（東北電子技術(shù)研究所 錦州 121000）

1 引言

對于地面紅外識別技術(shù)，紅外背景是比較復(fù)雜的地物背景。在這樣的背景環(huán)境中，存在各種自然紅外輻射源及紅外背景干擾。在復(fù)雜的紅外背景圖像中識別特定目標(biāo)，是目標(biāo)識別技術(shù)的難點(diǎn)。有效的圖像識別算法，是系統(tǒng)提高探測概率、降低錯誤識別的有效手段。本文對紅外運(yùn)動目標(biāo)圖像處理、目標(biāo)檢測和識別算法、運(yùn)動目標(biāo)跟蹤算法等，作進(jìn)一步的研究和探討［1］。

2 紅外運(yùn)動目標(biāo)圖像處理

紅外運(yùn)動目標(biāo)圖像處理涉及圖像濾波、圖像增強(qiáng)、目標(biāo)提取、圖像分割，圖像識別、圖像跟蹤等處理技術(shù)。每種處理技術(shù)的方法千差萬別，既有時域方法，又有頻域方法，處理結(jié)果滿足實時性要求是解決問題的關(guān)鍵［2～3］。

2.1 紅外成像原理

紅外成像原理是通過感知紅外輻射能產(chǎn)生光信號（即紅外圖像中的灰度），目標(biāo)的表面溫度與灰度成正比。目標(biāo)應(yīng)具有相對較強(qiáng)的紅外輻射，比如以人體目標(biāo)為例，相對于可見光圖像，人體的紅外圖像應(yīng)具有以下特征：

1）相比背景中的房屋、道路、樹木等，人體通常會輻射更多的熱量，因此，紅外圖像中的人體以及其他的“熱”物體的灰度會比背景環(huán)境的灰度更強(qiáng)（通常背景環(huán)境是“冷”的）。

2）紅外圖像中的灰度是與目標(biāo)物體的體表溫度成正比的，所以，盡管每個人的打扮穿著都不同，但是，在紅外圖像中所顯現(xiàn)的樣子幾乎是一樣的。即紅外圖像自動過濾了復(fù)雜背景，簡化了圖像處理的復(fù)雜度。

3）因為每個正常人的體溫近乎相同（37℃），所以紅外圖像中凡是有人的區(qū)域灰度近似，并保持不變。

雖然紅外圖像有著上述優(yōu)點(diǎn)，但仍然存在如下一些問題：

（1）由于紅外圖像的成像原理和不是非常清晰的成像效果，所以想要從紅外圖像中提取出個體的某些獨(dú)特的特征是很難的（比如，膚色，眼部位置，嘴巴，眉毛，等等）。

（2）紅外圖像缺少清晰的圖像結(jié)構(gòu)，且圖像的對比度低，降低了拐角特征點(diǎn)的可信度。

針對上述兩個問題，使用Haar小波［5～8］的矩形特征來表達(dá)目標(biāo)從而進(jìn)行目標(biāo)識別，避開了這些細(xì)節(jié)特征問題。

2.2 圖像信息處理總體框架

圖像信息處理總體框架如圖1所示。首先對圖像進(jìn)行背景剔除，得到前景目標(biāo)，然后根據(jù)目標(biāo)在圖像中的位置、尺寸估計其在監(jiān)控區(qū)域中所處方位、距離，并通過提取目標(biāo)的形態(tài)特征判斷其是否為真目標(biāo)，如果是真目標(biāo)且滿足系統(tǒng)相應(yīng)的判定準(zhǔn)則，則選定目標(biāo)，給出識別提示。

2.3 運(yùn)動目標(biāo)檢測過程中的背景剔除算法

當(dāng)前背景剔除方法主要有三種：光流法、幀間差法和背景差法。其中光流法運(yùn)算量大，實時處理有困難；幀間差法有時只能檢測出目標(biāo)輪廓，中間內(nèi)容空洞，不利于后續(xù)處理，而且對于慢目標(biāo)和靜止目標(biāo)很難檢測出來；背景差法兼有實時性和有效性，因此采取背景差法進(jìn)行背景剔除。而由于晝夜溫差的關(guān)系，白天和晚上的紅外圖像背景差別比較大，因此必須做自適應(yīng)背景估計，否則檢測出來的目標(biāo)噪聲比較多，不利于后續(xù)處理。

圖1 圖像信息處理總體框架圖

背景差分法是運(yùn)動目標(biāo)檢測最常用的方法之一，它的基本思想是獲取一個參考背景圖像，將當(dāng)前圖像與參考背景進(jìn)行比較，從中分割出前景運(yùn)動目標(biāo)。設(shè)B（x，y）為背景圖像。C（x，y）表示當(dāng)前圖像，則：

S（x，y）表示背景差分所得圖像。我們可以從中獲得運(yùn)動目標(biāo)，即感興趣區(qū)域（Regions of Interest，ROIs）。

由于應(yīng)用環(huán)境的不同背景也有很大差異，在處理過程中有必要知道這種應(yīng)用所針對的背景的類型以采取不同的實現(xiàn)算法。在背景差分法中為保證運(yùn)動目標(biāo)檢測隨環(huán)境變化的魯棒性，常常需要適時地更新背景模型。背景的變化有兩種可能：一種是由于環(huán)境光照引起的全局較少像素值的改變；另一種是原來背景圖像中增加或減少物體引起的局部的較大改變（比如背景中移走了一個靜止物體，或者一個運(yùn)動物體長時間滯留在背景中）。背景模型應(yīng)能夠很快的響應(yīng)背景變化，避免移走的物體和滯留物體長時間地出現(xiàn)在檢測結(jié)果中。在背景模型更新時需要注意兩方面問題：一方面是背景模型對背景變化的響應(yīng)速度要足夠快；另一方面是背景對運(yùn)動目標(biāo)要有較強(qiáng)的抗干擾性。在背景更新模型設(shè)計時總是趨向于采用新的背景更新舊背景，而不希望用待檢測的運(yùn)動目標(biāo)更新背景。因此，在背景更新模型的設(shè)計中應(yīng)該與目標(biāo)檢測算法相結(jié)合，使用背景與目標(biāo)分割的結(jié)果來決定是否進(jìn)行背景更新。

背景差方法在提取運(yùn)動目標(biāo)時假設(shè)圖像序列的背景是相對固定不變的，應(yīng)用該方法能十分有效地檢測出快速和緩慢運(yùn)動、甚至是靜止的非背景的目標(biāo)。但是這種方法對背景的變化比較敏感，當(dāng)背景光照發(fā)生變化時，如果不能及時地更新背景圖像將產(chǎn)生錯誤的檢測結(jié)果，因此對于長時間的目標(biāo)檢測來說，背景的光照必然是隨時間起伏變化的，必須采用自適應(yīng)的背景更新方法。

簡單的自適應(yīng)背景更新算法如下式所示：

其中

（i）表示前景圖像，Tb表示目標(biāo)與背景的分割閾值，引入α決定背景更新速率。

也可采用單高斯分布背景模型或混合高斯分布背景模型來進(jìn)行自適應(yīng)背景更新。單高斯分布背景模型假設(shè)每個像素的亮度值服從高斯分布N（μ，σ2）噪聲為白噪聲。利用初始不含前景的連續(xù)N幀構(gòu)造背景模型，然后采用IIR 濾波器來遞推更新參數(shù)值μ和σ2使它能夠適應(yīng)緩慢的光照變化。這種背景模型具有較強(qiáng)的適用性。

初始化背景圖像為

單高斯分布背景模型的更新即指各圖像點(diǎn)高斯分布參數(shù)的更新。同樣引入更新率α（定義同上），則高斯分布參數(shù)的更新可表示為

對于更為復(fù)雜的背景還可采用混合高斯分布背景模型來進(jìn)行自適應(yīng)背景更新?？蓪γ總€像素的亮度值用K個高斯分布的混合來建模，各高斯分布分別具有不同的權(quán)值和優(yōu)先級，它們總是按照優(yōu)先級從高到低的次序排序?；旌细咚鼓Ｐ涂梢悦枋龆嗄B(tài)背景，具有很好的自適應(yīng)性。該算法的基本思想是：使用混合高斯分布模型來表征圖像中每一個像素點(diǎn)的特征，當(dāng)獲得新的圖像幀時，更新混合高斯分布模型，在檢測前景點(diǎn)時，按照權(quán)值從高到低的次序?qū)⑾袼刂蹬c各高斯分布逐一匹配，若沒有表示背景分布的高斯分布與像素值匹配，則判定該點(diǎn)為前景點(diǎn)，否則為背景點(diǎn)。而之所以能夠把前景和背景分開，是基于一個前提條件：在一個長期觀測的場景中，背景占大多數(shù)時間，更多的數(shù)據(jù)是支持背景分布的。

綜合上述討論，算法設(shè)計可結(jié)合實際應(yīng)用選擇一種或多種方法來實現(xiàn)運(yùn)動目標(biāo)檢測過程中的背景剔除。下面以簡單算法為例介紹背景剔除算法的處理過程。

假設(shè)紅外成像單元第k次在監(jiān)視區(qū)域拍得圖像記為，背景剔除步驟如下：

2）fork＝2，3，…

（1）將（i）與（i）進(jìn)行配準(zhǔn)；

（3）對前景進(jìn)行形態(tài)學(xué)濾波，利用連通域檢測算法劃分各運(yùn)動區(qū)域得到目標(biāo)；

（4）用下式更新背景：

其中

說明：

1）式中（i）為當(dāng)前背景中像素i的值，（i）為當(dāng)前圖像中像素i的值，Bk＋1（i）為更新后背景中像素i的值。

3）一般情況下，利用背景差法提取前景會受到噪聲的影響，需對這些前景像素進(jìn)行去噪處理，可采用數(shù)學(xué)形態(tài)學(xué)方法消除小型的、孤立的前景像素，并填補(bǔ)目標(biāo)中小的孔洞。

圖2 模板匹配示意圖

4）配準(zhǔn)方法使用模板匹配法，從背景中選取一個區(qū)域作為模板w（x，y），然后在當(dāng)前圖像f（x，y）中尋找最相似的圖像區(qū)域，這樣就可以通過模板匹配技術(shù)來完成兩幅圖像重合區(qū)域的對齊。如圖2所示

w（x，y）和f（x，y）的相關(guān)函數(shù)可寫為

式中的求和是對w（x，y）和f（x，y）相重疊的圖像區(qū)域進(jìn)行的。當(dāng)（s，t）變化時，w（x，y）在圖像f（x，y）中移動并給出ρ（s，t）的所有的值。而ρ（s，t）的最大值則表明了w（x，y）在f（x，y）中的最佳位置。實際上前后兩幀圖像不會偏移不會太大，因此s，t可以取得很小，且模板w（x，y）也可以取得小一點(diǎn)，減少運(yùn)算量。

3 目標(biāo)檢測和識別算法

采用Viola方法進(jìn)行目標(biāo)識別，這是一種基于模式分類的方法，利用統(tǒng)計學(xué)習(xí)的方法從樣本中自動學(xué)習(xí)目標(biāo)模型的知識，把目標(biāo)識別看作是一個模式分類的問題。該方法總體框架如圖3所示［4～5］。

圖3 Viola方法框架圖

該方法使用Haar小波的矩形特征來表達(dá)目標(biāo)，提取目標(biāo)的外形信息和運(yùn)動信息，形成豐富的特征集，然后使用Ada-Boost算法從這些特征集中選擇很好分類的關(guān)鍵特征組合成強(qiáng)的分類器，并使用級聯(lián)的思想減少檢測的運(yùn)行時間。

AdaBoost級聯(lián)分類器的構(gòu)成如4所示，因為在圖像和視頻中出現(xiàn)目標(biāo)的區(qū)域相對背景很少，因此大部分被檢測出來的子窗口前面幾級的分類器就被否定，不必通過整個分類器，節(jié)省了時間。

圖4中的各分類器都是強(qiáng)分類器，這是相對弱分類器來說的，一個強(qiáng)分類器由若干個弱分類器組成，而弱分類器是通過從特征集中選擇一個特征訓(xùn)練得到的。每一個強(qiáng)分類器都是由AdaBoost算法訓(xùn)練得到。

圖4 AdaBoost級聯(lián)分類器結(jié)構(gòu)

AdaBoost級聯(lián)分類器訓(xùn)練過程如下：

1）由系統(tǒng)要求最小檢測率和最大誤檢率推斷級聯(lián)分類器需由多少個強(qiáng)分類器組成；

2）確定訓(xùn)練中的正負(fù)樣本數(shù)量，假設(shè)正樣本p個，負(fù)樣本q個；

3）fort＝1：n

（1）訓(xùn)練一個強(qiáng)訓(xùn)練器Ht（x）；

（2）組合前t個強(qiáng)分類器H1（x），…，Ht（x），對人體樣本集進(jìn)行驗證，淘汰被錯誤判斷的目標(biāo)樣本（漏判），并修改目標(biāo)樣本p的值；

（3）組合前t個強(qiáng)分類器H1（x），…，Ht（x），對非真目標(biāo)樣本集進(jìn)行驗證，淘汰被正確判斷的非真目標(biāo)樣本，并重新獲取非目標(biāo)樣本，以補(bǔ)充非目標(biāo)真樣本集。使其數(shù)量重新達(dá)到q個。在重新獲取非真目標(biāo)樣本過程中，也是組合前t個強(qiáng)分類器對候選非真目標(biāo)樣本進(jìn)行驗證，只有被誤判的候選非真目標(biāo)樣本才能被加入到非真目標(biāo)樣本中。

4）保存訓(xùn)練結(jié)果。

上述用于訓(xùn)練的正負(fù)樣本可以從圖像或視頻中得到，通常需要上萬個樣本用于訓(xùn)練。對于可見光圖像來說，各種角度的目標(biāo)樣本比較好找一些，甚至于都能找到一些訓(xùn)練好了的分類器。對于紅外圖像來說，樣本相對比較難找，需要自己拍攝得到，當(dāng)系統(tǒng)對這些圖像特征進(jìn)行了訓(xùn)練之后，能對符合要求的目標(biāo)進(jìn)行識別。

4 運(yùn)動目標(biāo)跟蹤算法

目標(biāo)跟蹤是指對拍攝的圖像序列進(jìn)行分析，確定每幀圖像中目標(biāo)位置［6～7］。

目標(biāo)跟蹤是目標(biāo)檢測和識別過程的延續(xù)，在相機(jī)連續(xù)拍攝的圖像序列中，每一幀都進(jìn)行目標(biāo)的檢測、識別和目標(biāo)位置確定，即可實現(xiàn)對目標(biāo)的連續(xù)跟蹤［4］，跟蹤的處理流程如圖5所示。

圖5 目標(biāo)連續(xù)跟蹤流程圖

在視場中如果只有一個運(yùn)動目標(biāo)，那么采取上述目標(biāo)檢測、目標(biāo)識別和目標(biāo)定位過程可以實現(xiàn)對運(yùn)動目標(biāo)的連續(xù)跟蹤。實際情況中可能有多個運(yùn)動目標(biāo)，如同時多目標(biāo)進(jìn)入視場，另外運(yùn)動的目標(biāo)還可能被樹木、建筑物等短暫的遮擋，在這樣的條件下要連續(xù)跟蹤某個鎖定的目標(biāo)，需要解決目標(biāo)穩(wěn)定跟蹤和快速處理的難題。

為解決穩(wěn)定跟蹤問題，在所有真目標(biāo)識別出來后，需要進(jìn)行目標(biāo)配對處理，即將當(dāng)前幀檢測的目標(biāo)與前一幀已跟蹤目標(biāo)進(jìn)行配對，確定當(dāng)前幀內(nèi)每個目標(biāo)來自于上一幀哪個目標(biāo)。目標(biāo)的配對過程可以采用聯(lián)合概率目標(biāo)識別方法，建立目標(biāo)鏈，利用多目標(biāo)、多幀圖像信息，提高配對準(zhǔn)確率。

在準(zhǔn)確實現(xiàn)目標(biāo)配對后，即可更新鎖定目標(biāo)在當(dāng)前幀的位置，并進(jìn)行下一幀目標(biāo)位置預(yù)測。目標(biāo)位置預(yù)測目的是當(dāng)跟蹤目標(biāo)被短暫遮擋期間，實現(xiàn)對目標(biāo)的持續(xù)跟蹤，另外采用軌跡預(yù)測，在預(yù)測位置附近檢測目標(biāo)，也可以減少下一幀所需要處理圖像區(qū)域的大小，提高處理速度。

運(yùn)動軌跡的預(yù)測可采用平方預(yù)測器，假設(shè)目標(biāo)運(yùn)動軌跡點(diǎn)坐標(biāo)表示為函數(shù)f（k），取連續(xù)三幀，則平方預(yù)測公式為

上式中（k＋1）即為目標(biāo)軌跡預(yù)測點(diǎn)。

也可采用基于卡爾曼濾波的區(qū)域匹配跟蹤算法來確定運(yùn)動目標(biāo)的運(yùn)動軌跡。該算法的關(guān)鍵為：檢測所得的前景目標(biāo)區(qū)域和跟蹤的動態(tài)運(yùn)動目標(biāo)區(qū)域之間建立對應(yīng)關(guān)系?；渲饕O(shè)計思想為：首先，從輸入圖像中檢測分割運(yùn)動目標(biāo)區(qū)域，并提取區(qū)域特征值，然后建立目標(biāo)鏈表；其次，利用卡爾曼濾波對目標(biāo)鏈表中的需要跟蹤區(qū)域的運(yùn)動趨勢進(jìn)行位置預(yù)測，以縮小目標(biāo)區(qū)域搜索匹配的范圍，從而加速目標(biāo)區(qū)域匹配的速度；然后，在預(yù)測位置范圍內(nèi)對被跟蹤的目標(biāo)區(qū)域進(jìn)行匹配搜索，以建立目標(biāo)的關(guān)聯(lián)關(guān)系，并且用最佳匹配的運(yùn)動區(qū)域信息更新目標(biāo)鏈表中相應(yīng)的目標(biāo)區(qū)域信息，同時對卡爾曼運(yùn)動區(qū)域預(yù)測模型進(jìn)行更新。

基于卡爾曼濾波區(qū)域跟蹤可分為五個模塊：

1）目標(biāo)特征提?。簭妮斎雸D像中檢測運(yùn)動目標(biāo)區(qū)域，通過一個矩形框?qū)\(yùn)動區(qū)域進(jìn)行標(biāo)定，并提取每個運(yùn)動區(qū)域的中心位置和區(qū)域大小信息。

2）建立目標(biāo)庫：建立了一個目標(biāo)庫，用于存放被跟蹤目標(biāo)區(qū)域特征參數(shù)。

3）卡爾曼運(yùn)動區(qū)域預(yù)測模型：基于卡爾曼濾波的系統(tǒng)模型，定義狀態(tài)向量，預(yù)測下一幀 運(yùn)動目標(biāo)區(qū)域可能出現(xiàn)的位置。

4）目標(biāo)區(qū)域匹配搜索：在預(yù)測位置范圍內(nèi)進(jìn)行目標(biāo)區(qū)域匹配搜索。

5）模型更新：更新卡爾曼運(yùn)動區(qū)域預(yù)測模型。采用上述跟蹤處理流程和處理方法，可以實現(xiàn)對紅外運(yùn)動目標(biāo)的快速有效穩(wěn)定跟蹤。

5 結(jié)語

對系統(tǒng)的識別概率影響的其它因素比較多，比如由于自然景觀的紅外背景輻射及系統(tǒng)內(nèi)部電子噪聲影響，紅外圖像具有高亮度、低對比度特點(diǎn)，即圖像呈現(xiàn)灰白、模糊不清；另外，由于探測器經(jīng)常不可避免地存在壞元，且各像元的輸出存在較大的非均勻性，導(dǎo)致紅外圖像質(zhì)量進(jìn)一步下降。在進(jìn)行紅外圖像處理之前，首先需要進(jìn)行探測器壞元自動替換和像元單點(diǎn)／兩點(diǎn)非均勻性校正來提高圖像質(zhì)量。其次，為提高圖像信噪比，采用圖像濾波技術(shù)，濾除隨機(jī)噪聲，同時也可保留圖像細(xì)節(jié)。一個優(yōu)秀的紅外識別系統(tǒng)，是系統(tǒng)硬件和軟件算法優(yōu)化組合的產(chǎn)物，優(yōu)化的軟件算法可以最大程度地發(fā)揮系統(tǒng)硬件的能力［10］。

［1］李俊山，楊威，張雄美.紅外圖像處理、分析與融合［M］.北京：科學(xué)出版社，2009.

［2］劉文哲.光學(xué)相關(guān)紅外目標(biāo)識別算法研究［J］.儀器儀表學(xué)報，2011，32（4）：850-855.

［3］劉洋.基于紅外熱成像多人體識別的智能監(jiān)控系統(tǒng)［J］.PLC＆FA，2011（5）：73-75.

［4］郭永彩，胡瑞光，高潮.基于圖像運(yùn)動區(qū)域的紅外多行人跟蹤［J］.激光與紅外，2009，39（8）：891-894.

［5］陳方涵.基于多小波變換的紅外目標(biāo)探測與識別［J］.光子學(xué)報，2011，40（2）：295-298.

［6］楊建國.小波分析及其工程應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2005.

［7］程正興.小波分析算法與應(yīng)用［M］.西安：西安交通大學(xué)出版社，1998.

［8］唐琳，蔡德榮，黃猛.一種基于遺傳算法的圖像分割算法［J］.計算機(jī)與數(shù)字工程，2008，36（7）.

［9］王學(xué)偉，李珂，王世立.紅外成像系統(tǒng)建模仿真方法研究［J］.計算機(jī)與數(shù)字工程，2012，40（6）.

［10］鐘華.多小波理論及其在邊緣檢測方面的應(yīng)用［J］.南昌：江西師范大學(xué)，2005.