一种基于模型互更新的双模图像决策级融合跟踪方法
【专利摘要】本发明公开了一种基于模型互更新的双模图像决策级融合跟踪方法。本发明针对红外与可见光图像的特点，首先提取红外与可见光图像的特征描述向量，使其能提供互补信息，增加图像的信息量描述。之后采用GentleAdaboost学习算法分别建立红外与可见光图像两个分类器模型，将跟踪问题转化为目标与背景的二分类问题。然后在半监督学习框架下协同训练，同时进行模型互更新，有效避免了模型误差累积问题。并利用训练结果和它们各自的置信度进行决策级融合得到最终的似然图像，最后通过均值漂移算法在最终的似然图像中定位目标位置。本发明能有效避免模型误差累积和单模图像描述目标信息局限性而导致的跟踪丢失问题，提高了跟踪的鲁棒性。
【专利说明】一种基于模型互更新的双模图像决策级融合跟踪方法【技术领域】
[0001]本发明属于图像融合跟踪【技术领域】，涉及一种基于模型互更新的双模图像决策级融合跟踪方法。
【背景技术】
[0002]图像融合是图像处理的一种技术手段，属于信息融合中的一个分支。它是根据某一算法，将从2个或者2个以上的传感器在同一时间(或不同时间或不同观测角度)得到的针对某个具体场景的图像或者图像序列信息加以综合处理，从而得到一个新的有关此场景的解释。这个解释是从单一传感器获取的信息中无法得到的，它能提供互补信息，增加图像的信息量描述，提高对环境的适应性，同时更能满足某种要求，对目标或场景的描述更为准确、全面、可靠。
[0003]根据信息抽象的程度，图像融合的处理通常可分为三个层次:像素级融合、特征级融合和决策级融合。决策级融合是最高层次的图像信息融合，每个传感器先分别建立各自的初步判决，然后对来自各传感器的决策根据一定的准则和每个决策的可信度进行融合处理，从而获得最终的联合判决。
[0004]由于可见光传感器是利用光反射率而成像的，具有光谱信息丰富、分辨率高、动态范围大的特点，但其容易受光照变化、阴影的影响。红外传感器的成像利用的是物体的辐射能量，对光照和阴影变换具有鲁棒性，有一定的穿透烟雾等能力，但是其信噪比低，成像质量较差，缺乏纹理特征。将这两种传感器的图像融合用于目标跟踪，可以弥补单一传感器自身的局限性，提高在复杂背景和干扰存在的情况下正确跟踪目标的概率，从而避免因环境或干扰因素导致跟踪精度低或者目标丢失等现象。
【发明内容】
[0005]本发明针对现有技术的不足，提供了一种基于模型互更新的双模图像决策级融合跟踪方法。
[0006]本发明的具体步骤是:
[0007]步骤(1).提取初始帧红外图像与初始帧可见光图像的特征
[0008]1.1初始帧红外图像的特征提取:
[0009]对初始帧红外图像提取灰度颜色与梯度方向直方图两种特征。
[0010]根据初始帧红外图像中目标像素点(X，y)，由公式(1)、(2)得到该目标像素点(X，y)的梯度，如下:
[0011]Gx(x, y) = H(x+1, y)-H(x-l, y) 式(1);
[0012]Gy(x, y) = H(x, y+l)-H(x, y-1) 式⑵;
[0013]式中，Gx(X，y)、Gy(X，y)、H(X，y)分别表示输入初始帧红外图像中该目标像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值。
[0014]根据公式(3)、(4)，该目标像素点(x，y)处的梯度幅值G(x，y)和梯度方向α (X，y)为:
[0015]
【权利要求】
1.一种基于模型互更新的双模图像决策级融合跟踪方法，其特征在于该方法的具体步骤是:步骤(1).提取初始帧红外图像与初始帧可见光图像的特征1.1初始帧红外图像的特征提取:对初始帧红外图像提取灰度颜色与梯度方向直方图两种特征；根据初始帧红外图像中目标像素点(X，y)，由公式(1)、(2)得到该目标像素点(x，y)的梯度，如下:Gx(x, y) = H(x+1, y)-H(x-l, y) 式(1);Gy(x, y) = H(x, y+l)-H(x, y-1) 式⑵;式中，Gx(x, y)、Gy (x, y)、H(x, y)分别表示输入初始帧红外图像中该目标像素点(x, y)处的水平方向梯度、垂直方向梯度和像素值；根据公式(3)、(4)，该目标像素点(x，y)处的梯度幅值G(x，y)和梯度方向a (x, y)为:
【文档编号】G06K9/62GK103679677SQ201310681113
【公开日】2014年3月26日 申请日期:2013年12月12日 优先权日:2013年12月12日
【发明者】谷雨, 苟书鑫, 彭冬亮, 陈华杰, 刘俊 申请人:杭州电子科技大学