一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别是一种融合梯度特征和自适应模板的粒子滤 波红外跟踪方法。
【背景技术】
[0002] 红外成像制导技术是精确制导武器的核心技术之一，而红外跟踪技术则是红外成 像制导技术中的关键组成部分。对红外目标进行精确、稳定、快速的跟踪是能实时解算出准 确制导指令的重要前提。
[0003]目前红外跟踪算法主要分为自顶向下算法和自底往上算法。自顶向下算法的核心 思想是将目标跟踪问题转换为在贝叶斯滤波框架下，已知目标状态的先验概率，通过新的 观测值不断求解状态的最大后验概率的过程。主要代表为卡尔曼滤波算法和粒子滤波算 法。自底往上算法是基于目标表示和定位的方法，主要通过匹配算法来实现目标的跟踪。主 要代表为均值漂移算法。
[0004] 粒子滤波被认为是目前解决非线性、非高斯系统模型最成功的算法。将粒子滤波 算法应用到红外目标跟踪，可以很好地解决跟踪中的非高斯非线性问题。但是，红外目标颜 色特征信息少、粒子滤波算法实时性差、目标遮挡等问题仍然制约着跟踪算法的性能。
【发明内容】
[0005] 本发明的目的在于提供一种跟踪精度高、实时性好、对震荡干扰鲁棒性强的融合 梯度特征和自适应模板的粒子滤波红外跟踪方法。
[0006] 实现本发明目的的技术解决方案为：一种融合梯度特征和自适应模板的粒子滤波 红外跟踪方法，该方法采用粒子滤波，以融合灰度、梯度特征的直方图模型作为粒子滤波的 目标观测模型建立目标特征模板，采用自适应模板更新策略对目标特征模板进行更新，从 而对目标进行跟踪，具体步骤如下：
[0007] 步骤1，读入红外视频图像，在第一帧图像中标定待跟踪目标；以融合灰度、梯度 特征的归一化直方图模型作为粒子滤波的目标观测模型建立目标特征模板；初始化具有位 置坐标、大小尺寸信息的N个粒子；
[0008] 步骤2,读入下一帧图像，采用二阶自回归模型作为粒子状态转移模型，预测该帧 图像中各粒子位置坐标、大小尺寸；
[0009] 步骤3,根据步骤1所述直方图模型，对步骤2预测所得各粒子进行观测，得到各粒 子的融合灰度、梯度特征的归一化直方图，结合灰度、梯度特征计算各粒子与目标特征模板 的似然度，并根据似然度更新各粒子权值；
[0010] 步骤4,归一化各粒子权值，通过对各粒子位置坐标、大小尺寸加权求和估算得到 目标位置坐标、大小尺寸；
[0011] 步骤5,根据步骤4归一化后的各粒子权值进行粒子退化判断：如果发生退化现 象，则对各粒子进行重采样后进入步骤6 ;若无，则直接进入步骤6 ;
[0012] 步骤6,采用自适应模板更新策略对目标特征模板进行更新，返回步骤2继续对下 一帧图像进行处理，直到最后一帧图像即完成红外目标的跟踪。
[0013] 进一步地，步骤1中所述以融合灰度、梯度特征的归一化直方图模型作为粒子滤 波的目标观测模型建立目标特征模板，具体如下：
[0014] 将目标区域各像素按灰度值从0~255分为η组，各组组距相等，构成灰度直方 图，归一化后得到归一化灰度直方图hgMy;将目标区域各像素按计算所得的梯度方向角度 从-90°~90°分为m组，各组组距相等，构成方向梯度直方图，归一化后得到归一化方向 梯度直方图h-结合hgray、作为目标观测模型。
[0015] 进一步地，步骤2所述采用二阶自回归模型作为粒子状态转移模型，具体如下：
[0016] 采用二阶自回归模型作为粒子状态转移模型，二阶自回归模型为：
[0017] \ =χ[^-χ\_2+ιι\
[0018] 式中I、I为k、k-l、k-2时刻第i个粒子状态向量，i= 1，2，...，Ν;4:为 高斯随机变量。
[0019] 进一步地，步骤3中所述结合灰度、梯度特征计算各粒子与目标特征模板的似然 度，并根据似然度更新各粒子权值，具体过程如下：
[0020] 似然度求解式如下：
[0021]
[0022] 其中，zk为第k时刻目标状态观测值，/5为综合巴氏系数，求解如下：
[0023] P=P,,w*PuU
[0024] 灰度特征的巴氏系数Pgray、梯度特征的巴氏系数P%分别按照下式计算：
[0025]
[0026]
[0027] 其中，n、m分别为hgMy、、的直方图组数，pgray(u)、qgray(u)分别表示观测所得灰度直 方图和特征模板灰度直方图中第u组统计值；Pc]g(v)、qcig w分别表示观测所得梯度方向直方 图和特征模板梯度方向直方图中第v组统计值；
[0028] 综合巴氏系数和[0，1]值越大，则候选区域与目标模板的似然度越高；
[0029] 权值更新计算式如下：
[0030]
[0031 ] 以状态转移函数IU作为建议分布函数如4 则：
[0032]
[0033] 其中，4表示k时刻第i个粒子的权值，表示k-Ι时刻第i个粒子的权值，粒子 权值与似然函数14)成正相关。
[0034] 进一步地，步骤6中所述采用自适应模板更新策略对目标特征模板进行更新，其 中自适应模板更新策略如下：
[0035] 跟踪过程中，若所得目标区域特征与目标模板似然度大于90%，则模板仍然适用， 不进行更新；若似然度小于60%，则判断为出现遮挡现象，不进行模板更新；目标似然度大 于60 %且小于90 %时，根据下式对模板进行更新：
[0036]
[0037] 其中，hk、命分别为k时刻目标模板和观测所得目标特征模型，hk+1为更新后的目标 模板，α为更新率且〇 <α< 1。
[0038] 本发明与现有技术相比，其显著优点为：（1)在灰度特征基础上融合梯度特征提 高了粒子似然评价的区分性和精确性，能够显著提高跟踪精度；(2)融合自适应模板跟踪 策略后，在提高跟踪精度的同时，也增强了跟踪鲁棒性，同时保证算法实时性；(3)共享存 储并行编程库（OpenMP)的使用能够极大提高粒子数多、计算复杂度高的算法运算效率，可 为红外制导工程化提供理论支持。
【附图说明】
[0039] 图1为本发明融合梯度特征和自适应模板的粒子滤波红外跟踪方法的流程图。
[0040] 图2为未改进算法同实施本发明后的X方向跟踪偏差对比曲线图。
[0041] 图3为未改进算法同实施本发明后的y方向跟踪偏差对比曲线图。
[0042] 图4为实施例中采用本发明方法所得的抗遮挡效果图。
[0043] 具体实施过程
[0044] 结合图1，本发明融合梯度特征和自适应模板的粒子滤波红外跟踪方法，采用粒子 滤波，以融合灰度、梯度特征的直方图模型作为粒子滤波的目标观测模型建立目标特征模 板，采用自适应模板更新策略对目标特征模板进行更新，从而对目标进行跟踪，具体步骤如 下：
[0045] 步骤1，读入红外视频图像，在第一帧图像中标定待跟踪目标；以融合灰度、梯度 特征的归一化直方图模型作为粒子滤波的目标观测模型建立目标特征模板；初始化具有位 置坐标、大小尺寸信息的N个粒子；所述以融合灰度、梯度特征的归一化直方图模型作为粒 子滤波的目标观测模型建立目标特征模板，具体如下：
[0046] 将目标区域各像素按灰度值从0~255分为η组，各组组距相等，构成灰度直方 图，归一化后得到归一化灰度直方图hgMy;将目标区域各像素按计算所得的梯度方向角度 从-90°~90°分为m组，各组组距相等，构成方向梯度直方图，归一化后得到归一化方向 梯度直方图h-结合hgray、作为目标观测模型。
[0047] 步骤2,读入下一帧图像，采用二阶自回归模型作为粒子状态转移模型，预测该帧 图像中各粒子位置坐标、大小尺寸；采用二阶自回归模型作为粒子状态转移模型，具体如 下：
[0048] 采用二阶自回归模型作为粒子状态转移模型IU，二阶自回归模型为：
[0049]
[0050] 式中X;,、I、4_2为1^、1^-1、1^-2时刻第1个粒子状态向量，1 = 1，2，...，1?;为 高斯随机变量。
[0051 ] 步骤3，根据步骤1所述直方图模型，对步骤2预测所得各粒子进行观测，得到各粒 子的融合灰度、梯度特征的归一化直方图，结合灰度、梯度特征计算各粒子与目标特征模板 的似然度，并根据似然度更新各粒子权值，具体过程如下：
[0052] 似然度求解式如下：
[0053]
[0054] 其中，zk为第k时刻目标状态观测值，及为综合巴氏系数，求解如下：
[0055]
[0056] 灰度特征的巴氏系数Pgray、梯度特征的巴氏系数P%分别按照下式计算：
[0057]
[0058]
[0059] 其中，n、m分别为hgMy、的直方图组数，pgray(u)、qgray(u)分别表示观测所得灰度直 方图和特征模板灰度直方图中第u组统计值；Pc]g(v)、qcig w分别表示观测所得梯度方向直方 图和特征模板梯度方向直方图中第v组统计值；
[0060] 综合巴氏系数如[期值越大，则候选区域与目标模板的似然度越高；
[0061] 权倌更新计算式如下：
[0062]
[0063] 以状态转移函数Κι)作为建议分布函数<7(4I4i，A)则：
[0064] μ·；〇cwk_lp(zl | .τ")
[0065] 其中，《I表不k时刻第i个粒子的权值，心表不k_l时刻第i个粒子的权值，粒子 权值与似然函数K)成正相关。
[0066] 步骤4,归一化各粒子权值，通过对各粒子位置坐标、大小尺寸加权求和估算得到 目标位置坐标、大小尺寸；
[0067] 步骤5,根据步骤4归一化后的各粒子权值进行粒子退化判断：如果发生退化现 象，则对各粒子进行重采样后进入步骤6;若无，则直接进入步骤6;
[0068] 步骤6,采用自适应模板更新策略对目标特征模板进行更新，返回步骤2继续对下 一帧图像进行处理，直到最后一帧图像即完成红外目标的跟踪，其中自适应模板更新策略 如下：
[0069] 跟踪过程中，若所得目标区域特征与目标模板似然度大于90%，则模板仍然适用， 不进行更新；若似然度小于60%，则判断为出现遮挡现象，不进行模板更新；目标似然度大 于60 %且小于90 %时，根据下式对模板进行更新
[0070]
[0071] 其中，hk、参分别为k时刻目标模板和观测所