產品 求購 供應 文章 問題

0431-81702023
光學工程
一種基于算法融合的紅外目標跟蹤方法

摘要 視頻目標跟蹤的難點在于快速、準確地在幀與幀之間匹配目標。由于紅外圖像目標與背景的反差低,圖像的邊緣模糊并且灰度級動態范圍小,使紅外目標跟蹤難度比可見光更大。本文提出一種針對紅外目標跟蹤的融合算法,該方法融合直方圖和不變矩的特點。首先利用目標的直方圖計算簡單快速的特點,由均值平移算法快速找到局部最優解,但由于該局部最優解僅為直方圖匹配的最優解,缺少目標形狀特征,與實際目標位置存在一定的偏差;其次,利用邊緣不變矩作為修正特征修正誤差,避免跟蹤誤差逐漸累計而最終導致跟蹤失敗,以提高跟蹤的穩定性和精度。實驗結果表明,該算法能夠消除跟蹤過程中的漂移現象,提高跟蹤精度。

關鍵詞 紅外目標;目標跟蹤;直方圖;不變矩;均值平移

1 引 言

       圖像序列中運動目標的跟蹤和分割是計算機視覺研究的重要內容,它在航空航天、智能機器人、自動監控系統、醫學圖像分析以及視頻壓縮等領域都具有廣泛的應用。國內外學者對此進行了大量的研究,并提出了許多有效的方法,例如光流法、豪斯多夫(Hausdorff)法、相關匹配和跟蹤特征點法等。

      直方圖具有較好穩定性,不受目標的外形和比例變化的影響,抗部分遮擋,計算方法簡單和計算量小的特點。Comaniciu等[1]利用直方圖,使用均值平移的方法對彩色圖像中的目標進行跟蹤,發展了一種在目標運動不很復雜的條件下,時間復雜度很小,而跟蹤精度卻較高的跟蹤算法。Zhang等[2]將均值平移算法與粒子濾波方法相結合,取得較好的跟蹤效果。不變矩特征是描述圖像旋轉、縮放、平移(RST)不變性的數學特征,Hu[3]給出了連續函數矩的定義,并熱核了7個2階和3階不變矩的表達式,即 Hu不變矩。Chen[4]提出了基于邊界的計算區域不變矩的快速算法,并通過實驗驗證了算法的有效性。Mehdian等[5]利用不變矩確定物體的方位等等。

      紅外圖像的目標與背景反差很低,圖像的邊緣模糊和灰度級動態范圍低,其直方圖的信息量較少,僅基于直方圖作為目標的匹配特征,雖然可以較快的搜索到局部最優解,但不可避免地在跟蹤過程中產生誤差,隨著該誤差的積累,將會使跟蹤點逐漸漂移目標;另一方面,基于不變矩等目標形狀邊緣特征的搜索匹配點,隨著目標運動范圍的擴大,需要擴大搜索范圍從而導致算法實時性無法保證。

      本文將直方圖和不變矩結合起來,融合均值平移算法快速定位和不變矩定位精確的特點,將算法分為兩步,首先由基于直方圖的均值平移算法進行快速粗定位;然后利用不變矩進行精確定位。解決了因基于直方圖的定位誤差累計導致跟蹤目標逐步漂移而最終導致跟蹤失敗的問題。實驗結果表明,該算法解決了跟蹤過程中漂移的問題,提高了跟蹤的穩定度和精度,并且實時性也得到保證。

2 運動目標提取

      本文所描述的系統使用背景減除法提取運動目標,背景減除法的關鍵是背景圖像的描述模型即背景模型,它是背景減除法分割運動前景的基礎。背景模型可以用單分布概率模型來描述,最常用的描述場景背景點顏色分布的概率密度模型是高斯分布。

      單高斯分布背景模型[6]適用于單模態背景,它把每個像素點的灰度值分布用單個高斯分布表示,下標t表示時間。設像素點的當前灰度值為,記,若 的值大于3倍的方差,則該點被判定為運動前景點,否則認為該點與高斯分布相匹配,為場景背景像素點。

      單高斯分布背景模型的更新指描述場景背景的高斯函數參量的更新,引入學習率。表示參量的更新速度,如果被判為運動前景點,就不參與更新,則像素點高斯分布參量按如下公式更新:

則目標分割公式為

 

則目標分割公式為

 

經過分割后,目標經過形態學方法和區域標記處理后[7],被跟蹤目標在位置為y、寬度為h的矩形窗內。

3 基于算法融合的目標跟蹤

       經過上面獲得的運動目標的大小和位置后,進入目標跟蹤狀態。直方圖具有計算簡單、穩定性好的特點,但丟失了目標的形狀和邊緣特征;不變矩描述目標特征雖然準確但計算復雜,在大范圍的搜索中無法保證實時。本文融合這兩種特征的優點,利用直方圖的快速性進行初級定位,而后由不變矩在小范圍內精確定位。

 3.1 基于直方圖的目標初級定位

    

      均值平移利用目標直方圖作為特征,通過迭代的方法尋找局部最優匹配點,避免了全局范圍搜索導致效率下降。但由于紅外圖像目標動態范圍小,目標/背景的襯比度低,使得利用均值平移進行目標跟蹤時,從跟蹤開始階段目標便出現目標跟蹤位置誤差,隨著跟蹤過程的不斷延續,如果該誤差得不到修正,將最終導致跟蹤失敗。

      利用均值平移算法可以快速地并且以較小的偏差在下一幀找到目標的位置,在使用均值平移算法進行跟蹤時,平均的迭代次數在4次左右,說明該算法具有很高的效率,圖1是對某序列圖像跟蹤的迭代次數曲線。

3.2 基于不變矩的修正定位

        經過上述算法初級定位之后,匹配點已在最優點附近,因此只要利用不變矩在小范圍內進行精確匹配定位,修正誤差,以避免漂移現象。

       不變矩特征是描述圖像 RST 不變性的數學特征,Hu給出連續函數矩的定義,并給出7個2階和3階不變矩的表達式,即 Hu不變矩。

       設犳(狓,狔)是封閉區域 犚 上的連續函數,在區域R外f(x,y)=0,則f(x,y)的p+q階距與中心距定義為

 

 

       以上矩與不變矩都是基于區域的,并且是在函數連續的條件下定義的。對于數字圖像,其函數表達式與區域都屬于離散情況,相應的p+q階矩與中心矩的表達式由原來積分變為求和,即

      圖像的邊緣信息構成了描述目標的主要信息,本文采用基于邊界的不變矩作為圖像匹配特征,圖像邊界不變矩具有 RST 不變的特性,因此采用邊緣作為匹配特征。本文采用文獻[10]的計算方法。 

3.3 算法描述

      在均值平移算法快速定位的基礎上,利用邊緣不變矩定位精確的特點,僅在小范圍內進行不變矩匹配,減少算法運行時間。并且使用兩步搜索算法以進一步減少算法復雜度,搜索步驟如圖2所示。

 

算法具體步驟如下:

      1)由背景減除 法 提 取 分 割 目 標 ,提 取 目 標 模板,計算目標模板的邊緣不變矩 M1~M6;

      2)對每一幀由均值平移算法不超過4次迭代,搜索新幀的目標,找到次優匹配點。

      3)以最優點為中心,以圖像的邊緣不變矩作為特征。由式作為匹配測度[11],由二步搜索算法結果作為最優匹配結果。

 

4   實驗結果

       本文試驗選取視頻中的一段,視頻大小為768× 578的8位紅外制冷熱像儀視頻,幀頻25Hz,所跟蹤的目標是道路上行駛的車輛。使用均值平移算法對其中一個目標進行跟蹤(圖3),分割出目標大小為17×17,在圖像的第4幀,可以看到跟蹤框已經偏離了目標區域,隨著跟蹤的繼續,該跟蹤逐漸偏離目標發生漂移,最終導致跟蹤失敗。而利用本文算法,在跟蹤的每一次都進行誤差修正,圖4(a)、圖4(c)、圖4(e)、圖 4(g)分 別 是 均 值 平 移 結 果,圖 4(b)、圖4(d)、圖4(f)、圖4(h)分別是修正后結果。

       從經過修正前后的直方圖相似度(圖5)和不變矩特征(圖6)的距離對比可以看出,雖然修正前后的直方圖差異不大,但是用邊緣距測度距離差異卻很明顯,說明直方圖匹配得到的‘最優解’并非實際意義的最優。

        根據前面的分析可知,使用均值平移算法的跟蹤精度較低,對上面圖像序列中另一個目標分別使用均值平移[圖7(a)]和本文算法[圖7(b)]進行跟蹤的目標中心點軌跡,該目標作勻速直線運動,使用均值平移算法雖然能夠跟蹤該目標,分別用直線對兩組軌跡進行擬合,擬合的平方誤差分別為54.06和330.21。使用本文算法跟蹤軌跡的精度要明顯高于均值平移算法。

 

       以上跟蹤試驗在 P42.6GHz的電腦上運行,分別對運行時間進行測試,對目標尺寸在30×30以下,在每幀搜索過程中,單獨使用均值平移算法限定了最大迭代次數,其運行時間可以預測,平均處理時間為20ms以內。邊緣不變矩處理時間為90ms,而搜索半徑范圍為目標半徑,約10個像素左右,處理時間平均為120ms以內,平均幀頻為10幀,對于地面目標跟蹤,基本可以滿足實時要求。如果采用邊緣不變矩方法跟蹤目標,并具有同樣的搜索半徑,處理時間將會超過 2s以上。無法滿足實時性要求。

5 結 論

      由于紅外圖像固有的缺陷,使得快速而準確地跟蹤目標變得十分困難。本文所提出的算法首先依據目標的直方圖特征,利用均值平移算法,快速地初步定位目標位置;然后在該位置的基礎上,利用邊緣不變矩特征,進行目標的精確定位。從而彌補了均值平移算法僅通過直方圖而忽略的目標的形狀和邊緣特征,使得因定位誤差累計而導致跟蹤失敗的缺陷。實驗表明,該算法對跟蹤性能有很大的提高,對跟蹤精度也有所改善。并且能夠滿足實時性要求,具有較高的實用價值。

 

 

 

 


版權信息:長春市金龍光電科技有限責任公司 | 聯系電話:0431-81702023 | 網站備案號:吉ICP備07002350號-1 | EMAIL:[email protected]
35选7中奖号码