朱洪翔，董　青，張振華

（中國飛行試驗研究院，西安　710089）

融合兩類跟蹤框架優(yōu)點的紅外目標跟蹤算法

朱洪翔，董青，張振華

（中國飛行試驗研究院，西安710089）

基于粒子濾波的算法模型框架，針對紅外的目標成像與背景對比度低、背景復雜等問題，進行提取目標灰度特征，通過對系統(tǒng)概率的密度函數(shù)的采樣集進行了預測和更新，來逼近系統(tǒng)的后驗密度概率，初步確定目標位置，再融合均值漂移算法進行小區(qū)域精確搜索，確定目標位置；同時，通過調整均值漂移的算法和函數(shù)的帶寬，對于紅外目標有阻擋情況下的識別能夠得到有效處理；通過仿真得到該模型具有算法高效、去除粒子的退化，并且對于有遮擋的紅外目標能夠進行實時穩(wěn)定地跟蹤。

粒子濾波；均值漂移；紅外目標跟蹤；抗遮擋

0　引言

在現(xiàn)代紅外制導中，紅外目標的跟蹤技術是其中的一項核心技術［1］，具有探測距離遠、抗干擾強等優(yōu)點，已廣泛應用在武器制導、電子信息對抗等領域。目標跟蹤的算法主要有根據(jù)圖像識別技術的先識別后跟蹤［1］和根據(jù)統(tǒng)計理論的濾波技術進行跟蹤［2］等思想。先識別后追蹤的方法首先對圖像進行識別，提取其局部特點，再用匹配的算法對其進行追蹤，這種算法的實時性好，易于工程實現(xiàn)，但復雜背景下目標跟蹤的魯棒性較差且紅外目標的特征單一，基于優(yōu)化類框架下建立均值的漂移算法模型［3］是近年來的研究熱點。根據(jù)統(tǒng)計學粒子的濾波算法模型［4］的目標跟蹤方法，雖能夠有效解決紅外圖像中非線性以及非高斯的問題，考慮到樣本點數(shù)量的增加，算法復雜程度大大提高，從而在紅外目標被遮擋時不能實時快速的跟蹤目標，造成跟蹤失敗［5］。本文綜合考慮上述兩種模型優(yōu)勢，設計具有粒子濾波功能和帶有均值漂移特點的算法模型。對于紅外條件下跟蹤目標的成像與背景對比度低，紋理和輪廓特征都不明顯的特點，提取目標灰度特征，通過預測和更新來自于系統(tǒng)概率密度函數(shù)，再結合均值漂移模型，在進一步縮小的區(qū)域內(nèi)執(zhí)行再查詢，進而對目標執(zhí)行更準確的跟蹤。此外，均值漂移算法中核函數(shù)的帶寬即是被跟蹤的目標區(qū)域，因此在確保準確跟蹤目標的同時，還可以利用均值漂移算法的自適應帶寬，解決紅外目標跟蹤中目標被遮擋的問題。

1　算法描述

1.1粒子濾波

在狀態(tài)矢量為｛xk，k∈N｝的情況下，系統(tǒng)狀態(tài)模型為：

式中，xk-1是表示狀態(tài)的向量，fk：Rnx×Rnv是其非線性的表達方式，｛uk-1，k∈N｝是一種有關噪聲的序列，nx和nv表示的是上述兩種向量的維數(shù)。同樣gk：Rnx×Rnv是xk的非線性表達式，｛vk，k∈N｝是離散測試噪聲集合，nx和nv作為測試向量和測試噪聲向量的維數(shù)。

結合貝葉斯濾波理論，令｛xi0：k，wik｝Ni=1為后驗的概率密度p（x0：k|z1：k）隨機采樣集合，x0：k=｛xj，j=0，1，2，…，k｝作為采樣樣本。｛wik，i=1，2，…，Ns｝是基于粒子有關的權值集合，該集合滿足條件∑iwik=1。則在k時刻的后驗概率密度則可以近似為：

其中：wik表示k時刻第i個粒子的權值。根據(jù)重要性的采樣原理對wik進行分析處理，如果樣本來自重要性的密度函數(shù)q（x0：k|z1：k），則wik定義為：

展開式（3）可以得到：

先驗密度一般由重要性的密度函數(shù)來決定，即上式中：

q（xik|xi0：k-1，z1：k）=p（xik|xik-1）（5）

由式（5）、式（4）解算可得到：wik∝wik-1p（zk|xik）（6）

后驗濾波估計近似寫成：

1.2均值漂移

Mean Shift（均值漂移）通常為“基于優(yōu)化”類追蹤框架的求概率密度的極大值的最佳算法。假設D維空間Rd里含有樣本數(shù)為n的樣本集合｛xi，i=1，2，…，n｝，x點均值的漂移向量表達式如下：

其中：Sh是一個半徑為h的高維球區(qū)域，即滿足Sh（x）=｛y：（y-x）T（y-x）≤h2｝。k表示在Sh區(qū)域中落入了樣本點xi總數(shù)為k。由表達式可以分析出Mh（x）即為概率密度函數(shù)的梯度。

在此基礎上對獨立樣本增加Mh（x）的權重系數(shù)，從而對Mean Shift表達式進行展開：

其中：G（x）為單位核函數(shù)，且GH（xi-x）=。H是正定對稱的矩陣，工程上取為H =h2I。w（xi）≥0為采樣點i的權重。將式（9）展開可得：

結合上式，假設誤差門限為ε，Mean shift算法將按次執(zhí)行以下步驟，直至條件滿足：

（1）計算Mean shift向量mh（x）；

（2）將mh（x）賦給x；

2　模型分析

2.1狀態(tài)模型

通常狀態(tài)轉移模型典型公式為：

xt-xt-1=xt-1-xt-2+ut（11）

目標狀態(tài)由xt=｛x，y，hx，hy｝來表示，（x，y）作為目標中心點，（hx，hy）則圖像區(qū)域尺寸參數(shù)。

2.2觀測模型

紅外目標跟蹤過程中，由于探測距離遠，目標成像一般較小，紋理、邊緣及顏色等特征不明顯，因此用灰度分布描述紅外目標，建立系統(tǒng)觀測模型。其直方圖分布被量化為M個等級且用h（li）來描述。由式 （12）可以得到某一量級灰度直方圖分布。

m

其中：f為歸一化系數(shù)，使∑p（u）=1；N為區(qū)域總像素

lu=1數(shù)；a=為區(qū)域大??；l為中心區(qū)域坐標；N為紅外目標以l為中心的像素數(shù)；li為目標區(qū)域中的某個點；g（·）為一個加權函數(shù)，定義為：

2.3遮擋判定與自適應融合策略

粒子的濾波算法具有嚴重的粒子退化和貧化現(xiàn)象，增大粒子數(shù)雖可提高跟蹤精度但計算量明顯增加。本文根據(jù)兩種模型框架的優(yōu)弱勢，設計結合粒子的濾波算法模型，首先對目標狀態(tài)粗略分析，再結合Mean shift算法模型，在進一步縮小的區(qū)域內(nèi)執(zhí)行再查詢，從而確定目標精確位置的跟蹤策略。Mean shift算法還可以結合增加核函數(shù)帶寬來解決復雜環(huán)境下目標遮擋追蹤問題。

假設模板為q=｛qu｝u=1，2，…，m，候選區(qū)域為p=｛p（u）｝u=1，2，…，m，兩者的遠近用Bhattacharyya相似系數(shù)ρ（p，q）度量，遠近越近時，兩者更具有相似性。目標區(qū)域和候選區(qū)域是否相近我們可以通過式（14）中ρ（p，q）的值來進行分析。

公式（15）是計算觀測模型的經(jīng)驗公式，σ為高斯分布的方差值，本文取σ=0.2。

通常ρ（p，q）作為判斷目標是否被遮擋的準則，當其小于預先設定的閾值ρT即ρ（p，q）≤ρT時，說明目標具有遮擋的可能性，之后對Mean shift的帶寬進行增加，此時對ρ（p，q）進行計算，直到ρ（p，q）＞ρT的情況下給出最終的結果，否則繼續(xù)增加Mean shift的帶寬。結合粒子的濾波算法模型與均值漂移模型抗遮擋紅外目標追蹤模型的流程如圖1所示。

圖1　本文算法流程圖

3　仿真結果分析

本實驗在具有英特爾I5處理器，內(nèi)存4 GB的筆記本進行，數(shù)據(jù)分析采用MATLAB 7進行。紅外攝像機鏡頭焦距為25 mm，拍攝距離大于80 m，環(huán)境照度為0.05～0，1 Lux。在試驗剛開始時人為給出初始點，如果鎖定目標了，對目標采用白色框進行標示。

圖2　第一組測試序列效果分析圖

試驗中我們在紅外的情況下對飛行模型進行跟蹤，每幀圖像像素為290×210，紅外目標灰度分布等級為8，N=100。第一組實驗在無遮擋條件下，對紅外飛機目標的進行追蹤，共測試100幀，在粒子濾波算法對飛機狀態(tài)進行粗略估計之后，用均值漂移算法進行進一步精確搜索。從圖2中可看出，本文設計的算法可以精確穩(wěn)定的進行紅外目標跟蹤。

第二組實驗，在遮擋情況下進行紅外飛機目標的追蹤，試驗測試共50幀。圖3（c）第25幀時，飛機明顯被遮擋，本文算法融合Mean shift的抗遮擋特性，在有遮擋的情況下，再結合Mean shift算法模型，在進一步縮小的區(qū)域內(nèi)執(zhí)行再查詢，試驗中在32幀后精確的追蹤上目標。結合試驗結果，對比其他的設計本文的設計具較強的魯棒性，還減少了算法計算量，提高了紅外目標跟蹤的實性。

4　結束語

基于統(tǒng)計類框架下的粒子濾波與基于優(yōu)化類框架下的均值漂移，各自都難以表現(xiàn)出良好的跟蹤性能，本設計根據(jù)兩類跟蹤框架的優(yōu)點，設計了一種在粒子的濾波模型下增加均值漂移模型的跟蹤算法。同時，針對紅外系統(tǒng)探測距離遠，目標成像小而導致的目標特征不明顯、目標背景復雜、遮擋等問題，提取紅外圖像的灰度信息，根據(jù)巴氏系數(shù)自適應更新模板，使紅外目標在遇到遮擋時仍能魯棒地跟蹤。若想要更好得實現(xiàn)復雜環(huán)境下紅外目標的追蹤魯棒性，可融合多個紅外信息特征對目標進行追蹤。

圖3　第二組測試序列效果分析圖

［1］姜錦鋒.紅外圖像的目標檢測、識別與跟蹤技術研究［D］.西北工業(yè)大學，2007.

［2］姬雪峰.基于粒子濾波的紅外目標跟蹤方法研究［D］.西安：西安電子科技大學，2011.

［3］Comaniciu D，Ramesh V，Meer P.Kernel-based object tracking［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2003，25 （5）：564-575.

［4］Doucet A，Gordon N，Krishnamurthy V.Particle Filters for State Estimation of Jump Markov Linear Systems［J］.IEEE Trans.Signal Processing，2001，49 （3）：613-624.

［5］管小清，呂志強.適用于復雜環(huán)境下的實時目標跟蹤技術［J］.計算機測量與控制，2012，20（10）：2776-2778.

2016年1期文章《基于車載電子標簽數(shù)據(jù)的單交叉口狀態(tài)判別研究》，增加第四作者，作者信息為：

姓名：劉續(xù)博

所屬單位：美國密歇根大學工業(yè)與運營工程學院

College of Engineering University of Michigan

Infrared Target Tracking Based on Particle Filter and Mean Shift

Zhu Hongxiang，Dong Qing，Zhang Zhenhua
（Chinese Flight Test Establishment，Xi'an710089，China）

According to problems of cluttered environment or the low contrast between infrared target imaging and background，we extract the gray characteristics of target and use the particle filter algorithm which recursively forecast and update the sample sets of the state space to approximate the posterior density probability.In order to further increase the accuracy of tracking，we fuse the Mean Shift algorithm to search for target in local area.The bandwidth of kernel function in Mean Shift algorithm can also deal with the target occlusion problem effectively.Experimental results indicate the proposed method can not only improve the efficiency of the algorithm and overcome the particle degeneracy phenomenon，but also has good performance in occlusion.

particle filter；mean shift；infrared target tracking；anti-occlusion

1671-4598（2016）05-0207-02

10.16526/j.cnki.11-4762/tp.2016.05.058

TP391

A

2016-03-09；

2016-03-31。

朱洪翔（1989-），男，江蘇鎮(zhèn)江人，碩士研究生，主要從事機載測試技術方向的研究。