針對彈載平臺紅外小目標(biāo)的檢測與跟蹤算法

李大維，莫 波，高 可，王新春

(1.北京理工大學(xué)宇航學(xué)院，北京 100081；2.北京信息科技大學(xué)自動化學(xué)院，北京 100192)

0 引 言

在各種精確制導(dǎo)體系中，紅外成像制導(dǎo)除了制導(dǎo)精度高，抗干擾能力強(qiáng)，效費比高等優(yōu)點，還擁有其獨特的優(yōu)點，能在惡劣的觀測條件和黑夜中探測到目標(biāo)的特征。隨著紅外成像技術(shù)和彈載計算機(jī)性能的發(fā)展，具備自主識別目標(biāo)能力的紅外成像制導(dǎo)技術(shù)開始發(fā)展。

在紅外成像制導(dǎo)中，當(dāng)彈目距離較大時，目標(biāo)在視場中占的像素很少，根據(jù)國際光學(xué)工程學(xué)會(SPIE)對紅外弱小目標(biāo)的定義,對于大小為256×256像素的圖像,成像尺寸小于總像素數(shù)的0.12%(即小于9×9像素)的目標(biāo)為紅外弱小目標(biāo)[1]。據(jù)此，定義大小在10×10～30×30像素范圍的目標(biāo)為紅外小目標(biāo)。雖然目前對于紅外弱小目標(biāo)的研究文獻(xiàn)很多[2-8]，但是由于紅外弱小目標(biāo)太小，在圖像中僅為一個亮點，基本沒有目標(biāo)的紋理信息，因此不適合自主識別。對于邊長在10～30像素的紅外小目標(biāo)，目前的研究比較空白，但是紅外小目標(biāo)包含目標(biāo)的紋理信息，具有一定的辨識度，是本文研究的重點。

由于紅外小目標(biāo)較小，只有少量的目標(biāo)紋理信息，容易受到快速運動、背景、噪聲、拖尾等因素的干擾，對檢測與跟蹤算法的精度與魯棒性要求很高。除此之外，由于彈載平臺的特殊性，導(dǎo)彈搭載的計算機(jī)平臺受空間、供電、散熱等限制，只能使用體積小、功耗低、發(fā)熱小的計算性能有限的嵌入式平臺，因此算法的計算速度至關(guān)重要。

調(diào)研目標(biāo)檢測與跟蹤領(lǐng)域，目前的一些目標(biāo)檢測主流算法，如使用深度卷積神經(jīng)網(wǎng)絡(luò)的SSD[9]以及yolov3[10]，對于紅外小目標(biāo)的檢測效果不理想，漏檢率較高，主要是因為這兩種算法是針對Pascal VOC[11]等通用測試集設(shè)計的，并未重點強(qiáng)調(diào)對于小目標(biāo)的檢測效果。目前一些主流的目標(biāo)跟蹤算法，例如使用深度CNN特征的MDNet[12]和ECO[13]，這類算法的精度高，但是算法速度較慢。還有基于相關(guān)濾波方法的KCF[14]與DSST[15]，算法速度較快，但是由于搜索框和邊界效應(yīng)的缺陷，對快速運動、干擾較大的紅外小目標(biāo)的跟蹤效果不好，容易出現(xiàn)漂移和跟蹤失敗的情況。由于沒有跟蹤失敗監(jiān)測機(jī)制，這兩類方法無法處理遮擋和短暫出視場的情況。針對長時跟蹤的TLD[16]算法，使用跟蹤、學(xué)習(xí)、檢測的組合機(jī)制，可以根據(jù)跟蹤結(jié)果在線學(xué)習(xí)檢測器，跟蹤失敗時可以重檢測找回目標(biāo)，但是由于TLD的跟蹤模塊使用光流法，快速運動、光照變化時容易漂移導(dǎo)致跟蹤失敗，而且檢測模塊的訓(xùn)練樣本是實時獲取的，如果跟蹤模塊效果不好，會導(dǎo)致檢測器模型無法獲得好的訓(xùn)練，進(jìn)而造成重檢測精度變差，且該算法復(fù)雜度高，不適合移植到彈載平臺上。

本文針對彈載平臺上紅外小目標(biāo)的特性，提出了一種單目標(biāo)檢測與跟蹤算法，該算法能從畫面中自動檢測出指定類型的目標(biāo)，并進(jìn)行跟蹤。檢測部分，使用多塊LBP特征級聯(lián)檢測器(MB_LBP+AdaBoost)進(jìn)行粗檢測，引入置信度和管道濾波器對檢測結(jié)果進(jìn)行篩除，如果連續(xù)幾幀內(nèi)檢測結(jié)果可靠且穩(wěn)定，則認(rèn)為檢測到了目標(biāo)，然后使用檢測結(jié)果初始化目標(biāo)跟蹤模塊。對于目標(biāo)跟蹤，采用基于在線更新模型策略和模板匹配的目標(biāo)跟蹤算法，使用了余弦懲罰系數(shù)穩(wěn)定跟蹤結(jié)果，引入多尺度搜索解決尺度變化，以及失敗監(jiān)測機(jī)制，可以監(jiān)測跟蹤狀態(tài)并控制模型的更新策略，如果檢測到失敗，可以重新調(diào)用目標(biāo)檢測算法找回目標(biāo)。通過在彈載平臺上的測試與分析，設(shè)計的算法在離線訓(xùn)練之后，對指定類型紅外小目標(biāo)的檢測和跟蹤效果較好，計算速度快，證明了算法的有效性，為彈載平臺上紅外小目標(biāo)的檢測與跟蹤提供了更簡潔的解決思路。

1 目標(biāo)檢測算法

本文算法目標(biāo)檢測部分的流程框架如圖1所示。紅外圖像首先經(jīng)過MB_LBP+AdaBoost級聯(lián)檢測器進(jìn)行粗檢測，得到多個候選框，然后計算每個候選框與目標(biāo)模型的相似度，然后選擇最高相似度分?jǐn)?shù)和對應(yīng)的候選框作為當(dāng)前幀的置信度和檢測結(jié)果，最后使用管道濾波器判斷最近幾幀內(nèi)的檢測結(jié)果是否穩(wěn)定可靠，如果穩(wěn)定可靠則轉(zhuǎn)入目標(biāo)跟蹤。

圖1 目標(biāo)檢測流程圖

1.1 MB_LBP+AdaBoost

MB_LBP全稱是多塊LBP特征，它具有旋轉(zhuǎn)和灰度不變形及計算簡單的優(yōu)點，該特征在視覺檢測和分類上使用廣泛。AdaBoost[17]迭代算法，其核心思想是針對一個數(shù)據(jù)集訓(xùn)練多個弱分類器，然后集合成強(qiáng)分類器。MB_LBP+AdaBoost全稱是多塊LBP特征級聯(lián)檢測器，該算法被廣泛被應(yīng)用于人臉識別等應(yīng)用[18-19]，具有檢測速度快、訓(xùn)練簡單、模型小的特點，適合計算性能有限的彈載平臺。

算法使用包含目標(biāo)正負(fù)樣本的數(shù)據(jù)集進(jìn)行訓(xùn)練，使用MB_LBP特征和Adaboost算法挑選多種MB_LBP特征構(gòu)建數(shù)個弱分類器，再由多個弱分類器組合成為多層強(qiáng)分類器，多層強(qiáng)分類器組成一個級聯(lián)檢測器，具體檢測流程如圖2所示。

圖2 級聯(lián)檢測器檢測流程圖

對于級聯(lián)檢測器的訓(xùn)練，使用紅外相機(jī)采集的數(shù)千張11×11像素分辨率的“十字”紅外模擬靶標(biāo)的圖片構(gòu)成正樣本庫，數(shù)千張不包含目標(biāo)且尺寸不小于11×11像素分辨率的圖片構(gòu)成負(fù)樣本庫，并且加入了隨機(jī)翻轉(zhuǎn)與旋轉(zhuǎn)，隨機(jī)gamma調(diào)節(jié)等數(shù)據(jù)增強(qiáng)，以增加模型對旋轉(zhuǎn)和光照變化的泛化能力。使用opencv計算機(jī)視覺庫中的opencv_traincascade函數(shù)，選用MB_LBP特征進(jìn)行了訓(xùn)練，訓(xùn)練出的模型由9層強(qiáng)分類器級聯(lián)而成，可以粗略檢測圖像中的目標(biāo)，最小能檢測出11×11像素大小的目標(biāo)。

1.2 檢測置信度

紅外圖像經(jīng)過訓(xùn)練好的MB_LBP+AdaBoost級聯(lián)檢測器模型檢測之后，一般會產(chǎn)生10～20個檢測框，其中包含大量的誤檢和重疊的框，因此提出一種過濾機(jī)制，對每個候選框與圖3所示的“十字”目標(biāo)模板進(jìn)行對比，計算得到相似度分?jǐn)?shù)，然后挑選最高分篩選目標(biāo)檢測框。

圖3 “十字”目標(biāo)模板

對于第i個候選框，其包含的圖塊是Ii，先把模板圖縮放到與待檢圖塊Ii同樣的大小得到圖塊T，然后使用歸一化相關(guān)性系數(shù)方法計算Ii和T的相似度分?jǐn)?shù)Fi，計算公式：

(1)

式中:(x,y)和(x′,y′)是坐標(biāo)，T(x,y)和Ii(x,y)是模板圖T與待檢圖塊Ii在點(x,y)處的像素值，w和h是圖像的像素寬度和高度。當(dāng)前幀的檢測置信度分?jǐn)?shù)Sk取相似度分?jǐn)?shù)Fi的最大值，然后根據(jù)最大相似度分?jǐn)?shù)從候選框中選出最優(yōu)檢測框。

1.3 管道濾波器

管道濾波器分為三步：

步驟1：判斷當(dāng)前幀的檢測結(jié)果是否可靠，如果置信度分?jǐn)?shù)Sk大于等于閾值(設(shè)定為0.6)，則可靠，小于則不可靠。

步驟2：判斷當(dāng)前幀的檢測結(jié)果是否穩(wěn)定，計算當(dāng)前幀目標(biāo)定位框的中心坐標(biāo)(Xk,Yk)和上一幀中心坐標(biāo)(Xk-1,Yk-1)的距離dk，如果距離dk小于閾值(設(shè)定為當(dāng)前幀目標(biāo)定位框的邊長的4倍)，則認(rèn)為穩(wěn)定，如果距離大于等于閾值則不穩(wěn)定。

步驟3：判斷最近5幀內(nèi)的檢測結(jié)果是否有3次以上穩(wěn)定且可靠，如果有，則認(rèn)為當(dāng)前幀的檢測結(jié)果極大可能為正確的目標(biāo)，然后用該檢測框初始化目標(biāo)跟蹤模型，算法轉(zhuǎn)入目標(biāo)跟蹤。

2 目標(biāo)跟蹤算法

目標(biāo)跟蹤算法的主要流程如圖4所示，算法根據(jù)在線學(xué)習(xí)的目標(biāo)模型，在上一幀目標(biāo)中心位置的領(lǐng)域內(nèi)，從三個尺度分別進(jìn)行搜索，根據(jù)其響應(yīng)圖得到的置信度分?jǐn)?shù)，挑選出最優(yōu)的尺度，然后進(jìn)入跟蹤失敗監(jiān)測環(huán)節(jié)，根據(jù)監(jiān)測結(jié)果控制后續(xù)操作。

圖4 目標(biāo)跟蹤流程圖

2.1 跟蹤置信度

目標(biāo)跟蹤置信度的產(chǎn)生基于模板匹配算法，在上一幀目標(biāo)中心的鄰域內(nèi)進(jìn)行滑窗，搜索框的邊長設(shè)為上一幀目標(biāo)框邊長的4.5倍，對于每個位置的窗口計算其中包含的圖塊與目標(biāo)模型的相似度，如圖5所示，遍歷搜索區(qū)域生成響應(yīng)圖，圖中最大值的坐標(biāo)，就是目標(biāo)相對于上一幀的位移,從而實現(xiàn)目標(biāo)的定位。響應(yīng)圖中的最大響應(yīng)值就是當(dāng)前幀的跟蹤置信度Pk。

圖5 響應(yīng)圖計算示意圖

響應(yīng)圖的計算使用余弦懲罰系數(shù)加權(quán)的歸一化相關(guān)性系數(shù)計算得到，即：

(2)

(3)

式中:wR和hR是響應(yīng)圖的像素寬度和高度，(x,y)和(x′,y′)是坐標(biāo)，R(x,y)是響應(yīng)圖在點(x,y)處的響應(yīng)值，d(x,y)是點(x,y)到搜索區(qū)域中心的距離，C(x,y)是點(x,y)處的余弦懲罰系數(shù)，M(x,y)和I(x,y)是目標(biāo)模型與搜索區(qū)域的圖像在點(x,y)處的像素值，w和h是目標(biāo)模型的像素寬度和高度。

基于下一幀目標(biāo)運動到離中心較遠(yuǎn)的邊界處可能性較小的假設(shè)，使用余弦懲罰系數(shù)來懲罰遠(yuǎn)離搜索區(qū)域中心處的窗口的響應(yīng)值，余弦懲罰系數(shù)的范圍為0.85～1，在距離中心最遠(yuǎn)的邊界處懲罰系數(shù)為0.85，中心處懲罰系數(shù)為1。該策略可有效防止跟蹤框的抖動，消除邊界處的誤檢，抑制長時跟蹤下的漂移現(xiàn)象，能增加跟蹤算法的穩(wěn)定性。

2.2 多尺度搜索

為了增加跟蹤器對目標(biāo)尺度變化的適應(yīng)能力，增加了多尺度搜索策略，把模型M縮小1.05倍作為小尺度搜索得到置信度P1，保持模型大小不變，作為原尺度搜索得到置信度P2，把模型M擴(kuò)大1.05倍作為大尺度搜索得到置信度P3，然后經(jīng)過式(4)，使用尺度懲罰系數(shù)γ=0.95對非原尺度置信度進(jìn)行懲罰，得到最終置信度P，并挑選最優(yōu)尺度。

(4)

2.3 跟蹤失敗監(jiān)測

為了解決跟蹤算法面對目標(biāo)被遮擋，漂移，丟失的情況，引入了根據(jù)跟蹤置信度的跟蹤失敗監(jiān)測機(jī)制，如式(5)所示，使用跟蹤置信度P控制在線模型的更新以及監(jiān)測跟蹤狀態(tài)，如果跟蹤置信度過低(P<0.65)，則不更新模型，防止模型被不好的檢測結(jié)果所污染，如果檢測到模型已經(jīng)連續(xù)數(shù)幀(設(shè)定為連續(xù)10幀)沒有更新，則認(rèn)為目標(biāo)跟蹤已經(jīng)失敗，會重新調(diào)用目標(biāo)檢測找回目標(biāo)。

(5)

式中:Mnew是更新后的模型圖，Mcur是當(dāng)前幀的目標(biāo)圖，Mold是前一幀的模型圖，通過縮放與目標(biāo)圖Mcur保持同樣尺寸，模型的學(xué)習(xí)率λ設(shè)為0.05。

3 仿真校驗

仿真校驗主要分為三部分，分別對目標(biāo)檢測部分、目標(biāo)跟蹤部分、算法運行速度進(jìn)行了測試。測試中使用的視頻序列是使用分辨率為640×512像素，采樣頻率為50 Hz的非制冷紅外相機(jī)采集，拍攝了不同場景下“十字”紅外模擬靶標(biāo)的多個序列。

為了評估算法的性能，提出了兩個評價指標(biāo)，中心位置誤差Derror和重合率Orate，計算公式如下：

(6)

3.1 目標(biāo)檢測測試

為了測試檢測性能，采集了一段長度為200幀的序列Detect1，序列中的“十字”紅外模擬靶標(biāo)的大小約為32×32像素。為了得到目標(biāo)檢測算法對于不同像素大小的目標(biāo)的檢測能力，使用0.25～1的縮放系數(shù)，把原本32×32像素大小目標(biāo)的序列Detect1中分別縮放到了25個不同的尺度，得到了25個目標(biāo)尺寸從8×8像素遞增到32×32像素的子序列。

目標(biāo)檢測算法部分在測試時，只進(jìn)行檢測不轉(zhuǎn)入跟蹤，得到目標(biāo)的定位框之后，然后統(tǒng)計算法在各個尺度下對于不同像素大小的目標(biāo)的檢測結(jié)果，通過與視頻序列中目標(biāo)真實位置的標(biāo)注信息進(jìn)行對比，得到每一幀的中心位置誤差和重合率，基于這兩個數(shù)據(jù)，提出兩個評價目標(biāo)檢測精度的指標(biāo):中心位置誤差精度指標(biāo)和重合率精度指標(biāo)。

中心位置誤差精度指標(biāo)計算算法得到的目標(biāo)定位框與目標(biāo)真實定位框的中心位置誤差Derror，然后統(tǒng)計序列中所有中心位置誤差小于閾值(設(shè)定為當(dāng)前幀中真實目標(biāo)最大邊長的1/2)幀序列的百分比，定義為檢測算法對當(dāng)前序列的中心位置誤差精度。

重合率精度指標(biāo)計算算法得到的目標(biāo)定位框和目標(biāo)真實定位框的重合率Orate，然后統(tǒng)計序列中所有重合率大于給定閾值(設(shè)定為0.6，即與真實定位框重合度大于60%)的幀序列的百分比，定義為檢測算法對當(dāng)前序列的重合率精度。

通過在AM5728嵌入式彈載平臺上運行本文的目標(biāo)檢測算法，對視頻序列Detect1的25個子序列分別進(jìn)行目標(biāo)檢測，使用中心位置誤差精度指標(biāo)和重合率精度指標(biāo)統(tǒng)計檢測結(jié)果，得到了圖6所示的檢測精度圖，圖7為在11像素、24像素、32像素邊長下的部分檢測結(jié)果圖。

圖6 目標(biāo)檢測精度圖

圖7 檢測結(jié)果圖

從圖6可以看出，本文算法中的目標(biāo)檢測部分對于不同像素大小的目標(biāo)的檢測精度，算法的檢測精度在8～11像素大小區(qū)間快速上升，在11像素處達(dá)到0.7的精度，說明算法的最小有效檢測目標(biāo)大小是11×11像素，這與MB_LBP+AdaBoost級聯(lián)檢測器使用的11×11大小的訓(xùn)練模型直接相關(guān)。在12～26像素大小區(qū)間，算法的檢測精度緩慢上升之后保持在較高的精度，在27～32像素區(qū)間，算法的精度開始緩慢下降，但是仍然保持在可接受范圍內(nèi)。總體來看，若取檢測精度閾值為0.7，本文的檢測算法對于邊長11～31像素大小的指定類型的目標(biāo)有較好的檢測效果。除此之外，如圖8所示，在其他多個場景下也進(jìn)行了測試，算法的檢測效果穩(wěn)定。綜上所述，本文檢測算法能滿足對于紅外小目標(biāo)(10～30像素)的檢測性能的需求。

圖8 其他場景檢測結(jié)果圖

3.2 目標(biāo)跟蹤測試

對于目標(biāo)跟蹤，主要有以下難點：尺度變化、快速運動、形變、旋轉(zhuǎn)、遮擋、丟失、運動模糊、噪聲干擾等。這些因素會對跟蹤算法的性能造成不同的影響，為了檢驗本文算法的跟蹤性能，采集了兩組序列Scale與Occlusion。

Scale序列長728幀，隨著目標(biāo)由近到遠(yuǎn)，尺度由大變小，在480～490幀和590～600幀有較大幅度的快速移動，期間出現(xiàn)了運動模糊與拖尾。

Occlusion序列長489幀，場景較復(fù)雜，43～73幀包含一次大角度的旋轉(zhuǎn)，本序列還包含3次不同程度上的遮擋，170～195幀有一次中等長度的部分遮擋，238～246幀有一次短暫的完全遮擋，318～390幀有一次長時間的完全遮擋。

選擇了目標(biāo)跟蹤領(lǐng)域兩個主流算法KCF和ECO與其進(jìn)行對比。KCF是相關(guān)濾波算法的主要代表，使用循環(huán)矩陣和核方法加速了計算，兼顧跟蹤精度與速度，ECO算法使用深度CNN特征，性能優(yōu)異，在VOT2017[20]中取得了冠軍。對于算法的初始化，首先使用本文算法進(jìn)行檢測，得到第一幀的目標(biāo)定位框，然后使用該定位框初始化本文算法的跟蹤器和KCF與ECO。基于中心位置誤差Derror和重合率Orate，提出了中心位置誤差閾值精度和重合率閾值成功率兩個指標(biāo)評估跟蹤性能。

中心位置誤差閾值精度指標(biāo)計算算法估計的目標(biāo)定位框與人工標(biāo)注的目標(biāo)定位框的中心位置誤差，然后分別統(tǒng)計中心位置誤差小于給定的不同閾值的視頻幀的百分比，定義為對應(yīng)閾值下算法的中心位置誤差閾值精度，可衡量算法的定位精度。

重合率閾值成功率指標(biāo)計算算法估計的目標(biāo)定位框與人工標(biāo)記目標(biāo)定位框的重合率，然后分別統(tǒng)計重合率大于給定的不同的閾值的視頻幀的百分比，定義為對應(yīng)閾值下的算法的重合率成功率，可衡量算法的目標(biāo)定位框的精確度。

1)序列Scale的跟蹤結(jié)果

序列Scale中的部分跟蹤結(jié)果如圖9所示，圖10是序列中的跟蹤結(jié)果統(tǒng)計圖。

圖9 序列Scale的跟蹤結(jié)果圖

從中心位置誤差圖可以看出，本文算法和KCF及ECO算法在前480幀對于目標(biāo)的跟蹤定位精度都很高，但是480～490幀出現(xiàn)快速運動之后，KCF算法出現(xiàn)短暫的跟蹤失敗，本文方法與ECO未受影響。在590～600幀出現(xiàn)大幅度快速運動時，KCF和ECO算法都跟蹤失敗了，并且未能重新找回。跟蹤失敗的原因是圖像出現(xiàn)了很大程度的運動模糊和拖尾現(xiàn)象，如圖9中的 593幀，目標(biāo)的外形變化較大，從而導(dǎo)致KCF和ECO算法的模型受到了污染，以及目標(biāo)運動幅度過大，而KCF和ECO的搜索區(qū)域有限，最終導(dǎo)致跟蹤失敗。本文方法在短暫丟失幾幀之后重新找回了目標(biāo)(未調(diào)用重檢測)，這是因為本文方法有跟蹤置信度機(jī)制，在出現(xiàn)目標(biāo)外形被污染的情況下，跟蹤置信度較低時控制模型不更新，這阻止了模型被污染，當(dāng)恢復(fù)正常時就能重新鎖定目標(biāo)。從重合率圖和圖9中的379幀可以看出ECO算法的定位框與真實框的重合率略高于本文方法，大于KCF算法。這是因為KCF算法是固定尺度，目標(biāo)框的大小在跟蹤過程中不會發(fā)生變化，這導(dǎo)致KCF的重合率隨著目標(biāo)變小而降低，而本文方法相對于ECO算法，搜索的尺度較少，僅3個尺度，所以本文方法的重合率略低于ECO算法。從精度圖和成功率圖可以看出，在Scale序列上，如果選擇比較嚴(yán)苛的中心位置誤差閾值和重合率閾值，本文方法的定位精度和目標(biāo)框的精準(zhǔn)度略低于ECO算法，但是綜合性能優(yōu)于ECO算法，KCF的性能表現(xiàn)較差。

綜上所述，在尺度變化、快速運動、運動模糊、拖尾等因素干擾下，本文算法的跟蹤性能良好。

2)序列Occlusion的跟蹤結(jié)果

序列Occlusion中的部分跟蹤結(jié)果如圖11所示，圖12是序列的跟蹤結(jié)果統(tǒng)計圖。

圖11 序列Occlusion的跟蹤結(jié)果圖

從圖11中的第60幀圖可以看出，目標(biāo)的旋轉(zhuǎn)對本文算法與對比算法都沒有造成影響，跟蹤情況都不錯，這說明本文算法能應(yīng)對一定程度上的目標(biāo)旋轉(zhuǎn)。從圖12中的重合率圖可以看出，主要有三段較大的波動，這三次波動對應(yīng)三次目標(biāo)遮擋，第一次遮擋發(fā)生在 170～195幀，如圖11中的第183幀圖所示，目標(biāo)被部分遮擋，遮擋過程中只有ECO的跟蹤情況較好。KCF的模型被污染了，完全跟蹤失敗。而本文方法在遮擋過程中暫時跟蹤失敗，如圖11中的第203幀所示，算法很快重新找回了目標(biāo)。第二次遮擋發(fā)生在238～246幀，比較短暫，ECO算法和本文算法未受到太大影響。第三次遮擋發(fā)生在318～390幀，這次遮擋較長，目標(biāo)被完全遮擋。遮擋過程中ECO和本文算法均跟蹤失敗了，但短時間后，本文算法檢測到跟蹤失敗，重新調(diào)用了目標(biāo)檢測，如圖11中的367和388幀圖，圖中的黑色虛線框即為目標(biāo)檢測的結(jié)果，在388幀時，目標(biāo)剛剛從遮擋中恢復(fù)，本文的目標(biāo)檢測算法就成功檢測到了目標(biāo)，隨后在第393幀成功鎖定目標(biāo)并轉(zhuǎn)回跟蹤狀態(tài)。從圖12中的精度圖和成功率圖可以看出，在序列Occlusion上，本文算法的精度和成功率優(yōu)于ECO算法，KCF的效果較差。

圖12 序列Occlusion的跟蹤結(jié)果統(tǒng)計圖

綜上所述，本文算法能應(yīng)對一定程度的目標(biāo)旋轉(zhuǎn)，對于不同程度的遮擋有魯棒性，即使在長時間全遮擋的情況下，算法也能調(diào)用重檢測找回目標(biāo)。

3.3 算法運行速度

速度測試使用的平臺是搭載在紅外導(dǎo)引頭上的AM5728平臺，核心配置CPU：Arm Cortex A15 1.5 GHz雙核、RAM：4G，及一臺配置CPU：i7-8700k、GPU：GTX-1070、RAM：16GB的臺式機(jī)。

本文的檢測算法部分在AM5728平臺上速度為12幀/s，臺式機(jī)為60幀/s。因為檢測算法僅用于跟蹤的初始化，對于運行速度的要求不高，12幀/s可以滿足檢測速度的需求。本文的跟蹤算法部分在AM5728平臺上速度為50幀/s，與紅外攝像頭的采樣頻率50 Hz保持一致，在臺式機(jī)平臺平均480幀/s。

對比算法KCF移植到AM5728彈載平臺上，速度15幀/s，臺式機(jī)上180幀/s。ECO算法使用MATLAB R2017b運行在臺式機(jī)上，速度為8幀/s。

綜上所述，本文算法在運行速度上比KCF與ECO算法快很多，能在彈載平臺上實時運行。

4 結(jié) 論

本文針對彈載平臺上紅外小目標(biāo)的圖像檢測與跟蹤，提出了一種單目標(biāo)檢測與跟蹤算法，檢測模塊在MB_LBP+AdaBoost級聯(lián)檢測器的基礎(chǔ)上加入了置信度和管道濾波器，可實現(xiàn)對指定類型紅外小目標(biāo)的檢測，并在穩(wěn)定檢測到目標(biāo)后轉(zhuǎn)入跟蹤。跟蹤模塊基于模板匹配算法，使用余弦懲罰系數(shù)優(yōu)化跟蹤效果，加入多尺度搜索適應(yīng)目標(biāo)的尺度變化，引入了跟蹤失敗監(jiān)測機(jī)制，監(jiān)測跟蹤狀態(tài)以及控制模型的更新，可在跟蹤失敗后重新調(diào)用檢測找回目標(biāo)。通過仿真驗證，與主流算法進(jìn)行對比，本文方法在離線訓(xùn)練之后，對于邊長11～31像素大小的指定類型的紅外小目標(biāo)有較好的檢測效果，在采集的多個視頻序列上，跟蹤精度、成功率和速度優(yōu)于主流算法KCF和ECO，并且能實時運行在AM5728彈載平臺上，同時滿足了精度和速度的需求。