）其中；f(x,y) 為原始圖像陣列； g(x,y) 為

8、中值濾波后圖像陣列；Median為中值濾波算子，取中值；A 為濾波窗口，大小為kl。中值濾波的缺點(diǎn)在于運(yùn)算速度隨窗口的擴(kuò)大而變慢，故為了提高檢測(cè)速度本次驗(yàn)證時(shí)采用的濾波窗口為窗口。3.1.2二值化處理二值化處理是利用同一區(qū)域具有某種共同的灰度特性進(jìn)行圖像的分割，其基本原理就是選取一個(gè)適當(dāng)?shù)幕叶乳撝翟O(shè)置一個(gè)閾值，然后對(duì)每個(gè)像素進(jìn)行檢測(cè)，當(dāng)檢測(cè)的像素的灰度值小于或等于閾值時(shí)，將此像素的灰度值變?yōu)?，當(dāng)檢測(cè)的像素的灰度值大于閾值時(shí)，將此像素灰度值變?yōu)?55。 （2） 其中是設(shè)定的閾值；是像素原有的灰度值；是處理后的灰度值。本次設(shè)計(jì)我們所讀取的目標(biāo)跟蹤序列，其背景與目標(biāo)的灰度基本保持不變。對(duì)此類視頻序

9、列圖像的閾值確定可以采用直方圖分布的辦法。即初步了解到所要跟蹤的目標(biāo)區(qū)域和目標(biāo)所在的背景區(qū)域各自處在一個(gè)灰度值的范圍，在直方圖的表現(xiàn)上為具有雙峰分布，通過(guò)選取波分之間的低谷所對(duì)應(yīng)的灰度值作為分割閾值就可以將目標(biāo)區(qū)域的背景區(qū)域分割開(kāi)來(lái)。3.1.3形心計(jì)算(j sun)對(duì)于二值化圖像在假設(shè)物體的面密度均勻分布的境況下，形心就是要探測(cè)物體的幾何中心。同過(guò)形心的計(jì)算可以快速的判斷目標(biāo)物體的具體位置(wi zhi)。當(dāng)目標(biāo)姿態(tài)改變時(shí)，形心的位置變動(dòng)較小。因此形心跟蹤比較平穩(wěn)，同時(shí)由于系統(tǒng)效應(yīng)，算法的抗干擾能力也較強(qiáng)。對(duì)于離散的數(shù)字圖像，其形心公式可以(ky)定義為： （3）其中， 、是目標(biāo)形心坐標(biāo)；是圖

10、像函數(shù)（即圖像上處像素點(diǎn)的灰度）；是橫坐標(biāo)范圍；是縱坐標(biāo)范圍。3.1.4添加波門算法在計(jì)算出目標(biāo)形心的基礎(chǔ)上，以形心為對(duì)稱中心分別在上下，左右畫(huà)線，連接在一起形成一個(gè)矩形框，即跟蹤波門。波門的大小有目標(biāo)大小而定，主要目的是可以標(biāo)出目標(biāo)的位置。過(guò)大的波門有較高的容錯(cuò)性，可以減小跟蹤算法的精度不夠而產(chǎn)生的跟蹤偏差，但由于波門較大所以跟蹤精度隨之降低。3.2 基于(jy)kalman濾波器多幀數(shù)據(jù)關(guān)聯(lián)(gunlin)方法 圖(2) kalman濾波(lb)流程圖Kalman濾波器是一個(gè)線性遞歸濾波器,用于對(duì)動(dòng)態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小方差誤差估計(jì)，從而對(duì)下一個(gè)狀態(tài)的運(yùn)動(dòng)做最優(yōu)估計(jì)。預(yù)測(cè)時(shí)具有無(wú)偏、

11、穩(wěn)定和最優(yōu)的特點(diǎn)。3.2 .1 kalman濾波首先要引入一個(gè)離散控制過(guò)程的系統(tǒng)。該系統(tǒng)可用一個(gè)線性隨機(jī)微分方程來(lái)描述： X(k)=A X(k-1)+B U(k)+W(k) （4）再加上系統(tǒng)的測(cè)量值：Z(k)=H X(k)+V(k) （5）上兩式子中，X(k)是k時(shí)刻的系統(tǒng)狀態(tài)，U(k)是k時(shí)刻對(duì)系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)，對(duì)于多模型系統(tǒng)，他們?yōu)榫仃嚒(k)是k時(shí)刻的測(cè)量值，H是測(cè)量系統(tǒng)的參數(shù)，對(duì)于多測(cè)量系統(tǒng)，H為矩陣。W(k)和V(k)分別表示過(guò)程和測(cè)量的噪聲。他們被假設(shè)成高斯白噪聲，他們的協(xié)方差分別是Q，R。之后來(lái)用他們結(jié)合他們的協(xié)方差來(lái)估算系統(tǒng)的最優(yōu)化輸出。利用(lyng)系統(tǒng)的過(guò)

12、程(guchng)模型，來(lái)預(yù)測(cè)下一狀態(tài)的系統(tǒng)(xtng)。假設(shè)現(xiàn)在的系統(tǒng)狀態(tài)是k，根據(jù)系統(tǒng)的模型，可以基于系統(tǒng)的上一狀態(tài)而預(yù)測(cè)出現(xiàn)在狀態(tài)：X(k|k-1)=A X(k-1|k-1)+B U(k) (6)其中，X(k|k-1)是利用上一狀態(tài)預(yù)測(cè)的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結(jié)果，U(k)為現(xiàn)在狀態(tài)的控制量，如果沒(méi)有控制量，它可以為0。P(k|k-1)=A P(k-1|k-1) A+Q (7)其中，P表示協(xié)方差，P(k|k-1)是X(k|k-1)對(duì)應(yīng)的協(xié)方差，P(k-1|k-1)是X(k-1|k-1)對(duì)應(yīng)的協(xié)方差，A表示A的轉(zhuǎn)置矩陣，Q是系統(tǒng)過(guò)程的協(xié)方差。式子1，2就是卡爾曼濾波器5

13、個(gè)公式當(dāng)中的前兩個(gè)，也就是對(duì)系統(tǒng)的預(yù)測(cè)。結(jié)合預(yù)測(cè)值和測(cè)量值，可以得到現(xiàn)在狀態(tài)(k)的最優(yōu)化估算值X(k|k)：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1) (8)其中Kg為卡爾曼增益：Kg(k)= P(k|k-1) H / (H P(k|k-1) H + R) (9)為了要另卡爾曼濾波器不斷的運(yùn)行下去直到系統(tǒng)過(guò)程結(jié)束，還要更新k狀態(tài)下X(k|k)的c協(xié)方差：P(k|k)=（I-Kg(k) H）P(k|k-1) (10)其中I為1的矩陣，對(duì)于單模型單測(cè)量，I=1。當(dāng)系統(tǒng)進(jìn)入k+1狀態(tài)時(shí)，P(k|k)就是式子(2)的P(k-1|k-1)。3.2 .1 聯(lián)合(lin

14、h)數(shù)據(jù)關(guān)聯(lián)在第1次到第k次掃描所獲得的全部(qunb)有效測(cè)量已知的情況下，第k次掃描(somio)時(shí)，第i（）個(gè)觀測(cè)時(shí)間點(diǎn)內(nèi)均為正確的測(cè)量的概率，稱之為正確關(guān)聯(lián)概率用表示。 （11）公式（4）中，第k次掃描第i個(gè)測(cè)量為正確測(cè)量的事件；第1次到第k次掃描所獲得的全部有效測(cè)量的集合； 第k次測(cè)量所獲得的測(cè)量數(shù)目。 （12）公式（5）中， ， 是有效測(cè)量皆來(lái)自目標(biāo)的條件下的目標(biāo)狀態(tài)估計(jì)值。3.2 .1 確認(rèn)矩陣引入了確認(rèn)（聚）矩陣，用來(lái)反映聚集內(nèi)掃描的所有目標(biāo)和測(cè)量的關(guān)系 ，設(shè)m和n為某一具體聚集內(nèi)點(diǎn)跡（測(cè)量）和目標(biāo)數(shù)，則m（n+1）聚矩陣定義 （13）其中是是、一個(gè)二值變量（取0或1），用以表

15、示量測(cè)j是否落入目標(biāo)t的確認(rèn)門之內(nèi)。t=0表示沒(méi)有目標(biāo)，測(cè)量源于雜波或虛警，。 圖（3）兩目標(biāo)(mbio)示意圖如圖（3）2個(gè)目標(biāo)(mbio)（t1、t2）和3個(gè)測(cè)量(cling)（z1、z2、z3），其確認(rèn)矩陣為： 4分析1 對(duì)比度矩心跟蹤法通過(guò)對(duì)原圖像進(jìn)行圖像閾值分割、形心計(jì)算，最終實(shí)現(xiàn)目標(biāo)的跟蹤。此種算法具有簡(jiǎn)單、快速和實(shí)時(shí)性高的特點(diǎn)。但是，此種算法的實(shí)用性范圍極其有限，一般來(lái)說(shuō)只適用于目標(biāo)圖像與背景圖像的灰度值相差較大的情形下才能實(shí)現(xiàn)，否則將得不到目標(biāo)的形心。除此之外，該算法受圖像成像過(guò)程中引入的噪聲的影響比較大，在環(huán)境較為惡劣的情況下將會(huì)失去對(duì)目標(biāo)的有效跟蹤。因而，對(duì)比度矩心跟蹤法面

16、臨背景環(huán)境的限制以及成像系統(tǒng)噪聲的限制。2基于kalman濾波器多幀數(shù)據(jù)關(guān)聯(lián)方法不必對(duì)原圖像進(jìn)行預(yù)處理，基本保留了圖像的全部信息，這對(duì)于目標(biāo)所在的背景區(qū)域的了解至關(guān)重要；其次，此跟蹤算法非常適合于在環(huán)境復(fù)雜多變的情況下進(jìn)行目標(biāo)的跟蹤。但不足之處是由于在相關(guān)匹配的過(guò)程中涉及到大量的數(shù)學(xué)運(yùn)算，因而系統(tǒng)跟蹤的實(shí)時(shí)性將大大降低，為進(jìn)一步提高系統(tǒng)的實(shí)時(shí)響應(yīng)，相應(yīng)的處理器、存儲(chǔ)器等硬件設(shè)備的性能要求較高。即使在匹配的過(guò)程中進(jìn)一步降低搜索區(qū)域，但那樣有可能得到的是局部最優(yōu)值，其最終結(jié)果是真正的目標(biāo)沒(méi)有被跟蹤到。因而，基于kalman濾波器多幀數(shù)據(jù)關(guān)聯(lián)方法面臨實(shí)時(shí)性的提高以及快速搜索區(qū)域算法的進(jìn)一步優(yōu)化。主要

17、(zhyo)參考文獻(xiàn)1 張然，呂高杰，張國(guó)華 光電目標(biāo)圖像(t xin)自動(dòng)跟蹤技術(shù)研究J， HYPERLINK /kns50/Navi/Bridge.aspx?DBCode=CJFD&LinkType=BaseLink&Field=BaseID&TableName=CJFDBASEINFO&NaviLink=%e7%94%b5%e5%85%89%e4%b8%8e%e6%8e%a7%e5%88%b6&Value=DGKQ t _blank 電光(dingung)與控制, HYPERLINK /kns50/Navi/Bridge.aspx?DBCode=CJFD&LinkType=IssueLi

18、nk&Field=BaseID*year*issue&TableName=CJFDYEARINFO&Value=DGKQ*2008*09&NaviLink=%e7%94%b5%e5%85%89%e4%b8%8e%e6%8e%a7%e5%88%b6 t _blank 2008,15(9)：65-682 王唯合，王宏志，趙蘭英 運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法研究，長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào), HYPERLINK /kns50/Navi/Bridge.aspx?DBCode=CJFD&LinkType=IssueLink&Field=BaseID*year*issue&TableName=CJFDYEARINFO&Value=DGKQ*2008*09&NaviLink=%e7%94%b5%e5%85%89%e4%b8%8e%e6%8e%a7%e5%88%b6 t _blank 2007,28(4)：411-4143 張巖; 崔智社; 龍騰; 圖象序列中機(jī)動(dòng)目標(biāo)的形心跟蹤， HYPERLINK /KNS50/Navi/Bridge.aspx?LinkType=BaseLink&DBCode=cjfd&TableName=cjfdbaseinfo&Field=BaseID&Value=HKXB&NaviLink