一種弱小運(yùn)動(dòng)目標(biāo)快速檢測與跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息處理領(lǐng)域，具體的說是涉及了一種弱小運(yùn)動(dòng)目標(biāo)快速檢測與跟蹤 方法。
【背景技術(shù)】
[0002] 弱小運(yùn)動(dòng)目標(biāo)的檢測與跟蹤在軍事領(lǐng)域中有廣泛的應(yīng)用。在軍事應(yīng)用中，希望能 夠盡可能早的發(fā)現(xiàn)目標(biāo)，從某種意義上講，這也就意味著發(fā)現(xiàn)盡可能遠(yuǎn)的目標(biāo)，以至于當(dāng)目 標(biāo)在成像面上只有一個(gè)像素甚至不足一個(gè)像素時(shí)，就要有被檢測到并進(jìn)行實(shí)時(shí)跟蹤的可能 性。
[0003] 對(duì)于軍用紅外成像系統(tǒng)而言，紅外圖像的成像機(jī)理決定了紅外圖像的對(duì)比度較 低，當(dāng)目標(biāo)距離成像系統(tǒng)很遠(yuǎn)時(shí)，它自身的紅外輻射在經(jīng)過大氣與成像系統(tǒng)等環(huán)節(jié)映射為 圖像時(shí)將呈現(xiàn)出較低的灰度值。如果目標(biāo)本身具有良好的紅外隱身性能，目標(biāo)的灰度值將 更加不宜作為可分離特征。對(duì)于可見光成像系統(tǒng)而言，可見光圖像是反射圖像，圖像中包含 的高頻成份較多，在一定照度下能夠反映場景的細(xì)節(jié)信息，但當(dāng)照度不佳時(shí)得到的微光圖 像對(duì)比度較低。
[0004] 針對(duì)紅外和可見光圖像單獨(dú)使用時(shí)存在的不足，圖像融合技術(shù)能夠有效綜合和發(fā) 掘這兩種具有互補(bǔ)性圖像的特征信息，從而達(dá)到增強(qiáng)場景理解和突出目標(biāo)的目的，有利于 在隱藏、偽裝和迷惑的情況下更快更準(zhǔn)地檢測出目標(biāo)。
[0005] 針對(duì)這樣的情況，弱小運(yùn)動(dòng)目標(biāo)的檢測與跟蹤問題就被提了出來。弱小運(yùn)動(dòng)目標(biāo) 的檢測與跟蹤問題的研究在軍事上具有突出的價(jià)值，有助于提高武器裝備的作用距離，進(jìn) 而為實(shí)現(xiàn)先發(fā)制人的軍事戰(zhàn)略提供堅(jiān)實(shí)的物質(zhì)技術(shù)基礎(chǔ);此外，該技術(shù)在眾多民用領(lǐng)域也 得到了深入的研究和廣泛的應(yīng)用。
[0006] 從弱小運(yùn)動(dòng)目標(biāo)檢測與跟蹤方式來分，目前弱小運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)主要可 分為三類：
[0007] (1)先檢測后跟蹤。先檢測每幀圖像上的目標(biāo)，然后將前后兩幀圖像上目標(biāo)進(jìn)行匹 配，從而達(dá)到跟蹤的目的。這種方法可以借助很多圖像處理和數(shù)據(jù)處理的現(xiàn)有技術(shù)，但是檢 測過程沒有充分利用跟蹤過程提供的信息。
[0008] (2)先跟蹤后檢測。先對(duì)目標(biāo)下一幀所在的位置及其狀態(tài)進(jìn)行預(yù)測或假設(shè)，然后根 據(jù)檢測結(jié)果來矯正預(yù)測值。該方法面臨的難點(diǎn)是事先要知道目標(biāo)的運(yùn)動(dòng)特性和規(guī)律。
[0009] (3)邊檢測邊跟蹤。圖像序列中目標(biāo)的檢測和跟蹤相結(jié)合，檢測要利用跟蹤來提供 處理的對(duì)象區(qū)域，跟蹤要利用檢測來提供目標(biāo)狀態(tài)的觀察數(shù)據(jù)。
[0010]近幾年來，由于對(duì)計(jì)算方法實(shí)時(shí)性要求越來越高，以上三類方法中，邊檢測邊跟蹤 的方法正在受到越來越大的關(guān)注。
[0011] 此外，近幾年機(jī)器學(xué)習(xí)理論也取得了長足的發(fā)展。但是，機(jī)器學(xué)習(xí)的實(shí)時(shí)性在實(shí)際 硬件系統(tǒng)中始終是一個(gè)關(guān)鍵瓶頸問題。為實(shí)現(xiàn)在線機(jī)器學(xué)習(xí)，一條途徑是降低采樣樣本數(shù) 量，即采用低密度采樣樣本來進(jìn)行檢測與跟蹤。但是，低密度采樣很難保證較好的檢測與跟 蹤性能，特別是虛警概率和精度等指標(biāo)難以滿足實(shí)際工程需要。

【發(fā)明內(nèi)容】

[0012]為了解決【背景技術(shù)】中存在的問題，本發(fā)明提出了一種弱小運(yùn)動(dòng)目標(biāo)快速檢測與跟 蹤方法。采用邊檢測邊跟蹤的方式，并將在線核學(xué)習(xí)、循環(huán)矩陣的特性、快速傅里葉變換結(jié) 合起來，在不需要獲取目標(biāo)的形狀等特征條件下，實(shí)現(xiàn)弱小運(yùn)動(dòng)目標(biāo)的快速檢測與跟蹤。
[0013] 本發(fā)明方法的技術(shù)方案采用以下步驟，如圖1所示：
[0014] 第一步:獲取目標(biāo)可能的初始位置:針對(duì)輸入圖像序列，預(yù)處理根據(jù)時(shí)隙劃分為多 段圖像序列，對(duì)同一段圖像序列內(nèi)的前兩幀圖像進(jìn)行差分，差分后的圖像再采用灰度閾值 剔除噪聲點(diǎn)目標(biāo)，獲取目標(biāo)所在區(qū)域的目標(biāo)矩形的大小和位置，并建立檢測窗口，檢測窗口 為目標(biāo)矩形的2倍高度和2倍寬度的圖像窗口，為后續(xù)檢測和跟蹤做準(zhǔn)備；
[0015] 第二步:對(duì)劃分后的每段圖像序列進(jìn)行邊檢測與跟蹤:根據(jù)第一步初始得到的目 標(biāo)矩形大小和位置，利用高密度采樣方法和在線核學(xué)習(xí)犯法，并結(jié)合循環(huán)矩陣與快速傅里 葉變換(FFT)之間的關(guān)系，進(jìn)彳丁目標(biāo)的實(shí)時(shí)檢測與跟蹤；
[0016] 第三步:重復(fù)迭代，重復(fù)第一步至第二步的步驟，對(duì)每段圖像序列再進(jìn)行實(shí)時(shí)連續(xù) 的檢測與跟蹤，形成閉環(huán)。
[0017]本發(fā)明采用邊檢測邊跟蹤方式，將在線核學(xué)習(xí)、循環(huán)矩陣的特性、快速傅里葉變換 結(jié)合起來，在不需要獲取目標(biāo)的形狀等特征條件下，實(shí)現(xiàn)圖像序列中弱小運(yùn)動(dòng)目標(biāo)的快速 檢測與跟蹤。
[0018] 所述的弱小運(yùn)動(dòng)目標(biāo)是指圖像面積的0.15%以下的運(yùn)動(dòng)目標(biāo)或者5X5像素區(qū)塊 以下的運(yùn)動(dòng)目標(biāo)。
[0019] 所述方法用于可見光圖像序列或者紅外圖像序列的檢測和跟蹤。
[0020] 所述第一步中，將輸入圖像序列以8-20幀的時(shí)隙依次均等劃分多段圖像序列，
[0021] 所述每段圖像序列中，對(duì)于前兩幀的圖像中的檢測窗口，先進(jìn)行高密度采樣，再通 過二維漢明窗進(jìn)行濾波，然后通過在線核學(xué)習(xí)方式建立分類器進(jìn)行快速目標(biāo)檢測;對(duì)于除 前兩幀以外的其他前后相鄰兩幀圖像，用上述已訓(xùn)練好的分類器更新參數(shù)再次檢測，從而 實(shí)現(xiàn)實(shí)時(shí)跟蹤。
[0022]所述的高密度采樣是在檢測窗口內(nèi)以目標(biāo)矩形為單位進(jìn)行循環(huán)移位采樣，所述的 二維漢明窗的函數(shù)與目標(biāo)矩形大小相同。
[0023]如圖2所示，所述的循環(huán)移位采樣具體是以目標(biāo)矩形為單位進(jìn)行逐行逐列地遍歷 掃描采樣，具體是先在第一行每次移位一列遍歷采樣，再到第二行依次類推完成循環(huán)移位 米樣。
[0024]其中檢測窗口與目標(biāo)矩形的卷積運(yùn)算可通過FFT來實(shí)現(xiàn)。
[0025] 所述的在線核學(xué)習(xí)方式進(jìn)行快速目標(biāo)檢測具體是;采用以下公式的高性能分類器 進(jìn)行檢測，獲得樣本的響應(yīng)輸出y '最大的作為運(yùn)動(dòng)目標(biāo)，將其標(biāo)識(shí)為+1:
[0026]
[0027]其中，z是輸入樣本，y'表示樣本的響應(yīng)輸出，αι為核函數(shù)參數(shù)，Xl表示第i個(gè)樣本，κ 表示其所含兩個(gè)元素的核運(yùn)算，i表示樣本的索引值。
[0028] 核函數(shù)參數(shù)€4采用以下公式進(jìn)行計(jì)算：
[0029]
[0030]兵甲，Λ衣不止則彳七的強(qiáng)度參數(shù)，F(xiàn)〇表示對(duì)其所含元素進(jìn)行傅里葉變換后的結(jié)果， y表示以目標(biāo)為中心的樣本矩陣，F(xiàn)H)表示對(duì)其所含元素進(jìn)行逆傅里葉變換后的結(jié)果，α為 計(jì)算得到的核函數(shù)參數(shù)。
[0031] 在所述第二步對(duì)劃分后的每段圖像序列進(jìn)行邊檢測與跟蹤后，再進(jìn)行數(shù)據(jù)融合與 參數(shù)優(yōu)化，對(duì)于可見光圖像采用高斯核函數(shù)進(jìn)行數(shù)據(jù)融合與參數(shù)優(yōu)化，對(duì)于紅外圖像采用 正則化最小二乘損失函數(shù)進(jìn)行數(shù)據(jù)融合與參數(shù)優(yōu)化。
[0032] 本發(fā)明的參數(shù)設(shè)置包括高斯核函數(shù)、時(shí)隙等參數(shù)或參數(shù)范圍。
[0033]本發(fā)明的創(chuàng)新點(diǎn)和優(yōu)勢(shì)在于：
[0034] (1)采用邊檢測邊跟蹤方式，優(yōu)勢(shì)是圖像序列中目標(biāo)的檢測和跟蹤相結(jié)合，檢測要 利用跟蹤來提供處理的對(duì)象區(qū)域，跟蹤要利用檢測來提供目標(biāo)狀態(tài)的觀察數(shù)據(jù)。
[0035] (2)將快速計(jì)算方法與核學(xué)習(xí)進(jìn)行有機(jī)整合?？焖儆?jì)算方法的實(shí)現(xiàn)是通過挖掘高 密度采樣樣本信息冗余與循環(huán)矩陣特性之間的關(guān)系，為FFT計(jì)算提供了依據(jù)。進(jìn)而將在線學(xué) 習(xí)與FFT結(jié)合以克服傳統(tǒng)的機(jī)器學(xué)習(xí)實(shí)時(shí)性差的缺點(diǎn)。
[0036]同時(shí)，本發(fā)明引入核學(xué)習(xí)方式提升處理非線性數(shù)據(jù)的有效性，既能夠在只有單一 信息來源(如紅外)時(shí)能夠正常檢測與跟蹤目標(biāo)，又能夠在多源信息條件下進(jìn)一步提高跟蹤 精度和可靠性，可滿足不同軍用平臺(tái)需求。
【附圖說明】
[0037]圖1是本發(fā)明方法的流程示意圖。
[0038]圖2是常規(guī)稀疏采樣與本發(fā)明方法高密度采樣示意圖。
【具體實(shí)施方式】
[0039]下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
[0040] 本發(fā)明實(shí)施例流程如圖1所示，具體實(shí)施過程和原理如下：
[0041] (1)圖像序列采集與預(yù)處理；
[0042] 通過紅外與可見光等成像系統(tǒng)獲取原始圖像序列，并設(shè)置本方法的系統(tǒng)參數(shù)，包 括:窗口大?。耗繕?biāo)2倍高度X 2倍寬度;核函數(shù):高斯核函數(shù)；核函數(shù)參數(shù):〇 = 0.2;空域帶 寬：s = 1.125;正則化參數(shù):λ = 〇