一种红外跟踪方法与流程

本发明涉及数字图像处理领域，尤其是涉及一种基于豪斯多夫(Hausdorff)距离匹配的自适应模板的红外跟踪方法。

背景技术：

如今，随着信息技术以及计算机性能的不断提升，越来越多的人开始了对计算机视觉中的目标运动问题进行研究。在红外图像处理领域，红外目标跟踪在智能安防监控以及红外制导技术研究领域飞速发展，特别是在一些跟踪的实时性和精准度上要求很高的监控和作战环境中，对新算法的研究有着重大的意义。

红外目标跟踪在工程控制、交通监控、医学图像研究、自动导航系统、天文监测等领域有着很重要的实用价值。特别是在军事方面，红外制导成为越来越重要的作战装备之一。目前大多数红外目标跟踪的算法还存在着许多的不足之处，复杂些的算法在实时目标跟踪方面达不到要求，单一的算法又不能进行长期稳定的进行跟踪，这对于现代化信息战争是极为不利的影响，所以研究实时高效的红外目标跟踪算法成为的当前人们研究的重要课题。

基于Hausdorff距离匹配的红外目标跟踪算法是基于红外目标的轮廓特征进行目标建模，对于特定的目标外观特征可以很好的进行鲁棒跟踪，再加入自适应的目标模板更新，可以有效的减少噪声的干扰对跟踪的影响。但时目前红外目标被遮挡、尺度变化等问题还需要更深入的研究。

技术实现要素：

本发明的目的是提供一种基于Hausdorff距离匹配的自适应模板的红外跟踪方法，对于红外目标跟踪实时性好、跟踪稳定以及鲁棒性强。

本发明公开的技术方案为：采用改进的Sobel边缘检测算子对输入的红外图像进行边缘检测，提取目标的轮廓特征，在跟踪时采用快速的双向Hausdorff距离方法对目标模板与待搜索区域进行模板匹配，对最佳的匹配结果进行自适应的模板更新从而进行目标跟踪，具体步骤如下：

步骤1：输入红外视频，对初始帧进行人工选定目标区域，采用改进的Sobel算子进行二值化处理，得到目标的边缘轮廓信息并建立目标模板；

步骤2：读取下一帧图像，对待检测的区域进行改进的Sobel算子处理，二值化后，得到边缘轮廓信息；

步骤3：对Sobel后的目标模板以及待检测的区域进行改进的双向Hausdorff距离匹配，找出最佳匹配的位置；

步骤4：使用自适应模板条件判断目标模板的更新，如果满足条件则更新目标模板并进入下一帧，否则不更新目标模板而进入下一帧直至红外视频图像结束。

进一步地，步骤1中采用改进的Sobel算子进行二值化处理，即将边缘像素灰度值设置为1，其余像素值设为0，得到目标的边缘轮廓信息并建立目标模板，具体如下：

对输入的红外图像灰度值f(i,j)进行改进的Sobel边缘检测处理，其中i，j分变为图像像素横、纵坐标值，Sobel算子是一阶导数的边缘检测算子，公式如下：

S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)

S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)

其中，Z₁,Z₂,Z₃,Z₄,Z₅,Z₆,Z₇,Z₈,Z₉分别为像素f(i,j)的8邻域像素灰度值，S_x,S_y分别为水平、垂直方向的梯度幅值。

改进的Sobel算子增加了正负45°方向的梯度计算，公式如下：

S_45°＝(Z₂+2Z₃+Z₆)-(Z₄+2Z₇+Z₈)

S_-45°＝(Z₂+2Z₁+Z₄)-(Z₆+2Z₈+Z₉)

当S_x,S_y,S_45°,S_-45°中任意一个大于预设的阈值T时为即为边缘，记录目标区域的边缘像素的坐标值建立目标模板。

进一步地，步骤3中对Sobel后的目标模板以及待检测的区域进行改进的双向Hausdorff距离匹配，具体如下：

对目标模板中的边缘信息集合A＝{a₁,a₂,...,a_m}和待测区域候选模板的边缘信息集合B＝{b₁,b₂,...,b_n}进行双向Hausdorff距离匹配，公式如下：

H(A,B)＝max(h(A,B),h(B,A))

其中,a₁,a₂,...,a_m为目标模板边缘集合的坐标信息，b₁,b₂,...,b_m为待测候选模板的边缘坐标，

h(A,B)＝max(a∈A)min(b∈B)||a-b||

h(B,A)＝max(b∈B)min(a∈A)||b-a||

上式(6)中h(A,B)表示从A集合的点a_i到距离此点最近的B集合的点的距离集合进行排序，取其中的最大值，上式中h(B,A)表示从B集合的点b_i到距离此点最近的A集合的点的距离集合进行排序，取其中的最大值，||·||是距离范式。

在进行改进的Hausdorff距离匹配计算时，对当前点a_i的8邻域范围中找另一集合坐标中是否有此范围的点，如果a_i的上下左右四邻域位置对应B集合中有相应至少一个点，则计算此a_i点到B集合点Hausdorff距离为1，否则继续寻找a_i八邻域点对应B集合中有相应至少一个点，则计算此a_i点到B集合点Hausdorff距离为2，否则距离就记为10。

进一步地，步骤4中的使用自适应模板条件判断目标模板的更新，具体过程如下：

通过计算目标模板中的边缘点集合总数S_A以及最佳匹配位置区域模板的边缘点集合总数S_B，计算自适应模板更新条件参数P₁＝S_A/S_B，以及目标模板区域原始图像的灰度均值h_A和最佳匹配位置区域模板的原始图像灰度均值h_B，计算自适应模板更新条件参数P₂＝h_A/h_B，当且仅当满足条件α＜P₁＜β和条件γ＜P₂＜λ时，更新当前区域模板为目标模板，否则不更新，其中α,β,γ,λ为常数。从而减少噪声的干扰，进行实时、稳定的红外目标跟踪。

附图说明

图1是本发明方法的基于Hausdorff距离匹配的自适应模板的红外跟踪方法的流程图。

图2是本发明方法的水平和垂直方向的Sobel滤波器模板示意图。

图3是本发明方法的正负45度方向的Sobel滤波器模板示意图。

具体实施方式

下面将结合附图详细说明本发明方法的基于Hausdorff距离匹配的自适应模板的红外跟踪方法具体实施过程。

如图1所示，本发明方法中，一种基于Hausdorff距离匹配的自适应模板的红外跟踪方法采用改进的Sobel边缘检测算子对输入的红外图像进行边缘检测，提取目标的轮廓特征，在跟踪时采用快速的双向Hausdorff距离方法对目标模板与待搜索区域进行模板匹配，对最佳的匹配结果进行自适应的模板更新从而进行目标跟踪，具体步骤如下：

步骤1：输入红外视频，对初始帧进行人工选定目标区域，采用改进的Sobel算子进行二值化处理，得到目标的边缘轮廓信息并建立目标模板；

步骤2：读取下一帧图像，对待检测的区域进行改进的Sobel算子处理，二值化后，得到边缘轮廓信息；

步骤3：对Sobel后的目标模板以及待检测的区域进行改进的双向Hausdorff距离匹配，找出最佳匹配的位置；

步骤4：使用自适应模板条件判断目标模板的更新，如果满足条件则更新目标模板并进入下一帧，否则不更新目标模板而进入下一帧直至红外视频图像结束。

进一步地，步骤1中采用改进的Sobel算子进行二值化处理，即将边缘像素灰度值设置为1，其余像素值设为0，得到目标的边缘轮廓信息并建立目标模板，具体如下：

对输入的红外图像灰度值f(i,j)进行改进的Sobel边缘检测处理，其中i，j分变为图像像素横、纵坐标值，Sobel算子是一阶导数的边缘检测算子，公式如下：

S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)

S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)

其中，Z₁,Z₂,Z₃,Z₄,Z₅,Z₆,Z₇,Z₈,Z₉分别为像素f(i,j)的8邻域像素灰度值，S_x,S_y分别为水平、垂直方向的梯度幅值。

改进的Sobel算子增加了正负45°方向的梯度计算，公式如下：

S_45°＝(Z₂+2Z₃+Z₆)-(Z₄+2Z₇+Z₈)

S_-45°＝(Z₂+2Z₁+Z₄)-(Z₆+2Z₈+Z₉)

当S_x,S_y,S_45°,S_-45°中任意一个大于预设的阈值T时为即为边缘，记录目标区域的边缘像素的坐标值建立目标模板。

进一步地，步骤3中对Sobel后的目标模板以及待检测的区域进行改进的双向Hausdorff距离匹配，具体如下：

对目标模板中的边缘信息集合A＝{a₁,a₂,...,a_m}和待测区域候选模板的边缘信息集合B＝{b₁,b₂,...,b_n}进行双向Hausdorff距离匹配，公式如下：

H(A,B)＝max(h(A,B),h(B,A))

其中,a₁,a₂,...,a_m为目标模板边缘集合的坐标信息，b₁,b₂,...,b_m为待测候选模板的边缘坐标，

h(A,B)＝max(a∈A)min(b∈B)||a-b||

h(B,A)＝max(b∈B)min(a∈A)||b-a||

上式中h(A,B)表示从A集合的点a_i到距离此点最近的B集合的点的距离集合进行排序，取其中的最大值，上式中h(B,A)表示从B集合的点b_i到距离此点最近的A集合的点的距离集合进行排序，取其中的最大值，||·||是距离范式。

在进行改进的Hausdorff距离匹配计算时，对当前点a_i的8邻域范围中找另一集合坐标中是否有此范围的点，如果a_i的上下左右四邻域位置对应B集合中有相应至少一个点，则计算此a_i点到B集合点Hausdorff距离为1，否则继续寻找a_i八邻域点对应B集合中有相应至少一个点，则计算此a_i点到B集合点Hausdorff距离为2，否则距离就记为10。

进一步地，步骤4中的使用自适应模板条件判断目标模板的更新，具体过程如下：

通过计算目标模板中的边缘点集合总数S_A以及最佳匹配位置区域模板的边缘点集合总数S_B，计算自适应模板更新条件参数P₁＝S_A/S_B，以及目标模板区域原始图像的灰度均值h_A和最佳匹配位置区域模板的原始图像灰度均值h_B，计算自适应模板更新条件参数P₂＝h_A/h_B，当且仅当满足条件α＜P₁＜β和条件γ＜P₂＜λ时，更新当前区域模板为目标模板，否则不更新，其中α,β,γ,λ为常数。从而减少噪声的干扰，进行实时、稳定的红外目标跟踪。

如图2所示，本发明方法中，一种基于Hausdorff距离匹配的自适应模板的红外跟踪方法采用水平和垂直方向的Sobel算子滤波模板进行目标轮廓的检测并建立轮廓模板，公式如下：

水平梯度幅值S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)

垂直梯度幅值S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)

其中，Z₁,Z₂,Z₃,Z₄,Z₅,Z₆,Z₇,Z₈,Z₉分别为像素f(i,j)的8邻域像素灰度值。

如图3所示，本发明方法中，一种基于Hausdorff距离匹配的自适应模板的红外跟踪方法采用正负45度方向的Sobel算子滤波模板进行目标轮廓的检测并建立轮廓模板，公式如下：

正45度方向梯度幅值S_45°＝(Z₂+2Z₃+Z₆)-(Z₄+2Z₇+Z₈)

负45度方向梯度幅值S_-45°＝(Z₂+2Z₁+Z₄)-(Z₆+2Z₈+Z₉)

总之，本发明中：基于Hausdorff距离匹配的自适应模板的红外跟踪方法采用了改进的Sobel边缘检测模板，增强了红外目标边缘检测的能力；使用了改进的Hausdorff距离匹配方法，极大的提高了算法的运行速率；自适应模板更新策略使得目标跟踪的鲁棒性增强，提高了跟踪的精准度。