王 超，紀(jì) 明，王嬌穎，姜文濤，解 靜，李 濤，高 雅

（西安應(yīng)用光學(xué)研究所，陜西 西安710065）

引言

目前光電武器系統(tǒng)精確打擊制導(dǎo)模式一次只能照射、制導(dǎo)攻擊一個(gè)目標(biāo)，制約了武器系統(tǒng)的打擊效率。為使武器系統(tǒng)具備同時(shí)對(duì)多個(gè)目標(biāo)進(jìn)行精確打擊的能力，多目標(biāo)光電系統(tǒng)可采用多目標(biāo)視頻跟蹤器（以下簡(jiǎn)稱(chēng)AVT）輔助激光照射器、伺服穩(wěn)定平臺(tái)實(shí)現(xiàn)多個(gè)潛在目標(biāo)同時(shí)捕獲跟蹤并打擊。其原理如圖1所示。

圖1 系統(tǒng)工作原理示意圖Fig.1 Schematic diagram of system operation

AVT是多目標(biāo)光電系統(tǒng)中的重要組成部分，也是多目標(biāo)檢測(cè)與跟蹤算法的運(yùn)行載體。多目標(biāo)檢測(cè)與跟蹤的正確性和精度直接決定了伺服穩(wěn)定機(jī)構(gòu)能否實(shí)現(xiàn)穩(wěn)定閉環(huán)。在復(fù)雜背景環(huán)境下，AVT能夠?qū)崟r(shí)解算目標(biāo)的方位、俯仰角偏差，依據(jù)AVT輸出的主、副目標(biāo)角偏差，由伺服系統(tǒng)控制多路激光指示，實(shí)現(xiàn)主、副瞄準(zhǔn)線對(duì)多個(gè)目標(biāo)的精確照射。

在復(fù)雜背景下，多目標(biāo)的可靠檢測(cè)提取穩(wěn)定跟蹤是實(shí)現(xiàn)多目標(biāo)光電指示的前提。目標(biāo)檢測(cè)的高檢測(cè)率和低虛警率是實(shí)現(xiàn)復(fù)雜環(huán)境下多目標(biāo)實(shí)時(shí)視頻跟蹤的技術(shù)難題，現(xiàn)有算法多為靜止背景下多目標(biāo)檢測(cè)，最為常用的背景差分法，分為非參數(shù)核密度估計(jì)背景建模方法［1］和參數(shù)核密度估計(jì)背景建模方法［2］，無(wú)法適用于軍用光電導(dǎo)引運(yùn)動(dòng)背景下的多目標(biāo)跟蹤［3－5］；基于運(yùn)動(dòng)背景下的多目標(biāo)跟蹤可分為兩步：首先對(duì)圖像實(shí)施圖像配準(zhǔn)背景穩(wěn)定［6－7］；補(bǔ)償背景運(yùn)動(dòng)后再采用幀 差分法［8］實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)。背景運(yùn)動(dòng)補(bǔ)償即采用圖像處理算法手段計(jì)算攝像機(jī)掃描運(yùn)動(dòng)量，排除圖像中目標(biāo)相對(duì)運(yùn)動(dòng)，估計(jì)背景的主動(dòng)運(yùn)動(dòng)。現(xiàn)有算法主要包括傳統(tǒng)的基于塊匹配［9］、灰度投影匹配等方法，該類(lèi)方法計(jì)算相對(duì)簡(jiǎn)單實(shí)時(shí)性好，但只能針對(duì)圖像平移補(bǔ)償，無(wú)法獲取攝像機(jī)的小幅旋轉(zhuǎn)運(yùn)動(dòng)矢量；目前在圖像處理各領(lǐng)域廣泛應(yīng)用的基于特征點(diǎn)提取的背景配準(zhǔn)方法，通過(guò)提取圖像中SIFT特征點(diǎn)［9－10］和 Harris角點(diǎn)［11］等特征并匹配估計(jì)背景運(yùn)動(dòng)矢量，適用性廣、匹配精度高，但算法復(fù)雜，無(wú)法滿足嵌入式系統(tǒng)實(shí)時(shí)處理的要求；基于高斯金字塔的Lucas－Kanade光流（簡(jiǎn)稱(chēng)LK光流）［12］估計(jì)背景運(yùn)動(dòng)矢量，通過(guò)金字塔策略可顯著降低算法運(yùn)算量。

本文中提出基于小波金字塔的LK光流估計(jì)算法，利用小波變換具有變焦性、信息保持性和小波基選擇的靈活性等優(yōu)點(diǎn)，相比高斯金字塔，小波金字塔能夠?yàn)V除圖像高頻邊緣部分對(duì)圖像差分引起的虛警干擾，利用DSP基于小波分解的高性能優(yōu)化具有更好的嵌入式運(yùn)行實(shí)時(shí)性。在保證穩(wěn)定精度的前提下，實(shí)現(xiàn)基于DSP的實(shí)時(shí)處理。選取輸入圖像第0幀為參考幀，后續(xù)第K幀為檢測(cè)幀，將檢測(cè)幀與參考幀配準(zhǔn)并補(bǔ)償，補(bǔ)償后的檢測(cè)幀與參考幀圖像求取差分圖以備下一步運(yùn)動(dòng)檢測(cè)。

1 多目標(biāo)檢測(cè)算法

1.1 背景運(yùn)動(dòng)補(bǔ)償

采用離散小波變換進(jìn)行圖像分解，一般采用Mallat二進(jìn)小波變換，二維Mallat算法圖像分解快速算法由Mallta塔式分解實(shí)現(xiàn)。假設(shè)s0為待分解圖像，h和g分別為小波函數(shù)高通和低通濾波器系數(shù)，并且對(duì)不同尺度下均恒定，于是小波變換快速分解表示如下：

對(duì)圖像L層小波分解后的低頻分量尺寸是原圖的1／2L，多級(jí)低頻圖像形成小波金字塔，基于小波金字塔采用基于LK光流算法迭代計(jì)算背景運(yùn)動(dòng)矢量。在圖像金字塔的最高層計(jì)算光流，用得到的運(yùn)動(dòng)估計(jì)結(jié)果作為下一層金字塔的起始點(diǎn)，重復(fù)這個(gè)過(guò)程直到到達(dá)金字塔的最底層。對(duì)每層圖像LK光流計(jì)算如下：

設(shè)f（x，y，t）是圖像點(diǎn)（x，y）在時(shí)刻t的灰度，u（x，y）和v（x，y）是該點(diǎn)光流的x和y 分量。根據(jù)灰度恒定的假設(shè)，取特征像素3×3鄰域利用光流技術(shù)計(jì)算，速度［u v］計(jì)算如下：

其中，

根據(jù)運(yùn)動(dòng)矢量變換金字塔最底層即檢測(cè)幀圖像得到配準(zhǔn)幀圖像。為在DSP中實(shí)時(shí)優(yōu)化處理，建立小波變換金字塔通過(guò)圖像庫(kù)函數(shù)IMG＿wave＿h(yuǎn)orz和IMG＿wave＿vert實(shí)現(xiàn)。

1.2 幀間運(yùn)動(dòng)目標(biāo)檢測(cè)

對(duì)于所獲取的參考圖像f（x，y，ti）和配準(zhǔn)圖像f（x，y，tj），選擇合適閾值Tg獲取二值化灰度差分圖像，閾值可以選取某個(gè)固定值，更優(yōu)方案可采用AcadiaTM提出的公式［13］自適應(yīng)計(jì)算，不同于一般的閾值采用幀間平均絕對(duì)差，而用梯度作為控制因子，當(dāng)圖像對(duì)比度較高時(shí)避免閾值過(guò)大遺漏較弱目標(biāo)，而圖像對(duì)比度較低時(shí)避免閾值過(guò)小引入過(guò)多干擾信息，從而取得最優(yōu)閾值。

其中：Δf（x，y，ti）為當(dāng)前圖像的梯度；G 為梯度附加項(xiàng)，用以避免分母無(wú)意義。

由于噪聲、光照變化等因素，必須進(jìn)一步濾波排除雜散點(diǎn)提取出目標(biāo)的精確位置。采用區(qū)域生長(zhǎng)算法在差分圖像中提取運(yùn)動(dòng)目標(biāo)片。區(qū)域生長(zhǎng)是一種經(jīng)典的串行圖像分割算法，為提高其計(jì)算實(shí)時(shí)性，在DSP實(shí)現(xiàn)中，可在二值化圖像中亞采樣尋找種子點(diǎn)，再采用與運(yùn)算將值為“1”的種子點(diǎn)連通，從而尋找出整幅圖像中最大的連通區(qū)域即為潛在的目標(biāo)。最后，采用管道濾波［14］，將潛在目標(biāo)位置作為管道輸入，濾波得到檢測(cè)目標(biāo)的最終位置。

總的算法流程圖如下：

圖2 算法流程圖Fig.2 Flow chart of algorithm

2 效果及結(jié)論

依本文多目標(biāo)檢測(cè)方法，基于TMS320C6455 DSP的AVT平臺(tái)中運(yùn)行，前端攝像機(jī)為分辨率1 920像素×1 080像素幀率30Hz高清CCD數(shù)字?jǐn)z像機(jī)，數(shù)字圖像經(jīng)FPGA解碼后輸入DSP中實(shí)施多目標(biāo)跟蹤算法，并在圖像中以跟蹤波門(mén)標(biāo)記檢測(cè)結(jié)果目標(biāo)，最終輸出至高清監(jiān)視器中實(shí)時(shí)顯示。

噪聲低、干擾小的二值化差分圖像的準(zhǔn)確提取是實(shí)現(xiàn)最終目標(biāo)檢測(cè)的前提和重要保證，采用Daubechies D4作為小波基生成圖像金字塔，對(duì)各級(jí)金字塔計(jì)算LK光流估計(jì)迭代得到的差分圖像比傳統(tǒng)基于塊匹配、基于灰度投影法配準(zhǔn)精度顯著提高；與基于SIFT特征提取的配準(zhǔn)算法精度相近，而運(yùn)算速度提高數(shù)十倍，保證了嵌入式系統(tǒng)運(yùn)行的實(shí)時(shí)性；與基于高斯金子塔分解的LK光流算法相比，一般高斯濾波采用5×5窗口在全圖內(nèi)滑窗濾波，而小波變換采用小波基分別在水平和垂直方向小波分解，利用DSP小波分解加速庫(kù)函數(shù)IMG＿wave＿h(yuǎn)orz和IMG＿wave＿vert，可以顯著提高算法計(jì)算效率，從而在檢測(cè)性能和計(jì)算時(shí)間方面有一定優(yōu)勢(shì)。

圖3分別采用圖（a）塊匹配、圖（b）灰度投影、圖（c）SIFT、圖（d）高斯、圖（e）本文方法是對(duì)路拍車(chē)輛行人圖像連續(xù)2幀計(jì)算差分圖像。

圖3 二值化差分圖像比較Fig.3 Comparison among binary difference images

從圖中可以看出，塊匹配法和灰度投影法配準(zhǔn)只能針對(duì)配準(zhǔn)XY方向平移量，因此對(duì)于手持拍攝圖像難免存在的小幅旋轉(zhuǎn)無(wú)法補(bǔ)償，導(dǎo)致差分圖像噪聲虛警較大，而SIFT、高斯和本文算法均具有良好的差分效果，易于后續(xù)目標(biāo)提取算法處理。

在差分圖像中采用區(qū)域生長(zhǎng)及管道濾波算法，可得到最終多目標(biāo)提取圖像。對(duì)路拍車(chē)輛及行人檢測(cè)效果如圖4、圖5所示。

圖4 地面目標(biāo)車(chē)輛跟蹤效果圖Fig.4 Tracking effect of ground car

圖5 地面目標(biāo)行人跟蹤效果圖Fig.5 Tracking effect of ground passenger

從圖中可以定性地看出，本文算法在復(fù)雜地面場(chǎng)景對(duì)汽車(chē)、自行車(chē)及行人均具有良好的檢測(cè)跟蹤效果。對(duì)地面目標(biāo)行人連續(xù)幀視頻逐幀檢測(cè)不同算法正確目標(biāo)數(shù)曲線如圖6所示，對(duì)于連續(xù)1 000幀視頻，每隔20幀標(biāo)記一次目標(biāo)數(shù)在matlab中繪制并比較檢測(cè)效果。

圖6 不同算法目標(biāo)數(shù)量檢測(cè)對(duì)比圖Fig.6 Target number comparison among different algorithms

基于SIFT算法、本文算法與真實(shí)目標(biāo)數(shù)均非常接近，多數(shù)場(chǎng)景下能夠準(zhǔn)確檢測(cè)到目標(biāo)數(shù)量，而塊匹配和灰度投影法均存在目標(biāo)遺漏?？梢圆捎脵z出率和虛警率衡量目標(biāo)檢測(cè)性能：

不同算法檢出率、虛警率與計(jì)算時(shí)間比較如表1所示。

表1 算法性能比較表Table 1 Algorithm comparison

從上述綜合比較結(jié)果可以看出，在地面行人檢測(cè)保證較高的檢出率下，本文算法具有較低虛警率，算法復(fù)雜度適中，能夠在基于C6455DSP的嵌入式平臺(tái)中實(shí)時(shí)顯示處理，為光電制導(dǎo)激光導(dǎo)引提供精確的目標(biāo)方位信息，輔助導(dǎo)彈實(shí)施攻擊。

［1］ Elgammal A，Duraiswami R，Harwood K，et al.Background and foreground modeling using nonparametric kernel density estimation for visual surveillance［J］.Proceedings of the IEEE，2002，90（7）：1151－1163.

［2］ Ning J，Zhang L，Zhang D，et al.Scale and orientation adaptive mean shift tracking［J］.IET Computer Vision，2012，6（1）：52－61.

［3］ Mei X，Ling H.Robust visual tracking and vehicle classification via sparse representation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（11）：2259－2272.

［4］ Tang M，Peng X.Robust tracking with discriminative ranking lists［J］.IEEE Transactions on Image Processing，2012，21（7）：3273－3281.

［5］ Michaels Elad，Mariol A T，F(xiàn)igueiredo，et al.On the role of sparse and redundant representations in image processing［J］.Proceedings of the IEEE，2010，98（6）：972－982.

［6］ Kalal Z，Mikolajczyk K，Matas J.Tracking－learningdetection［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，2012，34（7）：1409－1422.

［7］ Kristan M，Stanislav K，Leonardis A.A two－stage dynamic model for visual tracking［J］.IEEE Transactions on Systems，Man，and Cybernetics－Part B：Cybernetics，2010，40（9）：1505－1519.

［8］ Mustafa O，Michael C，Vincent L，et al.Fast keypoint recognition using random ferns［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，2010，32（3）：448－461.

［9］ Goshtasby A，Gage S H，Bartholic J F.A two－stage cross－correlation approach to template matching［J］.IEEE Trans Pattern Analysis and Machine Intelligence，1984，6（3）：374－378.

［10］David G L.Distinctive image features from scale－invariant key points［J］.International Journal of Computer Vision，2004，60（2）：91－110.

［11］Juan L，Gwun O.A comparison of SIFT，PCASIFT and SURF［J］.International Journal of Image Processing，2009，3（4）：143－152.

［12］Mehrotra R，Nichani S，Ranganathan N.Corner detection［J］.Pattern Recognition，1990，23（11）：1223－1233.

［13］Felzenszwalb P，Girshick R，McAllester D，et al.Object detection with discriminatively trained partbased models［J］.IEEE Trans.PAMI，2010，32（9）：1627－1645.

［14］Wang Chao，Ji Ming，Li Huajie，et al.IR image air defense missile searching and tracking algorithm based on DSP［J］.Journal of Applied Optics，2013，34（5）：723－727.王超，紀(jì)明，李華杰，等.一種基于DSP的紅外圖像防空導(dǎo)彈檢測(cè)與跟蹤方法［J］.應(yīng)用光學(xué)，2013，34（5）：723－727.