基於自適應流形粒子濾波的制導紅外小目標跟蹤方法
2023-05-15 18:01:16 3
專利名稱：基於自適應流形粒子濾波的制導紅外小目標跟蹤方法
技術領域：
本發明涉及一種目標跟蹤和檢測方法，具體是一種制導紅外小目標跟蹤和檢測的方法。屬於非線性濾波、紅外目標圖像處理和目標跟蹤領域。
背景技術：
紅外探測技術由於其隱蔽性好、可全天候工作、角度解析度高、反隱身能力強、作用距離遠、可靠性好、低功耗等優點備受關注，被廣泛應用於軍事領域，尤其是在紅外成像制導、紅外告警和偵察方面。
在現代高科技戰爭中為了使防禦系統能夠有足夠多的反應時間，要求能夠在很遠的地方探測和發現到目標。但是，對於獲得的遠距離目標的紅外圖像，目標成像面積小，像素低，沒有明顯的輪廓，對比度很低，缺乏紋理、大小和結構信息；尤其是在複雜背景下，目標在圖像中的信噪比(SNR)很低，人眼根本無法找到目標。因此在利用紅外圖像進行目標跟蹤前，要對紅外圖像進行預處理，常用的方法主要有時間域、空間域和變換域圖像預處理方法。然而，時間域和變換域圖像預處理算法存在計算量和數據量大的缺點，空間域較以上兩種方法計算量較低。但是，在低信噪比複雜背景下的紅外弱小目標圖像中，目標和背景的灰度分布非常接近，導致傳統的空間域圖像預處理算法難以區分目標和背景，從而影響濾波效果。另一方面，單幀檢測虛警概率高，多幀處理導致數據存儲量和計算量急劇增加，採用固定的算子和模板都很難有效檢測弱小目標。
檢測前跟蹤(TBD)是研究小目標跟蹤的主要方法，該方法對單幀圖像中是否有目標先不進行判斷，而是對圖像中所有可疑目標進行跟蹤，進而根據檢測概率、信噪比和虛警概率計算多幀圖像的檢測門限進行決策。在低信噪比下，TBD的檢測性能比DBT (跟蹤前檢測)更優。基於粒子濾波的檢測前跟蹤算法，不受先驗分布以及狀態轉移模型的限制，該方法通過利用目標運動方程、觀測方程及傳感器的觀測數據(紅外圖像序列)，由粒子濾波得到狀態的後驗概率分布及目標出現的概率，以目標出現概率作為目標檢測的判斷準則，檢測出真實的小目標，並估計紅外小目標在空間平面內的位置，實現檢測與跟蹤。
但是基於粒子濾波的小目標跟蹤方法仍然存在一些技術難點粒子退化、光照、遮擋、目標姿態的變化以及噪聲的影響，這些因素均會導致跟蹤效果變差；目標的快速移動、 多目標跟蹤要求粒子濾波採用大量的粒子，算法的計算代價很大；同時圖像的數據量大，跟蹤的實時性很難保證，等等。因此基於粒子濾波的紅外小跟蹤仍然是一個值得深入研究的技術難題。
粒子濾波雖然可以適用於所有的非線性非高斯系統，不受噪聲性質的限制，但是現有的粒子濾波算法都是在歐式空間進行的，當應用粒子濾波算法對高維系統目標進行跟蹤時，同樣會遇到「維數災難」問題。發明內容
本發明針對已有技術的不足，提出一種基於自適應流形粒子濾波的制導紅外小目5標跟蹤方法。原始的紅外圖像由背景、噪聲和目標組成，經過濾波以達到背景抑制的目的。 在此採用檢測前跟蹤TBD方法，首先對目標圖像進行背景抑制濾波；再次，在跟蹤階段，將粒子濾波算法中的粒子數自適應和黎曼流形粒子濾波算法相結合，提出自適應流形粒子濾波算法，進而跟蹤可能的運動軌跡；最後，檢測目標。
本發明基於自適應流形粒子濾波的制導紅外小目標跟蹤方法包括如下步驟
(I)應用Facet小面圖像模型的雙向擴散濾波背景抑制算法進行圖像背景抑制 首先，計算平均方向導數梯度算子ADDG，獲取各方向ADDG的算子值，其中，計算ADDG算子所需要的係數通過原始圖像與固定模板卷積獲得；其次，採用ADDG算子描述圖像鄰域的多向梯度特徵，並採用雙向擴散濾波的離散形式進行圖像濾波；
( 2 )基於自適應流形粒子濾波算法的小目標跟蹤首先，對粒子濾波算法中的粒子數進行計算，自適應選取粒子數N(t);其次，在黎曼流行上進行在線學習和更新目標外形， 通過加權歐幾裡得黎曼平均值估計表面協方差矩陣，進而預測流形點；第三，從子區域構建並提取特徵向量；最後，使用嵌入的表面似然對跟蹤的目標模型即邊界框參數建模；
(3)目標檢測首先，犾取紅外弱小目標的等聞線表達；進而，生成等聞線圖1ECM 的等高線樹表達；最後，根據等高線樹中結點分布規律實現目標檢測，當符合下述三個條件，目標被定為候選目標；
這三個條件為①用Ivi, i = 0，Ρ··1 }表示等高線樹中的結點，每個結點的度deg 均為2，且入度和出度為1，出入分別用deg正負表示，k為自然數；②路徑跨越的高程大flevel(V,-) — level(v; ,) = 1於某一閾值，即；；'!，其中ΔΗ為相鄰等高線的高程差，T為高程閾值，I kxAH > Ilevel (v)為等高線的層，即是指從根節點到某一節點的最短路徑長度；③採用一種定性計算非規則區域近似面積的快速方法確定等高線所包含區域的面積
S= [max (x) -min (x) ] [max (y) -min (y)],
該面積小於9X9個像素，其中，X和y為某條等高線各點的坐標，max( ·)和 min( ·)為求極大值和極小值的算子。
本發明提出了一種基於自適應流形粒子濾波的制導紅外小目標跟蹤方法，提高算法的實時性、魯棒性和濾波精度。
本發明中的TBD方法適用於信噪比較低的複雜背景下紅外小目標的檢測和跟蹤； 自適應粒子濾波算法相對於一般粒子濾波算法的跟蹤速度更快；圖像IECM特徵匹配的檢測方法，對複雜背景具有良好的適應性，尤其是當目標出現在邊緣紋理區域時，仍具有較高的檢測概率。總體來說,本發明的魯棒性較強,快速性較好,濾波精度也較高。)
圖1本發明總體框圖2自適應黎曼流形粒子濾波算法流程圖。
具體實施方式
如圖1所示， 本發明基於自適應流形粒子濾波的制導紅外小目標跟蹤方法包括如下步驟
(I)圖像背景抑制應用Facet小面圖像模型的雙向擴散濾波背景抑制算法，首先，計算平均方向導數梯度算子(Average Directional Derivative Gradient Operator, ADDG)，獲取各方向ADDG算子的值。其中，計算ADDG算子所需要的係數可以通過原始圖像與固定模板卷積獲得。其次，雙向擴散濾波。採用ADDG算子描述圖像鄰域的多向梯度特徵， 並採用雙向擴散濾波的離散形式進行圖像濾波。
( 2 )基於自適應流形粒子濾波算法的小目標跟蹤首先，對粒子濾波算法中的粒子數進行計算，自適應選取粒子數N(k);其次，在黎曼流行上進行在線學習和更新目標外形， 通過加權歐幾裡得黎曼平均值估計表面協方差矩陣，進而預測流形點；第三，從子區域構建並提取特徵向量；最後，使用嵌入的表面似然對跟蹤的目標模型(邊界框參數)建模。
(3)目標檢測首先，獲取紅外弱小目標的等聞線表達；進而，生成等聞線圖 (IECM)的等高線樹表達；最後，根據等高線樹中結點分布規律實現目標檢測，在此給出具體的三個條件，如符合下述三個條件，目標被定為候選目標。
這三個條件為①用Ivi, i = 0，Ρ··1 }表示等高線樹中的結點，每個結點的度 (deg)均為2，且入度和出度(出入分別用deg正負表示)為I ;②路徑跨越的高程大於某一(level(v ) — level(v ,) = 1閾值，即 ;XLI :③採用一種定性計算非規則區域近似面積的快速方法確 [ k X Δ" > I定等高線所包含區域的面積
S= [max (x) —min (x) ] [max (y) —min (y)]
該面積小於9X9個像素。
下面結合附圖具體敘述本發明
1.圖像背景抑制
採用Facet小面圖像模型的雙向擴散濾波背景抑制算法。假定一副圖像被劃分為若干個相互連接的鄰域，每個區域滿足一定的灰度分布和形狀限制，這種區域為Facet。圖像中每個Facet區域R的灰度分布可由一組雙三次多項式基函數的線性組合逼近，逼近函數為
AI(x, y) = α + α} + α2 + α3χ2 + a4xy + asy2 + a6x3 + a7x2y + α χ}·>2 + a9v3CU
上式可簡寫為/ Λ-，_),) = υ.φ .,其中，Φ = (Φ。，小丨，…，Φ9)τ為基函數，a= (Bc^a1,…， a9)為加權係數。為了求得加權係數a，首先計算鄰域R內擬合曲面與圖像灰度值的誤差為
￡ = ￡[I(xyy) — /(X，V)]2 W(x,y)dxdy
其中，W(x，y)是立方體窗口係數il, (x, j)e R
W(x,y) = \； 3 7
為了表示方便，令基函數Φ張成的子空間的內積表示為
ε =〈I (X, y)-C>a，I (X, y)_C>a>W(x, y) (4)
對誤差函數ε求導，並令3f(i)/9α = O，即可求得基係數a為
α = [(Φ* Φ)_1Φ] * I1 =Φ* Ii(5)(。)(3)
對於雙三次多項式基，直接採用上式求解模型參數時計算量很大。考慮到二維離散正交多項式基(TDDOP)可以分解為兩個方向上的一維正交多項式的向量積，並且高於3階函數基可以被忽略，因此，採用TDDOP表達擬合曲面/(J1-J),以減少運算量
/(X，v) = k0 + + k2y + kj{x^ — 2) + k4xy + (v~ — 2) +
(6),17, , 17
Ai (λ--x) + k7 (x- — 2)y + kRx(v —2) + k9{y--_y)5*5
其中，ki; i = 0…9是加權係數，令(吼肩,…,科)表示上述二維正交多項式基，結合式(5)和式(6)，並根據基函數的正交性，可得加權係數計算方法如下
M^y) ki =_ I(X, v) = W1I(X,y)
由上式可以看出，在函數基確定後，各加權係數可以分別通過原始圖像和固定模板^的卷積獲得，其中，固定模板計算方法為
舞)(8).φ, (-w)
係數。
ADDG:根據式(7)和(8)即可通過模板卷積的方式快速地計算出圖像的Facet小面模型本算法的具體步驟如下；(I)計算ADDG算子。利用下式U「 -2L -^U,) +丄/,4 +i/t7i2，沒=O 2 7 5 9 2 4 3 7{L — 2々s -警A6) + 士L1. + ^kiL2,Θ = π1251 I I, ，(9)(/「 —2k，--/C0) — /Ci H—U1L — Tt5 2 3(/C1-1k.L十^kj}β=Tfyn
獲取更方向ADDG算子的值，其中，計算ADDG算子所需的係數可以根據式(7)通過將原始圖像和固定模板卷積獲得。
(2)雙向擴散濾波。採用ADDG算子描述圖像鄰域的多向梯度特徵，並根據P-M濾波離散模型
ZWIV/fl)V/,](10)
和雙向擴散函數背景抑制
B (x) =exp [- (x/kf)n] /x+exp {- [ (x~kb) /w]2m} /x (11)
採用雙向擴散濾波的離散形式進行圖像濾波，其中WiS圖像的梯度，λ為係數權值，t表示當前迭代次數，It (x，y)為第t次迭代的濾波結果，Itl(^y)為原始圖像。c(|V/J) 為擴散函數，用來控制圖像梯度的擴散行為，取迭代次數t = 1，則濾波過程如下
權利要求
1.一種基於自適應流形粒子濾波的制導紅外小目標跟蹤方法，其特徵在於所述方法包括如下步驟 (1)應用Facet小面圖像模型的雙向擴散濾波背景抑制算法進行圖像背景抑制首先，計算平均方向導數梯度算子ADDG，獲取各方向ADDG的算子值，其中，計算ADDG算子所需要的係數通過原始圖像與固定模板卷積獲得；其次，採用ADDG算子描述圖像鄰域的多向梯度特徵，並採用雙向擴散濾波的離散形式進行圖像濾波； (2 )基於自適應流形粒子濾波算法的小目標跟蹤首先，對粒子濾波算法中的粒子數進行計算，自適應選取粒子數N(t);其次，在黎曼流行上進行在線學習和更新目標外形，通過加權歐幾裡得黎曼平均值估計表面協方差矩陣，進而預測流形點；第三，從子區域構建並提取特徵向量；最後，使用嵌入的表面似然對跟蹤的目標模型即邊界框參數建模； (3)目標檢測首先，獲取紅外弱小目標的等聞線表達；進而，生成等聞線圖1ECM的等高線樹表達；最後，根據等高線樹中結點分布規律實現目標檢測，當符合下述三個條件，目標被定為候選目標； 這三個條件為①用Ινρ，ρ=0，Ρ··1 }表示等高線樹中的結點，P為結點的編號，每個結點的度deg均為2，且入度和出度為1，出入分別用deg正負表示，k在本文中為自然數；②路徑跨越的高程大於某一閾值，即
2.根據權利要求1所述的基於自適應流形粒子濾波的制導紅外小目標跟蹤方法，其特徵在於所述雙向擴散濾波方法如下 採用ADDG算子描述圖像鄰域的多向梯度特徵，並根據P-M濾波離散模型 和雙向擴散函數背景抑制 B (X) =exp [- (x/kf)n] /x+exp {- [ (x_kb) /w]2m}/x ；採用雙向擴散濾波的離散形式進行圖像濾波，其中7七為圖像的梯度，λ為係數權值，t表示當前迭代次數，It U，y)為第t次迭代的濾波結果，ItlU, y)為原始圖像；c(|V/, I)為擴散函數，用來控制圖像梯度的擴散行為；取迭代次數t = 1，則濾波過程如下
3.根據權利要求1所述的基於自適應流形粒子濾波的制導紅外小目標跟蹤方法，其特徵在於所述自適應流形粒子濾波方法如下 (1)初始化令迭代次數t=0,從先驗分布中採樣X0i =。。…，!!(!,!!(!為初始粒子數，i為粒子編號； (2)令t=t+l,根據
4.根據權利要求1所述的基於自適應流形粒子濾波的制導紅外小目標跟蹤方法，其特徵在於所述基於圖像IECM特徵匹配的弱小目標檢測方法如下 (a)獲取紅外弱小目標的等高線表達從某個灰度H開始，建立灰度圖像ζ(s，r)； 首先，倉Il建一個二維圖像B(s，r)
全文摘要
本發明公布了一種基於自適應流形粒子濾波的制導紅外小目標跟蹤方法，所述方法包括應用Facet小面圖像模型的雙向擴散濾波背景抑制算法進行圖像背景抑制；基於自適應流形粒子濾波算法的小目標跟蹤；目標檢測。本發明提高算法的實時性、魯棒性和濾波精度。
文檔編號G06T7/20GK102982555SQ20121043190
公開日2013年3月20日 申請日期2012年11月1日 優先權日2012年11月1日
發明者朱志宇, 張亮, 李陽, 葛慧林, 伍雪冬, 張冰, 王建華, 楊官校 申請人:江蘇科技大學