基于灰度與紋理特征的空中目標識別與跟蹤

李洪安， 杜卓明， 李占利， 康寶生

(1. 西安科技大學計算機科學與技術學院，陜西 西安 710054; 2. 西安科技大學機械工程學院，陜西 西安 710054; 3. 江蘇理工學院計算機工程學院，江蘇 常州 213001; 4. 西北大學信息科學與技術學院，陜西 西安 710127)

基于灰度與紋理特征的空中目標識別與跟蹤

李洪安1, 2， 杜卓明3， 李占利1, 2， 康寶生4

(1. 西安科技大學計算機科學與技術學院，陜西 西安 710054; 2. 西安科技大學機械工程學院，陜西 西安 710054; 3. 江蘇理工學院計算機工程學院，江蘇 常州 213001; 4. 西北大學信息科學與技術學院，陜西 西安 710127)

視頻監控技術在航天領域中得到廣泛應用，已成為航天安全和管理的重要技術手段之一。為了實現在環境影響及遮擋情況下對航天視頻監測和管理中對空中運動目標的運動狀態監測，首先運用背景差分法與相鄰幀差法相結合的方法檢測出運動目標的變化區域，通過二值化、形態學濾波等處理后得到運動目標，提出灰度特征與紋理特征相結合的方法識別運動目標。然后采用改進的Mean-Shift方法實現對空中運動目標的跟蹤，完成對空中運動目標的安全監控。結果表明：提取與選擇的目標特征在識別中取得較滿意的效果，針對空中運動目標的跟蹤具有較好的魯棒性，該方法具有可行性。

目標檢測；跟蹤；識別；Mean-Shift

近年來隨著計算機技術在航空領域的廣泛使用，把握信息優勢、確保飛行安全的關鍵是快速準確地發現、識別和跟蹤空中目標?？罩心繕说淖R別和跟蹤技術的深入研究是為了將空中目標完整地檢測出來，并通過提取特征，實現對運動目標的識別，進而準確地跟蹤目標，為快速定位目標提供判定，確保安全。其中，基于視頻圖像的目標識別和跟蹤技術是實現目標識別與跟蹤功能的關鍵技術，是實現空中智能化的基礎技術，所以開展空中視頻的智能分析研究，對監測目標的狀態進行智能分析，可為空中信息安全提供新的、可靠的技術手段，對預防空難具有重大的意義[1-2]。

由于視頻監控技術的日益先進和成熟，為了保證安全飛行，航空企業也廣泛配備了相應的視頻監控系統。利用視頻監控系統，獲取了大量空中視頻圖像，但這些視頻圖像并未得到充分的利用，所以本文研究是基于視頻圖像對空中目標的識別與跟蹤技術。

1　研究現狀

為了提高目標識別與跟蹤的實時性和準確性，人們提出了許多目標識別與跟蹤的方法。文獻[3]介紹了目標識別的現狀及動態及其常用方法。文獻[4]要求運動目標必須可見性很好且距離攝像機足夠近，這樣才能提供足夠的信息來進行準確的形狀識別。運動目標在識別過程中，每一種單獨的特征都無法做到完全準確的識別，獨立完成動態目標識別的任務幾乎不可能，所以，研究者都是將幾種特征相結合進行識別。文獻[5]則是將陰影、紋理和對稱性3種特征聯合應用來進行運動目標識別。在目標跟蹤領域中，文獻[6]通過用光流場算法檢測紅外弱、小、多目標，再結合粒子濾波算法實現多目標軌跡預測。文獻[7]針對人的跟蹤中常出現的外觀變形、遮擋以及多目標跟蹤中常出現的舊目標消失、新目標增加等情況，利用背景差分法結合背景實時更新分割閾值以適應場景的不斷變化進行多目標的跟蹤。文獻[8]提出了基于粒子濾波的多攝像頭3D單人跟蹤算法，將3D模型和多目標視頻采集機制嵌入到粒子濾波框架中，有效地解決了 2D圖像中的遮擋問題。

針對空中的視頻識別跟蹤算法，文獻[9]提出了一種基于多光譜特征的空中目標識別方法，分析了空中目標的紅外輻射特性，從多光譜繁雜的信息中提取紅外目標的特有特征，但是由于多色探測器技術的限制，這種識別的理論和實驗并不充分。文獻[10]針對某民航機場及周邊空域安全管理的需求提出一種基于FPGA的實時空中目標跟蹤系統，其系統采用了全硬件化設計思路。

由于空中環境的復雜性和視頻的模糊程度，本文將背景差分法與相鄰幀差法相結合檢測運動目標，提出結合運動目標的紋理特征與灰度特征對運動目標進行識別，并采用改進的Mean-Shift跟蹤方法實現對運動目標的跟蹤。

2　運動目標跟蹤

2.1運動目標檢測

文獻[11]介紹了目標檢測的方法，結合本文條件，由于空中天氣變化、前景與背景顏色相似，且視線模糊，雖然背景差分法和相鄰幀差法都可以檢測到前景的運動目標，但提取到的運動目標存在空洞和不完整性，因此為了克服兩者的缺點，本文將兩種方法通過邏輯或運算相結合使用。根據實驗可知，這種方法與上述兩種方法相比可以檢測到較完整的運動目標。為了獲得更好的效果，本文通過設定閾值實現閾值的自動分割，而且采用了形態學方法對圖像進行處理，腐蝕運算可消除小的亮點噪聲，但是腐蝕運算會使目標的部分信息丟失，因此又用膨脹運算補充部分的信息。圖1為實驗數據中空中運動目標的提取過程。

圖1　運動目標提取

2.2運動目標跟蹤

針對傳統Mean-Shift算法跟蹤準確度容易產生偏差甚至跟蹤失敗的不足，本文采用了改進的Mean-Shift算法[12]。算法[12]中將 Mean-Shift和Kalman濾波相結合，并對目標建立模型。

Mean-Shift算法通過Bhattacharyya系數描述候選目標模型和目標模型概率分布的相似度，隨著Bhattacharyya系數的增加，候選目標模型和目標模型的相似度越大，通過迭代算法，使搜索的窗口朝著密度增大的位置移動，且收斂于最優位置。其中?q是目標模型，q?u是目標模型?q中第u個灰度級的概率密度。

將式(3)在y0處進行泰勒展開化簡可得式(4)：

利用式(4)，Mean-Shift跟蹤算法可在當前幀中跟蹤到目標。通過Mean-Shift算法的迭代聚類作用，在Kalman算法跟蹤的結果上再進行迭代計算，實現運動目標跟蹤。實驗結果證明，該算法可以取得很好地跟蹤效果。

算法步驟如下：

步驟 1. 根據 Kalman算法對運動目標進行預測，并將Kalman預測的值記錄為運動目標的中心；

步驟2. 將步驟1中得到的運動目標的中心值作為Mean-Shift迭代計算的初始值，進行下一步的迭代，計算當前幀中運動目標的位置，輸出結果；

步驟3. 如果是最后一幀，則算法結束；否則，跳轉至步驟1繼續跟蹤。使得改進后的Mean-Shift算法能減少搜索的范圍，且實現有效跟蹤。

3　運動目標識別

本文主要研究空中運動目標的識別，當目標較遠時，目標區域的輪廓較模糊，則需要結合圖像的灰度信息來描述目標的特征。因此本文將描述運動目標的灰度特征與紋理特征相結合作為識別運動目標的特征。根據上節，可以得到運動目標的灰度特征。在本文采用均值對比度作為目標的灰度特征。紋理是表達圖像中一塊區域的像素灰度級的空間分布屬性，這種空間結構的固有屬性可以通過鄰域像素間的相關性表示。設F(x, y)為一幅二維數字圖像，其大小為M×N，灰度級別為Ng，對于不同的θ，滿足一定空間關系的灰度矩陣的元素則定義如下：

式中：#(x)為集合x中的元素個數，P為Ng×Ng 的矩陣，若(x1, y1)與(x2, y2)間的距離為d，兩者與坐標橫軸的夾角為θ，則可以得到各種間距及夾角的灰度共生矩陣P(i, j, d,θ)。

4　實驗結果

按照上述目標識別和跟蹤算法流程，采用Visual 2010開發環境，借助OpenCV函數庫完成基于視頻圖像的目標識別與跟蹤設計，分別基于輪廓跟蹤算法、傳統Mean-Shift跟蹤算法及本文改進的Mean-Shift跟蹤算法對3種不同環境的視頻進行實驗驗證。實驗中所有視頻序列數據如表1所示。

表1　實驗中視頻參數

實驗1. 在無遮擋情況下。結果如圖2所示，分別對第90、105、115和124幀的跟蹤結果。由圖2可看出，在無遮擋情況下基于輪廓跟蹤算法和傳統Mean-Shift跟蹤算法在跟蹤過程中自適應跟蹤框都有不同程度的偏離，而本文改進的Mean-Shift跟蹤算法的跟蹤框自始至終不存在嚴重偏離目標的情況。

實驗 2. 視頻中運動目標受光照變化影響。結果如圖3所示，分別對第50、65、80和100幀的跟蹤結果。由圖3可看出，基于輪廓跟蹤算法和傳統Mean-Shift跟蹤算法在跟蹤過程中由于光照的影響自適應跟蹤框都有不同程度的偏離，而且在光照影響變小的情況下，并未有效地恢復跟蹤；而本文改進的Mean-Shift跟蹤算法的跟蹤框既是在光照影響不斷變化的過程中也不存在嚴重偏離目標的情況，并能在光照影響消失之后，準確恢復跟蹤。

實驗 3. 視頻中運動目標從云層中由遮擋到漸漸出現。結果如圖 4所示，分別對第 40、60、80 和100幀的跟蹤結果。由圖4可看出，基于輪廓跟蹤算法和傳統Mean-Shift跟蹤算法在運動目標剛出現時，未能及時地跟蹤目標，使跟蹤框發生一定程度的偏離現象，而且傳統的Mean-Shift跟蹤算法在運動目標形狀不斷變化的過程中，出現跟蹤丟失的現象；本文改進的Mean-Shift跟蹤算法在運動目標被遮擋的情況下，仍能較準確地跟蹤目標。

實驗結果統計見表2。如實驗結果統計表顯示：① 3種跟蹤算法每幀圖像的平均跟蹤時間相差不多；②本文改進Mean-Shift跟蹤算法較其他2種跟蹤算法目標物受外部環境影響的跟蹤準確率高；③本文輪廓跟蹤算法及傳統Mean-Shift跟蹤算法在目標由遮擋到重新找回的準確率較低，這是因為基于輪廓跟蹤算法是基于目標物的輪廓特征，傳統的Mean-Shift跟蹤算法是基于目標的顏色特征，故當目標發生遮擋時，特征消失，而本文改進的Mean-Shift跟蹤算法在目標遮擋后重新找回的準確率較高。

圖2　視頻1空中運動目標的跟蹤結果

圖3　視頻2空中運動目標的跟蹤結果1

圖4　視頻2空中運動目標的跟蹤結果2

表2　實驗結果統計

5　結　論

本文針對空中目標的識別及跟蹤，改進了灰度特征與紋理特征相結合的識別方法，并采用改進的 Mean-Shift跟蹤算法對其進行跟蹤。在簡單的空中飛行實驗環境下，對空中目標進行檢測識別和跟蹤，實驗結果表明識別和跟蹤取得了較滿意的效果，但離實際需求還存在差距[13-14]。如何在實際復雜背景環境中實現對目標實時的檢測、識別與跟蹤，提升目標識別的準確率，是以后研究的重點。

[1] 劉賢明. 無人戰斗機的目標識別與跟蹤[J]. 電子世界, 2014, (12): 203-204.

[2] Li X, Yao X C, Murphey Y L, et al. A real-time vehicle detection and tracking system in outdoor traffic scenes [C]// International Conference on Pattern Recognition. New York: IEEE Press, 2004: 761-764.

[3] 徐成, 鮑泓, 張璐璐, 等. 視覺動態目標識別研究進展[J]. 北京聯合大學學報, 2013, 27(4): 24-29.

[4] 吳士林, 朱楓. 自然場景中多類目標識別的算法研究[J]. 計算機工程與科學, 2012, 34(3): 91-95.

[5] Ten Kate T K, Leewen M B, Moro-Ellenberger S E, et al. Mid-range and distant vehicle detection with a mobile camera [C]//IEEE Intelligent Vehicles Symposium. New York: IEEE Press, 2004: 72-77.

[6] 羅寰于, 雷廖俊, 穆中林. 復雜背景下紅外弱小多目標跟蹤系統[J]. 光學學報, 2009, 29(6): 1536-1541.

[7] 常發亮, 馬麗, 喬誼正. 視頻序列中面向人的多目標跟蹤算法[J]. 控制與決策, 2007, 22(4): 418-422.

[8] Jian Y, Odobez J M. Multi-camera 3D person tracking with particle filter in a surveillance environment [C]// Signal Processing Conference. New York: IEEE Press, 2008: 25-29.

[9] 劉金龍, 劉啟忠, 郭虎生. 一種基于多光譜特征的空中目標識別方法[J]. 四川兵工學報, 2011, 32(9): 78-79.

[10] Uzkent B, Hoffman M J, Vodacek A. Efficient integration of spectral features for vehicle tracking utilizing an adaptive sensor [J]. The International Society for Optical Engineering, 2015, 9407(1): 181-185.

[11] 張博龍. 無人飛行器目標跟蹤算法研究[D]. 長春: 長春理工大學, 2014.

[12] 章學靜, 陳禾, 楊靜. 結合卡爾曼濾波和 Mean Shift 的抗遮擋跟蹤算法[J]. 北京理工大學學報, 2013, 33(10): 1056-1061.

[13] 楊智堯, 宋欣, 宋占偉. 動態圖像的拼接與運動目標檢測方法的研究[J]. 圖學學報, 2014, 35(6): 893-898.

[14] Xu M, Song Y D, Lv S D, et al. Design of objects tracking system based on ARMembedded platform [J]. Computer Aided Drafting, Design and Manufacturing, 2014, 24(3): 65-69.

Research on Aerial Target Recognition and Tracking Based on Gray and Textural Features

Li Hongan1, 2,Du Zhuoming3,Li Zhanli1, 2,Kang Baosheng4

(1. College of Computer Science and Technology, Xi’an University of Science and Technology, Xi’an Shaanxi 710054, China; 2. School of Mechanical Engineering, Xi’an University of Science and Technology, Xi’an Shaanxi 710054, China; 3. Computer Engineering School, Jiangsu University of Technology, Changzhou Jiangsu 213001, China; 4. School of Information Science and Technology, Northwest University, Xi’an Shaanxi 710127, China)

In recent years, the technology of video surveillance, widely used in the field of spaceflight, has become an important technical means in spaceflight safety and management. This paper gives a method to firstly detects change region of moving targets through background subtraction and temporal difference. Detect moving targets through binarization and morphological filtering, thus moving targets are identified combining with gray and textural features. Then Mean-Shift method to recognize and track moving targets is adopted. Lastly an experiment video example to monitor is given. The result shows that the feature of target has achieved good effect in the process of recognition. For the tracking of spaceflight moving target the method has better robustness, and is feasible.

target detection; tracking; recognition; Mean-Shift

TP 391

10.11996/JG.j.2095-302X.2016020224

A

2095-302X(2016)02-0224-06

2015-09-24；定稿日期：2015-11-04

國家自然科學基金項目(61402206，U1261114)；陜西省自然科學基金項目(2014JM 8346)；西安科技大學培育基金項目(2014032)；江蘇省前瞻性聯合研究項目(BY2014038-03)

李洪安(1978–)，男，山東武城人，講師，博士。主要研究方向為數字圖像處理、計算機圖形學與視頻處理。E-mail：an6860@126.com