多目标识别

武汉理工大学硕士学位论文 1 第1章 绪论 1.1 研究的背景及意义 近些年来，运动目标的检测与跟踪无论是在军事、医学图像处理是在民航航空等领域都已成为研究的热点，特别是复杂环境、低信噪比条件下多目标的检测与跟踪引起了人们的广泛兴趣。例如：机载雷达对多个弱小运动目标进行检测与跟踪的问题（这里弱小目标指的是低信噪比目标）；地空、空空导弹精确制导打击；医学精虫检测过程中，对精虫运动的的跟踪和判断等。对弱小多目标进行跟踪和检测其难点在于：（1）弱小目标很容易被复杂的环境（噪声）淹没，仅仅依靠单帧图像根本无法进行可靠检测，必须对多帧的序列图像进行处理。（2）对多帧图像的弱小目标进行的跟踪与检测时，如何提高系统的实时性和跟踪检测精度。 传统的运动目标检测与跟踪方法是对运动目标先进行检测再进行跟踪，俗称DBT算法(Detece-Before-Track) [1]。其算法原理是预先设定目标阈值门限，然后对运动目标的当前帧图像进行相关数据测量和记录，将测量数据与预先设定的阈值门限进行比较，来判断运动目标的存在性，最后对被认定存在的运动目标进行跟踪，从而获得运动目标航迹[2]，且运动目标的检测和跟踪的精度、虚警率都取决于预先设定的阈值门限。经过预先设定的目标阈值门限来检测运动目标可以减少检测、跟踪系统数据量的处理，提高检测、跟踪速度。但任何运动目标的检测与跟踪过程都会夹杂系统噪声和随机噪声。经过阈值门限处理后，不仅部分噪点仍没有被滤除，更重要的是相邻各帧之间对应运动目标的潜在关联信息丧失了。对于高信噪比条件下的运动目标，丧失的关联信息可能不会对检测和跟踪产生很大影响；对于低信噪条件下的运动目标（即弱小目标）而言，丧失的关联信息会大大降低检测和跟踪性能，提高虚警概率。在军事高科技的应用中，雷达经常要在恶劣、复杂的背景下，实现对多目标的检测与跟踪。为提高低信噪比条件下的运动目标的检测和跟踪精度，解决上述问题，人们提出先跟踪再检测的方法，俗称TBD算法（Track-Before-Detect ）[3]。其算法原理是，基于运动目标的特性，为避免丧失目标信号的关联信息，对多帧图像进行武汉理工大学硕士学位论文 2 处理。先利用跟踪算法对运动目标的状态进行估计，利用处理过程中各阶段信息，再对运动目标进行检测判决，以加强目标的信号能量，增强目标信号、杂波和噪声之间的差别，最后找出目标运动轨迹，并显示检测结果，这样既降低了虚警概率，又增强了检测和跟踪的精确性[4]。 低信噪比条件下，TBD算法虽然在一定程度上提高了多运动目标检测和跟踪的精度，但由于是多帧处理，其运算速度则相应降低。为使检测跟踪精度和运算速度同步提高，引入动态规划算法，将动态规划算法检测前跟踪算法相结合，使全面提高多目标检测与跟踪在精度和效率。 目前，国内外对弱小多目标的跟踪和检测的研究还是比较有限的，成果较少，还没有形成系统的理论。现有的理论成果，无论是仿真数据还是实测实验基本上都是在光电或者红外条件下产生的，对现在的研究只能说有一定的指导意义。总的来说，目前的先跟踪后检测技术弱小多目标的跟踪和检测中还处于起步阶段，还没有得到系统的研究成果。因此，深入研究弱小多目标检测与跟踪算法的性能在理论和实践上都有极其重大的意义。

1.2 国内外研究现状 运动目标的检测、跟踪是智能视觉监控的重要课题，是各种后续处理如目标分类、行为理解等的基础[7]。多目标跟踪检测技术最早在上世纪五十年代提出，至1964年，美国的科学家Siltor完善了此理论，用贝叶斯分类方法解决了目标航迹和数据关联等难题[6]。在当前的实际运用中，获取目标和背景图像时存在很多复杂情况，如图像的光线不均、物体剧烈运动等造成图像质量变差。多目标在同一背景运动时，经常出现相互遮挡甚至重合等意外情况，导致目标之间的轨迹模糊紊乱，给多目标的跟踪检测增加了新的难度[8]。面对多目标检测与跟踪中遇到的困难和问题，现有的解决方案主要通过建立模型，提取目标特征进行匹配后再针对性的进行跟踪估计，最终实现某一个特定目标运动轨迹的跟踪[9]。在军事运用方面，随着军事高科技的发展和应用需求的增加，目标检测与跟踪技术应用在各国飞机武器系统中的机载雷达性能也在逐步得到提升，例如：美国F-22型战斗机能同时跟踪跟踪攻击30个空中目标，能探测跟踪16个地面目标；中国歼10型战斗机能同时跟踪16个目标，并攻击其中四个；俄罗斯T-50型战斗机能同时跟踪60个目标并打击其中的16个。所以，各国在军事领域对于多目标检测与跟踪方面的研究与发展正朝着精确化、精细化的方向发展。 武汉理工大学硕士学位论文 3 1.2.1 国外研究现状 国外对目标跟踪与检测的研究起步比较早，理论研究成果和实际应用经验都比较先进和丰富。致力于研究多目标跟踪技术的国际科学家呕心沥血，在此领域中做出了巨大的突破和改进。下面主要从多目标的跟踪和检测两个方面来阐述研究现状： 首先，对于多目标跟踪：Kingstor最早提出基于目标模型的跟踪，即根据目标的结构特征区分而实现跟踪。跟踪过程中，运用卡尔曼滤波器和边缘信息等滤波和识别进行目标跟踪[10]。这种方法局限于目标的结构特征，只能检测特定目标，难以推广应用；Jamves对上一思路进行改进，提出基于目标的活动轮廓跟踪[11]。将目标用一个封闭曲线锁定其所在位置，目标的特征结构不再是判断依据，在封闭曲线跟随运动后，目标的轮廓点可以将其转化为点对点的跟踪[12]；Bomb提出基于区域的跟踪，将目标的活动区域作为研究对象，将区域划分为小块区域，根据区域的变化和特征跟踪目标。但是，当两个以上目标相互重叠遮挡时，无法识别[13]；为了解决遮挡难题，Gimbor最早提出基于特征跟踪，主要思路是将目标的前景与背景相互分离，通过提取特征和特征匹配识别目标，进行跟踪[14]。此后的科学家将此方法进行延伸和发展，提出了光流场法和背景差分法等。这种算法鲁棒性能好，易于实现，其缺陷是运算量增加。 其次，对于多目标检测：Holer对TBD算法进行改进，改进后的算法不再将信息分成帧进行计算，而将目标当作整体扫描处理，对整体数据进行非相干积累，也保留了很多微弱的低可观测目标信息[15]。此外，TBD算法在处理数据的同时还可计算目标的轨迹。这种算法的实现有很多途径[16]，如：动态规划、极大似然法和Hough变换等，均能很好实现检测效果。在运用TBD算法时，可以根据各个算法的特点进行优化选择[17]。但是此算法的缺陷是针对单目标检测而设计，所以检测多目标运动轨迹时，容易丢失信息甚至产生错误判断；Salom提出变维滤波算法用以自适应滤波机动目标，可简称为VDF.此算法，即将目标的运动看作内部的动态参数特性，检测模型包括两种：静态检测模型和动态检测模型，利用动态参数的变化改变检测模型。初始状态用静态模型检测，当物体运动时，换用动态模型检测，并将检测参数进行累加，运动消失时，立刻转换成静态检测器[18]。这种算法在应用中常出现误判，究其原因是更换模型依据动态参数，当参数检测错误时，引起模型转换的错误； Magil改进了多模型算法（IMM），改进后的算法主要研究多模型之间的切换，第一次引进马尔可夫系武汉理工大学硕士学位论文 4 数作为切换模型的依据[19]。马尔可夫系数比较精确计算机动参数，并能实现多模型之间的自动切换。跟踪过程中，不再计算目标的机动参数，多模型之间相互协调检测，提高了全面自适应跟踪检测的能力。改进后的算法应用范围广，能够检测各种复杂的多目标运动。针对目标，采用每一个模型的组合叠加即可实现多模型并排检测。模型叠加的过程，增加了难度和复杂性。

1.2.2 国内研究现状（水平到了什么程度） 国内的研究人员在跟踪目标方面也做出了突出贡献。目前，彭嘉雄等人提出运动目标服从瑞利分布特性，加速度的均值不等于零，加速度的每一时刻变化有瑞利分布进行统计反映。这一算法的跟踪更加精确，并通过闭环的自适应算法，实现均值随着运动状态而变化，从而更新方差，再将新的参数叠加到下一时刻中。跟踪目标的同时，能够记录对应时刻的加速度等参数信息。此种算法优点是，在对单机动目标位置、速度和加速度等均具有较好的跟踪精度，运算量小，而且比较适合在复杂的机动情况下对目标进行实时精确跟踪。不足之处在于，不能对机动多目标同时进行跟踪。廖强勇、卢焕章等人对多目标跟踪算法进行了大量研究与应用：基于最近领域法，计算量小，但无法识别和跟踪多帧多目标中新出现的目标点；基于二值航迹关联法，仅仅只能对目标较少的图像进行跟踪，但对多帧多目标图像中运动缓慢或静目标则无法检测和跟踪；基于动态规划方法，对于低信噪比运动目标，需要处理的帧数越多，系统反应速度越慢，系统的实时检测和跟踪性能就越差。随着应用的推广，对多目标检测跟踪的要求越高。对于依然存在的难题，如何在复杂机动环境下（强杂波，低信噪比、剧烈机动性等问题）对多运动目标进行实时、精确的跟踪仍没有得到实际意义上的解决。

1.3 主要研究工作和组织结构 本文的主要内容是对卡尔曼滤波器、动态规划的原理、算法进行研究，针对不同状况、不同数量的目标跟踪和检测提出改进方案，进行实验仿真论证。对于多目标检测前跟踪算法采用动态规划与无迹卡尔曼滤波相结合的方式，实现了对多目标的实时跟踪和检测。本文主要分为三大部分。利用卡尔曼滤波器对多目标进行跟踪，为提高目标跟踪精度，提出无迹卡尔曼滤波器及其跟踪方武汉理工大学硕士学位论文 5 案。为解决多目标跟踪的实时性和对应性，将自适应动态规划算法与基于目标特征动态规划算法进行比较研究，提出动态规划多目标检测方案，提高目标检测实时性。最后，将两种的算法进行结合，对多目标进行检测和跟踪。 结构组织安排如下： 第1章绪论。讲述文章研究背景及意义，国内外相关技术现状，以及论文的主要内容和结构安排。 第2章卡尔曼滤波器及改进。利用卡尔曼滤波器跟踪算法，分别对匀速目标和变速目标进行跟踪实验；为提高跟踪精度，采用无迹卡尔曼滤波器，并提出基于卡尔曼滤波的多目标检测与跟踪方案。 第3章基于动态规划多目标检测。为提高系统检测的实时性和精确性，对不同信噪比图像提出自适应动态规划算法和基于目标相关特征的动态规划算法进行比较分析，提出基于动态规划与卡尔曼滤波器的多目标检测方案。 第4章图像中多目标检测与跟踪，首先对图像进行信噪比计算、图像增强、图像分割、数学形态学去噪和目标形心计算提取目标，在对二、三章提出的方案和提出的基于动态规划多目标检测前跟踪方案进行对比实验，并将实验结果进行比较分析。 第5章总结与展望，对全文进行总结，并指出今后的进一步工作。