背景干擾下的捷聯(lián)圖像導(dǎo)引系統(tǒng)目標(biāo)跟蹤方法

郭曉冉，崔少輝，毛向東，劉海濤，周云川

(1.軍械技術(shù)研究所， 石家莊 050000； 2.軍械工程學(xué)院， 石家莊 050003)

【專家特稿】

背景干擾下的捷聯(lián)圖像導(dǎo)引系統(tǒng)目標(biāo)跟蹤方法

郭曉冉1，崔少輝2，毛向東1，劉海濤1，周云川1

(1.軍械技術(shù)研究所， 石家莊 050000； 2.軍械工程學(xué)院， 石家莊 050003)

在捷聯(lián)圖像導(dǎo)引系統(tǒng)目標(biāo)跟蹤過程中，針對(duì)跟蹤前期彈目距離較遠(yuǎn)、跟蹤目標(biāo)在背景圖像中所占的區(qū)域較小、易遭受背景信息干擾，提出了一種新的基于Mean Shift算法的目標(biāo)跟蹤方法。該算法通過對(duì)目標(biāo)模型做背景直方圖加權(quán)變換和對(duì)目標(biāo)候選模型做倒數(shù)加權(quán)變換，顯著降低了Mean Shift目標(biāo)跟蹤算法迭代過程中背景信息所占的比重，有效抑制了跟蹤區(qū)域中背景信息對(duì)目標(biāo)定位的干擾，提高了目標(biāo)的跟蹤精度。實(shí)驗(yàn)結(jié)果表明，該算法與經(jīng)典算法相比，迭代次數(shù)低、單幀處理時(shí)間短，可應(yīng)用于捷聯(lián)圖像導(dǎo)引系統(tǒng)目標(biāo)跟蹤的前期階段。

兵器科學(xué)與技術(shù)； 圖像制導(dǎo)； 捷聯(lián)； Mean Shift； 背景直方圖

捷聯(lián)圖像制導(dǎo)導(dǎo)彈在跟蹤的前期階段，目標(biāo)(飛機(jī)、坦克等)尺度變化較小，目標(biāo)區(qū)域受背景信息及環(huán)境噪聲干擾。初始確定的目標(biāo)跟蹤區(qū)域，反映在圖像上通常為橢圓形或矩形跟蹤窗，而目標(biāo)(飛機(jī)、坦克等)的輪廓通常不具有規(guī)則的外形，所以跟蹤窗不可能與目標(biāo)的輪廓外形完全一致。為了魯棒的跟蹤，一般在確定目標(biāo)跟蹤區(qū)域時(shí)，初始劃定的跟蹤窗都會(huì)略大于目標(biāo)。因此，目標(biāo)跟蹤窗中或多或少都會(huì)包含一些背景信息，使其與實(shí)際背景之間存在一定的相關(guān)性。在跟蹤的前期階段，由于導(dǎo)彈與目標(biāo)之間的距離較遠(yuǎn)，實(shí)際目標(biāo)在圖像中所占面積較小，跟蹤窗內(nèi)的背景信息會(huì)對(duì)跟蹤造成一定的干擾；另外，在實(shí)際跟蹤過程中，目標(biāo)區(qū)域還會(huì)受到一些環(huán)境噪聲的干擾。經(jīng)典的Mean Shift 算法具有嚴(yán)謹(jǐn)?shù)睦碚撝巍⑤^強(qiáng)的實(shí)時(shí)性和較高的跟蹤精度，一直以來被廣泛應(yīng)用于目標(biāo)跟蹤中[1-5]。當(dāng)目標(biāo)區(qū)域中包含一定量背景信息時(shí)，Mean Shift算法難以有效地從背景中區(qū)分出目標(biāo)，致使其跟蹤性能下降；需要研究一種可有效增強(qiáng)目標(biāo)與背景區(qū)分度，同時(shí)能抑制或削弱背景信息或環(huán)境噪聲對(duì)目標(biāo)定位造成干擾的目標(biāo)跟蹤算法?；诒尘凹訖?quán)直方圖(background-weighted histogram,BWH)[6]的Mean Shift跟蹤算法，同時(shí)對(duì)目標(biāo)模型以及候選模型進(jìn)行背景直方圖的加權(quán)運(yùn)算，其目的是為了降低目標(biāo)模型及候選模型中背景信息的概率，削弱其對(duì)目標(biāo)定位的影響。經(jīng)推導(dǎo)后發(fā)現(xiàn)，該方法只是對(duì)經(jīng)典Mean Shift算法中的目標(biāo)表示方法所獲得的權(quán)值做一定的比例變換，信息量并沒有變化，而Mean Shift迭代算法對(duì)權(quán)值的比例變換不敏感、具有不變性。因此，基于背景加權(quán)直方圖的Mean Shift算法并沒有有效地提升Mean Shift算法的跟蹤性能。文獻(xiàn)[7]中提出了一種校正背景加權(quán)直方圖(corrected background-weighted histogram,CBWH)的目標(biāo)跟蹤算法，該方法僅降低目標(biāo)模型中背景信息的概率，沒有對(duì)目標(biāo)候選模型中的背景信息進(jìn)行任何操作，它可以有效抑制背景信息對(duì)目標(biāo)的干擾，具有較好的效果。在BWH和CBWH兩種方法的啟發(fā)下，結(jié)合課題的高精度、魯棒性跟蹤需求，本文提出了一種對(duì)背景信息抑制效果更好的方法：對(duì)目標(biāo)模型的背景直方圖加權(quán)，并用該權(quán)值的倒數(shù)對(duì)候選模型中的背景直方圖加權(quán)，該方法在CBWH算法的基礎(chǔ)上將跟蹤精度和魯棒性進(jìn)一步提升。

1 背景加權(quán)直方圖及有效性分析

在2000年和2003年，文獻(xiàn)[8-10]闡述了Mean Shift算法在目標(biāo)跟蹤領(lǐng)域中的應(yīng)用，通過建立Bhattacharyya系數(shù)與核直方圖的相似度數(shù)學(xué)模型證明了該算法的收斂過程實(shí)質(zhì)上就是在連續(xù)幀中搜索與目標(biāo)模型最相似的候選區(qū)域的過程。Mean Shift算法在目標(biāo)跟蹤中的應(yīng)用是該領(lǐng)域近年來的一個(gè)重大的研究成果，具有完整的理論框架支撐。本文以該算法為基礎(chǔ)，進(jìn)行拓展研究。

背景信息的重要性可以通過以下兩點(diǎn)概括：① 如果目標(biāo)區(qū)域所具有的特征同時(shí)出現(xiàn)在背景中，這樣就會(huì)增強(qiáng)目標(biāo)與背景的相關(guān)性，造成目標(biāo)與背景的區(qū)分度降低，增加目標(biāo)在背景中定位的難度；② 在目標(biāo)區(qū)域的選擇過程中，很難精確地根據(jù)目標(biāo)的輪廓外形確定目標(biāo)區(qū)域，導(dǎo)致目標(biāo)區(qū)域中或多或少都會(huì)包含一部分背景信息，更加增強(qiáng)了目標(biāo)區(qū)域與背景的相關(guān)性。文獻(xiàn)[9]提出了一種背景加權(quán)直方圖(background-weighted histogram,BWH)的背景信息表示方法，目的是突出目標(biāo)模型和候選模型中的目標(biāo)特征，提高目標(biāo)與背景的區(qū)分度，進(jìn)而消除或削弱背景信息對(duì)目標(biāo)定位的干擾。下面對(duì)該方法進(jìn)行介紹并對(duì)其在Mean Shift目標(biāo)跟蹤算法中的有效性進(jìn)行分析。

1.1 背景加權(quán)直方圖

(1)

(2)

式中，規(guī)范化常數(shù)C′定義為

(3)

同樣地，背景直方圖加權(quán)后的候選模型表示為

(4)

(5)

由上面的公式可以看出，由于vu≤1，所以目標(biāo)模型和目標(biāo)候選模型經(jīng)加權(quán)后背景部分的概率都被降低了。

1.2 背景加權(quán)直方圖有效性分析

(6)

令u′是特征空間中的點(diǎn)xi所對(duì)應(yīng)的顏色索引值，此時(shí)δ[b(xi)-u′]=1，式(6)可化簡(jiǎn)為

(7)

將式(2)、式(4)代入到式(7)可得

(8)

(9)

(10)

從式(10)可以看出，權(quán)值的比例變化并沒有改變y1的值，也沒有向公式中引入任何新的因子，因此Mean Shift算法對(duì)發(fā)生比例變化的權(quán)值具有不變性，其跟蹤能力不會(huì)得到任何提升。

2 CBWH目標(biāo)跟蹤算法

(11)

(12)

由式(12)可以直觀地看出w″i與wi之間的關(guān)系。當(dāng)像素點(diǎn)xi是背景信息的主要部分時(shí)，vu′的值就越小，背景信息的權(quán)值被降低；而當(dāng)像素點(diǎn)xi是背景信息的次要部分時(shí)，vu′的值就越大，增強(qiáng)了其與背景信息的區(qū)分度。因此，該方法可以有效地降低背景對(duì)目標(biāo)定位的影響，真正提升Mean Shift的跟蹤能力。

3 抑制背景干擾的目標(biāo)跟蹤算法

在BWH和CBWH兩種方法的啟發(fā)下，本文提出了一種對(duì)背景抑制效果更好的方法，對(duì)目標(biāo)模型的背景直方圖進(jìn)行vu加權(quán)變換，同時(shí)對(duì)目標(biāo)候選模型的背景直方圖進(jìn)行vu的倒數(shù)加權(quán)變換，即權(quán)值為1/vu，該方法在CBWH算法的基礎(chǔ)上將跟蹤效果進(jìn)一步提升。

3.1 目標(biāo)候選模型背景加權(quán)直方圖加權(quán)分析

(13)

(14)

當(dāng)像素點(diǎn)xi是背景信息的主要部分時(shí)，vu′的值就越小，背景信息的權(quán)值被增大；而當(dāng)像素點(diǎn)xi是背景信息的次要部分時(shí)，vu′的值就越大，區(qū)別于背景的信息，即目標(biāo)信息被降低。因此，僅對(duì)目標(biāo)候選模型進(jìn)行權(quán)值為vu的加權(quán)不但不能有效降低背景對(duì)目標(biāo)定位的影響，反而會(huì)造成跟蹤性能下降。

3.2 目標(biāo)候選模型倒數(shù)加權(quán)

(15)

(16)

將式(16)可化簡(jiǎn)為

(17)

當(dāng)像素點(diǎn)xi是背景信息的主要部分時(shí)，vu′的值就越小，背景信息的權(quán)值被降低；而當(dāng)像素點(diǎn)xi是背景信息的次要部分時(shí)，vu′的值就越大，區(qū)別于背景的信息，即目標(biāo)信息被增大。因此，對(duì)目標(biāo)候選模型進(jìn)行權(quán)值為1/vu的加權(quán)變換時(shí)，同樣可以降低候選模型中背景部分的像素點(diǎn)的權(quán)值，有效地降低背景信息對(duì)目標(biāo)定位的影響，提升目標(biāo)跟蹤算法性能。

3.3 目標(biāo)模型及目標(biāo)候選模型分別加權(quán)

由CBWH可知，只對(duì)目標(biāo)模型背景直方圖進(jìn)行權(quán)值為vu的加權(quán)運(yùn)算，不對(duì)目標(biāo)候選模型背景直方圖進(jìn)行任何加權(quán)運(yùn)算時(shí)，可以有效降低背景對(duì)目標(biāo)定位的影響；而由上一節(jié)的證明可知，只對(duì)目標(biāo)候選模型背景直方圖進(jìn)行權(quán)值為1/vu的加權(quán)運(yùn)算，不對(duì)目標(biāo)模型背景直方圖進(jìn)行任何加權(quán)運(yùn)算時(shí)，也可以有效降低背景對(duì)目標(biāo)定位的影響。所以本文綜合兩種加權(quán)方式的優(yōu)勢(shì)，在對(duì)目標(biāo)模型背景直方圖進(jìn)行權(quán)值為vu的加權(quán)運(yùn)算的同時(shí)，對(duì)目標(biāo)候選模型背景直方圖進(jìn)行權(quán)值為1/vu的加權(quán)運(yùn)算。

此時(shí)，該算法計(jì)算得到的權(quán)值w?i表示為

(18)

(19)

由式(19)可以直觀地看出w?i與wi之間的關(guān)系。當(dāng)像素點(diǎn)xi是背景信息的主要部分時(shí)，vu′的值就越小，背景信息的權(quán)值被降低；而當(dāng)像素點(diǎn)xi是背景信息的次要部分時(shí)，vu′的值就越大，區(qū)別于背景的信息被增強(qiáng)。因此，該方法可以有效地降低背景對(duì)目標(biāo)定位的影響，真正提升Mean Shift的跟蹤能力。

4 實(shí)驗(yàn)結(jié)果及分析

該部分通過航拍坦克運(yùn)動(dòng)視頻測(cè)試序列的實(shí)驗(yàn)，分析和比較所提出方法的性能。該段視頻共包含121幀，每幀的大小為400×224，目標(biāo)區(qū)域的跟蹤窗大小選定為33×19，跟蹤窗與背景總和的大小為66×38，圖1為用Mean Shift、BWH、CBWH和本文提出的方法得到的跟蹤結(jié)果中的第1、55、85和120幀。其中，圖1(a1)～ 圖1(a4)是Mean Shift算法的跟蹤結(jié)果；圖1(b1)～ 圖1(b4)是BWH算法的跟蹤結(jié)果；圖1(c1)～ 圖1(c4)是CBWH算法的跟蹤結(jié)果；圖1(d1)～ 圖1(d4)是本文提出的算法的跟蹤結(jié)果。從其中可以看出CBWH和本文提出的方法跟蹤效果相對(duì)較好。下面再分別從跟蹤誤差和算法的迭代次數(shù)兩組數(shù)據(jù)比較各種方法的性能。圖2為4種方法的跟蹤誤差曲線對(duì)比圖，圖3為4種方法的迭代次數(shù)對(duì)比圖。

圖1 航拍坦克運(yùn)動(dòng)視頻測(cè)試序列跟蹤結(jié)果比較

圖2 跟蹤誤差對(duì)比

圖3 迭代次數(shù)對(duì)比

可以看出本文提出的方法不論是在跟蹤精度上還是在平均迭代次數(shù)和單幀平均處理時(shí)間上全面占優(yōu)，相對(duì)于CBWH算法其跟蹤效果有了較大的提升。

5 結(jié)論

本文提出了一種基于Mean Shift算法的目標(biāo)模型背景直方圖加權(quán)以及目標(biāo)候選模型背景直方圖倒數(shù)加權(quán)的目標(biāo)跟蹤方法。對(duì)背景加權(quán)直方圖及其有效性進(jìn)行了分析，結(jié)合CBWH算法，并通過對(duì)目標(biāo)候選模型背景直方圖的加權(quán)分析，提出了一種用背景加權(quán)直方圖變換目標(biāo)模型，同時(shí)用背景加權(quán)直方圖中所用權(quán)值的倒數(shù)變換目標(biāo)候選模型的可有效抑制背景信息干擾的目標(biāo)跟蹤算法。實(shí)驗(yàn)結(jié)果表明，在相同的測(cè)試條件下該算法相對(duì)幾種比較經(jīng)典的算法，具有平均迭代次數(shù)更低、單幀處理時(shí)間更少以及跟蹤精度更高的優(yōu)勢(shì)，滿足捷聯(lián)圖像導(dǎo)引系統(tǒng)目標(biāo)跟蹤前期階段的應(yīng)用。

[1] LI Peihua.An adaptive binning color model for mean shift tracking[J].IEEE Transactions on Circuits and Systems for Video Technology,2008,18(9):1293-1299.

[2] HAN H,SOHN K.Automatic illumi-nation and color compensation using mean shift and sigma filter[J].IEEE Transactions on Consumer Electronics,2009,55(3):978-986.

[3] LI Z,TANG Q L,SANG N.Improved mean shift algorithm for oclusion pedestrian tracking[J].Electronics Letters,2008,44(10):622-623.

[4] 冉歡歡，黃自立.基于距離信息的Mean-Shift跟蹤算法[J].兵工學(xué)報(bào)，2013,34(1):82-86.

[5] 徐火希.基于改進(jìn)Mean-Shift的運(yùn)動(dòng)目標(biāo)跟蹤算法[J].兵器裝備工程學(xué)報(bào)，2016,37(2):127-130.

[6] COMANICIU D,RAMESH V,MEER P.Real-time tracking of non-rigid objects using Mean Shift[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:[s.n.],2000:142-149.

[7] NING Jifeng,ZHANG Lei,DAVID ZHANG,et al.Robust Mean Shift Tracking with Corrected Background-Weighted Histogram[J].IEEE Transactions on Computer Vision,2012,6(1):62-69.

[8] COMANICIU D,RAMESH V,MEER P.Kernel-based object tracking[J].IEEE transactions on Pattern Analysis and Matchine Intelligence,2003,25(4):564-575.

[9] COMANICIU D,MEER P.Mean shift:a robust approach toward feature space analysis[J].IEEE transactions on Pattern Analysis and Matchine Intelligence,2002,24(5):603-619.

(責(zé)任編輯 周江川)

Strapdown Image Homing System Target Tracking Approach Under the Interference of Background

GUO Xiao-ran1, CUI Shao-hui2, MAO Xiang-dong1, LIU Hai-tao1, ZHOU Yun-chuan1

(1.Ordnance Technical Institute, Shijiazhuang 050000, China; 2. Ordnance Engineering College, Shijiazhuang 050003, China)

In view of the early sstage target tracking guidance system in strapdown image homing system, because of the long distance between missile and target, the target occupies a small area and it is vulnerable to background interference, an new improved target tracking approach based on mean shift algorithm is proposed. By doing target model background histogram weighted while doing target candidate model background histogram countdown weighted, it significantly reduces proportion of background information in the iterations of mean shift target tracking algorithm, and the interference on the target location from track area background information is effectively inhibited, and also the tracking accuracy in the early stage is improved. Experimental results show that compared with the several classic tracking algorithms, the algorithm relatively has a lower average number of iterations, less single frame average processing time and can meet the conditions of application.

ordnance science and technology; image guidance; strap-down; mean shift; background histogram

2016-10-15；

2016-11-12 基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61501493)

郭曉冉(1985—),男,博士,工程師,主要從事電子穩(wěn)像技術(shù)和目標(biāo)跟蹤技術(shù)研究。

10.11809/scbgxb2017.03.001

郭曉冉，崔少輝，毛向東，等.背景干擾下的捷聯(lián)圖像導(dǎo)引系統(tǒng)目標(biāo)跟蹤方法[J].兵器裝備工程學(xué)報(bào)，2017(3):1-5.

format:GUO Xiao-ran, CUI Shao-hui, MAO Xiang-dong,et al.Strapdown Image Homing System Target Tracking Approach Under the Interference of Background[J].Journal of Ordnance Equipment Engineering,2017(3):1-5.

TP911.73

A

2096-2304(2017)03-0001-05