CN101706576A - 基于雷达图像的运动目标形态检测及跟踪方法 - Google Patents

Abstract

本发明公开了一种基于雷达图像的运动目标形态检测及跟踪方法，当采集完一帧数据后，首先进行灰度等级划分，利用帧差法去除大部分固定地物干扰，然后再利用滑动窗口形态匹配算法分离出目标，使用目标中心化精确定位目标位置，并生产二值图像，之后结合多帧二值图像和目标运动规律进行航迹关联，进一步消除固定目标和噪声干扰，并利用二次匹配和预测解决弱信号查找与噪声干扰问题，实现无丢失跟踪。本发明方法简单，计算量小，去噪效果明显，目标捕捉及时，成功率高，可以实现运动目标的实时检测和无丢失跟踪。

Description

基于雷达图像的运动目标形态检测及跟踪方法

技术领域

本发明涉及用于空中运动目标的检测与跟踪技术，属于图像处理目标分割技术领域。

背景技术

某型飞机着陆雷达利用航向天线和下滑天线的交替工作来定位运动目标，其回波信息在雷达显示屏上呈现，其中包括运动目标，静止地物、杂波和噪声等干扰信息。但是运动目标的检测无法通过雷达自动检测，而必须依赖于雷达操纵员，同时雷达生成的视频信号带宽大，不利于传输。因此有必要将雷达回波信号采样量化为数字信号，并生成包含有距离和角度信息的数字图像，将问题转化为数字图像处理的范畴，以完成运动目标的自动检测。

运动目标的分割是从盲图中分离目标，方法主要有差分法和光流法。差分法运算速度快，但易受复杂背景干扰；光流法适用于复杂场景，分离目标效果较好，但计算量大。基于雷达图像，传统的目标分割方法是根据回波值和噪声的经验知识设置门限阈值将图像二值化后再进行目标提取。但因雷达性能的不同以及不同时刻雷达回波值不尽相同，门限取值过低易引入噪声，过高则易滤除有用目标，特别是当目标信号微弱时极易造成误报和漏报。塞拉提出形态学算法处理图像数据，根据目标与邻域的形态特征关系，以“结构元”为基本单位分离目标信号，符合运动目标在图像中的空间分布特性，但针对不同的应用和目标特征，合理选择“结构元”是该算法的关键。

常用的目标跟踪方法有卡尔曼滤波、粒子滤波和均值漂移算法等。卡尔曼滤波是对动态系统的状态序列进行线性最小方差估计，采用递归滤波方法计算，但其状态方程和观测方程的建立需要一定时间，即有一个参数初始化过程；粒子滤波采用一些带有权值的随机样本(粒子)来表示所需要的后验概率密度，而不是采用传统的线性变换，从而得到基于物理模型的近似最优数值解；均值漂移算法是将一组数据的概率密度函数恢复出来并求出该概率密度函数极值，利用这些极值点对数据进行分类关联。后两者计算量相对较大，不利于飞机等高速目标的快速捕捉和连续跟踪。

发明内容

考虑到雷达扫描频率和电磁波发射频率以及目标的高速运动，针对现有目标分割和跟踪方法的局限性，本发明提供一种能够满足实时性要求、能够很好地分离出运动目标和部分地物目标的基于雷达图像的运动目标形态检测及跟踪方法。

本发明的基于雷达图像的运动目标形态检测及跟踪方法，是：

当采集完一帧数据后，首先进行灰度等级划分，利用帧差法去除大部分固定地物干扰，然后再利用滑动窗口形态匹配算法分离出目标，使用目标中心化精确定位目标位置，并生成二值图像，之后结合多帧二值图像和目标运动规律进行航迹关联，进一步消除固定目标和噪声干扰，并利用二次匹配和预测解决弱信号查找与噪声干扰问题，实现无丢失跟踪.

基于运动目标在雷达图像中的形态特征采用“滑动窗口”作为结构元，并根据图像灰度特征、纹理特征、边缘特征对已经进行了灰度等级划分和差分运算的图像进行形态匹配实现目标分割，滑动窗口大小根据目标大小自适应变化；采用邻域比较法统计满足阈值要求的窗口，当统计值满足阈值要求时分离出运动目标。采用“滑动窗口”二次匹配解决微弱信号的检测问题。但目标信号微弱时，目标整体特征(包括灰度特征，边缘特征等)减弱，有必要自适应改变“滑动窗口”阈值，对目标区域进行二次匹配。目标区域根据已知飞机目标位置和飞机运动速度及方向确定，缩小了匹配范围。下滑天线和航向天线交替工作，当两副天线中只有一副天线匹配到目标信号，在另一副天线回波图像的相应距离处匹配不到目标信号时也需要进行二次匹配，目标匹配区域为该副天线图像相应距离处所有角度范围。对多帧图像进行航迹关联，消除静止地物干扰。航迹关联根据目标的运动速度和轨迹进行一阶运动模型和二阶运动模型限制。基于目标运动规律对暂时性丢失目标进行预测，解决目标跟踪的连续性问题。

在分割完成后采用二次匹配策略进一步分离出真实目标，此策略包括两种情况，一是目标为微弱信号时采用二次滑动窗口形态匹配，一是多个假目标干扰时采用真实目标匹配。因运动目标的分割采用滑动窗口形态匹配法即可实现，所以目标的跟踪主要目的是进一步消除固定目标干扰，缩小已知运动目标的检测范围，以提高处理速度，并对暂时性丢失目标进行预测。本发明根据连续的多帧图像进行航迹关联跟踪运动目标，以抑制固定目标干扰。预测基于卡尔曼滤波思想，使用一阶运动模型(速度恒定)和二阶运动模型(加速度恒定)做线性估计。

1.利用帧差法去除大部分固定地物干扰的具体过程是：

采样量化后的数字图像经过进一步的灰度等级划分，能够缩小相邻时刻同一目标回波值的差异，因而在相邻两帧差分时可以有效的去除大部分静止地物等干扰信息，差分公式如式(1)，其中δ(x，y；k+1)为第k+1帧与第k帧的差分结果，f(x，y；k+1)与f(x，y；k)分别为第k+1帧和第k帧图像坐标(x，y)处的灰度值。

$\mathrm{\δ}(x,y;k+1)=\left\{\begin{array}{cc}f(x,y;k+1)-f(x,y;k),& f(x,y;k+1)-f(x,y;k)>0\\ 0,& f(x,y;k+1)-f(x,y;k)\≤0\end{array}\right.---\left(1\right)$

2.利用滑动窗口形态匹配算法分离出目标以及目标中心化的过程是：

目标分割依据其特征进行分类分离，这些特征主要有目标的颜色或灰度特征、纹理特征、边缘特征和形状特征，由于在雷达图像中运动目标为具有多行角度和一定距离范围的呈带状分布的高亮区域，且在不同时刻不同位置，这一带状区域的大小不同，即运动目标的回波占有不同的角度范围，但其在距离方向仅占据1-2列的范围，由此提出利用“滑动窗口”结构元进行形态匹配，取滑动窗口大小为6*5，按列邻域比较查找目标，具体算法如下：

(1)设置变量n和n₀初始值为0，行标(角度)i＝0，列标(距离)j＝2；

(2)累计窗口内第j列满足式(2)的像素点数n，

$\left\{\begin{array}{c}{x}_{i_0,j}>x_{i_0,j-2}\\ x_{i_0,j}>x_{i_0,j+2}\end{array}\right.,i\≤i_0\≤i+5---\left(2\right)$

(3)n₀＝n₀+n；如果n＞4，说明此位置为具有相近纹理信息且连续的高亮区域，执行(7)；否则执行(4)；

(4)如果n₀＞n₀T，n₀T为一阈值(一般情况下运动目标的回波信号所占角度行数都大于该值，并且在不同距离此值不同，因近距离目标回波强，此值会很大)，则发现目标，执行(5)；否则执行(6)；

(5)目标中心化，并将目标中心点的距离和角度信息保存至目标回波矩阵M。

(6)清除n₀；

(7)清除n值；

(8)滑动窗口上移，i＝i+6，如果i＞i_max，则i＝0，j＝j+1。如果j＞j_max-2，本帧图像匹配查找完毕，此时由目标回波矩阵M生成二值图像，否则执行(2)。

3.弱信号查找的具体过程如下：

因雷达老化性能下降，或雷达天线主瓣未对准运动目标，或减小增益，或进行对消以及微分时都会造成目标回波信号的减弱或信息的丢失，以上匹配算法采用邻域比较法，虽然运动目标回波会很微弱，但在其邻域内为高亮信号带，故基本上仍可以检测到目标，这样就有效地解决了单纯根据经验值和统计值自适应设置门限后再二值化图像时造成漏报和虚报的问题。但仅仅采用以上算法并不能完全解决弱信号问题，还需要进行二次滑动窗口匹配和预测来实现目标的无丢失检测与跟踪。

4.二次滑动窗口形态匹配

运动目标的分割有全区域分割和选择性分割。选择性分割根据目标运动轨迹和目标形状确定目标邻域。这样缩小了目标搜索范围，提高了检测速度。特别当运动目标回波微弱时，如果仍然按照以上算法中n₀T的值匹配目标并不总能匹配到此微弱信号，此时改变n₀T的大小，在运动目标邻域内按相同的检测思想进行二次匹配，这样可以很好的解决弱信号查找问题，n₀T的变化是自适应的，变化条件有以下几点：

(1)在运动目标的邻域内按原n₀T值匹配不到目标信号。

(2)下滑天线和航向天线交替工作，当两副天线中只有一副天线匹配到目标信号，在另一副天线回波图像的相应距离处匹配不到目标信号。

只要满足以上两条件之一就进行二次滑动窗口形态匹配，根据n₀T的统计值和前一帧此运动目标的n₀值来自适应改变n₀T的大小。

5.多帧航迹关联的具体过程是：

形态匹配中心化后的二值图像中仍然存在固定地物、杂波、噪声干扰，且固定地物为静止目标，杂波和噪声具有随机性，而运动目标具有一定的航迹规律，所以采用多帧航迹关联能够有效抑制以上干扰，航迹关联的依据是运动目标具有一定的运动规律，运动速度有限，在相邻两时刻的位置变化总在某个范围之内，即角度和距离的变化都不会超出最大值，且在相邻时刻目标近似做匀速运动，在一段时间内，目标的运动方向是不变的，更确切地说是目标与雷达间距离的变化是单向的。

根据以上分析，定义(x(k+1)，y(k+1))、(x(k)，y(k))分别为相邻两时刻目标点的坐标，其中x代表角度信息，y代表目标点与雷达之间的距离信息，并定义dx(k+1)＝x(k+1)-x(k)，dy(k+1)＝y(k+1)-y(k)

在初次发现目标点时，为该目标点设一置信度因子。在下一帧数据形态匹配中心化后，查看该目标点邻域内是否有目标点出现，进行航迹关联。若满足(3)、(4)和(5)式，则关联成功，置信度增加；反之，置信度减小。当在目标邻域内有干扰点时，还需要真实目标的辨别。这样连续几帧数据后，对于真正的运动目标，其置信度会大于一定值，实现运动目标的分离。

$\left\{\begin{array}{c}\left|\mathrm{dx}(k+1)\right|<\mathrm{dx}\left(\max \right)\\ \left|\mathrm{dy}(k+1)\right|<\mathrm{dy}\left(\max \right)\end{array}\right.---\left(3\right)$

$\left\{\begin{array}{c}|\mathrm{dx}(k+1)-\mathrm{dx}\left(k\right)|<\mathrm{ddx}\left(\max \right)\\ |\mathrm{dy}(k+1)-\mathrm{dy}\left(k\right)|<\mathrm{ddy}\left(\max \right)\end{array}\right.---\left(4\right)$

dy(k+1)*dy(k)＞0    (5)

式(3)为一阶运动模型，运动目标在单位时间内做匀速运动，其中dx(max)、dy(max)分别为运动目标单位时间内的最大移动角度和距离；式(4)为二阶运动模型，运动目标在单位时间内做匀速或匀变速运动，其中ddx(max)、ddy(max)限制了运动目标加速度的跳变，式(5)为目标单向移动限制条件，这样可有效抑制因杂波或噪声等引起的跳跃干扰。

在正常情况下，采用多帧航迹关联即可实现运动目标的跟踪。但在不同时刻不同位置，运动目标回波强度不同，且当操纵雷达偏移目标点时更会使运动目标偏离主瓣扫描范围，此时会造成运动目标成为微弱信号甚至是暂时性的丢失。因此采用之前介绍的二次滑动窗口形态匹配和预测方法来解决以上问题。

6.目标预测的具体过程是：

雷达在某些天线扫描周期有可能扫描不到运动目标回波或在微分、对消及帧差时将运动目标回波消掉，经过一段时间再次扫描到运动目标回波时，目标已经远离出了前几周期记录的目标移动范围，这样会把此目标当成新的活动目标重新进行确认、跟踪，造成更多的数据丢失，所以，在确定运动目标之后没有收到新数据的情况下可以对目标位置作预测，依据记录的运动速度和方向预测当前目标的位置，如式(6)，(x，y)为运动目标坐标，x，y分别代表角度和距离，取A＝C＝1，B和D值根据目标在两方向的运行速度和预测次数做相应改变，这有助于将来发现目标回波后的持续跟踪，但预测时间不能过长，否则不能准确反映目标当前的确切位置；

$\left\{\begin{array}{c}x(k+1)=A*x\left(k\right)+B*\mathrm{dx}\left(k\right)\\ y(k+1)=C*y\left(k\right)+D*\mathrm{dy}\left(k\right)\end{array}\right.---\left(6\right)$

7.真实目标匹配的具体过程是：

当运动目标进入地物区域或其信号微弱时，极易受地物、杂波和噪声干扰，这就造成在匹配查找时会在其邻域内匹配到多个目标，因此需要根据多帧运动目标的运动规律确定出真实目标，定义(px(k+1)，py(k+1))为k+1时刻运动目标预测位置，(x_i(k+1)，y_i(k+1))、(x_j(k+1)，y_j(k+1))分别为运动目标邻域内匹配到的两个目标，根据式(7)选取误差最小的目标为真实目标；

$\left\{\begin{array}{cc}\min \left(\right|\mathrm{px}(k+1)-x_i(k+1)|,|\mathrm{px}(k+1)-x_j(k+1)\left|\right),& x_i(k+1)\&NotEqual;x_j(k+1)\\ \min \left(\right|\mathrm{py}(k+1)-y_i(k+1)|,|\mathrm{py}(k+1)-y_j(k+1)\left|\right),& x_i(k+1)=x_j(k+1)\end{array}\right.---\left(7\right)$

本发明充分考虑了数据处理速度、雷达性能和操作、现场环境干扰等因素，通过帧差法去除了大部分地物干扰，减小了计算量；通过“滑动窗口”形态匹配算法简单，易于实现，数据处理量小，去噪效果明显；通过二次形态匹配，预测和真实目标匹配解决了弱目标检测与跟踪问题；通过多帧航迹关联反应速度快，可以实时地对目标无丢失跟踪。经过多次的实验证明本发明所用目标分割和跟踪方法可以有效的抑制地物等干扰，能够及时捕捉到高速运动目标并实现无丢失跟踪。

附图说明

图1是数字化后的雷达图像。

图2是滑动窗口示例图。

图3是本发明方法的流程图。

图4是帧差法和“滑动窗口”形态匹配中心化效果比较图。

图5是弱信号二次形态匹配中心化效果图。

图6是航迹关联跟踪效果图。

具体实施方式

图1为某时刻的雷达下滑天线回波的灰度图像，其中横坐标代表距离，纵坐标代表角度信息。方框中标记的为两个运动目标。由雷达图像可以得知，距雷达近处地物等回波强，干扰严重；远处运动目标回波弱，飞行目标在其邻域内为具有一定角度和距离范围的高亮区域，呈带状分布。噪声为离散的像素点，不具有规则的形态特征。

图2是滑动窗口的示例，因在雷达图像中目标占1-2列距离，为精确定位目标的中心点，经过多次试验证明当采用“滑动窗口”大小为6*5，按列邻域比较查找目标时能够很好的解决边缘界定，最大程度的捕捉到目标，获得最精确的目标中心点位置。

图3给出了本发明的流程图。当采集完一帧数据后，首先进行灰度等级划分，利用帧差法去除大部分固定地物干扰，然后再利用滑动窗口形态匹配算法分离出目标，使用目标中心化精确定位目标位置，并生产二值图像，之后结合多帧二值图像和目标运动规律进行航迹关联，进一步消除固定目标和噪声等干扰，并利用二次匹配和预测解决弱信号查找与噪声干扰问题，实现无丢失跟踪。

处理结果分析如下：

图4比较了原始图像滑动窗口形态匹配和帧差后再进行形态匹配的目标分离结果，方框内为运动目标，圆圈内为“滑动窗口”形态匹配及中心化后的目标点.由对比知，使用帧差法可以消除大部分背景干扰，滑动窗口形态匹配法对噪声起到很好的抑制作用.

图5为某时刻航向天线的回波图像，当运动目标回波微弱时，对帧差图像进行一次滑动窗口形态匹配可能会丢失目标，因此需要根据运动目标轨迹和运动特征自适应改变n₀T的大小并在其邻域内重新进行形态匹配分离出运动目标，实现无丢失跟踪。二次匹配邻域范围过大会造成匹配到更多的干扰点，缩小邻域范围既减少了干扰点的引入，也减小了计算量，提高了处理速度。

图6为连续五帧回波图像的形态匹配结果和关联情况，其中图(a)为原始图像，图(b)为帧差图像形态匹配结果，图(c)为航迹关联结果。由图(b)可看出近距离仍然存在地物干扰，图(c)通过航迹关联可以有效抑制地物干扰。

实际测试时，计算机配置为CPU为Celeron(R)2.53GHz，内存512M，实验平台为MicrosoftVisual C++6.0，待处理雷达图像序列为400*1000，图像灰度量化等级为20级，系统以串行方式工作，需在两副天线交替的极短间隔内完成目标分割与跟踪，所以要求尽量减小处理时间。运动目标的分离在最初3帧图像中完成，对实时性影响不大。调用QueryPerformanceFrequency()函数获得机器内部定时器的时钟频率为3.57955×10⁶Hz，调用QueryPerformanceCounter()函数精确定时得到强背景和弱背景干扰时连续八帧图像的目标分割时间、跟踪时间和总处理时间如下表所示。经实际测试，此处理算法满足实时性要求。

处理时间

Claims (1)

1.一种基于雷达图像的运动目标形态检测及跟踪方法，其特征是：当采集完一帧数据后，首先进行灰度等级划分，利用帧差法去除大部分固定地物干扰，然后再利用滑动窗口形态匹配算法分离出目标，使用目标中心化精确定位目标位置，并生产二值图像，之后结合多帧二值图像和目标运动规律进行航迹关联，进一步消除固定目标和噪声干扰，并利用二次匹配和预测解决弱信号查找与噪声干扰问题，实现无丢失跟踪。

Images