背景干扰下的捷联图像导引系统目标跟踪方法Word下载.docx
《背景干扰下的捷联图像导引系统目标跟踪方法Word下载.docx》由会员分享,可在线阅读,更多相关《背景干扰下的捷联图像导引系统目标跟踪方法Word下载.docx(13页珍藏版)》请在冰点文库上搜索。
![背景干扰下的捷联图像导引系统目标跟踪方法Word下载.docx](https://file1.bingdoc.com/fileroot1/2023-5/5/69adcb13-6978-43ca-a5f1-02d364fa1578/69adcb13-6978-43ca-a5f1-02d364fa15781.gif)
该算法通过对目标模型做背景直方图加权变换和对目标候选模型做倒数加权变换,显著降低了MeanShift目标跟踪算法迭代过程中背景信息所占的比重,有效抑制了跟踪区域中背景信息对目标定位的干扰,提高了目标的跟踪精度。
实验结果表明,该算法与经典算法相比,迭代次数低、单帧处理时间短,可应用于捷联图像导引系统目标跟踪的前期阶段。
关键词:
兵器科学与技术;
图像制导;
捷联;
MeanShift;
背景直方图
捷联图像制导导弹在跟踪的前期阶段,目标(飞机、坦克等)尺度变化较小,目标区域受背景信息及环境噪声干扰。
初始确定的目标跟踪区域,反映在图像上通常为椭圆形或矩形跟踪窗,而目标(飞机、坦克等)的轮廓通常不具有规则的外形,所以跟踪窗不可能与目标的轮廓外形完全一致。
为了鲁棒的跟踪,一般在确定目标跟踪区域时,初始划定的跟踪窗都会略大于目标。
因此,目标跟踪窗中或多或少都会包含一些背景信息,使其与实际背景之间存在一定的相关性。
在跟踪的前期阶段,由于导弹与目标之间的距离较远,实际目标在图像中所占面积较小,跟踪窗内的背景信息会对跟踪造成一定的干扰;
另外,在实际跟踪过程中,目标区域还会受到一些环境噪声的干扰。
经典的MeanShift算法具有严谨的理论支撑、较强的实时性和较高的跟踪精度,一直以来被广泛应用于目标跟踪中
[1-5]。
当目标区域中包含一定量背景信息时,MeanShift算法难以有效地从背景中区分出目标,致使其跟踪性能下降;
需要研究一种可有效增强目标与背景区分度,同时能抑制或削弱背景信息或环境噪声对目标定位造成干扰的目标跟踪算法。
基于背景加权直方图(background-weightedhistogram,BWH)
[6]的MeanShift跟踪算法,同时对目标模型以及候选模型进行背景直方图的加权运算,其目的是为了降低目标模型及候选模型中背景信息的概率,削弱其对目标定位的影响。
经推导后发现,该方法只是对经典MeanShift算法中的目标表示方法所获得的权值做一定的比例变换,信息量并没有变化,而MeanShift迭代算法对权值的比例变换不敏感、具有不变性。
因此,基于背景加权直方图的MeanShift算法并没有有效地提升MeanShift算法的跟踪性能。
文献[7]中提出了一种校正背景加权直方图(correctedbackground-weightedhistogram,CBWH)的目标跟踪算法,该方法仅降低目标模型中背景信息的概率,没有对目标候选模型中的背景信息进行任何操作,它可以有效抑制背景信息对目标的干扰,具有较好的效果。
在BWH和CBWH两种方法的启发下,结合课题的高精度、鲁棒性跟踪需求,本文提出了一种对背景信息抑制效果更好的方法:
对目标模型的背景直方图加权,并用该权值的倒数对候选模型中的背景直方图加权,该方法在CBWH算法的基础上将跟踪精度和鲁棒性进一步提升。
1背景加权直方图及有效性分析
在2000年和2003年,文献[8-10]阐述了MeanShift算法在目标跟踪领域中的应用,通过建立Bhattacharyya系数与核直方图的相似度数学模型证明了该算法的收敛过程实质上就是在连续帧中搜索与目标模型最相似的候选区域的过程。
MeanShift算法在目标跟踪中的应用是该领域近年来的一个重大的研究成果,具有完整的理论框架支撑。
本文以该算法为基础,进行拓展研究。
背景信息的重要性可以通过以下两点概括:
①如果目标区域所具有的特征同时出现在背景中,这样就会增强目标与背景的相关性,造成目标与背景的区分度降低,增加目标在背景中定位的难度;
②在目标区域的选择过程中,很难精确地根据目标的轮廓外形确定目标区域,导致目标区域中或多或少都会包含一部分背景信息,更加增强了目标区域与背景的相关性。
文献[9]提出了一种背景加权直方图(background-weightedhistogram,BWH)的背景信息表示方法,目的是突出目标模型和候选模型中的目标特征,提高目标与背景的区分度,进而消除或削弱背景信息对目标定位的干扰。
下面对该方法进行介绍并对其在MeanShift目标跟踪算法中的有效性进行分析。
1.1背景加权直方图
背景直方图用
u=1)表示,它是一种基于目标周围区域背景特征空间的离散表示法,其中
u代表第u个特征空间的概率,文献[10]中背景区域的面积选择为目标区域的3倍,但该值不是固定值,可以根据不同的应用需要,选用不同的数值。
然后,对该直方图进行以下操作
(1)
式中
min是特征空间的最小非零概率。
式
(1)的意义为:
背景直方图中所占概率越大的特征空间所对应的vu反而越小,所以占主要部分的背景对应较小的权值。
将vu作为权值分别对目标模型和目标候选模型进行变换,经变换后,目标模型和候选模型中与背景存在相关性的信息被削弱。
与主要的背景相关性越强,被削弱的程度越高,所以占主要部分的背景概率被降低。
背景直方图加权后的目标模型表示为
(2)
式中,规范化常数C′定义为
(3)
同样地,背景直方图加权后的候选模型表示为
(4)
式中,规范化常数
定义为
(5)
由上面的公式可以看出,由于vu≤1,所以目标模型和目标候选模型经加权后背景部分的概率都被降低了。
1.2背景加权直方图有效性分析
通过对MeanShift算法分析可知,最终对收敛性起决定作用的是候选模型中像素的权值,所以只有降低候选模型中背景部分像素点的权值,才能降低背景区域对目标区域的干扰。
下面对背景加权直方图中候选区域的像素权值变化进行分析,检验其有效性[7]。
经过背景加权直方图变换后,候选区域中像素点xi的权值
如下
(6)
令u′是特征空间中的点xi所对应的颜色索引值,此时δ[b(xi)-u′]=1,式(6)可化简为
(7)
将式
(2)、式(4)代入到式(7)可得
(8)
观察式(8)可以发现,分子和分母中存在公共因子vu′,因此,可以将此公共项约掉,所以
的大小不受加权值vu的影响。
对该式的分子和分母同时乘以CCh,可得
(9)
因此,通过背景加权直方图计算得到的权值
与经典方法得到的权值wi存在系数为
的比例关系,所以
(10)
从式(10)可以看出,权值的比例变化并没有改变y1的值,也没有向公式中引入任何新的因子,因此MeanShift算法对发生比例变化的权值具有不变性,其跟踪能力不会得到任何提升。
2
CBWH目标跟踪算法
由式(8)可以直观地看出,如果只有分子或分母其中的一项含有vu′,那么vu′就会影响到
与wi之间的关系。
而由于0<
vu′≤1,所以当vu′出现在分子上,即只对目标模型进行背景直方图加权时,可以有效地提升MeanShift跟踪算法的效果。
CBWH算法[7]就是只对目标模型背景直方图进行加权,其过程为,令w″i为CBWH算法计算得到的权值,目标模型
是由背景直方图加权得到的;
候选模型
u(y0)是由经典的MeanShift算法得到的。
利用与上一节类似的推导方法,得到权值为
(11)
式中,比例因子
不会影响到算法的性能,而真正对MeanShift跟踪算法的效果起决定性作用的是
,所以式(11)可化简为
(12)
由式(12)可以直观地看出w″i与wi之间的关系。
当像素点xi是背景信息的主要部分时,vu′的值就越小,背景信息的权值被降低;
而当像素点xi是背景信息的次要部分时,vu′的值就越大,增强了其与背景信息的区分度。
因此,该方法可以有效地降低背景对目标定位的影响,真正提升MeanShift的跟踪能力。
3抑制背景干扰的目标跟踪算法
在BWH和CBWH两种方法的启发下,本文提出了一种对背景抑制效果更好的方法,对目标模型的背景直方图进行vu加权变换,同时对目标候选模型的背景直方图进行vu的倒数加权变换,即权值为1/vu,该方法在CBWH算法的基础上将跟踪效果进一步提升。
3.1目标候选模型背景加权直方图加权分析
在不对目标模型背景直方图加权,只对目标候选模型背景直方图进行权值为vu的加权运算时,令
为该变换下计算得到的权值,目标模型
u′是由经典的MeanShift算法得到的;
(y)是由背景直方图加权得到的,见式(4)。
利用与上一节类似的推导方法,得权值
为
(13)
此时,对MeanShift跟踪算法起决定性作用的是
,而比例因子
不会影响算法的性能。
所以式(13)可化简为
(14)
当像素点xi是背景信息的主要部分时,vu′的值就越小,背景信息的权值被增大;
而当像素点xi是背景信息的次要部分时,vu′的值就越大,区别于背景的信息,即目标信息被降低。
因此,仅对目标候选模型进行权值为vu的加权不但不能有效降低背景对目标定位的影响,反而会造成跟踪性能下降。
3.2目标候选模型倒数加权
从上一节的推导中受到启发:
因为只对目标候选模型进行权值为vu的加权运算时,由式(14)可知,由于
≥1,所以背景信息的权值被增大了;
如果对目标候选模型进行权值为1/vu的加权运算,加权后的候选模型表示如下
(15)
此时权值
(16)
将式(16)可化简为
(17)
而当像素点xi是背景信息的次要部分时,vu′的值就越大,区别于背景的信息,即目标信息被增大。
因此,对目标候选模型进行权值为1/vu的加权变换时,同样可以降低候选模型中背景部分的像素点的权值,有效地降低背景信息对目标定位的影响,提升目标跟踪算法性能。
3.3目标模型及目标候选模型分别加权
由CBWH可知,只对目标模型背景直方图进行权值为vu的加权运算,不对目标候选模型背景直方图进行任何加权运算时,可以有效降低背景对目标定位的影响;
而由上一节的证明可知,只对目标候选模型背景直方图进行权值为1/vu的加权运算,不对目标模型背景直方图进行任何加权运算时,也可以有效降低背景对目标定位的影响。
所以本文综合两种加权方式的优势,在对目标模型背景直方图进行权值为vu的加权运算的同时,对目标候选模型背景直方图进行权值为1/vu的加权运算。
此时,该算法计算得到的权值w‴i表示为
(18)
不会影响算法性能,而真正对MeanShift跟踪算法的效果起决定性作用的是vu′,所以式(18)可化简为
(19)
由式(19)可以直观地看出w‴i与wi之间的关系。
而当像素点xi是背景信息的次要部分时,vu′的值就越大,区别于背景的信息被增强。
4实验结果及分析
该部分通过航拍坦克运动视频测试序列的实验,分析和比较所提出方法的性能。
该段视频共包含121帧,每帧的大小为400×
224,目标区域的跟踪窗大小选定为33×
19,跟踪窗与背景总和的大小为66×
38,图1为用MeanShift、BWH、CBWH和本文提出的方法得到的跟踪结果中的第1、55、85和120帧。
其中,图1(a1)~图1(a4)是MeanShift算法的跟踪结果;
图1(b1)~图1(b4)是BWH算法的跟踪结果;
图1(c1)~图1(c4)是CBWH算法的跟踪结果;
图1(d1)~图1(d4)是本文提出的算法的跟踪结果。
从其中可以看出CBWH和本文提出的方法跟踪效果相对较好。
下面再分别从跟踪误差和算法的迭代次数两组数据比较各种方法的性能。
图2为4种方法的跟踪误差曲线对比图,图3为4种方法的迭代次数对比图。
图2跟踪误差对比
图3迭代次数对比
可以看出本文提出的方法不论是在跟踪精度上还是在平均迭代次数和单帧平均处理时间上全面占优,相对于CBWH算法其跟踪效果有了较大的提升。
5结论
本文提出了一种基于MeanShift算法的目标模型背景直方图加权以及目标候选模型背景直方图倒数加权的目标跟踪方法。
对背景加权直方图及其有效性进行了分析,结合CBWH算法,并通过对目标候选模型背景直方图的加权分析,提出了一种用背景加权直方图变换目标模型,同时用背景加权直方图中所用权值的倒数变换目标候选模型的可有效抑制背景信息干扰的目标跟踪算法。
实验结果表明,在相同的测试条件下该算法相对几种比较经典的算法,具有平均迭代次数更低、单帧处理时间更少以及跟踪精度更高的优势,满足捷联图像导引系统目标跟踪前期阶段的应用。
参考文献:
[1]LIPeihua.Anadaptivebinningcolormodelformeanshifttracking[J].IEEETransactionsonCircuitsandSystemsforVideoTechnology,2008,18(9):
1293-1299.
[2]HANH,SOHNK.Automaticillumi-nationandcolorcompensationusingmeanshiftandsigmafilter[J].IEEETransactionsonConsumerElectronics,2009,55(3):
978-986.
[3]LIZ,TANGQL,SANGN.Improvedmeanshiftalgorithmforoclusionpedestriantracking[J].ElectronicsLetters,2008,44(10):
622-623.
[4]冉欢欢,黄自立.基于距离信息的Mean-Shift跟踪算法[J].兵工学报,2013,34
(1):
82-86.
[5]徐火希.基于改进Mean-Shift的运动目标跟踪算法[J].兵器装备工程学报,2016,37
(2):
127-130.
[6]COMANICIUD,RAMESHV,MEERP.Real-timetrackingofnon-rigidobjectsusingMeanShift[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.[S.l.]:
[s.n.],2000:
142-149.
[7]NINGJifeng,ZHANGLei,DAVIDZHANG,etal.RobustMeanShiftTrackingwithCorrectedBackground-WeightedHistogram[J].IEEETransactionsonComputerVision,2012,6
(1):
62-69.
[8]COMANICIUD,RAMESHV,MEERP.Kernel-basedobjecttracking[J].IEEEtransactionsonPatternAnalysisandMatchineIntelligence,2003,25(4):
564-575.
[9]COMANICIUD,MEERP.Meanshift:
arobustapproachtowardfeaturespaceanalysis[J].IEEEtransactionsonPatternAnalysisandMatchineIntelligence,2002,24(5):
603-619.
StrapdownImageHomingSystemTargetTrackingApproachUndertheInterferenceofBackground
GUOXiao-ran
1,CUIShao-hui
2,MAOXiang-dong
1,LIUHai-tao
1,ZHOUYun-chuan
(1.OrdnanceTechnicalInstitute,Shijiazhuang050000,China;
2.OrdnanceEngineeringCollege,Shijiazhuang050003,China)
Abstract:
Inviewoftheearlysstagetargettrackingguidancesysteminstrapdownimagehomingsystem,becauseofthelongdistancebetweenmissileandtarget,thetargetoccupiesasmallareaanditisvulnerabletobackgroundinterference,annewimprovedtargettrackingapproachbasedonmeanshiftalgorithmisproposed.Bydoingtargetmodelbackgroundhistogramweightedwhiledoingtargetcandidatemodelbackgroundhistogramcountdownweighted,itsignificantlyreducesproportionofbackgroundinformationintheiterationsofmeanshifttargettrackingalgorithm,andtheinterferenceonthetargetlocationfromtrackareabackgroundinformationiseffectivelyinhibited,andalsothetrackingaccuracyintheearlystageisimproved.Experimentalresultsshowthatcomparedwiththeseveralclassictrackingalgorithms,thealgorithmrelativelyhasaloweraveragenumberofiterations,lesssingleframeaverageprocessingtimeandcanmeettheconditionsofapplication.
Keywords:
ordnancescienceandtechnology;
imageguidance;
strap-down;
meanshift;
backgroundhistogram
中图分类号:
TP911.73
文献标识码:
A
文章编号:
2096-2304(2017)03-0001-05