復(fù)雜背景下紅外目標(biāo)檢測與跟蹤算法研究.pdf

1、紅外成像技術(shù)是依靠被動接收目標(biāo)的紅外輻射來工作的，它具有作用距離遠、易于隱蔽、可晝夜工作等優(yōu)點。隨著紅外成像技術(shù)的不斷發(fā)展，紅外成像系統(tǒng)已被廣泛的應(yīng)用于紅外精確制導(dǎo)、預(yù)警、視頻監(jiān)控、搜索和跟蹤等多種軍事及民用領(lǐng)域?；诩t外成像的目標(biāo)檢測與跟蹤，作為上述領(lǐng)域的一項重要技術(shù)，在現(xiàn)代防御中具有十分重要的地位。尤其是復(fù)雜背景下紅外目標(biāo)的檢測和跟蹤問題是近年來的研究熱點。復(fù)雜背景下紅外目標(biāo)因具有自身的特點，使得檢測和跟蹤工作變得十分困難：首先目標(biāo)

2、成像距離一般較遠，目標(biāo)在圖像中僅占較少的像素；其次成像系統(tǒng)內(nèi)的噪聲和背景雜波干擾較強，使得目標(biāo)信號相對較弱，容易被強噪聲背景所淹沒；最后由于目標(biāo)缺乏有效的形狀和紋理特征，使得可以提供給檢測和跟蹤系統(tǒng)的信息很少。因此，復(fù)雜背景下紅外目標(biāo)的檢測和跟蹤是一項富有挑戰(zhàn)性的課題，對其深入研究有著重要的理論意義和實用價值。本文圍繞復(fù)雜背景下紅外目標(biāo)檢測和跟蹤的相關(guān)技術(shù)進行了深入的探討和研究，取得的創(chuàng)新性成果如下：
　　 (1)提出基于小波包

3、和高階統(tǒng)計量的紅外弱小目標(biāo)檢測算法。為了克服傳統(tǒng)的基于小波變換的目標(biāo)檢測算法易受背景雜波和噪聲干擾的缺點，在分析紅外弱小目標(biāo)圖像特性的基礎(chǔ)上，首先利用小波包對圖像進行多尺度分解，從而克服了小波變換“高頻段分辨率較低”的缺陷。接著，為了更好地消除噪聲的影響，提出了一個基于高階累積量的高斯判別準(zhǔn)則，通過該準(zhǔn)則可自適應(yīng)選擇相應(yīng)的頻帶，使之與目標(biāo)頻譜相匹配，最終實現(xiàn)了滿意的檢測效果。該算法由于結(jié)合了小波包在信號分解方面的優(yōu)勢和高階統(tǒng)計量在信號分

4、析方面的優(yōu)勢，與經(jīng)典的小波變換目標(biāo)檢測算法相比，有效提高了目標(biāo)的檢測概率，同時降低了虛警概率。
　　 (2)針對復(fù)雜背景下紅外弱小目標(biāo)快速檢測問題，提出兩種改進的基于分形理論的目標(biāo)檢測算法。第一種改進算法是基于局部熵的分形方法：局部熵反映了圖像灰度的離散程度，在局部熵大的地方，圖像灰度分布較為均勻，而局部熵小的地方，圖像灰度起伏較大，所以算法利用圖像的局部熵對目標(biāo)進行初始粗略定位，然后，設(shè)計了一種基于分維像的目標(biāo)檢測算法對紅外弱

5、小目標(biāo)作進一步的精確檢測。
　　 第二種改進算法是基于三階特征量的分形方法：由于紅外弱小目標(biāo)通常被看做是瞬態(tài)的非高斯信號，它所在的局部區(qū)域較圖像中其他區(qū)域而言更加偏離正態(tài)分布，因此，算法首先利用三階特征量在原始紅外圖像中分割出包含目標(biāo)的感興趣區(qū)域，在此基礎(chǔ)上再利用分形理論對目標(biāo)進行細定位。與傳統(tǒng)分形方法相比，論文提出的兩種改進算法均分為目標(biāo)粗定位和細定位兩步，粗定位的結(jié)果不僅有效提高了弱小目標(biāo)檢測過程的魯棒性，而且將分形算法要進

6、一步處理的區(qū)域縮減到一個小范圍內(nèi)，大大提高了算法的效率。
　　 (3)提出兩種改進的基于粒子濾波的紅外目標(biāo)跟蹤算法。首先，針對復(fù)雜背景下紅外弱小目標(biāo)跟蹤問題，提出了一種改進的粒子濾波器。對紅外弱小目標(biāo)而言，灰度特征和分形特征是其兩個十分重要的特征，它們各自具有優(yōu)點但也存在一定的局限性：僅采用灰度特征進行目標(biāo)跟蹤，常易出現(xiàn)目標(biāo)跟蹤有偏或跟蹤錯誤的現(xiàn)象；而分形特征目前僅用于單幀紅外弱小目標(biāo)的檢測上。為了充分利用這兩種特征的優(yōu)點，本文

7、首次將它們?nèi)诤嫌诹Ｗ訛V波的概率模型框架中，并將融合后的信息用于粒子權(quán)值的計算，大大提高了跟蹤算法的魯棒性和準(zhǔn)確性。
　　 另外，在深入研究復(fù)雜背景下紅外人體目標(biāo)跟蹤問題的基礎(chǔ)上，提出了一種改進的基于灰度和運動信息的粒子濾波算法。該方法首先建立目標(biāo)帶有空間位置信息的灰度直方圖來提取其灰度特征，同時設(shè)計了一種新的基于幀間差分和灰度概率分布圖的方法來提取其運動特征，然后將這兩種特征在粒子濾波框架內(nèi)進行概率融合，最終完成了紅外人體目標(biāo)的

8、穩(wěn)健跟蹤。與傳統(tǒng)粒子濾波算法相比，本文提出的方法能很好地處理背景存在強干擾或目標(biāo)被遮擋等情況，且跟蹤精度高、穩(wěn)定性強。
　　 (4)本文從“自適應(yīng)多信息融合”和“與粒子濾波框架相結(jié)合”這兩個角度出發(fā)，對經(jīng)典Mean Shift跟蹤框架進行拓展。從前一個角度出發(fā)，提出了一種改進的基于自適應(yīng)多信息融合的Mean Shift紅外人體目標(biāo)跟蹤算法。該方法首先提取目標(biāo)的灰度和邊緣特征，然后提出利用目標(biāo)的運動信息來引導(dǎo)上述兩種特征，以得到新

9、的目標(biāo)特征：運動引導(dǎo)的灰度特征和運動引導(dǎo)的邊緣特征；接著，設(shè)計了一種新穎的自適應(yīng)融合機制，用于將這兩種新的信息自適應(yīng)地結(jié)合到Mean Shifi跟蹤框架中；最后，提出了一個自動目標(biāo)模型更新策略來進一步提高跟蹤的性能。該算法能處理多種復(fù)雜的情況，如背景雜波的影響、光照的變化、目標(biāo)外觀的變化、以及目標(biāo)被遮擋等，跟蹤結(jié)果令人滿意。
　　 從后一個角度出發(fā)，提出了一種融合Mean Shift和粒子濾波兩類跟蹤框架優(yōu)點的紅外目標(biāo)跟蹤算法。