专利名称：基于激活区域背景感知的红外目标跟踪方法
技术领域：
本发明属于制导技术领域，涉及红外目标跟踪，具体地说是一种基于激活区域背景感知的红外目标跟踪方法，可用于红外成像制导、监控等军用或民用系统。
背景技术：
红外目标跟踪，由于目标图像细节特征少、信噪比低等特点，一直以来是视频跟踪研究中的热点和难点。其中，细节特征少主要是指红外图像缺少颜色和纹理信息，物体之间的可区分性较低，所以红外目标跟踪比可见光更易受到干扰，尤其是形状类似的发热源带来的干扰更严重。此外，低信噪比又会使得在特征提取过程中参入较多错误信息，影响目标跟踪效果，因此对红外目标跟踪方法的抗干扰能力和跟踪精度提出了更高的要求。目前，红外目标跟踪方法主要有全局特征匹配、均值漂移和粒子滤波等。其中全局特征匹配方法，仅依靠特征而未利用任何空间信息，对类似物造成的干扰跟踪稳定性差，容易产生“跳变”失跟，且需对全局进行匹配，十分耗时；均值漂移方法，虽然计算简单，运行速度快，但是因具有局部收敛特性而产生明显的跟踪滞后效应，存在跟踪系统误差，且抗干扰能力较差的问题；粒子滤波方法，对目标运动非线性和噪声非高斯性的情况，虽然具有良好的跟踪精度和稳定性，但是若仅依靠单一特征也只适用于相对简单的场景，而在复杂环境下，跟踪稳定性则会明显下降。近年来，有学者提出采用多特征融合的方法来提高目标特征描述的抗干扰性能， 如 Porikli 等人发表的论文〈〈Covariance tracking using model update based on Lie Algebra》。这种方法是利用协方差算子将多个特征融合到一个协方差矩阵中，不仅比联合特征直方图降低了计算复杂度，而且具有较强的目标描述能力，非常适合于解决红外目标跟踪中的抗干扰问题。但是这种方法依然存在以下不足一是协方差算子的快速方法是针对全局的，严重影响了实时性；二是传统的模板更新方法是根据前一个连续时间段内的估计状态来预测当前帧的模板，当存在干扰时，这种不加区分的更新方法显然会将含有干扰的状态引入模板，从而导致偏离，使得在经过干扰物之后的跟踪精度明显下降，甚至发散； 三是缺少有效的跟踪窗自适应方法，不能完全解决径向运动或非刚性形变导致的目标尺度变化问题。
发明内容
针对上述问题，本发明在粒子滤波框架下，采用协方差算子提取表观特征，提出了一种基于激活区域背景感知的红外目标跟踪方法，以提高抗干扰能力，实现强杂波干扰环境下对目标的快速自适应精确跟踪。实现本发明的技术关键是在跟踪过程中，通过建立激活区域，划分出候选目标选取和背景感知的有效区域，从而在不降低精度的前提下避免全局所带来的庞大计算量，利用协方差算子提取表观特征；其次，通过激活区域背景感知，分辨目标当前所处的场景状态有无干扰，并提取目标位置和尺度观测集；最后，根据场景状态制定模板更新策略，避免将干扰引入特征模板，并引入目标位置观测与表观特征融合对候选目标进行筛选，以提高跟踪精度，同时利用目标尺度观测实现跟踪窗的自适应调整。本发明的具体实现方法包括(1)初始化步骤(Ia)根据目标的初始状态，产生k-Ι时刻的初始样本粒子集IAmG1，其中，i表
示样本粒子的序号，N表示样本粒子总数，k表示时刻，初始时刻为k = LZC11M表示k-Ι时刻第i个粒子的状态估计列向量；(Ib)初始化目标跟踪窗^HlH = Ov1 |k-1，Ck-1 |k-l/ τ，其中 rk-i|k-i 禾口 ck-i|k-i 分别表示k-Ι时刻跟踪窗长和宽的估计值，T表示向量转置；(Ic)初始化特征模板库Π = P^iJ = 1，其中，j表示特征模板的序号，J表示
模板总数，且具有上限J < Jmax，模板库在k时刻的更新位置μ k e
图3是本发明方法中的激活区域示意图；图4是本发明方法中的目标区域划分示意图；图5是本发明方法中的激活区域背景感知示意图；图6是本发明方法的跟踪窗自适应调整实验结果图；图7是本发明方法的交叉干扰实验结果图；图8是本发明方法的同向干扰实验结果图；图9是本发明方法的复杂背景干扰实验结果图；
图10是本发明方法的海面背景实验结果图；图11是本发明方法的天空背景实验结果图。
具体实施例方式一、基础理论介绍1.协方差算子协方差算子，先是提取一个区域内所有像素的底层视觉特征，例如灰度、梯度等， 然后计算协方差矩阵，通过协方差矩阵中的对角元素来反映该区域内特征的自相关，非对角元素反应特征间的互相关信息。这种融合机制可充分挖掘和利用现有特征信息，非常适合于红外目标跟踪。设I为W X H维灰度图，F是从I中提取的W X H X d维特征图，所以F中点(X，y)处对应一个d维的特征列向量
权利要求
1.基于激活区域背景感知的红外目标跟踪方法，包括(1)初始化步骤(Ia)根据目标的初始状态，产生k-Ι时刻的初始样本粒子集ΙΑ,—]:，其中，i表示样本粒子的序号，N表示样本粒子总数，k表示时刻，初始时刻为k = LZC11M表示k-Ι时刻第 i个粒子的状态估计列向量；(Ib)初始化目标跟踪窗^H1H = Ov1 |k-1，Ck-1 |k-l )τ，其中 rk-i|k-i 禾口 ck-i|k-i 分别表示k-1 时刻跟踪窗长和宽的估计值，T表示向量转置；(Ic)初始化特征模板库Π = P^iJ = 1，其中，j表示特征模板的序号，J表示模板总数，且具有上限J < Jmax，模板库在k时刻的更新位置μ k e [0，JfflaJ，μ i = 2，设场景状态Λ =0，即假设无干扰；(2)建立激活区域步骤(2a)对目标状态进行预测即通过粒子传递得到预测粒子集hi,；}:，丨,表示k时刻第i个粒子的状态预测列向量，根据粒子的状态预测列向量和跟踪窗的状态预测列向量Bk_1|k就可以确定出候选目标集^gi，其中，为候选目标，即表示以第i个粒子丨,为中心、Bk_1|k为长宽所界定出的矩形区域，Bk_1|k = (rk_1|k，ck_llk)\rk_1|k和ck_1|k分别表示k 时刻跟踪窗长和宽的预测值；(2b)由候选目标集确定出激活区域AR;(3)候选目标特征提取步骤(3a)设激活区域AR为WXH维灰度图，提取其对应的WXHXd维特征图Fak，其中d表示特征维数；(3b)在Fak的基础上构造特征向量积分图IP和特征协方差矩阵积分图IQ ； (3c)根据特征向量积分图IP、特征协方差矩阵积分图IQ和候选目标集提取候选目标的特征集lei:，其中每个候选目标的特征又是由其分块特征构成的集合C! ={C；}^，t表示候选目标区域分块序号，分块总数为5，q表示第i个候选目标的第t个分块所对应的特征协方差矩阵；(4)激活区域背景感知步骤采用迭代Otsu法对激活区域AR进行分割，通过对分割标记图进行计算，得到目标位置观测集[二、尺度观测集和场景状态Λ，其中，1表示疑似目标块的序号，Lk为疑似目标块数，场景状态Λ为1时表示有干扰，为0时表示无干扰，下标center和rc无具体的物理含义，仅表示所属变量分别为位置观测和尺度观测；(5)计算权值步骤(5a)计算特征权值通过计算模板库中所有元素的Log-Euclidean均值，得到当前k 时刻的模板预测值f = ·(巧J^1，然后，求取各候选目标特征Ci与模板预测值f的距离，进而计算各候选目标的特征权值
2.根据权利要求1所述的目标跟踪方法，其中步骤Ob)所述的由候选目标集确定出激活区域AR，按下式计算得到
3.根据权利要求1所述的目标跟踪方法，其中步骤(4)所述的计算得到目标位置观测集
4.根据权利要求1所述的目标跟踪方法，其中步骤(5b)所述的计算空间权值，按如下步骤进行(5bl)去除目标位置观测集中的杂波，获得目标位置观测量 ζ =Ze
5.根据权利要求1所述的目标跟踪方法，其中步骤(7a)所述的在无干扰时，去除目标尺度观测集
6.根据权利要求1所述的目标跟踪方法，其中步骤(7b)所述的采用卡尔曼滤波方法对跟踪窗进行自适应调整，估计当前k时刻跟踪窗状态列向量Bklk,按如下步骤进行(7bl)利用卡尔曼滤波预测方程，得到k时刻跟踪窗状态预测列向量Bk_1|k
全文摘要
本发明公开了一种基于激活区域背景感知的红外目标跟踪方法，主要解决现有跟踪技术实时性较差、模板易受干扰影响和缺少有效的跟踪窗自适应调整策略的问题。其实现步骤是在粒子滤波框架下首先通过建立激活区域，划分出候选目标选取和背景感知的有效区域，利用协方差算子提取表观特征；其次通过激活区域背景感知，分辨目标当前所处的场景状态，并提取目标位置和尺度观测集；最后根据场景状态制定模板更新策略，避免将干扰引入模板，并引入目标位置观测与表观特征融合对候选目标进行筛选，以提高跟踪精度，同时利用目标尺度观测实现跟踪窗的自适应调整。本发明具有较强的抗干扰能力，实现了强杂波干扰环境下对红外目标的快速自适应精确跟踪。
文档编号G06T7/20GK102184554SQ20111014091
公开日2011年9月14日 申请日期2011年5月28日 优先权日2011年5月28日
发明者刘靳, 姬红兵, 李翠芸, 杨金龙, 樊振华 申请人:西安电子科技大学