基于仿生探測的大視場小目標跟蹤算法

，，

(北京理工大學機電動態控制重點實驗室，北京 100081)

0 引言

目標探測與跟蹤是彈藥精確打擊中最為關鍵與核心的部分[1]。引信前端光學探測器遠距離探測并跟蹤目標時，存在視場大、目標成像小、背景復雜等問題。目前針對小目標探測的研究主要針對天空背景相對簡單的環境展開[2]，而對復雜地面背景下的小目標探測及跟蹤研究仍較少。

目標探測的主要方法有特征匹配法和前景-背景分割法。其中基于特征匹配的方法主要是匹配目標的穩定特征，比如特征點、顏色、梯度、直方圖等[3-6]?；谇熬?背景分割的方法則利用前景和背景之間的差異分割出背景信息[7]。

目標跟蹤算法主要有基于濾波數據關聯度的方法與基于目標表示和定位方法兩種。其中，基于濾波和數據關聯的方法主要有卡爾曼濾波[8]和粒子濾波[9]；而基于目標表示和定位的跟蹤算法類別中以基于均值漂移(Mean-Shift，MS)濾波[10]的目標跟蹤算法為研究熱點，如徐火希提出了基于Mean-Shift的運動目標跟蹤算法，提高算法的魯棒性[11]；武江濤等提出了基于擴展跟蹤波門的跟蹤方法以提高擴展目標的跟蹤精度[12]。

以上方法均未能有效地解決地面復雜背景下大視場內小目標探測時目標分辨率低、特征不穩定導致的跟蹤失效的問題。為解決以上問題，本文提出基于仿生探測的大視場小目標跟蹤算法。

1 仿生探測及相關理論

1.1 仿生探測原理

仿生探測是指模擬生物感知器官或系統的功能結構和作用機理，構建相似功能和結構的人工系統技術[13]。仿生探測系統的實現機理如圖1所示，一般情況下可按照圖中所示三個階段進行。

1)研究生物體的某些結構與功能關系或能量轉換、信息傳遞的關系，將研究結果簡化，得到生物感知原型。

2)將生物模型提供的資料進行數學分析，分析其內在聯系，從生物感知原型抽象出數學模型。

3)根據抽象出的數學模型，采用電子或機械手段，制造出可在工程上實現的模型，并通過實驗、改進及發展成技術模型，實現對生物系統的工程模擬。

在視覺信息處理上，鷹眼可以在千米高空中精確探測并跟蹤目標，對鷹視覺系統進行分析，發現鷹在探測目標時，首先根據其視覺特性迅速在大視場下提取感興趣區域，隨后通過單眼注視功能對目標區域進行分類判定，實現目標的跟蹤。鷹眼的視覺信息處理通路主要靠兩個并行通路：離頂蓋通路和離丘腦通路。兩個通路中神經細胞通過不同形式的感受野(Receptive Field)逐級進行抽取有效信息，從而使得鷹眼具有了運動目標檢測、前景-背景分離和目標識別等能力。

1.2 形態學濾波

形態學的基本思想是用具有一定形態結構的元素度度量和提取圖像中對應的形態，以簡化圖像數據，保持其基本形狀，并去除不相干的結構區域，其基本運算有4種：膨脹、腐蝕、開運算和閉運算。其中膨脹及腐蝕運算定義如式(1)與式(2)：

(f⊙g)(s,t)=min{f(s-x,t-y)+b(x,y)}

(1)

(f⊕g)(s,t)=max{f(s-x,t-y)-b(x,y)}

(2)

灰度形態膨脹以結構元素g(s,t) 模板，搜尋圖像結構元范圍內的灰度和的極大值。腐蝕運算的過程則是以結構元素g(s,t) 為模板，搜尋圖像在結構元素大小范圍的灰度差極小值。

灰度形態學開運算及閉運算的定義如式(3)，(4)和式(5)，開運算采用相同的結構先做腐蝕后做膨脹的迭代運算，而閉運算采用相同的結構元先做膨脹后做腐蝕的迭代運算。

f·b=(f⊕b)⊙b

(3)

f·b=(f⊙b)⊕b

(4)

Tophat(x,y)=f(x,y)-f·b

(5)

1.3 方向梯度直方圖(HOG)特征

HOG特征通過構建目標方向梯度直方圖，并以直方圖中的統計信息作為目標特征。該特征對圖像幾何和光學形變保持良好的不變性[14]，其提取過程如圖2所示。

圖2 HOG特征提取步驟
Fig.2 The extraction process of HOG

首先對圖像進行歸一化處理以消除光照等影響，隨后將圖像分成小的連通區域即細胞單元，采集細胞單元中各像素點的梯度方向直方圖，最后將若干個細胞單元進行串聯得到一個塊，并將塊中的梯度方向直方圖組合起來構成塊的特征描述器。

2 基于仿生探測的小目標跟蹤

本文將目標成像像元數目不高于20×20，且占整幅圖像的比例不超過0.25%的情況定義為大視場小目標，以下研究建立在這一基礎上。將目標的探測與跟蹤方法分為目標探測器與跟蹤器兩部分，設計基于仿生探測的小目標跟蹤方法。

2.1 目標探測器原理

目標探測器主要是模仿鷹眼視覺通路的信息處理機制建立，建立探測目標可能位置的顯著圖，為目標跟蹤器的初始化位置、修正跟蹤誤差提供必要數據。圖3是仿鷹眼的視覺顯著圖建立方法。

2.1.1仿鷹眼視覺顏色模型

鷹眼的顏色辨別屬于四色制，分別為紅、橙、黃綠、淡白本文為模擬鷹眼顏色處理機制，提出以下兩個基本假設：

1)光感受器的接收信號類型是相同的，即信號之間可以相互運算；

2)三種顏色特性信號，即長波、中波、短波信號，在下一層神經處理機制中相互拮抗，得到三條對比通路和一條亮度通路。

由此根據彩色視覺處理機制的后處理層，將三種波段的顏色信號，定義為紅色、綠色和藍色，分別對應長波、中波和短波信號。這三種顏色信號在顏色處理機制中又可以得到一條亮度通道。

2.1.2仿鷹眼感受野模型

根據鷹眼感受野特性，采用Gabor變換模擬其感受野，提取圖像的局部空間信息和頻率信息。Gabor濾波器在空間域上幅度圖如圖4，其可看作是一個正弦平面波與高斯核函數的乘積，在空間域和頻率域同時具有最優局部化的特性，可以很好地描述空間頻率和方向等局部信息。

圖5是Gabor濾波器的二維平面的映射圖，通過設定參數，可以得到如圖所示一組具有不同尺度和方位的平行條紋，當目標邊緣方向與濾波器方向一致時，其響應越大，反之越小，將其用于提取方向信息和邊緣信息。

2.1.3Top-Hat形態學濾波處理

根據圖1鷹眼顯著圖的構建方法，可以得到具有全局目標區域探測能力的探測器，但經過提取目標顏色、亮度及邊緣特征信息而形成的目標顯著圖由于地面背景復雜，可能存在大量的虛假結果，即非目標區域，為了濾除該部分區域，可通過對目標顯著圖采用如式(3)的開運算，有效地去除顯著圖中的高頻成分，此處采用與目標大小相似的結構元進行開運算，得到去除目標的背景圖像，隨后使用原顯著圖與濾波結果圖做差，如式(5)，去除大部分非目標區域。

2.2 目標跟蹤器原理

目標跟蹤器主要分為特征向量提取與分類器構建兩部分。此處選取區域梯度分布直方圖(HoG)作為特征，提取方法如圖2，通過提取目標的HoG特征，得到一個高維的特征向量(X1,X2,X3，…，Xn)。

分類器構建部分選用樸素貝葉斯分類器，其具有高效率和最小誤差率的優點，跟蹤方法中，類別分為目標與非目標兩種，其中，C=1時判斷類別為目標，C=0時，判斷為非目標。假設目標的特征屬性條件獨立，根據貝葉斯公式，候選目標特征向量為(X1,X2,X3，…，Xn)時，其類別為C的條件概率如式(6)：

P(C|X1,…,Xn)=P(C)P(X1,…,Xn|C)=

(6)

其中，P(C)是類概率，P(Xi|C)是條件概率。假設在小目標跟蹤過程中，由探測器探測的目標區域特征向量的條件概率滿足高斯分布。

綜上所述，該樸素貝葉斯分類器通過樣本點訓練得到特征向量在不同類別下的高斯分布，并通過選取特征向量在C=1時概率最大值的區域作為目標，表示方式如式(7)：

(7)

至此，通過構建基于HOG特征與樸素貝葉斯分類器的跟蹤器，以式(7)計算所得概率值衡量由探測器輸出目標顯著區域與目標模型之間的相似程度，選取相似度最高即候選區域概率最高的區域作為目標區域，實現對目標的定位與跟蹤。

3 實驗驗證

為了驗證本文方法有效性，采用視場模擬采集系統驗證本文的跟蹤方法的跟蹤準確性。選用坦克及裝甲車模型作為目標，如圖6所示，其尺寸分別為22 cm×10 cm與20 cm×9 cm。

根據等比例原則采集實驗所用圖像及視頻，采集實驗環境如下：探測器像元陣列640×480，像元尺寸為3.7 μm，透鏡焦距5 mm，探測距離15 m，模型在探測器上成像所占像元數約為20×10，約占視場的0.06%，實驗環境光照強度較弱，目標與背景對比度較低。

3.1 目標探測結果

圖7為裝甲車模型所獲原圖像與通過提取顯著圖并二值化的對比圖，分析結果可知，被標注為顯著區域的像素數約占總圖像像素數的0.24%，且目標所在區域被標注為顯著區域，極大縮小了后期識別及跟蹤的區域，減小后續計算量。由于圖像背景復雜，存在一定干擾，檢測結果除目標區域外仍存在部分非目標區域，如圖中中上部分及邊緣部分的的顯著區域，因此需對以上區域內進行進一步特征提取、識別及跟蹤。

3.2 目標跟蹤結果

此處采用中心誤差和窗口重疊率兩個指標評價實驗結果。中心誤差是指目標跟蹤結果中心點相對于目標真實位置中心點的誤差，如式(8)：

(8)

窗口重疊率是指目標跟蹤結果和該幀中目標真實位置的重疊面積與真實目標位置區域面積的比值，如式(9)：

(9)

表1為本文方法對裝甲車及坦克模型的跟蹤窗口重疊率及中心點誤差部分幀的結果數據。對該數據進行分析并與MS方法的結果進行對比，得到圖8—圖11。

表1 坦克及裝甲車跟蹤結果數據Tab.1 The result of panzer and tank’s tracking

圖8為裝甲車模型目標的跟蹤結果，由圖可知，該方法能夠從探測器輸出結果進行進一步判別與分類，并最終實現小目標區域的定位。

圖9為上述方法與MS方法在跟蹤過程中跟蹤中心誤差與窗口重疊率統計結果對比圖。由結果圖可看出均值漂移方法的跟蹤中心誤差隨著幀數增加而累積加大，且平均誤差為6個像素，在探測距離為15 m時對應空間上誤差約為6.7 cm，跟蹤窗口重疊率為57.4%。本文方法中心誤差隨幀數增加逐漸趨于平穩，平均誤差為1.95個像素，探測距離為15 m時空間誤差約為2.2 cm，跟蹤窗口重疊率79.3%，跟蹤效果明顯優于均值漂移算法。

圖10為坦克模型目標的跟蹤結果，圖11為不同方法在跟蹤過程中跟蹤中心誤差與窗口重疊率統計結果對比圖。

由于坦克模型和地面背景相近，采用灰度直方圖特征的均值漂移方法在第10幀后跟蹤失敗，中心誤差大于15個像素點，且窗口重疊率為0。本文方法雖然目標特征提取失敗但在探測器的誤差糾正下，最終跟蹤中心誤差穩定在2個像素，平均中心誤差為2.2個像素，探測距離為15 m時對應空間誤差為2.4 cm，窗口重疊率為79.0%。經實驗驗證，本文方法可以有效解決大視場下小目標的檢測及跟蹤問題。

4 結論

本文提出了基于仿生探測的大視場小目標跟蹤算法。通過提取圖像中顏色拮抗特征及亮度特征，并根據感受野模型獲得目標邊緣及方向特征，通過線性融合得到顯著圖，對該顯著圖進行形態學濾波去除多數非目標區域，并通過提取HOG特征在上述檢測所得區域對目標進行跟蹤。

實驗結果表明，該算法可以有效解決大視場下小目標的探測與跟蹤問題，為成像引信遠距離探測目標奠定理論基礎。后續研究中，可針對目標成像大小發生變化時的跟蹤窗口自適應變化問題繼續展開研究。

[1]田鵬輝,隋立春,燕莎. 紅外運動小目標檢測方法綜述[J]. 探測與控制學報,2013,35(2):76-80.

[2]曲勁松. 基于光電跟蹤轉臺的空中小目標檢測與跟蹤系統設計[D].北京：北京工業大學, 2014.

[3]李鵬, 劉玉, 王敬東. 一種基于SIFT和KLT相結合的特征點跟蹤方法研究[J]. 宇航學報, 2011,32(7):1618 -1625.

[4]XU Kun, HE Yuyao, WANG Weiya, et al. Object tracking algorithm with adaptive color space based on CamShift[J]. Journal of computer application, 2009(3):757-760.

[5]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(4):17-22.

[6]Yong W, Chen F, Guo Hongxiang, et al. Kernel spatial histogram target tracking based on template drift correction[J]. Acta Automatica Sinica, 2012, 38(3):430-436.

[7]李少毅, 梁爽, 張凱,等. 基于紅外壓縮成像的點目標跟蹤方法研究[J].電子與信息學報, 2015(7):1639-1645.

[8]Patel H A, Thakore D G. Moving object tracking using Kalman filter[J]. International Journal of Computer Science & Mobile Computing, 2013,2(4):1-5.

[9]于金霞, 許景民. 多特征融合的自適應性粒子濾波跟蹤算法[J]. 計算機工程與應用, 2014(18):178-181.

[10]Iraei I, Faez K. Object tracking with occlusion handling using mean shift, Kalman filter and Edge Histogram[C]// Pattern Recognition and Image Analysis (IPRIA), 2015 2nd International Conference. IEEE, 2015:1-6.

[11]徐火希. 基于改進Mean Shift的運動目標跟蹤算法[J]. 兵器裝備工程學報,2016(2):127-130.

[12]武江濤,白森. SAR-GMTI中擴展目標跟蹤[J]. 四川兵工學報,2015(11):108-111.

[13]李東光, 李杰, 馬寶華. 仿生探測技術在武器系統中的應用初探[C]//第十二屆引信學術年會論文集.西安：中國兵工學會引信專業委員會，2001.

[14]Dalal N, Triggs B, Schmid C. Human detection using oriented histograms of flow and appearance[M]// Computer Vision-ECCV 2006. Springer Berlin Heidelberg, 2006:428-441.