基于多目標提取與航跡處理的目標告警技術研究*

常明志　沈秀娟

(1.華中光電技術研究所—武漢光電國家實驗室　武漢　430073)(2.烽火通信科技股份有限公司　武漢　430073)

?

基于多目標提取與航跡處理的目標告警技術研究*

常明志1沈秀娟2

(1.華中光電技術研究所—武漢光電國家實驗室武漢430073)(2.烽火通信科技股份有限公司武漢430073)

摘要光電探測設備具有完全被動工作方式、隱蔽性好、不受電子干擾、圖像清晰直觀等優點而被廣泛應用,為減輕值班人員的工作壓力并適用于無人值守光電探測設備的要求,設計開發了基于多目標提取與航跡處理的目標告警系統。多目標提取采用了梯度圖像增強和多向梯度自適應檢測的梯度圖像處理算法,提高了目標提取的準確性;航跡處理算法消除了海面波浪等干擾因素對告警的不利影響,降低了虛警率。

關鍵詞光電探測; 目標告警; 多目標提取; 多向梯度自適應檢測

Class NumberTN957

1　引言

光電探測設備可晝夜工作、完全被動方式工作隱蔽性好、不受電子干擾、圖像清晰直觀等優點。由于上述優點,光電探測設備越來越得到重視與應用。光電探測設備的主要功能是探測發現目標,傳統的探測發現目標方式是值班員觀察設備顯示器,判斷是否有目標進入觀測海域,而在一些偏僻的海島由于值班人員較少,不能保證時刻有值班員在設備前值班,并且人眼長時間盯著顯示器也容易疲勞;同時也為適應于無人值守光電設備開發設計了在設備扇形掃描過程中基于圖像處理的光電目標告警功能。同時針對傳統目標告警的虛警率高等問題,本文提出了基于多目標提取與航跡處理的目標告警系統。多目標提取采用了梯度圖像增強和多向梯度自適應檢測的梯度圖像處理算法[1～3],提高了目標提取的準確性;航跡處理算法消除了海面波浪等干擾因素對告警的不利影響。從而降低了目標告警的虛警率。

2　多目標提取算法

目標提取算法設計的基本思想:圖像背景具有強相關性,是大面積緩變圖像,背景圖像相鄰像素之間梯度值相對較少,大面積背景之間的邊緣在邊緣兩側的灰度是緩變的,只在某些方向上梯度值較大;小目標點是背景中的奇異點,其灰度值與背景有明顯的差異,它在各個方向上的梯度值都較大。根據以上目標提取算法設計的基本思想,本文采用“3×3中值濾波與圖像增強”+“8向梯度檢測目標提取”+“目標聚類”算法完成目標提取的相關計算。

2.1圖像預處理

目標提取算法由圖像預處理算法和目標檢測算法兩部分組成。其中圖像預處理部分包含3×3中值濾波算法和梯度圖像增強算法[4～7]。

3×3中值濾波算法是一種通用的圖像預處理算法,它在濾除噪聲點的同時能很好地保持圖像中的細節部分。中值濾波公式:

g(x,y)=median{f(x-i,y-j)},(i,j)∈S式中g(x,y),f(x,y)為像素灰度值,S為模板窗口。

中值濾波的效果依賴于濾波窗口的大小,太大會使邊緣模糊且計算量大,太小則去噪效果不好。為了很好地濾除噪聲且不增加計算量,經試驗比較選用3×3的濾波窗口。

程序設計中根據噪聲的特性:噪聲點幾乎都是領域像素的極值,而邊緣不是,對中值濾波進行了改進——當處理該像素的時候,看該像素是否是濾波窗口所覆蓋下鄰域像素的極大或者極小值,如果是,則用正常的中值濾波處理該像素。如果不是,則不處理。經試驗發現該方法能非常有效地去除突發噪聲點,尤其是椒鹽噪聲。

目標提取算法中梯度圖像增強和多向梯度自適應檢測都應用了梯度圖像處理算法,梯度圖像處理算法[8～9]主要設計依據是目標提取算法設計基本思想。以下對圖像梯度處理算法進行說明。

定義圖像(i,j)位置處沿任意方向的梯度為

其中m、n為水平和垂直方向的梯度步長因子。

對于梯度增強算法,以水平、垂直四個方向上的梯度計算為例,將四個方向的梯度均值作為每個像素點的灰度值:

其中g(i,j)表示梯度增強后圖像對應點灰度值。在實際應用中,可以根據圖像處理時間裕量,選擇更多方向的梯度均值進行圖像增強,這種圖像增強算法可以濾除圖像邊界對邊界上或邊界附近目標的影響。

2.2目標提取

多向灰度梯度目標檢測算法以中值濾波或梯度圖像增強后的圖像為處理對象,疑似目標點提取判斷準則如下:

其中∏Δm,ng(i,j)>ths表示在圖像點(i,j)處多向梯度值全都大于梯度閾值ths,梯度判斷方向及數目根據圖像背景復雜度及圖像處理時間要求來定,本設計為采用8向梯度檢測算法。若T(i,j)為1則表示該點為目標點,否則即為背景點。

程序設計中梯度閾值ths的確定有人工設定和根據灰度梯度均值、標準差自適應計算兩種方式。前者對特定場景針對性強;后者適應性強,探測率較高。自適應梯度閾值ths計算如下:

2.3目標聚類

目標聚類[10～11]是目標統計與精確計算目標位置的必需步驟,在此采用一種基于目標點的快速聚類算法,該算法以目標多向梯度檢測輸出的目標點鏈表作為輸入。在聚類過程中充分考慮了圖像中目標點的分布特點,如同一行中相鄰的目標點屬于同一類等;并且不需要事先確定總類數,而是自動生成;該算法只需掃描目標點鏈表,而非整幅圖像;聚類的最小單位是基類(點的集合)而不是單個點;采用的聚類準則是兩類間的最短歐氏距離小于等于某個閾值,當考察某一類是否可以合并到其它類時,不是將該類與其余所有類一一進行判別比較,而是只考察該類附近的一些類,從而在很大程度上提高了算法的執行速度,節省存儲空間,并便于后續處理。

本文設計的聚類算法還可進一步去除噪聲點和背景。由于真正目標點的密集度遠大于噪聲點的密集度,所以可以統計目標所含像點個數,然后設定目標像素點數目閾值pmin和pmax,凡所含像點數小于pmin的類作為噪聲濾除,而像點數大于pmax的類作為背景去除;并且對于亮目標,其目標平均灰度值大于圖像平均灰度值;而暗目標其平均灰度值小于圖像平均灰度值。本聚類方法很容易統計每類中像點的數目和灰度值,只要在聚類過程中將所含基類的長度和各像素點的灰度值相加即可得到目標所含像素數和平均灰度值。

3　目標航跡處理

除了海面波浪等干擾因素對提取目標的影響,根據波浪位置隨機的特性,而目標位置變化規律一定的特性,通過目標航跡處理的方法消除波浪等因素的影響。目標航跡處理是通過緩存3掃描周期傳感器目標檢測的數據,結合一定的方法發現所有可能存在的目標航跡。它是整個目標告警的重要組成部分。因此,為了獲得較高的檢測概率與較低的報警虛警率,就要盡量提高航跡處理的準確性,對于任何一條可能存在的目標航跡都不能輕易放棄。

目標航跡處理采用基于規則和基于邏輯相結合的方法,同時根據多假設的數據關聯原則來建立目標航跡,建立目標航跡的過程:

1) 從未關聯上航跡的點跡中取出前兩掃描周期中的一個點跡,在以該點跡為中心的橢圓形跟蹤門內搜索前一掃描周期未關聯上航跡的點跡;

2) 如果發現一個點跡,那么就按照目標的運動方向和速度預測下一個點跡可能的位置,并確定一個橢圓形的跟蹤門;

式中:T為采樣間隔,即警戒模式下掃描周期;Vx為目標在x方向上運動速度;Vy為目標在y方向上運動速度。

目標的運動速度分別為

最后,可推出:

3) 在當前掃描周期未關聯上航跡的點跡中,搜索在2)中確定的跟蹤門內的點跡;

4) 如果找到點跡點就可以建立目標的航跡,從而確定為真實目標,實現目標報警。

目標航跡流程圖如圖1所示。

圖1　建立目標航跡過程流程圖

4　程序設計與實現

本文設計的目標告警軟件模塊是在不改變設備主要功能的基礎上實現告警功能,為此目標自動告警模板嵌入自動扇掃功能中,在設備自動扇掃時完成目標自動報警功能,程序設計流程圖如圖2所示。

本文的設計的目標告警系統是基于系統軟件的,在目標告警系統設計中充分考慮設備的實際使用情況,為更好地完成目標告警,采取以下措施:用戶可以根據實際情況調整多目標提取的閾值,以便更好地提取目標;設備啟用告警功能前,首先記錄下扇掃區內目標情況,作為初始模板,扇掃告警過程中,首先與初始模板比較再進行目標告警;用戶還可以自己選擇是否更新目標模板與是否在報警的同時啟動錄像功能。

圖2　目標告警系統程序設計流程圖

5　結語

本軟件模塊在一些海島進行了試驗驗證,試驗證明采用本為設計的多目標提取算法很好地完成了對海面各種目標的提取,對海面各種目標探測提取概率大于95%;采用航跡處理的算法很好地解決了海面波浪等干擾因素對提取目標告警的影響,使目標告警的虛警率小于5%。該指標很好地滿足了使用部隊要求。

參 考 文 獻

[1] Lei Yun, Ding Xiaoqing, Wang Shengjin. Adaptive Sparse Vector Tracking Via Online Bayesian Learning[C]//The International Workshop on Intelligent Computing in Pattern Analysis. Heidelberg, Berlin: Springer-verlag,2006:35-45.

[2] Shi Jianbo, Tomasi Carlo. Good Features To Track[C]//Proc. IEEE Computer Society Conf. Computer Vision and Pattern Recognition. Seattle, WA, USA: IEEE,1994:593-600.

[3] Vignon David, Lovell Brian C, Andrews Robert J. General Purpose Real-Time Object Tracking Using Hausdorff Transforms[C]//Proceedings of Special Session on Intelligent Systems for Video Processing. Annency, France: IPMU,2002:1-6.

[4] 李剛,范瑞霞.一種改進的圖像中值濾波算法[J].北京理工大學學報,2002,22(3):376-378.

LI Gang, FAN Ruixia. A new median filter algorithm in image tracking systems[J]. Journal of Beijing Institute of Technology,2002,22(3):376-378.

[5] 胡旺,李志蜀,黃奇.基于雙窗口和極值壓縮的自適應中值濾波[J].中國圖像圖形學報,2007,12(1):43-50.

HU Wang, LI Zhishu, HUANG Qi. An adaptive me-dian filter based on the double windows and extre-mum-compressing[J]. Journal of Image and Grap-hics,2007,12(1):43-50.

[6] 許艷.顯微圖像閾值分割算法的研究[J].應用光學,2010,31(5):745-747.

XU Yan. Threshold segmentation method of micro-scopic image[J]. Journal of Applied Optics,2010,31(5):745-747.

[7] 賀鵬飛,蘇新彥,王鑒.基于序列圖像的小目標檢測[J].應用光學,2011,32(2):272-275.

HE Pengfei, SU Xinyan, WANG Jian. Small target detection based on image sequences[J]. Journal of Applied Optics,2011,32(2):272-275.

[8] 芮挺,王金巖,沈春林,等.Hausdorff距離下的景像特征快速匹配[J].光電工程,2005,32(6):20-23.

RUI Ting, WANG Jinyan, SEHN Chunlin, et al. Fast scene matching of image feature using Hausdorff distance[J]. Opto-Electronic Engineering,2005,32(6):20-23.

[9] 郭偉,朱紅,趙亦工,等.基于新的梯度特征相似度量的目標跟蹤算法[J].光電工程,2008,35(4):30-35.

GUO Wei, ZHU Hong, ZHAO Yigong, et al. Target Tracking Based on a New Similarity Measure of Gradient Features[J]. Opto-Electronic Engineering,2008,35(4):30-35.

[10] 李濤,雷開彬,柳健,等.基于山峰聚類的復雜背景下紅外弱目標分割方法[J].計算機應用,2010,30(2):40-43.

LI Tao, LEI Kaibin, LIU Jian, et al. Infrared weak target segmentation under complicated background based on mountain clustering[J]. Journal of Computer Applications,2010,30(2):40-43.

[11] ZHANG D Q, CHEN S C, PAN Z S, et al. Kernel-based fuzzy clustering incorporating spatial constraints for image segmentation[C]//Proceedings of InternationalConference on Machine Learning and Cybernetics. Beijing: IEEE,2003,4:2189-2192.

收稿日期:2015年10月8日,修回日期:2015年11月21日

作者簡介:常明志,男,碩士研究生,工程師,研究方向:光電圖像處理與光電跟蹤技術。沈秀娟,女,碩士研究生,工程師,研究方向:數字信號處理技術。

中圖分類號TN957

DOI:10.3969/j.issn.1672-9722.2016.04.018

Target Warning Technology Based on Multiple Target Pick-up and Track Processing

CHANG Mingzhi1SHEN Xiujuan2

(1. Huazhong Institute of Electro-Optics—Wuhan National Laboratory for Optoelectronics, Wuhan430073)(2. Fiberhome Telecommunication Technologies Co. LTD, Wuhan430073)

AbstractShore-based electro-optical detection equipment has the advantages of a completely passive working way, good invisibility, without electronic interference, the image is clear and intuitive so it is widely used. In oder to conform to the requirements of reducing the operator’s stress and unmanned operating, shore-based electro-optical target warning system is designed. target warning based of multiple target pick-up and track processing. Multiple target pick-up adopts grads image enhancement and multi-grads adaptation detecting, so enhance the veracity of pick-up. Track processing avoid the infection of sea wave which enhance the veracity of wraning and reduce error.

Key Wordselectro-optical detection, target warning, multiple target pick-up, multi-grads adaptation detecting