一種多特征融合的紅外目標(biāo)跟蹤算法

一種多特征融合的紅外目標(biāo)跟蹤算法

1多特征融合技術(shù)跟蹤圖像序列中的水流目標(biāo)。多特征融合跟蹤技術(shù)是指在跟蹤過(guò)程中根據(jù)各類特征對(duì)目標(biāo)與背景的分離能力,動(dòng)態(tài)調(diào)整其對(duì)跟蹤結(jié)果的貢獻(xiàn),文獻(xiàn)[6-7]將各種R、G、B組合似然圖作為描述彩色場(chǎng)景的特征圖像,然后根據(jù)各類特征似然圖的方差比(RatioofVariance,ROV)確定其區(qū)分背景與目標(biāo)的能力,并以ROV指標(biāo)作為特征融合的權(quán)重將各似然圖融合。基于多特征融合技術(shù)的目標(biāo)跟蹤算法得到了飛速發(fā)展,文獻(xiàn)[3]通過(guò)最大化目標(biāo)與其他圖像區(qū)域的差異動(dòng)態(tài)選擇灰度、局部標(biāo)準(zhǔn)差以及梯度特征的權(quán)值,確定各類特征直方圖匹配系數(shù)對(duì)跟蹤的貢獻(xiàn)。文獻(xiàn)[4]提出一種基于多特征融合的粒子濾波算法,該算法按一定的權(quán)值系數(shù),利用目標(biāo)的顏色特征和邊緣特征來(lái)構(gòu)建似然函數(shù),作為跟蹤目標(biāo)的跟蹤依據(jù),克服了依靠單一顏色特征跟蹤目標(biāo)的跟蹤算法的不足。文獻(xiàn)[5]則分別利用直方圖以及不變矩分別描述紅外目標(biāo)的灰度及形狀特征,以串聯(lián)形式對(duì)兩特征進(jìn)行融合,得到了較好的跟蹤效果。近年來(lái),二值分類技術(shù)常見于目標(biāo)跟蹤領(lǐng)域粒子濾波作為計(jì)算概率轉(zhuǎn)移的離散方法,被廣泛應(yīng)用于目標(biāo)跟蹤2特征同義圖像2.1圖像特征匹配在圖像幀的某區(qū)域內(nèi)尋找與目標(biāo)模板統(tǒng)計(jì)特征最相近的區(qū)域,就是基于統(tǒng)計(jì)特征的圖像匹配。定義模板的特征向量為q,待匹配區(qū)域的特征向量為p,p,quf0ceR其中,2.2最大試驗(yàn)概率指標(biāo)計(jì)算搜索區(qū)域的統(tǒng)計(jì)特征向量s,式(2)的證明見文獻(xiàn)[11]。相似性判據(jù)與待匹配區(qū)域中第u特征的數(shù)量p2.3基于帶寬的跟蹤算法灰度圖像常見于各種紅外圖像采集設(shè)備,灰度所包含的圖像信息較為豐富,常見于各類跟蹤算法,在對(duì)比度較為顯著的情況下,僅灰度信息便能對(duì)目標(biāo)進(jìn)行有效跟蹤,但當(dāng)目標(biāo)與背景灰度相當(dāng)時(shí),基于灰度的跟蹤算法便會(huì)失效。2.4梯子方向特征2.5均勻模式結(jié)構(gòu)局部二值模式(LocalBinaryPattern,LBP)具有灰度單調(diào)變換不變性,是根據(jù)掩模的中心像素值與鄰域像素進(jìn)行比較,形成二值序列,以此作為圖像的局部二值模式,其計(jì)算形式如下:其中,文獻(xiàn)[12]對(duì)LBP描述的紋理特征進(jìn)行了擴(kuò)展,提出具有旋轉(zhuǎn)不變性質(zhì)的LBP特征,但研究發(fā)現(xiàn)其并不具有很強(qiáng)的分類能力,在實(shí)際應(yīng)用中有些模式出現(xiàn)的頻率非常低,而某些模式出現(xiàn)的頻率很高,有時(shí)甚至能高達(dá)90%以上,該類模式稱為“均勻模式”。由于LBP算子僅利用中心點(diǎn)像素與鄰域像素的灰度差確定二進(jìn)制編碼,該方式并不能真正反映中心點(diǎn)與鄰域點(diǎn)之間的關(guān)系,如亮點(diǎn)、暗點(diǎn)等微小特征,并且LBP特征對(duì)噪聲相當(dāng)敏感,魯棒性較差。文獻(xiàn)[13]對(duì)LBP算子進(jìn)行擴(kuò)展,提出局部三值模式(LocalTernaryPattern,LTP)特征:其中:為了簡(jiǎn)化計(jì)算,將LTP編碼分解為上模式及下模式:為簡(jiǎn)化計(jì)算,又將LTP編碼分解為上模式及下模式,對(duì)每部分分別采用LBP算子進(jìn)行編碼。若分解后的LTP特征分別采用具有旋轉(zhuǎn)不變的均勻LBP特征表示,共有2(P+2)種LTP特征,LTP編碼示例如圖1所示。3最佳似然分布的確定濾波跟蹤的關(guān)鍵是得到各幀圖像F其中,M表示特征個(gè)數(shù);線性判別分析(LinearDiscriminantAnalysis,LDA)作為常見的二值分類技術(shù),具有簡(jiǎn)單、高效的特點(diǎn)。該方法根據(jù)樣本類內(nèi)離散度及類間離散度,尋找最佳投影向量,將多維向量映射到一維,然后根據(jù)閾值對(duì)對(duì)象進(jìn)行分類。就跟蹤問題而言,最佳似然分布滿足目標(biāo)與背景區(qū)域顯著分離,利用LDA方法求得的投影方向w組合各似然分布,能得到最佳融合似然分布。根據(jù)LDA公式:其中,S其中,LDA算法一般要求各類樣本服從具有相同方差的正態(tài)分布,但實(shí)際應(yīng)用發(fā)現(xiàn),一般各類樣本的分布方差是不同的,二次判別分析(QuadraticDiscriminatoryAnalysis,QDA)對(duì)該類問題有更好的求解能力,該算法通過(guò)二次函數(shù)將多維向量映射至一維空間:從式(8)可以看出,QDA所需要估計(jì)的參數(shù)更多,如果將樣本4紅外目標(biāo)跟蹤算法在跟蹤過(guò)程中,由于目標(biāo)運(yùn)動(dòng)的不可預(yù)知性,本文采用隨機(jī)游走模型作為粒子濾波的狀態(tài)轉(zhuǎn)移函數(shù),并采用SIR方法避免粒子群退化5結(jié)果與分析本節(jié)采用PETS2005(http://ftp.pets.rdg.ac.uk/)的紅外空地視頻序列對(duì)本文提出的跟蹤模型進(jìn)行驗(yàn)證。5.1特征映射曲線及權(quán)重目標(biāo)初始狀態(tài)手動(dòng)獲得,以目標(biāo)區(qū)域所有像素點(diǎn)為正樣本,以目標(biāo)周圍5倍區(qū)域像素點(diǎn)為負(fù)樣本,根據(jù)該初始信息,計(jì)算各類特征映射曲線以及各特征權(quán)重。對(duì)每一幀即時(shí)圖像計(jì)算其映射圖像,灰度圖像特征映射示例如圖2所示。根據(jù)特征映射圖像分別采用ROV指標(biāo)、LDA指標(biāo)以及QDA指標(biāo)計(jì)算各特征權(quán)重,并對(duì)其融合,特征圖像融合結(jié)果如圖3所示。5.2跟蹤算法的魯棒性分析圖4、圖5為實(shí)驗(yàn)跟蹤紅外序列圖像中的小車,其中,對(duì)應(yīng)各幀圖像中,第1行顯示了跟蹤結(jié)果,第2行分別為灰度、紋理及梯度方向特征圖像,第3行分別為采用QDA、LDA及ROV算法得到的融合圖像。實(shí)驗(yàn)首先對(duì)幀間全局運(yùn)動(dòng)進(jìn)行補(bǔ)償,然后采用前節(jié)提出的跟蹤算法對(duì)目標(biāo)跟蹤,從圖中的目標(biāo)運(yùn)動(dòng)軌跡可以看出,本文的跟蹤算法具有一定的穩(wěn)定性。對(duì)圖4的跟蹤結(jié)果進(jìn)行分析,第30幀及第430幀目標(biāo)被陰影和小樹局部遮擋,由于基于QDA算法的融合特征圖像其分類性能更強(qiáng),因此跟蹤結(jié)果更為精確。在整個(gè)跟蹤過(guò)程中,雖然環(huán)境光照發(fā)生顯著變化,且被跟蹤目標(biāo)有局部遮擋,但由于本文所提出算法得到的特征圖像具有更強(qiáng)的分類性能,因此,與其他2種跟蹤算法相比,該算法具有更好的跟蹤魯棒性。圖5中的目標(biāo)較小,特別在第500幀時(shí),目標(biāo)與背景極為相似,通過(guò)本文算法得到的融合特征圖像具有更強(qiáng)的BCS指標(biāo)。實(shí)驗(yàn)對(duì)3種算法的BCS指標(biāo)進(jìn)行了t檢驗(yàn),在顯著性水平為0.05時(shí),QDA算法要優(yōu)于LDA及ROV算法。在跟蹤過(guò)程中,目標(biāo)的灰度、邊緣等信息將會(huì)發(fā)生變化,因此,本文選用更新率0.05對(duì)映射曲線實(shí)時(shí)更新。6動(dòng)態(tài)誤差融合算法的魯棒性分析本文提出一種基于二值分類技術(shù)的多特征融合紅外目標(biāo)跟蹤框架。根據(jù)灰度、紋理以及梯度方向等特征在不同條件下對(duì)目標(biāo)及背景分類能力的差異,動(dòng)態(tài)調(diào)整其對(duì)跟蹤結(jié)果的貢獻(xiàn)。與基于ROV及LDA的融合算法相