一種紅外多目標跟蹤算法

鄭 佳，李江勇，陳 剛

(華北光電技術研究所，北京100015)

1 引言

多目標跟蹤是近些年新興起的科學技術，它涉及到隨機統計、數學優化、圖像處理、模式識別、人工智能、自動控制等多種學科［1］。

目前在解決多目標跟蹤算法中主要有基于粒子濾波的方法［2］，基于神經網絡的方法［3］，基于特征匹配的方法［4］，但是由于算法復雜程度以及硬件的實現難，粒子濾波和神經網絡的方法在處理目標跟蹤的實際工程應用中并不多，基于特征匹配的方法，由于算法原理實現簡單，在實際工程中，該算法應用較為常見。

傳統的基于特征匹配的目標跟蹤算法中，常用“最近鄰”法，然而它采用的特征函數僅利用每個目標質心的位置信息，即考慮待跟蹤目標與下一幀每個目標統計質心的歐式距離，距離最小的目標則認為是同一個目標，理論上講，離波門中心最近的點跡不一定是目標，因為它除了忽略目標的速度信息以外，還忽略了關聯波門之外的觀測值，較少考慮目標自身的特征屬性和每個目標運動狀況，抗干擾能力差，存在錯誤關聯概率，算法跟蹤準確性較差。后來的研究人員在原有的基礎上提出了多特征融合的目標匹配算法，根據具體的目標的特征提出一種特征函數，通常結合目標的質心位置、灰度、目標面積、運動速度、高寬比、運動方向等特征，該方法大大提高了目標的跟蹤準確性，但是該特征融合算法需要在整幅圖像中搜尋與特征函數得出的量測值最接近的目標，該方法適合目標不密集、信噪比高和弱雜波的情況，但是在多目標，目標信噪比較弱以及強雜波情況下，由于搜尋整幅圖像，需要計算整幅圖像中出現的目標以及虛假點的量測值，增加了算法的運算時間，這在實時性要求非常高的系統中，算法是很難保證系統要求。

本文提出多特征融合和Kalman濾波相結合的紅外多目標的跟蹤算法，能夠實時準確的跟蹤紅外圖像中的多個目標，并能對目標的運動軌跡進行一定的預測。

2 特征融合算法

基于特征值的目標跟蹤算法一直是多目標跟蹤算法中研究的一項重要內容，特征值跟蹤就是在一幀圖像中選擇一組在運動中具有不變性質的特征與下一幀圖像中的同類特征進行匹配，從而對運動目標進行跟蹤。這種算法的關鍵是在于對運動目標的特征選擇以及采取有效地匹配策略，特征的選取十分重要，它應具有對目標的大小、位置、灰度變化不明顯外，還應具有如下一些特性:

(1)目標的特征不會隨著時間的變換而變化;

(2)目標的特征是目標較大灰度變化區域的中心;

傳統的基于特征跟蹤的目標算法常常是利用目標的幅度特征(灰度值、頻譜值)、統計特征(直方圖、均值、方差)、區域特征(面積、周長、矩形度)、邊界特征(鏈碼、曲線的斜率)等，通常根據不同的應用場合，選擇不同的目標特征［5］。

由于遠距離紅外目標沒有紋理特征，且只表現出灰度圖像，因此遠距離紅外目標特征只有如下具體表現:位置、面積、速度、運動方向等，算法提出一種特征融合函數:將目標的最小外接矩形中心、面積、目標灰度特征融合起來，通過計算得出特征融合函數值，在進行目標匹配過程中，在區域內搜尋與特征融合數值最接近的目標。

(1)目標的最小外接矩形中心

目標最小外接矩形中心指目標最外邊緣組成的矩形中心位置，當運動目標姿態發生變化時，目標形心位置變動較小，用形心跟蹤目標比較平穩，但是目標形心的準確提取依賴于目標檢測和分割結果的穩定性和準確性。對于紅外圖像而言，當前景目標的部分灰度與背景灰度相似時，難以實現對目標的準確提取，導致形心計算不準確。而目標最小外接矩形中心則更適合描述分割后的目標幾何中心。

(2)目標面積

經過圖像處理后，所得目標圖像的像素個數，即可得到目標面積。

(3)目標灰度

目標具有一定溫度，在紅外圖像中，表現出目標的亮度高于周圍的背景，取目標的灰度值較為合理，這里灰度為目標所有像素的灰度值之和。

根據以上特征值得到目標的特征融合函數:

其中，α為目標最小外接矩形中心權值;β為目標面積權值;γ為目標灰度權值。

在目標匹配時只需計算函數f(i，j)=Φ(i)－Φ(j)，找出在搜索區域內f(i，j)最小的值即為待跟蹤目標。

其中:

通過比較連續兩幀的特征融合函數值，即f(i，j)越小，兩個目標有對應關系的可能性就越大。在目標關聯時，正是通過特征融合函數的值來判斷下一幀中待跟蹤目標。

3 卡爾曼濾波算法在本文中的應用

Kalman濾波器是一種線性遞歸濾波器，適用于對多維的動態系統進行線性最小方差估計和預測，預測時具有無偏、穩定和最優的特點［6］。

本論文中主要是紅外圖像中的多目標的位置和速度進行估計和預測。在估計和預測過程中，由于相鄰兩幀圖像的間隔較小，此期間內，目標運動狀態變化較小，可以假設目標在此時間間隔內為勻速運動。

目標的運動參數為某一時刻的位置和速度，定義目標運動狀態方程為:

量測方程:

式中，xk，yk，vxk，vyk為目標的位置和速度，估計誤差Wk和量測誤差Vk為均值為零的正態高斯噪聲。

卡爾曼濾波的計算過程可用如圖1所示。

圖1 卡爾曼濾波算法計算過程

卡爾曼濾波算法具有以下特點:(1)它使用狀態空間模型，因而可以進行多維濾波;(2)算法是遞推的，可以直接在計算機上實現實時跟蹤估計;(3)既適用于平穩過程也適用于非平穩過程;(4)通過改變卡爾曼濾波方程的一些重要參數，可以適用于不同機動目標的跟蹤，也為以后濾波方法的改動做準備;(5)卡爾曼濾波與預測的協方差矩陣可以定量估計精度，對跟蹤門的形成具有重要理論意義。正是由于卡爾曼濾波具有其他跟蹤和預測算法所不具有的優點，因此本文選用卡爾曼算法作為對目標的運動狀態進行預測［7］。

4 特征融合和卡爾曼濾波的組合算法

4．1 算法流程

提出特征融合和卡爾曼濾波的多目標跟蹤算法如圖2所示。

圖2 算法流程圖

圖2 所示的處理流程可以概括為:紅外視頻序列在經過多目標全局檢測后，檢測出目標提取出目標的特征值包括目標的矩形中心、目標面積以及目標灰度總和，提取的初始值啟動Kalman濾波預測搜索匹配范圍，計算出下一幀的對應的跟蹤窗口，然后計算搜索窗口內所有目標的特征融合函數值，最接近的為上一幀中對應目標的連續。若區域內計算后數據關聯沒有成功，則重新進行多目標全局檢測;若搜索區域內目標關聯成功，則更新目標的特征值作為下次Kalamn濾波的輸入值。

由于檢測目標時，并沒有對整幅圖像內的所有目標進行檢測，而是對搜索窗口進行目標檢測，搜索窗口的大小是整幅圖像的幾十分之一，程序的運行時間減少，增加了算法的實時性。

4．2 實驗結果

實驗環境:筆記本，Intel Core(2)2．0GHz，2G內存，在matlab2009b開發環境下編寫全部程序。

視頻圖像采用480×320，50Hz視頻圖像，視頻中共有目標1和2兩架飛機，兩目標飛行速度近似勻速運動，對以上視頻圖像采用本論文多目標跟蹤算法，所得結果如圖3所示。

圖3 目標跟蹤圖

圖3 中，(a)圖為原始視頻圖像，圖像中有目標1和2;(b)圖經過圖像檢測后，得到兩個目標，經過計算找到目標的最小外接矩形，進而推算出目標外接矩形中心，算出目標面積，以及兩個目標在原始視頻中的像素灰度總值。計算出兩個目標的特征匹配值帶入卡爾曼濾波方程，對下一幀目標位置進行估計，如(c)圖白色框所示，為預測目標位置區域，然后在區域內檢測目標。

圖4所示為兩個目標矩形中心運動軌跡圖。

圖4 目標運動軌跡

實驗過程中，取多組不同的α，β，γ值驗證算法，取兩組比較有代表性的值的數據進行分析。

當取α=0．4，β=0．3，γ=0．3時，目標特征值如表1所示。

表1 目標特征匹配值

當取α=0．5，β=0．3，γ=0．2時，目標特征值如表2所示。

表2 目標特征匹配值

表1和表2為第5、6、7、8、9幀經過計算后得到的目標1和目標2的特征匹配值，經過多次實驗之后，確定針對本紅外圖像適合的特征系數值取α=0．4，β=0．3，γ=0．3，可以得到較好的跟蹤效果。

可以看到目標特征值基本穩定，在分析目標特征值時發現，由于目標檢測算法的不同，會導致目標的外接矩形中心、面積，發生變化，導致目標特征值發生變化，找到一個精確地目標檢測算法也是本論文后續研究內容的重點。

5 結語

本文提出了一種基于特征融合和卡爾曼濾波的紅外多目標跟蹤算法，并將其應用于多目標跟蹤，較好地實現了其功能。實驗結果顯示，這種跟蹤方法可以有效地跟蹤多個目標，算法的實時性好，穩定度高，但是也由于卡爾曼濾波自身的局限性，如何有效地利用紅外目標的特點，保證跟蹤的準確性仍需要進一步研究。

［1］ LIU Gang，LIU Ming，KUANG Hai－ peng，et al．Survey on multi－tagget tracking method［J］．Electronics Optics＆Control，2004，11(3):26－30．(in Chinese)劉剛，劉明，匡海鵬，等．多目標跟蹤方法綜述［J］．電光與控制，2004，11(3):26－30．

［2］ HU Shiqiang，JING Zhong－liang．OverView of particle filter algorithm［J］．Control and Decision，2005，20(4):361－371．(in Chinese)胡士強，敬忠良．粒子濾波算法綜述［J］．控制與決策，2005，20(4):361－371．

［3］ XU Feng，LU Jian－gang，SUN You－xian．Application of neural network in image processing［J］．Infromation and Control，2003，32(4):344－351．(in Chinese)許鋒，盧建剛，孫優賢．神經網絡在圖像處理中的應用［J］．信息與控制，2005，35(12):974－977．

［4］ JIAO Bo，LI Ran．An object tracking method based on character matching in video sequence［J］．Science Technology and Engineering，2009，9(19):5811－5814．(in Chinese)焦波，李燃．視頻序列中基于特征匹配的目標跟蹤方法［J］．科學技術與工程，2009，9(19):5811－5814．

［5］ TIAN Tian．Study and implementation of multi－target tracking algorithm［D］．Xi'an:Xidian University，2006．(in Chinese)田闐．一種多目標跟蹤算法的研究與實現［D］．西安:西安電子科技大學，2006．

［6］ LUO Huan，YU Lei，LIAO Jun，et al．Application of trajectory prediction on infrared multi－targets tracking［J］．Infrared and Laser Engineering，2009，38(3):397－401．(in Chinese)羅寰，于雷，廖俊，等．軌跡預測在紅外多目標跟蹤中的應用［J］．紅外與激光工程，2009，38(3):397－401．

［7］ JIA Rui－ming，ZHANGHong，LI Jing－hua．Study on algorithm of curve fitting based on kalman filter in tracking of IR weaken small objects［J］．Laser＆Infrared，2005，35(12):974－977．(in Chinese)賈瑞明，張弘，李靖華．擬合修正Kalman濾波在弱小目標跟蹤中的應用［J］．激光與紅外，2005，35(12):974－977．