成像目標(biāo)質(zhì)心跟蹤算法適應(yīng)性研究

穆曉敬，楊振聲，劉紅梅，黃子露

（航空工業(yè)洪都，江西 南昌， 330024）

0 引言

紅外成像制導(dǎo)是利用目標(biāo)和背景的熱輻射差，形成目標(biāo)與背景的紅外信息來實現(xiàn)自動導(dǎo)引的一種制導(dǎo)方法。瞄準(zhǔn)系統(tǒng)中使用的紅外系統(tǒng)自動從背景雜波中選擇和識別目標(biāo)，并使用門限技術(shù)來做出識別和選擇。 當(dāng)目標(biāo)被檢測或識別出來后，需要對目標(biāo)進行實時跟蹤，即實現(xiàn)從當(dāng)前幀目標(biāo)到后一幀目標(biāo)的對應(yīng)與匹配。

本文對成像目標(biāo)質(zhì)心跟蹤算法進行研究，分別建立基于種子點生長和閾值分割的質(zhì)心跟蹤算法MATLAB 數(shù)學(xué)模型，基于簡單背景和復(fù)雜環(huán)境進行性能仿真，并應(yīng)用相關(guān)策略實現(xiàn)目標(biāo)跟蹤，統(tǒng)計目標(biāo)跟蹤特征量，對質(zhì)心跟蹤算法適應(yīng)性進行綜合評估。

1 基于種子點生長的質(zhì)心跟蹤算法

1.1 種子點生長算法

種子點生長算法是指依據(jù)事先給定的相似性準(zhǔn)則（生長準(zhǔn)則），將相鄰且滿足相似性準(zhǔn)則的像素或子區(qū)域合并成同一區(qū)域的過程。種子點生長法面臨的問題有3 個：種子點選取，相似性準(zhǔn)則確定，生長停止的條件。 紅外圖像一般選擇高亮的像素作為種子點，依據(jù)像素之間灰度值的差異作為生長準(zhǔn)則，并通過預(yù)先設(shè)定門限來判斷是否進行生長，直到所有像素遍歷完，則停止生長。

種子點生長算法原理如圖1 所示，其中下標(biāo)為像素點序號，紅色字體表示像素點灰度。

圖1 種子點生長過程

假設(shè)當(dāng)前種子點為01 點， 則在其8 鄰域連通像素中，像素點08 的灰度值與種子點的灰度值最接近，像素點08 被加入到生長區(qū)域中，并且像素點08 作為新的種子點執(zhí)行后面的過程。 在第二次循環(huán)過程中，待分析圖像中像素11、12 的灰度值和已生長區(qū)域（由01 和08 組成）的灰度均值12 最接近，像素點11、12被加入到生長區(qū)域中。

種子點生長基本步驟如下：

1） 圖像預(yù)處理：圖像區(qū)域生長基于像素，去除圖像中一些灰度不正常的噪聲點可明顯改善圖像分割效果，本文采用均值濾波去除這些噪聲。

2） 邊緣檢測： 圖像邊緣是圖像局部特性不連續(xù)性， 標(biāo)志著一個區(qū)域的終結(jié)和另外一個區(qū)域的開始。本文采用Sobel 算子進行圖像邊緣提取。

3） 種子點的自動選取

種子像素的選取常借助具體問題的特點。在軍用紅外圖像中檢測目標(biāo)時， 通常由于目標(biāo)輻射較大，可選用圖中最亮（或最暗）的點作為種子像素。如果對具體問題沒有先驗知識，則可借助生長準(zhǔn)則對每個像素進行計算，若計算結(jié)果呈聚類現(xiàn)象，則接近聚類中心的像素可取為種子像素。在圖像跟蹤過程中目標(biāo)一般位于圖像的中心處， 可選取圖像的中心作為種子點。這里為了避免一些隨機噪聲點的影響，種子點生長算法選取圖像3×3 鄰域灰度均值最大的像素作為種子像素點。

4） 生長判決條件及過程

設(shè)得到的邊緣像素點集中，邊緣像素點的總數(shù)為，灰度分別為（0），（1），…，（-1），種子點的像素灰度為M，計算平均相似度：

作為區(qū)域生長過程的分割閾值。 另外，計算種子區(qū)域中的像素點與候選像素之間的相似性是否滿足：

5） 搜索種子點的8 鄰域像素點， 若與種子點相鄰的像素的灰度與種子點本身的灰度差異小于預(yù)先設(shè)定的門限T，則認(rèn)為該像素與種子點隸屬于同一個區(qū)域，將其標(biāo)記為一類，將種子點的值賦予當(dāng)前點，并以當(dāng)前點為種子點繼續(xù)生長；若灰度值差異大于門限T，認(rèn)為當(dāng)前像素點與種子點不屬于同一類，則跳過當(dāng)前點，繼續(xù)下一個像素點的判斷，執(zhí)行步驟6）。

6） 判斷當(dāng)前像素點是否已標(biāo)記以及是否最后一個像素點，若已標(biāo)記，則跳過該點，繼續(xù)下一個相鄰點的判斷；反之，則執(zhí)行步驟(6)；若已是圖像最后一個像素點，則結(jié)束循環(huán)。

1.2 基于種子點生長的質(zhì)心跟蹤算法仿真分析

基于種子點生長的質(zhì)心跟蹤算法就是利用種子點生成圖像跟蹤目標(biāo)，程序流程圖如圖2 所示。

圖2 種子點生長算法流程圖

根據(jù)種子點生長規(guī)則，目標(biāo)跟蹤效果主要受種子點選取和生長閾值的影響。戰(zhàn)場環(huán)境中涉及紅外成像目標(biāo)可分為簡單背景目標(biāo)和復(fù)雜背景目標(biāo)，根據(jù)目標(biāo)距離關(guān)系可分為成像小目標(biāo)和大目標(biāo)，根據(jù)目標(biāo)特性可分為無紋理目標(biāo)和紋理豐富目標(biāo)。本文采用Matlab軟件就該算法對不同目標(biāo)適應(yīng)性進行仿真分析。

在目標(biāo)跟蹤過程中，遠(yuǎn)距離時目標(biāo)成像小，隨目標(biāo)距離逼近，目標(biāo)成像逐漸增加直至充滿視場。 首先對遠(yuǎn)距離小目標(biāo)跟蹤效果進行分析。選取某簡單背景下的暗目標(biāo)如表1 所示，目標(biāo)大小約為視場的1/20，分別以跟蹤點和偏離跟蹤點3 個像素取為種子點進行仿真。

表1 小目標(biāo)靜止圖像跟蹤仿真

當(dāng)目標(biāo)較小生長點偏差3 個像素時生長圖像無法生成跟蹤目標(biāo)，尤其在遠(yuǎn)距離跟蹤過程中，其質(zhì)心跟蹤點逐漸漂移到目標(biāo)邊界影響跟蹤效果。

目標(biāo)與背景的對比度也影響著目標(biāo)跟蹤穩(wěn)定性。選取合適種子點對簡單背景下低對比度目標(biāo)進行仿真， 當(dāng)視場中目標(biāo)具有一定大小且目標(biāo)紋理不明顯（低對比度目標(biāo)）時，種子點生長算法具有良好分割效果，如表2 所示，能夠?qū)崿F(xiàn)目標(biāo)的穩(wěn)定跟蹤。

表2 種子點生長算法結(jié)果

綜上可知：對于遠(yuǎn)距離小目標(biāo)，基于種子點生長的質(zhì)心跟蹤算法有一定的局限性，但是可以通過相關(guān)策略對跟蹤效果進行修正，一是對目標(biāo)跟蹤點進行人工在線修正；二是在目標(biāo)逼近的過程中，隨著目標(biāo)增大，跟蹤點不會漂出目標(biāo)外且目標(biāo)與背景對比度較明顯，此時再介入質(zhì)心跟蹤。考慮到目標(biāo)增大種子點生長全目標(biāo)的時間增加，實際應(yīng)用中需要對該算法進行簡化，并對處理器運算能力提出了一定的要求。

2 閾值分割的原理分析

閾值分割首先確定一個處于圖像灰度級范圍內(nèi)的灰度閾值T，然后將圖像中每個像素的灰度值都與這個閾值T 比較，根據(jù)它是否超過閾值T 而將該像素歸于兩類中的一類。 常用的方法就是設(shè)定某一閾值T，用T 將圖像分割成大于閾值T 的像素群(目標(biāo))和小于閾值T(背景)的像素群兩部分。

設(shè)輸入圖像是F（x，y），輸出圖像是B（x，y），則：

由此可以看出，確定最優(yōu)的分割閾值是閾值分割的關(guān)鍵所在，決定了圖像分割的效果。 目前常用的閾值分割方法有：直方圖峰谷法、最大類間方差法、最大熵法、基于統(tǒng)計的閾值分割法等。 本文主要使用基于灰度統(tǒng)計的閾值分割方法。

對于不同的背景圖像，其分割閾值不應(yīng)該是固定，而自適應(yīng)閾值一定跟圖像的某些統(tǒng)計屬性有關(guān)。統(tǒng)計發(fā)現(xiàn)，可以利用圖像的灰度均值以及方差來確定閾值，因此，基于灰度統(tǒng)計的閾值分割方法的主要思想可以描述如下：

根據(jù)圖像的灰度均值及方差統(tǒng)計圖像來確定門限th，即

其中，m，n 為處理圖像的長和寬；mean 為整幅圖像的平均灰度值；σ 為整幅圖像的灰度標(biāo)準(zhǔn)差；k 為常數(shù)，可以通過試驗反復(fù)調(diào)整獲得。 窗口寬度m，n 的選擇對閾值分割效果影響較大。 若m 取值過大，則有可能失去局部處理的意義， 同時也會產(chǎn)生大量的計算，導(dǎo)致算法運行速度較慢。 若m 取值過小，則可能導(dǎo)致前景或背景內(nèi)部產(chǎn)生噪聲干擾。參數(shù)k 對圖像的分割效果也有著一定的影響，一般試驗參數(shù)k 取3 較為理想，既不會引入太多的虛假噪聲點；也不會影響目標(biāo)的形狀分割。這種基于灰度統(tǒng)計閾值分割算法特別適合于對小目標(biāo)圖像的處理。

工程上常采用如下的閾值分割參數(shù)：

當(dāng)目標(biāo)與背景有一定灰度差時：

分割閾值=背景均值+3*背景方差

當(dāng)目標(biāo)與背景有一定的灰度差，但對比度較小時：

分割閾值=（1-）* 背景均值+（1-） 前景均值+（3*背景方差+3*前景方差）

該方法適用于目標(biāo)位于圖像中心且所占視場比例較小的情況。

2.1 基于閾值分割的質(zhì)心跟蹤仿真分析

本文采用基于灰度統(tǒng)計的閾值法來確定圖像分割的閾值，并結(jié)合幀間目標(biāo)信息實現(xiàn)目標(biāo)跟蹤。 算法流程圖如圖3 所示。

圖3 程序流程圖

為避免分割過程中背景比重、目標(biāo)大小對圖像分割的影響，本文采用子圖形進行圖像分割，即對包含目標(biāo)在內(nèi)的一定區(qū)域進行閾值分割，當(dāng)目標(biāo)超出當(dāng)前區(qū)域大小時， 采用下采樣的方法對圖像進行分割，分割完成后對跟蹤波門進行回歸處理。本文根據(jù)實際圖像和目標(biāo)的大小，選取的子圖像大小為64*64，采樣率分別為1 倍采樣、2 倍采樣和4 倍采樣； 若在原圖上進行圖像分割，由于目標(biāo)較小時，背景較多，干擾較大，會對分割效果有一定影響，采用子圖像進行圖像分割能夠有效改善該問題，同時采用不同采樣率設(shè)計能夠滿足目標(biāo)逼近過程中圖像分割的適應(yīng)性。圖像中采用紅色波門框表示圖像分割出的目標(biāo)，藍(lán)色標(biāo)記點為目標(biāo)質(zhì)心跟蹤點。

采用MATLAB對不同背景下的目標(biāo)跟蹤特性進行仿真， 選取圖像跟蹤中的部分跟蹤結(jié)果進行說明，內(nèi)容包括跟蹤圖和分割圖兩部分，跟蹤圖為原始圖像加跟蹤波門，分割圖為不同子圖像下根據(jù)分割閾值分割出的目標(biāo)圖像。

1） 簡單背景下的目標(biāo)跟蹤

對簡單背景下低對比度目標(biāo)進行仿真分析，結(jié)果如表3 所示， 可見采用基于閾值分割的質(zhì)心跟蹤算法，在目標(biāo)由遠(yuǎn)到近、由小到大的逼近過程中能準(zhǔn)確分割出目標(biāo)并跟蹤，對于孤立目標(biāo)且與背景有一定對比度的目標(biāo)能穩(wěn)定跟蹤， 但是在目標(biāo)逼近充滿視場時，由于目標(biāo)較大，目標(biāo)紋理細(xì)節(jié)突出，圖像分割只分出目標(biāo)的一部分， 目標(biāo)跟蹤進入到目標(biāo)某部分的質(zhì)心。 此時跟蹤算法可通過對前后幀目標(biāo)長高比、占空比及其變化率的判定來對當(dāng)前目標(biāo)跟蹤進行判斷，決定是否退出質(zhì)心跟蹤，更換跟蹤策略。

表3 簡單背景下的目標(biāo)跟蹤

可見，當(dāng)目標(biāo)位于圖像中心且所占視場比例較小時，該算法分割的子圖像形狀規(guī)則、邊緣清晰，分割效果良好，圖像逐漸增大過程中能夠?qū)崿F(xiàn)目標(biāo)穩(wěn)定跟蹤。

2） 復(fù)雜背景下的目標(biāo)跟蹤

對復(fù)雜場景中的目標(biāo)跟蹤進行仿真，采用質(zhì)心跟蹤算法存在質(zhì)心分割不完整的現(xiàn)象。該問題由目標(biāo)邊緣部分像素灰度值與背景灰度值相近且目標(biāo)內(nèi)部紋理豐富對比度較大造成。圖像分割時找不到合適的閾值，此時目標(biāo)分割不完整。

表4 復(fù)雜背景下的圖像跟蹤

基于閾值分割質(zhì)心跟蹤算法適用于目標(biāo)與背景有一定灰度差，且目標(biāo)灰度較均勻的場景。 灰度差較小的目標(biāo)和背景不適用于該方法， 需進一步改進研究。該方法也適用于復(fù)雜背景下與背景對比明顯的低對比度目標(biāo)跟蹤，對分割閾值加以約束，并對分割后的目標(biāo)占空比、長高比及其變化率進行判斷，可以得到穩(wěn)定的質(zhì)心分割結(jié)果。

3 基于種子點生長與閾值分割的質(zhì)心跟蹤對比分析

對同一背景目標(biāo)，分別采用基于種子點生長和閾值分割的質(zhì)心跟蹤算法進行仿真研究，目標(biāo)為簡單背景下“田”字目標(biāo)，仿真結(jié)果如表5 所示。

表5 基于種子點生長和閾值分割的質(zhì)心跟蹤算法仿真分析

基于閾值分割的質(zhì)心跟蹤算法在目標(biāo)跟蹤全程均能獲得較好的跟蹤效果，在目標(biāo)較小或由小到大的逼近過程中，目標(biāo)分割穩(wěn)定，能夠?qū)崿F(xiàn)穩(wěn)定跟蹤基于種子點生長的質(zhì)心跟蹤算法，在目標(biāo)較小時存在分割不穩(wěn)定的現(xiàn)象；當(dāng)目標(biāo)有一定紋理時，存在分割不完整的現(xiàn)象。

4 結(jié)語

本文主要研究了基于種子點生長和閾值分割的質(zhì)心跟蹤算法，并對其分別進行仿真分析。 仿真結(jié)果表明：基于種子點生長的質(zhì)心跟蹤算法適用于簡單背景下無紋理或低對比度目標(biāo)，對于遠(yuǎn)距離小目標(biāo)由于跟蹤漂移的影響，會導(dǎo)致目標(biāo)分割不完整。 隨著目標(biāo)增大到視場一定比重后，種子點生長算法能夠穩(wěn)定生長出目標(biāo)，進入穩(wěn)定的質(zhì)心跟蹤，直到目標(biāo)放大到超出質(zhì)心跟蹤的最大范圍，則退出跟蹤。 實際應(yīng)用中可通過對目標(biāo)距離的判定或分割目標(biāo)大小的判定決定是否啟用基于種子點的質(zhì)心跟蹤分割算法。若在跟蹤過程中可對跟蹤點進行修正，可以獲得良好的跟蹤效果。

基于閾值分割的質(zhì)心跟蹤算法，只利用圖像的灰度信息，不依賴當(dāng)前跟蹤點，可實現(xiàn)無修正分割和自適應(yīng)跟蹤，自適應(yīng)跟蹤過程中對簡單場景下的目標(biāo)跟蹤效果較好；對遠(yuǎn)距離孤立小目標(biāo)且與背景有一定灰度對比度時，能穩(wěn)定跟蹤在目標(biāo)由遠(yuǎn)逼近、由小到大的過程中，跟蹤穩(wěn)定；對復(fù)雜場景中的低對比度目標(biāo)有一定的適應(yīng)性，適用范圍較種子點生長更優(yōu)越。