多特征融合的優(yōu)化粒子濾波紅外目標(biāo)跟蹤

李 蔚，李 輝

(西北工業(yè)大學(xué)電子信息學(xué)院，陜西西安710129)

1 引言

相對于雷達(dá)、激光跟蹤等技術(shù)，利用紅外技術(shù)對目標(biāo)跟蹤有著無可比擬的優(yōu)勢。目前，紅外目標(biāo)跟蹤技術(shù)廣泛應(yīng)用于導(dǎo)彈預(yù)警、衛(wèi)星偵察等電子對抗領(lǐng)域，主要是因為紅外系統(tǒng)在大氣中的探測距離可以達(dá)到10 km，大氣層之外則可達(dá)到1000 km以上的探測距離［1］。其次，紅外技術(shù)作為一種被動接收信號的方式，還具有抗干擾能力強(qiáng)、隱藏性好等優(yōu)點。紅外探測技術(shù)是通過目標(biāo)與背景間的輻射率差和溫度差來識別目標(biāo)，比可見光跟蹤系統(tǒng)有著更強(qiáng)的識偽能力［1］。

粒子濾波［2］算法雖能夠很好的處理紅外圖像中非高斯非線性問題，但重要性函數(shù)的選擇、粒子的退化以及算法實時性較差等問題仍然一定程度上制約著粒子濾波的發(fā)展。有學(xué)者針對重要性函數(shù)的選擇提出了似然粒子濾波［3］，采用似然函數(shù)作為重要性分布，在估計過程中融入最新觀測信息的同時也將多數(shù)粒子分布在高似然區(qū)域，似然函數(shù)的形狀尖銳導(dǎo)致粒子退化問題更加嚴(yán)重。針對粒子退化貧化

2 權(quán)值優(yōu)選的粒子濾波

根據(jù)以上問題，本文提出一種簡單有效的權(quán)值優(yōu)化粒子濾波方法，基本思想是從重要性函數(shù)中取N個粒子，分別計算N個粒子所對應(yīng)的權(quán)值，選出其中權(quán)值較大的Np個粒子估計目標(biāo)狀態(tài)，具體算法步驟如下:

Step1:初始化:k=0，從重要性函數(shù)中選N個粒子組成粒子集，用表示粒子。

Step3:優(yōu)選:對N個粒子按權(quán)值從大到小排序，選出前Np個粒子，將權(quán)值歸一化

Step5:重采樣:Neff＜Nth時，對 Np個粒子進(jìn)行重采樣。

Step6:權(quán)值恢復(fù):將重采樣后的粒子與未參與估計的粒子狀態(tài)均恢復(fù)為}，返回 Step2。

優(yōu)化后的算法，每個時刻只選取所有粒子中權(quán)值較大的前Np個粒子參與狀態(tài)的估計，保留了權(quán)值較小的粒子，使權(quán)值較小的粒子有可能參與下一時刻的狀態(tài)估計，從而使參與狀態(tài)估計的粒子具有多樣性，且算法的計算復(fù)雜度低，多次迭代計算后仍然能夠保持粒子的多樣性。在優(yōu)化后的算法中，Np數(shù)值的選擇是重點，Np過小會使目標(biāo)狀態(tài)估計不準(zhǔn)確，Np過大則逼近標(biāo)準(zhǔn)粒子濾波算法造成樣本枯竭，根據(jù)多次實驗分析Np=0.56N較為合適。

3 多特征融合的紅外目標(biāo)模型

3.1 目標(biāo)狀態(tài)模型

紅外目標(biāo)的狀態(tài)定義為 xt={x，y，vx，vy，hx，hy}。其中(x，y)為紅外目標(biāo)的中心，(vx，vy)分別是目標(biāo)在水平和垂直方向的速度，(hx，hy)則表示圖像區(qū)域的尺寸參數(shù)。目標(biāo)狀態(tài)方程如下所示:

其中，A為系統(tǒng)傳遞矩陣;uk－1為隨機(jī)噪聲。對運動目標(biāo)的中心位置(x，y)采用常速運動模型，對跟蹤框(hx，hy)采用一個隨機(jī)擾動，T為采樣周期，目標(biāo)狀態(tài)方程可進(jìn)一步描述為:

3.2 灰度特征模型

某一量級的灰度直方圖分布按式(3)計算:

其中，r為區(qū)域內(nèi)的點到目標(biāo)中心的距離。式(4)中的核函數(shù)g(·)表明離目標(biāo)中心較近的部分更能反映目標(biāo)的特征，而邊緣部分往往因易受干擾包含較少的目標(biāo)特征信息。

3.3 梯度特征模型

梯度特征體現(xiàn)了紅外目標(biāo)的邊緣信息，能夠抑制復(fù)雜背景下外界的噪聲干擾。使用水平和垂直的Sobel算子提取圖像中紅外目標(biāo)的邊緣信息，紅外圖像f(x，y)中每個像素Pij對應(yīng)的梯度幅值和梯度方向值分別為:

圖1 梯度直方圖模型

4 多特征自適應(yīng)融合策略

4.1 多特征融合

紅外目標(biāo)灰度特征和梯度特征的Bhattacharyya相似系數(shù)用式(8)表示，其中q(u)和q(k)分別表示目標(biāo)模板的灰度特征和梯度特征，p(u)和p(k)分別表示候選觀測模板的灰度特征和梯度特征。

若灰度模型的置信度為Ly，梯度模型的置信度為Ld，則置信度的計算公式為:

式(9)中可以通過ξ來調(diào)節(jié)置信區(qū)間，式中p(h(li))和p(b(xi))分別為灰度和梯度模型的背景概率密度函數(shù)，本文用跟蹤窗外的10個像素區(qū)域為背景區(qū)域。置信度是以模型和背景的區(qū)分度為參考，目標(biāo)與背景的區(qū)分度越高，則該模型置信度越高，對應(yīng)的相似度所占比重就越大。對兩種模型的置信度進(jìn)行歸一化處理后得到:

用歸一化置信度將灰度模型和梯度模型的相似度融合，得到綜合Bhattacharyya系數(shù):

ρ(p，q)越大，說明目標(biāo)模板和候選區(qū)域的分布越相似。則觀測模型可以由式(12)得到:

4.2 自適應(yīng)模板更新

當(dāng)前候選區(qū)域與目標(biāo)模板的相似程度由ρ(p，q)確定，更新模板時，利用灰度和梯度模型相似系數(shù)并結(jié)合綜合相似度，利用置信度進(jìn)行適時的模版更新，判定標(biāo)準(zhǔn)為:

式中，ρT為閾值，本文中ρT取0.86。當(dāng)滿足式(13)中的任一條件時，進(jìn)行模型更新。在模型更新時分別對灰度和梯度特征相似度進(jìn)行判斷，綜合考慮了模型所含的信息量，使模板的更新不受某一特征突變的影響，不僅增加了模型的抗干擾能力還能夠避免頻繁更換模型帶來的累積誤差。這種模板更新準(zhǔn)則還能很好的應(yīng)用于紅外目標(biāo)被物體遮擋的情況，當(dāng)連續(xù)2幀圖像序列跟蹤結(jié)果的巴氏系數(shù)均小于閾值，則目標(biāo)可能存在持續(xù)遮擋，這時可融合均值漂移算法，增加Mean shift的帶寬，繼續(xù)跟蹤紅外目標(biāo)。若連續(xù)4幀圖像序列跟蹤結(jié)果的巴氏系數(shù)均小于閾值，則可認(rèn)定目標(biāo)丟失，應(yīng)重新對紅外圖像進(jìn)行檢測，得到目標(biāo)新的位置，并對其繼續(xù)跟蹤。

4.3 紅外目標(biāo)跟蹤

優(yōu)化后的紅外目標(biāo)跟蹤算法具體步驟如下:

步驟一:初始化

1.手動選擇參考目標(biāo)，確定目標(biāo)位置，建立目標(biāo)灰度模板和梯度模板;

2. 每個粒子初始狀態(tài)為 x0={x，y，vx，vy，hx，hy}，根據(jù)先驗密度概率生成粒子集，并設(shè)粒子的初始權(quán)值為1/N。

步驟二:預(yù)測

步驟三:觀測值計算

建立觀測目標(biāo)模型，計算目標(biāo)模板和觀測模板的巴氏系數(shù)，歸一化權(quán)值。

步驟四:權(quán)值優(yōu)選的重采樣

1.計算重采樣系數(shù)Neff，設(shè)定閾值Nth=2N/3，若Neff＞Nth，則不進(jìn)行重采樣;

2.若Neff≤Nth，則根據(jù)本文第2節(jié)內(nèi)容，對粒子進(jìn)行權(quán)值優(yōu)選的重采樣算法。

步驟五:根據(jù)權(quán)值較大的前Np個粒子，計算樣本的均值

步驟六:判斷遮擋

根據(jù)式(13)中三個條件判斷巴氏系數(shù)是否小于閾值，若滿足式(13)中任一條件則更換目標(biāo)觀測模板，若更換模板后連續(xù)4幀巴氏系數(shù)均小于閾值則目標(biāo)可能被遮擋，應(yīng)增大Mean shift帶寬，繼續(xù)進(jìn)行目標(biāo)匹配搜索。

步驟七:k=k+1，返回步驟二。

5 仿真實驗分析

實驗平臺為 Core－i3 CPU，計算機(jī)主頻為2.50GHz，內(nèi)存2.00GB的PC機(jī)，采用MATLAB 7.9軟件實現(xiàn)。

5.1 WSPF算法性能仿真

實驗一對優(yōu)化后的粒子濾波器性能進(jìn)行了仿真。實驗中選取權(quán)值較大的前Np=0.56 N個粒子參與目標(biāo)狀態(tài)估計。表1顯示了在過程噪聲為10，量測噪聲為1，不同粒子數(shù)下標(biāo)準(zhǔn)算法和優(yōu)化后算法的濾波算法仿真的相關(guān)數(shù)據(jù)，程序運行10次得到平均有效粒子數(shù)、均方誤差值以及兩種算法的運行時間。表1的相關(guān)數(shù)據(jù)表明優(yōu)化后的算法中有效粒子數(shù)明顯增加，均方誤差明顯減小，雖然優(yōu)化后算法的運行時間有所增加，但相對來說在合理范圍內(nèi)。圖2和圖3分別截取了在粒子數(shù)為100的情況下的狀態(tài)估計圖和兩種算法的估計誤差，實驗表明優(yōu)化后算法的估計值能更好的接近真實值，誤差基本穩(wěn)定在較低的范圍內(nèi)，有著更為穩(wěn)定的跟蹤性能。均方根誤差用于衡量真實值和估計值之間誤差的大小，其計算公式為:

表1 優(yōu)化后算法的仿真數(shù)據(jù)

5.2 紅外目標(biāo)跟蹤

第一組實驗對象是實時拍攝的有遮擋情況下紅外飛機(jī)目標(biāo)圖像序列。此紅外攝像機(jī)識別距離2.8 km，探測距離8 km，視場大小21.74×17.46，幀頻50Hz。目標(biāo)的初始位置手動給出，跟蹤區(qū)域用白色矩形框標(biāo)示，每幀圖像像素為320×240，共100幀圖像。紅外目標(biāo)灰度分布量化為8個等級，梯度分布量化為8個等級，采樣粒子總數(shù)為N=100，其中Np=0.56 N。視頻序列中目標(biāo)從20幀到30幀之間遇到遮擋，從圖4(a)中可以看出第24幀時，飛機(jī)明顯被遮擋物遮擋，傳統(tǒng)的粒子濾波算法在多次迭代后粒子喪失多樣性且目標(biāo)模型不準(zhǔn)確，目標(biāo)被遮擋后不能適時更新模板，從而導(dǎo)致最終丟失目標(biāo)。圖4(b)中是采用粒子濾波與均值漂移相結(jié)合的改進(jìn)算法，在遇到遮擋后跟蹤性能明顯下降，在幾步迭代之后目標(biāo)丟失。圖4(c)中的仿真結(jié)果利用本文算法，在第28幀后仍然能夠?qū)δ繕?biāo)進(jìn)行有效精確的跟蹤。

圖4 兩種算法跟蹤結(jié)果對比(從左到右圖像分別為5，24，28，35 幀)

圖5所示為飛機(jī)運動的跟蹤軌跡圖。在跟蹤100幀圖像的過程中，傳統(tǒng)算法運算時間為9.671286 s，由于多特征融合的計算較為耗時，使得本文算法運行時間大大增加為48.116217 s。圖6為跟蹤過程中觀測模板和當(dāng)前目標(biāo)模板的匹配系數(shù)，在飛機(jī)遇到遮擋物后的20到30幀內(nèi)，匹配系數(shù)迅速減小到0.2以下，在第74幀時目標(biāo)自身有閃爍。通過實驗驗證，本文算法在遇到遮擋和閃爍點時，能夠及時調(diào)整模板置信度，增大帶寬進(jìn)行匹配搜索，及時準(zhǔn)確的跟蹤紅外目標(biāo)，算法具有較高的魯棒性。

第二組實驗是針對復(fù)雜背景下人體紅外目標(biāo)的跟蹤仿真結(jié)果。此紅外攝像機(jī)識別距離為600 m，探測距離為1.7 km，視場大小21.74×17.46，幀頻50 Hz。實驗時，目標(biāo)的初始位置手動給出，跟蹤區(qū)域用白色矩形框標(biāo)示，每幀圖像尺寸為320×240，共100幀圖像。紅外目標(biāo)灰度分布描述的灰度量化為8個等級，梯度分布量化為8個等級，采樣粒子數(shù)為N=100，Np=0.56 N。傳統(tǒng)粒子濾波算法采用單一的灰度特征對目標(biāo)建模且粒子多次迭代后的退化現(xiàn)象導(dǎo)致跟蹤程序無法精確地分辨出紅外目標(biāo)。采用WS-PF算法后粒子貧化得到抑制，同時融合多特征建立目標(biāo)的觀測模型使目標(biāo)跟蹤的精度和穩(wěn)定性提高，從而在復(fù)雜背景下仍然能夠魯棒地跟蹤目標(biāo)，如圖7所示。

圖7 本文算法對復(fù)雜背景下的人體跟蹤(從左到右圖像分別為2，28，57，83 幀)

6 結(jié)束語

優(yōu)化后的WS-PF算法選取權(quán)值較大的優(yōu)良粒子參與跟蹤結(jié)果的估計，使權(quán)值較小的粒子有可能參與到下一狀態(tài)的目標(biāo)狀態(tài)估計，增加參與狀態(tài)估計粒子的多樣性，抑制粒子退化和貧化現(xiàn)象，使跟蹤性能顯著提高。同時，本文針對紅外目標(biāo)遮擋、目標(biāo)背景干擾等實際中遇到的問題，融合紅外目標(biāo)的灰度特征和梯度特征建立紅外目標(biāo)的觀測模型，并引入置信度實時調(diào)整每個特征對跟蹤結(jié)果的影響。根據(jù)不同的環(huán)境因素適時切換融合策略，實現(xiàn)了對復(fù)雜遮擋等場景中紅外目標(biāo)的跟蹤，提高了紅外目標(biāo)跟蹤的魯棒性。經(jīng)多種情況下的仿真驗證，本文算法不僅能穩(wěn)定實時的跟蹤紅外目標(biāo)，還有能力處理復(fù)雜遮擋背景下的紅外目標(biāo)跟蹤，可廣泛應(yīng)用于導(dǎo)彈制導(dǎo)、衛(wèi)星偵察等技術(shù)領(lǐng)域。

［1］ Peng Zhenming，Yong Yang，Yang Xianming.Optical image processing and applications［M］.Chengdu:University of Electronic Science and Technology Press，2010:218 －219.(in Chinese)彭真明，雍楊，楊先明.光電圖像處理及應(yīng)用［M］.成都:電子科技大學(xué)出版社，2008:218－219.

［2］ Doucet A，Gordon N，Krishnamurthy V.Particle filters for state estimation of jump markov linear systems［J］.IEEE Trans.Signal Processing，2001，49(3):613 －624.

［3］ Jiang Wei，Yi Guo-xing，Zeng Qingshuang.Likelihood particle filter based on support vector machines resampling［J］.Control and Decision，2011，26(2):243 － 247.(in Chinese)蔣蔚，伊國興，曾慶雙.一種基于SVM重采樣的似然粒子濾波算法［J］.控制與決策，2011，26(2):243 －247.

［4］ Qi Cheng.An efficient two-stage sampling method in particle filter［J］.IEEE Trans on Aerospace and Electronic Systems，2012，48(3):2666 －2672.

［5］ Comaniciu D，Ramesh V，Meer P.Kernel-based object tracking［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2003，25(5):564 －575.

［6］ Liu Qing，Tang Lin-bo.Infrared target tracking based on adaptive multiple features fusion and mean shift［J］.Jounal of Electronics ＆ Information Technology，2012，34(5):1137 －1141.(in Chinese)劉晴，唐林波.基于自適應(yīng)多特征融合的均值遷移紅外目標(biāo)跟［J］.電子與信息學(xué)報，2012，34(5):1137－1141.

［7］ Ji Xuefeng.Research on method of infrared target tracking based on particle filter［D］.Xi'an:Xidian University，2011.(in Chinese)姬雪峰.基于粒子濾波的紅外目標(biāo)跟蹤方法研究［D］.西安:西安電子科技大學(xué)，2011.

［8］ Rong Huaiyang，Zhang Yong.Small infrared target tracking algorithm based on frequency region feature［J］.Laser＆ Infrared，2012，42(8):959 －964.(in Chinese)戎懷陽，張涌.基于頻域特征提取的紅外小目標(biāo)跟蹤算法［J］.激光與紅外，2012，42(8):959 －964.

［9］ Xu Rongping，Yang Lei.Small target tracking approach combined the merits of two tracking frameworks under infrared complex background［J］.J.Infrared Millim.Waves，2008，27(5):354 －360.(in Chinese)徐蓉萍，楊磊.紅外復(fù)雜背景中一種融合兩類跟蹤框架優(yōu)點的小目標(biāo)跟蹤算法［J］.紅外與毫米波學(xué)報，2008，27(5):354 －360.

［10］ Zhang Hui，Zhao Baojun.Infrared object tracking based on adaptive multi-features integration［J］.Acta Optica Sinica.2010，30(5):1291 －1296.(in Chinese)張輝，趙保軍.基于自適應(yīng)多特征整合的紅外目標(biāo)跟蹤［J］.光學(xué)學(xué)報，2010，30(5):1291 －1296.

［11］ Yang Dongdong，Chang Danhua.Improvement and realization of the moving object detection and tracking［J］.Laser＆ Infrared，2010，40(2):205 －209.(in Chinese)楊冬冬，常丹華.運動目標(biāo)檢測與跟蹤算法的改進(jìn)與實現(xiàn)［J］.激光與紅外，2010，40(2):205 －209.