CN102830391B - 一种红外搜索与跟踪系统准确性指标计算方法 - Google Patents

Abstract

本发明涉及一种红外搜索与跟踪系统准确性指标计算方法，具体地说是一种利用最优估计理论实时定位的方法。其步骤为：采集红外图像序列并检测目标，当在连续帧中检测出目标后转入跟踪；卡尔曼滤波最优估计，实时输出最优图像目标定位信息；得到图像目标定位误差；将图像目标定位误差通过目标定位与空间角度之间关系，转换为目标定位估计误差，即准确性指标。本发明提出衡量IRST探测信息的准确性指标，并使之与定位估计误差信息相对应。计算方法满足实时性要求，便于工程实现。

Description

一种红外搜索与跟踪系统准确性指标计算方法

技术领域

本发明涉及一种红外搜索与跟踪系统准确性指标计算方法，具体地说是一种利用最优估计理论实时定位的方法。

背景技术

目前，对红外搜索与跟踪系统(Infrared Search&Track System，IRST)探测性能评估研究的焦点主要集中在如何科学选取评价指标，以及评价指标如何定量计算等关键问题上。近几年国外一些单位和个人进行了相关的研究并相应推出了各自的评估体系。它们分别适用于不同的领域，在各自的领域具有一定的代表性和实用性。国外一些学者研究了多传感器侦查系统的信息质量建模，提出了准确性、确定性、实时性、完整性的信息质量评估指标，并给出了多传感器侦查系统信息质量计算方法及形式化描述。但是专门针对光电传感器的探测指标定量计算方法还没有。利用光电传感器定位误差指标来定量计算IRST准确性指标的技术方案也未见报道。

最优估计理论是一门成熟的学科，有非常多的领域使用最优估计理论，包括传感器领域，用于探测定位。卡尔曼滤波是一种优秀的最优估计方法。它是一种高效率的自回归滤波器，能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。一个典型实例是从一组有限的，包含噪声的，对物体位置有偏差的观察序列预测出物体的位置的坐标及速度。

发明内容

针对IRST准确性指标没有一套完整的、切实可行的定量评估方案，无法准确考核光电探测信息的实际问题，以及在实际工程应用中的无法明确落实等诸多不足之处，本发明提出一种红外搜索与跟踪系统准确性指标计算方法，通过卡尔曼滤波最优估计理论计算光电传感器定位误差，来定量表征IRST准确性指标。

本发明为实现上述目的所采用的技术方案是：一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，其步骤为：

步骤1：采集红外图像序列并检测目标，当在连续帧中检测出目标后转入跟踪；

步骤2：卡尔曼滤波最优估计，即利用初始帧建立卡尔曼滤波状态方程和卡尔曼滤波观测方程，给定参数后，卡尔曼滤波进入工作状态，实时输出最优图像目标定位；

步骤3：根据最优图像目标定位与红外搜索与跟踪系统仿真系统测得的目标位置之间的偏差得到图像目标定位误差；

步骤4：将图像目标定位误差通过目标定位与空间角度之间关系，转换为目标定位估计误差，即准确性指标。

还可以将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置，转换为空间目标定位。

所述步骤1中当在连续帧中检测出目标后转入跟踪的过程为：对红外图像序列利用帧差法做目标检测并计算目标质心，如果连续帧内都检出目标且位置偏差在给定范围内，则判定是同一目标；连续帧目标位置偏差由第i帧的目标位置结合帧间覆盖关系计算得到；目标的方位、俯仰定位由光轴、目标相对于光心的位置确定；计算得出目标图像位置和空间定位后报警并转入跟踪。

所述步骤1中跟踪的具体实现步骤为：

a根据初始帧目标位置信息建立卡尔曼滤波状态方程，系统误差由统计值拟合噪声分布得到；

b将目标观测信息提供给目标观测方程，观测误差由统计值拟合噪声分布得到；

c利用卡尔曼滤波，得到实时目标位置预测信息；

d预测结果带入更新方程，得到实时最优图像目标定位信息作为下一时刻的参数，用于下一时刻目标位置估计。

所述步骤2中的卡尔曼滤波状态方程为

X_k＝AX_k-1+GW(k)

其中，X_k为目标在k时刻的预测位置，X_k-1为目标在k-1时刻的估计位置，X_k和X_k-1由卡尔曼滤波提供， $A=\left[\begin{array}{cccc}1& 0& T& 0\\ 0& 1& 0& T\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],$ $G=\left[\begin{array}{cc}{T}^2/2& 0\\ 0& T^2/2\\ T& 0\\ 0& T\end{array}\right],$ T为采样周期，W(k)为X、Y方向标准差均为σ_a的符合高斯分布的系统噪声。

所述步骤2中的卡尔曼滤波观测方程为

Z(k)＝HX_k+V(k)

量测矩阵 $H=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right],$ Z(k)为红外搜索与跟踪系统提供的目标位置观测值，V(k)为X、Y方向标准差均为σ_a的符合高斯分布的测量噪声。

所述步骤4中将图像目标定位误差通过目标定位与空间角度之间关系，转换为空间目标定位误差的方法为：

图像目标Y轴位置误差×垂直单位视场角→俯仰估计误差；

图像目标X轴位置误差×水平单位视场角→方位估计误差，俯仰估计误差和方位估计误差就是目标定位估计误差。

所述将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置，转换为空间目标定位的方法为：

光轴俯仰信息+图像目标Y轴位置×垂直单位视场角→俯仰估计；

光轴方位信息+图像目标X轴位置×水平单位视场角→方位估计，俯仰估计和方位估计就是目标定位估计。

本发明具有以下优点：

1.提出衡量IRST探测信息的准确性指标，并使之与定位估计误差信息相对应。本方法运用图像处理方法确定目标位置，并采用卡尔曼滤波最优估计理论确定最优图像目标定位，最终转换为目标定位估计误差，并与准确性指标相对应。准确性指标以及对应考核方法的提出落实了IRST准确性能计算方法，提供了一种有效衡量IRST准确性能的手段。

2.计算方法满足实时性要求，便于工程实现。计算过程中首先由卡尔曼滤波估计定位信息，再由定位信息确定定位误差。定位估计方法选用卡尔曼滤波方法，是由于卡尔曼滤波实时性的特点能够实时确定定位误差，满足工程实现实时性的要求。

附图说明

图1是本发明的整体流程示意图；

图2A是本发明的实施例在滤波前后轨迹示意图；

图2B是本发明的实施例在水平方向滤波前后轨迹示意图；

图2C是本发明的实施例在垂直方向滤波前后轨迹示意图；

图3A是本发明的实施例的第1帧红外图像；

图3B是本发明的实施例的第12帧红外图像；

图3C是本发明的实施例的第25帧红外图像；

图3D是本发明的实施例的第40帧红外图像；

图4是本发明的实施例的图像目标定位误差曲线；

图5是本发明的实施例的目标定位误差曲线。

具体实施方式

下面结合附图及具体实施例对本发明做详细说明。

本发明的整体流程示意图如图1所示。IRST准确性指标由俯仰误差和方位误差组成。俯仰误差和方位误差的求取方法是：首先利用卡尔曼滤波得到目标水平、垂直方向位置估计，进而得到水平、垂直方向位置估计误差，再通过空间转换，得到目标俯仰误差、方位误差。

本发明具体实现方法为：

1采集红外图像序列并检测目标，如果连续2帧检出目标则转入跟踪，具体方法如下：

1)计算连续2帧目标位置偏差

由IRST仿真系统生成红外图像序列并对图像序列利用帧差法做目标检测并计算目标质心，如果连续2帧检出目标且位置偏差在给定范围内，则判定是同一目标，并转换为空间定位角度。连续2帧位置偏差由F1、F2(第i帧记为Fi)中目标位置，结合F1与F2之间覆盖关系计算得到。

2)由连续2帧目标位置计算目标空间定位

在IRST仿真系统环境下，已知视场角α×β，图像尺寸R_h×R_v，由视场角和图像尺寸可得单位视场角：

水平单位视场角＝α/R_h；

垂直单位视场角＝β/R_v。

根据光轴位置、目标相对于光心的位置，目标的方位、俯仰角按下式计算：

α＝α_c+Δα＝α_c+px*α/R_h

β＝β_c+Δβ＝β_c+py*β/R_v

其中：(α_c，β_c)：光轴角度；(Δα，Δβ)：目标相对于光轴角度；(α，β)：目标空间方位、俯仰角度；(px，py)：目标相对于光心位置。计算完毕报警并转入步骤2。

2卡尔曼滤波最优估计

卡尔曼滤波最优估计的目的是得到目标最优定位信息，提供给步骤3做目标定位误差计算，再提供给步骤4做空间转换，从而定量计算出俯仰误差与方位误差这两个准确性指标。

图3为红外图像序列，其中亮斑部分是目标。图3A是本发明的实施例的第1帧红外图像；图3B是本发明的实施例的第12帧红外图像；图3C是本发明的实施例的第25帧红外图像；图3D是本发明的实施例的第40帧红外图像。

目标为弱机动对象，在短时间范围内可近似看做匀速直线运动。将连续2帧目标位置作为位置初值，滤波所需真值(xk，yk)由IRST仿真系统提供，测量值(zxk，zyk)由目标检测算法提供，目标受到均值为0，X、Y方向标准差均为σ_a的符合高斯分布的系统噪声W(k)，则可得到目标作匀速运动的离散状态转换方程：X_k＝AX_k-1+GW(k)。

跟踪预测目标的位置，以及对应的速度，采样周期为T，用向量表示移动目标在k时刻的状态：其中，x_k、y_k表示k时刻目标的位置， 是k时刻目标的速度。

A表示为

$A=\left[\begin{array}{cccc}1& 0& T& 0\\ 0& 1& 0& T\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

G表示为

$G=\left[\begin{array}{cc}{T}^2/2& 0\\ 0& T^2/2\\ T& 0\\ 0& T\end{array}\right]$

系统噪声方差Q＝cov(GW(k))＝σ_a ²GG^T。

在每一采样时刻，对目标位置进行测量，测量噪声通过拟合确定为服从均值为0，X、Y方向标准差均为σ_z的高斯分布，且X、Y方向噪声相互独立，则对于观测模型：Z(k)＝HX(k)+V(k)，量测矩阵H定为：

$H=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right]$

测量噪声方差其中I为2阶单位阵。

利用前几组观测值建立状态的起始估计和初始估值方差P(k|k)(K＜＝3)，则滤波估计从k+1时刻开始。位置估计结果如图2所示。

图2为卡尔曼滤波位置估计曲线图。图中real track为目标真实位置构成的运动轨迹；measured value为目标位置测量值构成的运动轨迹；estimated value为卡尔曼滤波后得到的最优位置估计。

从图2A中可以看出，estimated value曲线一直在real track曲线附近震荡，并且在measured value曲线之内，这说明卡尔曼滤波收敛，目标位置估计误差小于目标位置测量值误差。这正是我们想要的结果。图2A是图2B和图2C的合并，为了直接看到水平和垂直方向的运动轨迹，将图2A拆分成图2B和图2C。

图2A：横轴：目标在图像中的水平位置；

纵轴：目标在图像中的垂直位置。

图2B：表示卡尔曼滤波在水平方向的工作情况。

横轴：第i帧图像(本图截取第24帧～36帧)；

纵轴：第i帧图像中水平位置。

图2C：表示卡尔曼滤波在垂直方向的工作情况。

横轴：第i帧图像(本图截取第26帧～32帧)；

纵轴：第i帧图像中垂直位置。

3误差计算

通过步骤2得到目标位置(xe，ye)后，计算与真值(x，y)之间偏差绝对值，得到位置误差(errx，erry)，图像目标定位误差曲线如图4所示。

本发明的实施例的图像目标定位误差曲线如图4所示。其中，横轴表示图像序列(第1帧～100帧图像)；纵轴表示误差，单位为像素，图中所示最大误差为水平方向误差，即1.8像素。水平方向误差对应到图2B中estimated value与real value的差值；垂直方向误差对应到图2C中estimated value与real value的差值。两条曲线都呈下降趋势，说明误差收敛，符合要求。

4空间转换

卡尔曼滤波跟踪过程中，最优图像目标定位(xe，ye)以及图像目标定位误差(errx，erry)，通过目标定位与空间角度之间关系以及光轴实时位置(α_c，β_c)，转换为方位估计、俯仰估计(α，β)或方位误差估计、俯仰误差估计(err_α，err_β)。

其中，最优图像目标定位与方位估计、俯仰估计关系如下：

α＝αc₊Δα＝α_c+px ×α/R_h

β＝β_c+Δβ＝β_c+py ×β/R_v

其中，(α_c，β_c)为光轴位置；(Δα，Δβ)为目标相对于光轴角度估计；(α，β)为方位估计、俯仰估计；(px，py)为目标相对于光心位置估计。(α/R_h，β/R_v)为水平单位视场角、垂直单位视场角。

图像目标定位误差(errx，erry)与方位误差估计、俯仰误差估计(err_α，err_β)关系如下：

err_α＝errx×α/R_h

err_β＝erry×β/R_v

本发明的实施例的目标定位估计误差曲线如图5。目标水平和垂直方向位置估计误差(如图4所示)做空间转换后，转换为方位估计误差和俯仰估计误差。

其中，横轴表示图像序列(第1帧～100帧图像)；纵轴表示误差，单位为角度，图中最大误差为水平方向误差，即0.17°。

通过上述步骤的实施，可以实时、定量地计算目标定位误差，从而切实落实了IRST准确性指标的定量考核办法。

Claims (7)

1.一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，其步骤为：

步骤1：采集红外图像序列并检测目标，当在连续帧中检测出目标后转入跟踪；步骤2：卡尔曼滤波最优估计，即利用初始帧建立卡尔曼滤波状态方程和卡尔曼滤波观测方程，给定参数后，卡尔曼滤波进入工作状态，实时输出最优图像目标定位；

步骤3：根据最优图像目标定位与红外搜索与跟踪系统仿真系统测得的目标位置之间的偏差得到图像目标定位误差；

步骤4：将图像目标定位误差通过目标定位与空间角度之间关系，转换为空间目标定位误差，即准确性指标；

所述步骤4中将图像目标定位误差通过目标定位与空间角度之间关系，转换为空间目标定位误差的方法为：

err_α＝errx×α/R_h

err_β＝erry×β/R_v

其中，α/R_h为水平单位视场角，β/R_v为垂直单位视场角，α、β为已知视场角，R_h、R_v为图像尺寸，errx为图像目标X轴位置误差，erry为图像目标Y轴位置误差，err_α为方位估计误差，err_β为俯仰估计误差；

俯仰估计误差和方位估计误差就是空间目标定位误差。

2.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，还可以将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置，转换为空间目标定位。

3.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，所述步骤1中当在连续帧中检测出目标后转入跟踪的过程为：对红外图像序列利用帧差法做目标检测并计算目标质心，如果连续帧内都检出目标且位置偏差在给定范围内，则判定是同一目标；连续帧目标位置偏差由第i帧的目标位置结合帧间覆盖关系计算得到；目标的方位、俯仰定位由光轴、目标相对于光心的位置确定；计算得出目标图像位置和空间定位后报警并转入跟踪。

4.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，所述步骤1中跟踪的具体实现步骤为：

a根据初始帧目标位置信息建立卡尔曼滤波状态方程，系统误差由统计值拟合噪声分布得到；

b将目标观测信息提供给目标观测方程，观测误差由统计值拟合噪声分布得到；

c利用卡尔曼滤波，得到实时目标位置预测信息；

d预测结果带入更新方程，得到实时最优图像目标定位信息作为下一时刻的参数，用于下一时刻目标位置估计。

5.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，所述步骤2中的卡尔曼滤波状态方程为

X_k＝AX_k-1+GW(k)

其中，X_k为目标在k时刻的预测位置，X_k-1为目标在k-1时刻的估计位置，X_k和X_k-1由卡尔曼滤波得到， $A=\left[\begin{array}{cccc}1& 2& T& 0\\ 0& 1& 0& T\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],G=\left[\begin{array}{cc}{T}^2/2& 0\\ 0& T^2/2\\ T& 0\\ 0& T\end{array}\right],$ T为采样周期，W(k)为X、Y方向标准差均为σ_a的符合高斯分布的系统噪声；

$X_k={\left(\begin{array}{cccc}{x}_k& y_k& \stackrel{\·}{x}& \stackrel{\·}{y}\end{array}\right)}^T,$ 其中，x_k、y_k表示k时刻目标的位置，是k时刻目标的速度。

6.根据权利要求1所述的一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，所述步骤2中的卡尔曼滤波观测方程为

Z(k)＝H X_k+V(k)

量测矩阵 $H=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right],$ Z(k)为红外搜索与跟踪系统提供的目标位置观测值，V(k)为X、Y方向标准差均为σ_a的符合高斯分布的测量噪声；X_k为目标在k时刻的预测位置， $X_k={\left(\begin{array}{cccc}{x}_k& y_k& \stackrel{\·}{x}& \stackrel{\·}{y}\end{array}\right)}^T,$ 其中，x_k、y_k表示k时刻目标的位置，是k时刻目标的速度。

7.根据权利要求2所述的一种红外搜索与跟踪系统准确性指标计算方法，其特征在于，所述将最优图像目标定位通过目标定位与空间角度之间关系以及光轴位置，转换为空间目标定位的方法为：

α'＝α_c+△α＝α_c+px×α/R_h

β'＝β_c+△β＝β_c+py×β/R_v

其中，α_c为光轴方位信息，β_c为光轴俯仰信息，△α为图像目标相对于X轴角度估计，△β为图像目标相对于Y轴角度估计，α'为方位估计，β'为俯仰估计；px为图像目标X轴位置，py为图像目标Y轴位置，α/R_h为水平单位视场角，β/R_v为垂直单位视场角；

俯仰估计和方位估计就是空间目标定位估计。