郭張婷

（西安導(dǎo)航技術(shù)研究所，陜西 西安 710062）

0 引言

目前，紅外成像系統(tǒng)的被動(dòng)工作方面的明顯優(yōu)勢(shì)已使其成為現(xiàn)代制導(dǎo)系統(tǒng)中的一項(xiàng)實(shí)用關(guān)鍵技術(shù)[1]。近年來，復(fù)雜背景下的紅外目標(biāo)探測(cè)與跟蹤技術(shù)在軍事、民事領(lǐng)域均獲得了廣泛應(yīng)用，國(guó)內(nèi)外專家學(xué)者對(duì)基于貝葉斯理論的各種算法也表現(xiàn)出了很高的熱情，越來越多的研究人員將這類算法與現(xiàn)有的檢測(cè)跟蹤算法結(jié)合，以此提升跟蹤的精度和準(zhǔn)度。

1 KF算法

卡爾曼濾波是最佳線性濾波的一種，具體來說屬于線性最優(yōu)均方誤差估計(jì)濾波器，并被廣泛應(yīng)用于導(dǎo)航、控制、傳感器、數(shù)據(jù)融合、雷達(dá)系統(tǒng)等軍事和民事領(lǐng)域?？柭鼮V波理論是在克服了維納濾波使用大量過去的數(shù)據(jù)，無法滿足實(shí)時(shí)處理要求的基礎(chǔ)上提出的一種合理有效的最優(yōu)化自回歸數(shù)據(jù)處理算法[2]。卡爾曼濾波（KF）對(duì)其需要求解的系統(tǒng)有如下要求：線性系統(tǒng)、高斯噪聲、高斯分布的概率密度函數(shù)[3]。

上式為系統(tǒng)的狀態(tài)方程，其中x（k）（N×1）為k時(shí)刻系統(tǒng)的狀態(tài)向量，F(xiàn)（N×N）為狀態(tài)轉(zhuǎn)移矩陣，描述動(dòng)態(tài)系統(tǒng)k-1時(shí)刻到k時(shí)刻狀態(tài)的轉(zhuǎn)移，v1（k）（N×1）為過程噪聲。 公式（2）為系統(tǒng)的觀測(cè)方程，其中為 k時(shí)刻系統(tǒng)的觀測(cè)向量，H（M×N）為觀測(cè)矩陣向量,v2（k）（M×1）為觀測(cè)噪聲向量。同時(shí)，v1（k）和v2（k）分別為相互獨(dú)立的正態(tài)高斯白噪聲，預(yù)測(cè)和更新公式如下：

從上式中可以看出，卡爾曼濾波器的狀態(tài)控制是通過遞推和反饋實(shí)現(xiàn)的，不斷的預(yù)測(cè)和更新，最終獲得最優(yōu)的線性濾波估計(jì)?？柭鼮V波器（KF）是基于高斯分布的狀態(tài)預(yù)測(cè)方法，能夠?qū)崿F(xiàn)最優(yōu)的線性濾波估計(jì)。

3 分類背景預(yù)測(cè)

原始的紅外視頻圖像經(jīng)過邊緣檢測(cè)得到邊緣圖像、非邊緣圖像：邊緣圖像通過局部最相似算法獲得邊緣背景[4]，非邊緣圖像通過四方向的最大均值濾波獲得靜態(tài)背景[5]，預(yù)測(cè)背景由靜態(tài)背景和邊緣背景融合而成。該算法還包括一個(gè)預(yù)處理過程：全局搜索﹑圖像分塊和邊緣檢測(cè)三個(gè)部分，流程圖1所示。

4 算法實(shí)現(xiàn)

在紅外目標(biāo)識(shí)別中，30像素值以下的目標(biāo)統(tǒng)稱為小目標(biāo)[6]。無論目標(biāo)的大小，由于紅外熱成像原理的特殊性，紅外目標(biāo)通常表現(xiàn)為本身紅外熱輻射強(qiáng)度較高且為灰度的奇異點(diǎn)。它們與周圍背景部分的相關(guān)性較弱，在實(shí)際的監(jiān)測(cè)跟蹤過程中容易跟丟[7]。本文在分類背景預(yù)測(cè)算法的基礎(chǔ)上利用卡爾曼算法實(shí)時(shí)預(yù)測(cè)更新，最終獲得較為優(yōu)異的跟蹤效果：將第k-1幀的估計(jì)結(jié)果代入預(yù)測(cè)公式，獲得第k幀的預(yù)測(cè)結(jié)果；以為中心點(diǎn)設(shè)置跟蹤子框，具體尺寸由實(shí)際目標(biāo)尺寸決定；在子框中進(jìn)行分類背景預(yù)測(cè)，預(yù)測(cè)結(jié)果記為第k幀的觀測(cè)值Zk；將第k幀的預(yù)測(cè)值和觀測(cè)值代入估計(jì)公式，獲得第k幀的估計(jì)結(jié)果。

圖1 背景預(yù)測(cè)流程圖

5 實(shí)驗(yàn)仿真

5.1 場(chǎng)景設(shè)置

為了更好的驗(yàn)證算法性能，將本算法運(yùn)用到實(shí)際采集的紅外目標(biāo)圖像序列中，紅外視頻序列的采集均使用武漢高德的紅外熱像儀（TP8），IRV格式輸出。紅外序列每幀圖像的大小為288×348像素，圖像序列分別為復(fù)雜背景遮擋環(huán)境和行人環(huán)境。

5.2 仿真及結(jié)果分析

復(fù)雜背景且遮擋環(huán)境下紅外目標(biāo)圖像序列的結(jié)果如圖2所示，其中紅色方形跟蹤框?yàn)榭柭A(yù)測(cè)子框，紅點(diǎn)為估計(jì)位置。此處給出了紅外視頻序列中第15幀、55幀、85幀、105幀、205幀、305幀的跟蹤結(jié)果。從序列Ⅰ的處理結(jié)果可以看出：目標(biāo)在第1到105幀的運(yùn)動(dòng)過程中受到了障礙物的遮擋，從105幀開始目標(biāo)遠(yuǎn)離障礙物。本算法跟蹤結(jié)果基本克服了遮擋問題，跟蹤位置較為準(zhǔn)確。

圖2 復(fù)雜背景遮擋環(huán)境序列跟蹤結(jié)果

行人環(huán)境下的紅外圖像序列的跟蹤結(jié)果如圖3所示：其中紅色跟蹤框?yàn)榈目柭A(yù)測(cè)子框，紅點(diǎn)為估計(jì)位置。從序列Ⅱ的處理結(jié)果可以看出在非小目標(biāo)環(huán)境中，跟蹤框的位置始終保持在目標(biāo)頭部附近，且沒有跟丟的情況出現(xiàn)，算法均獲得了較好的跟蹤效果。

圖3 行人背景序列跟蹤結(jié)果

6 結(jié)論

本文基于貝葉斯的跟蹤思想，將卡爾曼預(yù)測(cè)估計(jì)與分類背景預(yù)測(cè)的檢測(cè)思想相融合，獲得一種目標(biāo)跟蹤算法：子框局部搜索跟蹤算法。實(shí)驗(yàn)表明，本算法能夠應(yīng)對(duì)復(fù)雜及遮擋背景的跟蹤環(huán)境，更適合于實(shí)際運(yùn)用中，背景信息不明確、環(huán)境狀況無法確定的紅外目標(biāo)跟蹤場(chǎng)合。

［1］汪震,喬延利,洪津,王峰,李文濤.利用熱紅外偏振成像技術(shù)識(shí)別偽裝目標(biāo)[J].紅外與激光工程,2007,36(6):854-855.

［2］張迎春,李璟璟,吳麗娜,李化義.模糊自適應(yīng)無跡卡爾曼濾波方法用于天文導(dǎo)航[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2012,44(1):13-15.

［3］朱斌,樊祥,馬東輝.一種改進(jìn)的自適應(yīng)背景預(yù)測(cè)紅外弱小目標(biāo)檢測(cè)算法[J].激光與紅外,2007,37(7):683-686.

［4］郭張婷,辛云宏.基于分類背景預(yù)測(cè)與圖像分塊技術(shù)的紅外小目標(biāo)檢測(cè)算法[J].激光與紅外,2012,42(5):572-578.

［5］徐軍.紅外圖像中弱小目標(biāo)檢測(cè)技術(shù)研究[D].西安電子科技大學(xué),2003:32-37.

［6］Xin Wang,Zhenmin Tang.Modified particle filter-based infrared pedestrian tracking[J].Infrared Physics&Technology,2010,10(3):122-124.

［7］Zhaoxia Fu,Yan Han.Centroid weighted Kalman filter for visual object tracking[J].Measurement,2012,5(4):650-655.