蘇娟，楊羅，張陽陽

(1.第二炮兵工程大學(xué)907 教研室，陜西 西安710025;2.96427 部隊 氣象室，陜西 寶雞721006)

0 引言

紅外成像制導(dǎo)因其具有靈敏度高、隱蔽性好、全天時工作等優(yōu)良特性，成為目前精確制導(dǎo)技術(shù)的發(fā)展主流和研究熱點(diǎn)。模板匹配是紅外末制導(dǎo)尋的階段常用的自動目標(biāo)識別方法，通過對基準(zhǔn)圖和實(shí)時圖進(jìn)行匹配實(shí)現(xiàn)目標(biāo)的識別定位［1］?；鶞?zhǔn)圖是根據(jù)目標(biāo)高程、下視可見光圖像、成像視角和距離、目標(biāo)紅外特性等信息制作而成的，與紅外導(dǎo)引頭獲取的實(shí)時圖存在較大的灰度差異、視角差異和尺度差異，傳統(tǒng)的外觀特征(如灰度和紋理等)不能發(fā)揮明顯的優(yōu)勢，而在異源圖像匹配中得到了廣泛應(yīng)用的輪廓特征［2-5］，由于具有較好的鑒別性和魯棒性，在基準(zhǔn)圖與實(shí)時圖的匹配中作用明顯。通過提取基準(zhǔn)圖與實(shí)時圖中的輪廓特征，在實(shí)時圖中尋找基準(zhǔn)圖輪廓對應(yīng)的最佳匹配區(qū)，可以實(shí)現(xiàn)目標(biāo)的匹配識別。然而，在紅外成像制導(dǎo)中，當(dāng)目標(biāo)處在復(fù)雜背景中時，背景區(qū)域的邊緣線條通常會給輪廓匹配帶來較大干擾，并且，目標(biāo)遮擋、紅外干擾和成像質(zhì)量等因素可能導(dǎo)致目標(biāo)的重要輪廓難以被完整地檢測出來，出現(xiàn)輪廓片段缺失現(xiàn)象。上述復(fù)雜背景干擾和目標(biāo)輪廓片段缺失的情況使得基準(zhǔn)圖與實(shí)時圖的輪廓差異擴(kuò)大，相應(yīng)增加了輪廓匹配的難度。

在形狀輪廓匹配方面，文獻(xiàn)［6］根據(jù)基準(zhǔn)圖的尺度和形狀信息對實(shí)時圖進(jìn)行目標(biāo)重構(gòu)處理，提取邊緣線條進(jìn)行匹配，融合輪廓匹配和區(qū)域?qū)Ρ榷冗M(jìn)行目標(biāo)的識別，該方法需要根據(jù)彈目距離制備尺度精確的基準(zhǔn)圖，要求基準(zhǔn)圖與實(shí)時圖的尺度差異較小。文獻(xiàn)［7］提出一種不等分坐標(biāo)空間，提取目標(biāo)區(qū)域的模糊形狀特征，采用形狀上下文和全局特征加權(quán)度量，實(shí)現(xiàn)了形狀特征差異較大時的紅外與可見光圖像匹配。文獻(xiàn)［8］將模板的輪廓片段分組成片段組合，采用投票的方法衡量模板片段組合與圖像中邊緣片段集合的相似性，產(chǎn)生候選的邊緣片段組合，最后通過邊緣片段組合與輪廓模板之間的全局相似性來尋找目標(biāo)位置，該方法要求輪廓模板包含足夠多種類型的形變。文獻(xiàn)［9］利用輪廓片段的分布情況形成描述子，從而實(shí)現(xiàn)目標(biāo)檢測，該方法需要通過邊緣連接使得輪廓的各部分構(gòu)成一個網(wǎng)絡(luò)。文獻(xiàn)［10］根據(jù)訓(xùn)練集得到具有多尺度特性的目標(biāo)形狀片段模型，然后通過計算形狀片段間的相似性選取出候選片段，并結(jié)合具有全局約束的Hough 變換實(shí)現(xiàn)目標(biāo)檢測，該方法計算復(fù)雜，受噪聲的影響較大。

針對紅外成像制導(dǎo)特定的應(yīng)用背景，本文提出一種基于輪廓片段匹配和圖搜索的目標(biāo)識別方法，利用輪廓分段進(jìn)行形狀匹配。在對基準(zhǔn)圖和實(shí)時圖進(jìn)行輪廓提取與分段的基礎(chǔ)上，利用片段的位置和朝向信息計算得到片段匹配矩陣，然后構(gòu)建匹配圖并采用圖搜索方法尋找與基準(zhǔn)圖輪廓最相似的片段組合，最后采用距離變換計算全局相似性測度，確定目標(biāo)的匹配位置。

1 算法

本文算法流程如圖1所示，主要包括4 部分內(nèi)容:輪廓分段與描述、計算片段匹配矩陣、匹配圖構(gòu)建與圖搜索、全局相似性度量。

1.1 輪廓分段與描述

首先對基準(zhǔn)圖和實(shí)時圖分別進(jìn)行輪廓特征提取與分段處理。邊緣是基于輪廓的形狀描述中所使用的基本特征，前視紅外(FLIR)目標(biāo)識別中所處理的目標(biāo)大部分為具有穩(wěn)定結(jié)構(gòu)形式的人造目標(biāo)，因此本文首先提取圖像的結(jié)構(gòu)特征邊緣作為輪廓特征，然后提取邊緣中的角點(diǎn)，并據(jù)此對邊緣進(jìn)行分段處理。具體步驟如下:

1)提取圖像的Canny 邊緣，并采用基于局部處理的邊緣點(diǎn)連接方法提取邊緣線段;

2)通過計算邊緣線段上每個點(diǎn)的曲率，提取出具有穩(wěn)定曲率的邊緣線段，如直線、弧線、圓等;

3)基于曲率尺度空間提取角點(diǎn)，如果有角點(diǎn)位于邊緣線段中，則將該線段在角點(diǎn)處斷開;

4)對得到的每條邊緣片段進(jìn)行標(biāo)記，記錄片段上的像素坐標(biāo)，用于后續(xù)處理。

如圖2所示給出了一個邊緣輪廓片段提取實(shí)例。可見，在提取得到的邊緣輪廓片段圖中，大部分細(xì)小雜亂的邊緣被濾除，能夠基本反映目標(biāo)的輪廓信息和幾何結(jié)構(gòu)。

圖2 輪廓片段提取Fig.2 Contour fragment extraction

成像質(zhì)量、遮擋或背景干擾等因素通常會使紅外實(shí)時圖中目標(biāo)輪廓受到影響，出現(xiàn)某條片段整體缺失或部分缺失的現(xiàn)象。與片段的長度特征相比，片段的方位和朝向特征能更魯棒地描述片段的屬性，因此本文利用片段的方位和朝向進(jìn)行片段匹配。片段的方位特征提取方法為:首先計算片段的斜率，將其與閾值1(代表斜率為45°的片段)進(jìn)行比較，斜率大于1 的片段被認(rèn)為是垂直朝向，反之被認(rèn)為是水平朝向。在FLIR 目標(biāo)識別中，以典型建筑物為代表的矩形目標(biāo)均適用于這種片段區(qū)分方法，以圖3(a)為例進(jìn)行介紹。按照以上規(guī)則，基準(zhǔn)圖輪廓中有兩條水平朝向和兩條垂直朝向的片段，然后根據(jù)每條片段的質(zhì)心相對于圖像中心的方位，可給基準(zhǔn)圖輪廓的片段分別賦以label 進(jìn)行方位標(biāo)記，其中l(wèi)abel=1(left)，2(down)，3(right)，4(up)，分別代表左、下、右、上等粗略方位。圖3(b)中12 表示左邊第2 條片段，22 表示下邊第2 條片段，以此類推。片段的朝向特征用片段的角度表示，設(shè)某條片段的斜率為k，則其朝向特征為角度θ=arctan|k|.

1.2 計算片段匹配矩陣

圖3 片段描述示意圖Fig.3 Illustration of fragment description

經(jīng)過輪廓提取與分段處理后，采用遍歷的方法對基準(zhǔn)圖和實(shí)時圖進(jìn)行模板匹配。在某個匹配位置，基準(zhǔn)圖和實(shí)時圖的相應(yīng)區(qū)域分別有m 條和n 條輪廓片段，每條片段均有方位和朝向兩個特征?；鶞?zhǔn)圖輪廓片段bi(i=1，2，…，m)和實(shí)時圖輪廓片段rj(j=1，2，…，n)的方位特征分別為labelbi和labelrj，其匹配通過邏輯運(yùn)算實(shí)現(xiàn)。朝向特征分別為θbi和θrj，其匹配通過計算朝向特征的余弦值實(shí)現(xiàn)，即以朝向特征匹配值pi=cos(θbi-θrj)作為片段間的相似性測度。根據(jù)以下準(zhǔn)則計算片段匹配矩陣:

1)實(shí)時圖片段與基準(zhǔn)圖片段的方位特征label必須相等;

2)實(shí)時圖片段與基準(zhǔn)圖片段的質(zhì)心間距離dij應(yīng)滿足dij≤r;

3)朝向特征匹配值應(yīng)滿足pi＞thresh，即兩片段的夾角小于arccos(thresh).

矩陣元素pji表示第i 條基準(zhǔn)圖片段bi與第j 條實(shí)時圖片段rj的相似性測度。通過方位和朝向匹配后，如果基準(zhǔn)圖有兩條或兩條以上的片段存在對應(yīng)的實(shí)時圖匹配片段，則該次匹配有效，可進(jìn)行后續(xù)操作。

表1 片段匹配矩陣Tab.1 Fragment matching matrix

1.3 匹配圖構(gòu)建與圖搜索

對片段匹配矩陣按由大到小排序，選取每條基準(zhǔn)圖片段對應(yīng)的前3 條實(shí)時圖匹配片段作為節(jié)點(diǎn)構(gòu)建匹配圖，該圖中每層節(jié)點(diǎn)對應(yīng)1 條基準(zhǔn)圖輪廓片段，如圖4所示。圖4(c)中節(jié)點(diǎn)n41、n42、n43與基準(zhǔn)圖片段4 相對應(yīng)，分別代表候選的實(shí)時圖片段41、片段42 和片段44. 匹配圖中灰色節(jié)點(diǎn)為有效節(jié)點(diǎn)，從第1 層節(jié)點(diǎn)出發(fā)到第4 層節(jié)點(diǎn)，存在多條路徑，每條路徑代表了一種可能的輪廓片段組合。

在此基礎(chǔ)上，本文根據(jù)基準(zhǔn)圖輪廓相鄰片段的空間位置關(guān)系定義匹配圖相鄰層節(jié)點(diǎn)間的匹配代價，如圖5所示。圖5(a)中，連接片段1 和片段2的質(zhì)心構(gòu)成向量l12，匹配圖中對應(yīng)的節(jié)點(diǎn)為第1 層n1i和第2 層n2i;圖5(b)中，對應(yīng)于基準(zhǔn)圖片段1 的候選片段為片段11，對應(yīng)于基準(zhǔn)圖片段2 的候選片段為片段21 和片段22. 因此，可連接片段11 和片段21 的質(zhì)心構(gòu)成向量l112，連接片段11 和片段22 的質(zhì)心構(gòu)成向量l212，用兩向量的夾角＜l12，l1i2＞來衡量l12與的相似性，作為節(jié)點(diǎn)n11和n2i的匹配代價。越小，說明向量l12與相似性越大，基準(zhǔn)圖中輪廓片段1 和片段2 的空間關(guān)系在對應(yīng)的實(shí)時圖中保持得越好。本例中夾角＜l12，l212＞最小，即節(jié)點(diǎn)n11和n22間的匹配代價最小。因此，利用相鄰片段之間的空間關(guān)系計算節(jié)點(diǎn)之間的匹配代價，充分利用基準(zhǔn)圖輪廓片段的空間信息，遍歷搜索匹配圖即可得到具有最小匹配代價的路徑;圖5(c)中，粗實(shí)線路徑即為搜索得到的最小匹配代價路徑，實(shí)時圖中對應(yīng)的片段組合(11-22-32-41)即為候選目標(biāo)。

圖4 匹配圖構(gòu)建Fig.4 Matching graph construction

1.4 全局相似性度量

為提高匹配的準(zhǔn)確率，本文在獲取候選片段組合的基礎(chǔ)上，利用目標(biāo)輪廓的全局特征信息，對候選目標(biāo)進(jìn)行進(jìn)一步確認(rèn)。由于所處理的輪廓均為二值圖像，本文采用距離變換匹配值作為全局相似性度量。距離變換是對二值邊緣圖像進(jìn)行的一種運(yùn)算，變換矩陣中各點(diǎn)的值表示該點(diǎn)到距它最近的一個邊緣點(diǎn)的歐氏距離，其計算公式為

式中:E={e}為輪廓片段組合圖像上所有邊緣點(diǎn)的集合;d 為歐氏距離。

圖5 匹配圖搜索Fig.5 Matching graph Searching

如圖6所示給出了一個輪廓片段組合圖像的距離變換結(jié)果，其中邊緣圖像上的白色線條表示邊緣點(diǎn)，在距離變換圖像中，邊緣點(diǎn)的灰度值為0，越暗的點(diǎn)表明和邊緣點(diǎn)的距離越近。

因此，基于距離變換的全局相似性度量為

圖6 輪廓片段組合的距離變換Fig.6 Distance transform of fragment combination

式中:T 為對應(yīng)的基準(zhǔn)圖輪廓片段組合中所有邊緣點(diǎn)的集合;M·N 為基準(zhǔn)圖的尺寸。該測度相當(dāng)于將基準(zhǔn)圖輪廓片段組合作為二維濾波器對實(shí)時圖輪廓片段組合的距離變換矩陣進(jìn)行濾波，并按照基準(zhǔn)圖的尺寸求平均值。對于每個候選的輪廓片段組合，利用(2)式計算全局相似性度量，測度值最小的片段組合即為最終確定的目標(biāo)區(qū)域。

2 仿真實(shí)驗(yàn)與分析

為了考察本文算法對目標(biāo)輪廓片段缺失、復(fù)雜背景干擾和尺度變化明顯等紅外成像制導(dǎo)中常見影響因素的適應(yīng)性，本文采用了兩組有代表性的圖像序列進(jìn)行了仿真實(shí)驗(yàn)。

2.1 輪廓片段缺失

輪廓片段缺失的一個主要原因是目標(biāo)被局部遮擋，這在實(shí)際應(yīng)用中是經(jīng)常出現(xiàn)的。對紅外序列中的目標(biāo)進(jìn)行遮擋處理，采用梯度矢量法［11］、結(jié)構(gòu)張量法［12］和本文算法分別進(jìn)行匹配實(shí)驗(yàn)，考察算法對目標(biāo)部分遮擋的適應(yīng)性，其匹配結(jié)果如圖7所示。

圖7 輪廓片段缺失時的建筑物匹配實(shí)驗(yàn)Fig.7 Matching experiment in case of contour fragment missing

由圖7可見，當(dāng)目標(biāo)被局部遮擋時，目標(biāo)輪廓片段部分缺失，本文算法仍能實(shí)現(xiàn)正確匹配，而另兩種方法匹配錯誤，說明本文算法對目標(biāo)局部遮擋具有一定的適應(yīng)性。梯度矢量算法和結(jié)構(gòu)張量算法是在特征提取的基礎(chǔ)上進(jìn)行的模板匹配，局部遮擋使得目標(biāo)區(qū)域特征發(fā)生較大變化，從而導(dǎo)致匹配失敗。本文算法是針對輪廓片段缺失而設(shè)計的，當(dāng)目標(biāo)被部分遮擋時，只要能檢測出目標(biāo)的部分輪廓片段，通過片段匹配與組合即可克服遮擋的影響。

2.2 復(fù)雜背景干擾

本組實(shí)驗(yàn)序列中，目標(biāo)所處的背景區(qū)域存在大量的干擾邊緣，并且基準(zhǔn)圖與實(shí)時圖中的目標(biāo)存在視角差異。采用梯度矢量法［11］、結(jié)構(gòu)張量法［12］和本文算法分別進(jìn)行匹配實(shí)驗(yàn)，考察算法在復(fù)雜背景干擾情況下的匹配性能，其匹配結(jié)果如圖8所示。

圖8 復(fù)雜背景干擾下的建筑物匹配實(shí)驗(yàn)Fig.8 Matching experiment in case of complicated background interference

由圖8可見，當(dāng)目標(biāo)所處背景干擾較大，且基準(zhǔn)圖與實(shí)時圖存在視角差異時，本文算法均能實(shí)現(xiàn)正確匹配。這是因?yàn)樵撍惴ǜ鶕?jù)片段的方位和朝向進(jìn)行匹配，設(shè)定的閾值能容許一定的角度差異，利用了片段之間的空間關(guān)系進(jìn)行片段組合，局部特征與全局特征的組合提高了特征鑒別能力，因此能克服復(fù)雜背景干擾與視角差異的影響。

2.3 尺度變化明顯

為了考察本文算法對目標(biāo)尺度變化的魯棒性和對序列圖像的適應(yīng)性，采用兩組分別包含150 幀和300 幀的圖像序列進(jìn)行匹配實(shí)驗(yàn)。待匹配目標(biāo)分別為不同場景下的建筑物目標(biāo)(如圖7和圖8所示)，隨著攝像頭與目標(biāo)距離之間的變化，圖像序列由遠(yuǎn)及近，目標(biāo)尺度變化明顯，匹配實(shí)驗(yàn)時均只使用一張基準(zhǔn)圖。將本文算法與模板匹配的兩種常用算法:基于邊緣強(qiáng)度的歸一化積相關(guān)算法(Nprod)和基于Hausdorff 距離的輪廓整體匹配算法進(jìn)行比較，匹配結(jié)果如表2所示。

表2 建筑物序列匹配率Tab.2 Matching ratios for two building sequences

由表2可見，本文算法在這兩組形狀特征較為明顯的圖像序列上，均能取得較好匹配性能。對兩組序列均利用一張基準(zhǔn)圖即可實(shí)現(xiàn)較好匹配，證明了本文算法對目標(biāo)尺度變化的魯棒性。由于基準(zhǔn)圖缺乏側(cè)面紋理信息，造成基準(zhǔn)圖和實(shí)時圖差異較大，因此基于邊緣強(qiáng)度的Nprod 算法的匹配性會受到一定影響;而在實(shí)時邊緣圖中，邊緣信息較為豐富和復(fù)雜，目標(biāo)區(qū)域存在大量邊緣片段，造成基準(zhǔn)圖輪廓與實(shí)時圖輪廓間存在較大差異，使得基于Hausdorff 距離的輪廓整體匹配算法的適應(yīng)性不好。本文算法采用輪廓分段匹配的策略，能有效克服輪廓不完整的情況，不要求實(shí)時邊緣圖中具有封閉、完整的輪廓，在片段匹配的基礎(chǔ)上采用圖搜索方法進(jìn)行片段組合，對復(fù)雜區(qū)域具有較好適應(yīng)性。

從運(yùn)行速度上來看，在Intel Pentium 2.6 GHz 處理器和2 GB 內(nèi)存的硬件配置下，采用VC+ +6.0 編程環(huán)境，本文算法平均運(yùn)行時間約2 幀/s，略高于梯度矢量算法(1.2 幀/s)和結(jié)構(gòu)張量算法(1.45 幀/s)。如果采用硬件加速，處理速度還可進(jìn)一步提高。

3 結(jié)論

針對FLIR 目標(biāo)識別中復(fù)雜背景干擾和目標(biāo)輪廓片段缺失的問題，本文提出了一種基于輪廓片段匹配和圖搜索的目標(biāo)識別方法。該方法對輪廓采用先拆分后組合的思路，充分利用了輪廓片段的局部特征與全局特征。首先將輪廓分段描述與匹配，并構(gòu)建匹配圖，然后根據(jù)基準(zhǔn)圖輪廓片段間的空間關(guān)系進(jìn)行約束，采用圖搜索方法進(jìn)行片段組合，最后采用基于距離變換的全局相似性度量，實(shí)現(xiàn)目標(biāo)的匹配定位。仿真實(shí)驗(yàn)結(jié)果表明，該方法能夠魯棒準(zhǔn)確地識別出復(fù)雜背景中的目標(biāo)，對復(fù)雜背景干擾和輪廓片段缺失具有較好適應(yīng)性，對具有典型形狀特征的目標(biāo)識別具有一定的應(yīng)用前景。

References)

［1］張義廣，丁明躍，周成平. 彈道導(dǎo)彈紅外成像制導(dǎo)的關(guān)鍵技術(shù)［J］. 制導(dǎo)與引信，2004，25(4):11 -14.ZHANG Yi-guang，DING Ming-yue，ZHOU Cheng-ping. Key technology on ballistic missile infrared imaging guidance［J］. Guidance ＆ Fuze，2004，25(4):11 -14. (in Chinese)

［2］Shotton J，Blake A，Cipoll R. Contour-based learning for object detection［C］∥Tenth IEEE International Conference on Computer Vision. Beijing:IEEE，2005:503 -510.

［3］Tan C Q，Chen Y F，Li F X，et al. A new method for content-based image retrieval via subsets of key contours fragments［J］. Advanced Materials Research，2012，532/533:792 -796.

［4］Yang X W，Liu H R，Latecki L J. Contour-based object detection as dominant set computation ［J］. Pattern Recognition，2012，45(5):1927 -1936.

［5］楊效余，張?zhí)煨? 一種基于復(fù)雜地物背景圖像的目標(biāo)識別方法［J］. 系統(tǒng)工程與電子技術(shù)，2011，33(1):13 -16.YANG Xiao-yu，ZHANG Tian-xu. Method of target recognition from images based on complex natural scenes［J］. Systems Engineering and Electronics，2011，33(1):13 -16. (in Chinese)

［6］李志軍，王衛(wèi)華，牛照東，等. 基于模板的低信噪比前視紅外建筑物識別技術(shù)［J］. 信號處理，2012，28(9):1235 -1240.LI Zhi-jun，WANG Wei-hua，NIU Zhao-dong，et al. Method of target recognition from low SNR building FLIR images based on template［J］. Signal Processing，2012，28(9):1235 - 1240. (in Chinese)

［7］曹治國，鄢睿丞，宋拮. 利用模糊形狀上下文關(guān)系的紅外與可見光圖像匹配方法［J］. 紅外與激光工程，2008，37(6):1095 -1100.CAO Zhi-guo，YAN Rui-cheng，SONG Jie. Approach on fuzzy shape context matching between infrared images and visible images［J］. Infrared and Laser Engineering，2008，37(6):1095 -1100.(in Chinese)

［8］Lu C E，Adluru N，Ling H B，et al. Contour based object detection using part bundles［J］. Computer Vision and Image Understanding，2010，114(7):827 -834.

［9］Ferrari V，Tuytelaars T，Van Gool L. Object detection by contour segment networks［C］∥9th European Conference on Computer Vision. Graz，Austria:Springer Berlin Heidelberg，2006:14 -28.

［10］陳國棟，孫立寧，杜志江，等. 一種利用形狀片段的物體檢測方法［J］. 自動化學(xué)報，2011，37(4):427 -439.CHEN Guo-dong，SUN Li-ning，DU Zhi-jiang，et al. Object detection based on shape fragments［J］. Acta Automatica Sinica，2011，37(4):427 -439.(in Chinese)

［11］明德烈，田金文. 紅外前視對一類特殊建筑目標(biāo)識別技術(shù)研究［J］. 宇航學(xué)報，2010，31(4):1190 -1194.MING De-lie，TIAN Jin-wen. Automatic infrared condensing tower target recognition using gradient vector features［J］. Journal of Astronautics，2010，31(4):1190 -1194. (in Chinese)

［12］楊兵，于秋則，劉永才，等. 基于新的加權(quán)互相關(guān)的圖像匹配［J］. 彈箭與制導(dǎo)學(xué)報，2008，28(4):199 -202.YANG Bing，YU Qiu-ze，LIU Yong-cai，et al. Image matching based on new weighted normalized cross correlation［J］. Journal of Projectiles，Rockets，Missiles and Guidance，2008，28(4):199 -202. (in Chinese)