复杂背景下的红外目标自动跟踪算法

第37卷第6期 光电工程 Vol.37, No.6 2010年6月 Opto-Electronic Engineering June, 2010

文章编号：1003-501X(2010)06-0078-06 复杂背景下的红外目标自动跟踪算法

高国旺1, 2，刘上乾1，秦翰林1，张 峰1 ( 1. 西安电子科技大学 技术物理学院，西安 710071； 2. 西安石油大学 光电油气测井与检测教育部重点实验室，西安 710065 )

摘要：提出了一种非线性边缘检测和Mean Shift方法相结合的红外目标检测与跟踪算法。采用双窗口算子的非线性边缘检测算法具有计算量小、速度快、图像质量好等优点。在边缘检测后的二值图像基础上，利用改进的Mean Shift跟踪算法实施目标跟踪。该跟踪算法融合了计算目标区域局部标准差的信息；利用灰度值和局部标准差的概率密度函数来描述目标；同时选择核函数级联方式进行目标密度估计，从而弥补了仅用灰度信息描述目标特征的不足。实验结果表明，该跟踪算法检测出的复杂背景下红外目标边缘清晰，并且能够准确地对目标实施自动跟踪。 关键词：红外目标；边缘检测；Mean Shift方法；自动跟踪 中图分类号：TP391.4 文献标志码：A doi：10.3969/j.issn.1003-501X.2010.06.014

Auto-tracking Algorithm of Infrared Target under Complex Background GAO Guo-wang1, 2，LIU Shang-qian1，QIN Han-lin1，ZHANG Feng1 ( 1. School of Technical Physics, Xidian University, Xi’an 710071, China; 2. Key Laboratory of Photoelectric Logging and Detecting of Oil and Gas, Ministry of Education, Xi’an Shiyou University, Xi’an 710065, China )

Abstract: A tracking algorithm of infrared target is proposed by combining non-linear edge detection and Mean Shift method. The non-linear edge detection algorithm employs dual-window arithmetic operators that have the advantage of few calculation amount, high speed and good image quality and so on. The result of edge detection is binary images. Based on this information, the Mean Shift method is improved to implement target tracking. The tracking algorithm of improved Mean Shift combines the information of the local standard deviation calculation of the target area, describes the target based on the probability density function about gray value and the local standard deviation and selects cascade kernel function to calculate the target density that make up the shortage only using gray to describe the target features. Experimental results show that the edge of infrared target under complex background is detected clearly and infrared target is auto-tracked accurately. Key words: infrared target; edge detection; Mean Shift method; auto tracking

0 引 言 红外热成像目标的跟踪是红外告警系统、空载下视系统对低空及地面目标的监视和红外寻的制导等军事领域中的关键技术。但是，红外热成像多为背景噪声干扰大，分辨率低的图像序列，尤其远距离检测时目标成为点源，缺少细节和形状等信息，加上在拍摄过程中目标相对于背景高速运动，使得红外目标的跟踪成为技术难题。 Mean Shift算法是目标跟踪广泛应用的一种方法，它是一种以目标区域像素值的概率分布为特征，搜

收稿日期：2009-12-25；收到修改稿日期：2010-02-04 基金项目：“十一五”国防预研基金项目 作者简介：高国旺(1977-)，男(汉族)，山东莘县人。讲师，博士研究生，研究方向为光电检测、图像处理等。E-mail: wwgao1205@163.com。第37卷第6期 高国旺 等：复杂背景下的红外目标自动跟踪算法 79

索与样本点分布最相近模式的非参数统计方法[1]。由于采用了统计特征，该算法对噪声有很强的鲁棒性。另外，由于它采用核函数直方图建模，对边缘阻挡、目标的旋转、变形以及背景运动都不敏感，并且具有运算速度快、实时性好等优点。但是，该算法在跟踪快速运动的红外目标时，系统将会变得不稳定，最终可能导致目标丢失。因此，必须对Mean Shift方法改进[2-4]，使其能增强跟踪复杂背景下快速运动红外目标的准确度。 为此，本文提出了一种基于非线性边缘检测和Mean Shift方法相结合的红外目标跟踪算法。非线性边缘算法可对复杂背景下运动图像序列进行快速边缘检测[5]，以获取高质量目标边缘图像；在此基础上，利用Mean Shift改进算法对目标实施准确跟踪。

1 非线性边缘检测算法 在实际应用中，所获取的红外热图像包含着大量的噪声点，这些噪声点可能影响到边缘点的检测，得到的边缘图像不尽人意，因此这里所述的边缘检测算法首先利用传统的梯度算子[6](如Sobel算子)对图像边

缘点进行初选，滤除绝大部分的噪声后，再利用一种非线性算子实现高质量的图像边缘检测，得到目标边缘的二值图像。非线性边缘检测算法思想如下： 在初选的灰度图像),(yxI中选取一个像素点s为圆心，建立两个同心圆形窗口)(1sW (半径为R1)和

)(2sW (半径为R2)，求出两个圆形窗口的中最大灰度值(1Max、2Max)和最小灰度值(1Min、2Min)。定义

双窗口算子)(sD，其表达式如下： )()()(1212MinMinMaxMaxsD−−−= (1) 任取候选边缘点集0Ω中的一点),(yx，计算),(yxD的值，所得),(yxD的符号可能为正、零或负。如果

),(yxD=0，则该像素点是边缘点；否则，如果),(yxD>0，并且沿水平和垂直方向的4个领域中至少有一

个像素点处的),(yxD<0，即算子D出现了符号改变，则像素点也被认为是边缘点。 若令双窗口算子中的内窗口半径R1=0，外窗口半径R2的大小由边缘轮廓的尺寸确定，则式(1)变为

2222)(2))(())(()(MinsIMaxMinsIsIMaxsD+−=−−−= (2) 可见，),(yxI在)(2sW中的最大值和最小值确定了s邻域中最大斜率的方向，)(sD近似于沿此方向的

二阶导数，因此基于双窗口算子)(sD的零交叉检测可以用于提取图像边缘，这种算子与非线性的拉普拉斯算子类似，为一种高通的非线性算子。

2 改进的Mean Shift目标跟踪算法 传统的Mean Shift跟踪算法，依赖于由目标区域得到的灰度分布和纹理特征，利用统计分布的概念描述目标，通过相似函数计算图像空间中目标中心的位移。此算法所需参数少、鲁棒性较强、能够快速的实现模式计算，具有良好的实时性。但是由于红外目标对比度低，背景亮度经常高于目标亮度，此时仅使用灰度特征的核密度估计很难实现对目标的准确跟踪。为此在Mean Shift目标跟踪方法中，作了如下改进：一方面，融合由目标区域局部标准差的核密度估计所得到的信息[7]；另一方面，为了克服用单一的灰度空间里建立目标灰度的概率密度分布时，目标灰度的概率密度分布描述不稳健的缺点，提出构造级联的灰度空间作为特征空间的想发。 局部标准差图像是通过源图像中每个像素的邻域得到的，是一种非常好的描述局部图像结构频率特性的方法。根据所定义的邻域M，图像中像素点),(yxIs=的局部标准差计算如下：

∑−−=

XeMiXIXINs2)](([11)(σ (3)

式中：I为图像函数，Xi为空间坐标，N为邻域M中的像素个数。融合了目标区域局部标准差核密度估计的Mean Shift的跟踪方法如下。 2.1 目标模型的建立 目标模型是灰度值和局部标准差的概率密度函数，并采用核密度估计，核函数选用Epanechnikov核， 光电工程 2010年6月 80

因为该核在连续空间中能够产生最佳的积分均方误差(MISE)[8]。两个Epanechikov核的级联形式如下：

⎩⎨⎧<−=else0)4(/)(3)(3221，，hxhxhxK；⎩⎨⎧<−

=else0)π/()(2)(2T2T22，，hxxhxxhxK (4)

第一个核作为特征直方图的加权因子，即以特征值为中心放置一个一维核。第二个核是通过特征的空间位置与目标质心之间的欧氏距离来确定特征的空间关系，即以目标质心为中心放置一个二维核，核的值表示空间权重。使用联合核，目标特征u的核密度估计可由下式给出：

∑=−−=niiimXKuXIKCuP121)())((1)( (5)

式中：C为归一化常量，)(12mXKCini−=∑=。 利用核密度估计方法建立目标特征的概率密度分布，实现目标模型的描述。假设包含目标的搜索窗口中，第u个特征值的概率密度函数：

])([)||||(ˆ120uxbhxxkCqiniiu−−=∑=δ (6)

式中：0x为搜索窗口的中心像素坐标，ix为第i个像素的坐标；)||||(2xk是核函数，h表示核函数的带宽，