CN102842139B - 一种目标轨迹的求取方法 - Google Patents

Abstract

本发明公开了一种目标轨迹的求取方法，包括如下步骤：初始化参数和数据、目标检测、目标点关联，关联门限更新和虚假轨迹的剔除。本发明的积极效果是：用户可以根据不同的作战环境，调整算法参数，使其达到预期的算法结果，同时本算法的检测算法，采用了掩码图像处理提高了检测效率，另一方面，在轨迹关联，只保存上一帧的图像，和两个速度参数，从而简化了运算量，提高了运算速率。

Description

一种目标轨迹的求取方法

技术领域

本发明涉及目标跟踪技术领域，尤其是涉及一种目标轨迹的求取方法。

背景技术

由于传感器观测过程的不确定性和缺乏跟踪环境的先验知识，使得量测过程中不可避免的存在量测误差；另外，由于目标数据通常不确定，在多目标情况下会无法判定量测数据是来自感兴趣的目标，还是虚警或是其他目标。正是这些不确定性和随机性，所以需要利用数据关联技术寻求解决方法。而数据关联就是要解决哪个量测来自哪个目标的问题。数据关联问题广泛存在于目标跟踪的各个阶段。跟踪的起始阶段，需要在多个采样周期间进行量测与量测的关联，以便为新目标起始航迹提供充分的初始化信息和依据；在航迹更新和维持阶段，则需要进行量测与已建立目标航迹之间的关联，以确定用于航迹更新的量测。

现有的目标关联方法中，在完成目标检测后，才进行轨迹关联，同时轨迹关联算法复杂，需要保存一定量的帧检测结果。此方法计算量大，花费时间，且占用较大存贮空间。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种目标轨迹的求取方法。

本发明解决其技术问题所采用的技术方案是：一种目标轨迹的求取方法，包括如下步骤：

S1.初始化：完成参数的初始化设置和数据的初始化；

S2.掩码背景图像的估计；

S3.帧差法目标检测：用源图像减去背景图像，得到含有点目标的残差图像；对残差图像进行阈值处理，提取点目标；

S4.判断是否检测到目标，如果否，则执行步骤S2，如果是，则进行目标点关联，如果关联成功，则每条轨迹对应的目标计数器tag的值加1，进入步骤S5；如果关联不成功，则判断是新目标，为新目标初始化轨迹，然后进入步骤S5；

S5.关联门限更新；

S6.判断帧处理计数器是否大于每次处理的图像帧数M，如果否，则执行步骤S1；如果是，则轨迹关联停止，同时令M=0，进行去噪处理。

步骤S2所述的掩码背景图像的估计方法包括：

S21.用滤波窗在源图像上进行滑动，如果在滤波窗中某个像素的灰度值对滤波窗所在区域灰度均值的贡献大于预设阈值，则掩码图像中对应此位置的像素设为1，否则设为0；

S22.利用步骤S21得到的掩码图像，对源图像进行形态学开运算滤波处理，得到背景图像。

步骤S6所述的去噪处理的方法为：判断每条轨迹对应的目标计数器tag的值：如果目标计数器tag的值大于等于噪声剔除参数k，即可确认该目标，并标记其坐标位置，否则作为噪声删除。

所述噪声剔除参数

与现有技术相比，本发明的积极效果是：采用本发明方法，用户可以根据不同的作战环境，调整算法参数，使其达到预期的算法结果；同时本发明方法的检测算法采用了掩码图像处理，提高了检测效率；而且，在轨迹关联中，只保存上一帧的图像和两个速度参数，从而简化了运算量，提高了运算速率。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明方法的流程图。

具体实施方式

一种目标轨迹的求取方法，如图1所示，包括如下步骤：

S1.初始化，完成参数的初始化设置和数据的初始化，具体又包括如下分步骤：

S11.目标检测参数的初始化,滤波窗A大小s，开运算结构体的大小s1，滤波窗A的选取方法如下：

为了减少计算量，滤波窗A的大小为N×N(一般N=3，5，7，9)，在统计滤波窗A的像素点时通常取其具有代表性的几个方向，比如水平方向和垂直方向等。

S12.轨迹关联参数的初始化，每次处理的图像帧数M，关联判决邻域的尺寸δ，关联门限的参数v_min,v_max，噪声剔除参数k，链表的节点,即目标点的信息(帧号t，位置信息(x,y))；

S2.掩码背景图像的估计：

S21.用滤波窗A在源图像f上进行滑动，如果在滤波窗A中某个像素的灰度值f(i,j)对区域A内灰度均值贡献大于预设阈值α，则掩码图像中对应此位置的像素设为1（表示此位置可能含有目标点，需要进行滤波处理），否则设为0（表示此位置就是背景元素，不需要进行滤波），如下式，

$\mathrm{Mask}(i,j)=\left\{\begin{array}{cc}1& |f(i,j)-{\mathrm{\μ}}_b|>\mathrm{\α}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中f为源图像，Mask为掩码图像（即背景图像），基于概率分布的知识，预设阈值α＝2σ_b，μ_b、σ_b分别为背景图像灰度值的均值和灰度标准差；

S22.根据S21得到的掩码图像，对源图像进行形态学开运算滤波处理，得到背景图像：

开运算是对图像作腐蚀，然后作膨胀运算的结果。通过腐蚀操作可将小于结构元素B的物体去掉。如果在腐蚀运算后再用同样结构元素进行膨胀运算，可以使图像中大区域的形状和大小保持不变(小区域的已经在腐蚀运算中被去掉)，这就是开运算的作用。所述腐蚀和膨胀运算如下：

腐蚀(Erosion)和膨胀(Dilation)是形态学两个基本运算。在二值形态学中，腐蚀的定义：对一个给定的目标图像A和一个结构元素B，B对A的腐蚀如下：

$\mathrm{A\ΘB}=\{x:B+x\⋐A\}$

式中表示子集关系。膨胀是腐蚀的对偶运算，可以通过对补集的腐蚀来定义。A被B膨胀表示为定义如下：

$A\⊕B={\left[A^{-}\mathrm{\Θ}(-B)\right]}^{-}$

其中，上标-表示补集。

形态学开运算(Open)以形态学的腐蚀和膨胀运算来定义。利用图像G对图像F作开运算，用FοG表示，其定义如下：

S3.帧差法目标检测：

S31.帧差法是弱小目标特性检测的有效的算法，基于此，源图像f减去背景图像Mask，得到含有点目标的残差图像；

S32.由S31得到的残差图像，经过阈值处理，进一步把点目标提取出来，如下，

$\mathrm{ImgResult}(i,j)=\left\{\begin{array}{cc}1& \mathrm{ImgSub}(i,j)>\mathrm{Threshold}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中分割阈值Threshold一般是根据图像的统计特性和虚警概率来确定的，分割阈值Threshold的求取算法如下：

经过滤波后的图像中既有目标，同时也伴有噪声和杂点，需要进一步采用判断准则来提取真正的潜在小目标。在很多场合下，要想获知目标或噪声的特性即均值和方差，以及错误估计的代价是比较困难的，也就是说信号无先验信息，也无法确定代价，在这种情况下，一般采用纽曼-皮尔逊准则，即在给定虚警概率P(D₁|H₀)条件下，使检测概率P(D₁|H₁)达到最大。

这里假设x为一单帧的检测值，H₀代表目标不存在，H₁代表目标出现，同时假设图像的背景噪声是高斯白噪声，则其可以描述为：

H₁:x=s₁+n  H₀:x=s₀+n

上式中，s₁为目标信号幅度值和背景噪声的均值之和，s₀为背景噪声的均值，n为加性噪声，n服从均值为0、方差为σ²的高斯白噪声。对于滤波后的图像，其每个像素点是目标的概率函数p(x|s₁)，也是背景的概率函数p(x|s₀)，分别如下：

$p\left(x\right|s_1)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(x-s_1)}^2}{2{\mathrm{\σ}}^2})$

$p\left(x\right|s_0)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp (-\frac{{(x-s_0)}^2}{2{\mathrm{\σ}}^2})$

设单帧检测关联门是th，根据信号检测与估计理论，在平稳正态噪声条件下，其检测概率P_d和虚警概率P_f分别为：

$P_d={\∫}_{\mathrm{th}}^{+\∞}\frac{1}{\sqrt{2\mathrm{\π\σ}}}\exp (-\frac{{(x-\mathrm{\η}-\mathrm{\σSNR})}^2}{2{\mathrm{\σ}}^2})\mathrm{dx}=\mathrm{\Φ}\left|\frac{\mathrm{\η}+\mathrm{\σSNR}-\mathrm{th}}{\mathrm{\σ}}\right|$

$P_f={\∫}_{\mathrm{th}}^{+\∞}\frac{1}{\sqrt{2\mathrm{\π\σ}}}\exp (-\frac{{(x-\mathrm{\η})}^2}{2{\mathrm{\σ}}^2})\mathrm{dx}=\mathrm{\Φ}\left|\frac{\mathrm{\η}-\mathrm{th}}{\mathrm{\σ}}\right|$

其中η和σ分别是噪声的均值和标准差，SNR为信噪比，Φ（·）为标准正态分布函数。

则分割阈值Threshold为：

Threshold=η-σΦ^-1(P_f)

如果图像的大小为N₁×N₂，滤波后的图像的灰度为g(i,j),则，

$\mathrm{\η}=\frac{1}{N_1{N}_2}\underset{i=1}{\overset{N_2}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_1}{\mathrm{\Σ}}}g(i,j)$

$\mathrm{\σ}=\frac{1}{N_1{N}_2}\underset{i=1}{\overset{N_2}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_1}{\mathrm{\Σ}}}{(g(i,j)-\mathrm{\η})}^2$

S4.判断是否检测到目标，如果否，则执行步骤S2，如果是，则进行目标点关联：与前一帧检测的目标位置信息进行关联，即依次遍历候选目标点，对于每个目标点j与上一帧的每个目标点i进行关联，如果满足式，

$V_{\min }T\≤\mathrm{\ΔR}=\sqrt{(x_t^i-x_{t-1}^j)*(x_t^i-x_{t-1}^j)+(y_t^i-y_{t-1}^j)*(y_t^i-y_{t-1}^j)}\≤V_{\max }T$

则说明此目标点j与上帧候选目标点i同属一个目标，其中t表示当前帧号，T为图像的采样间隔。把此目标点的位置信息记录于上帧中对应点的链表中，则每条轨迹对应的目标计数器tag的值加1，关联成功，进入步骤S5；如果遍历完了上帧的目标点，没找到关联的点，则判断是新的目标，关联不成功，则为其初始化轨迹，并为其设置一个链表num，同时标记tag[num]=1，进入步骤S5；

S5.关联门限更新：对关联门限进行更新如式；

$V_{\min }=\min \left(\frac{r_i-r_{i-1}}{t_i-t_{i-1}}\right),$ i=2,3,..,N

$V_{\max }=\max \left(\frac{r_i-r_{i-1}}{t_i-t_{i-1}}\right),$ i=2,3,..,N

其中(i＝1,2,...,N)，(x_i,y_i)为获得目标观测值。

S6.判断帧处理计数器是否大于每次处理的图像帧数M，如果否，则执行步骤S1；如果是，则轨迹关联停止，同时令M=0，进行去噪处理，即判断每条轨迹对应的目标计数器tag的值：如果目标计数器tag的值大于等于噪声剔除参数k（这里一般k选取本发明方法确认目标的准则是“四选三”准则，即），就可以确认该目标，并标记其坐标位置，否则当作噪声处理，将其删除。

Claims (3)

1.一种目标轨迹的求取方法，其特征在于：包括如下步骤：

S1.初始化：完成目标检测参数的初始化和轨迹关联参数的初始化；

S2.掩码背景图像的估计；

S3.帧差法目标检测：用源图像减去背景图像，得到含有点目标的残差图像；对残差图像进行阈值处理，提取点目标；

S4.判断是否检测到目标，如果否，则执行步骤S2，如果是，则进行目标点关联，如果关联成功，则每条轨迹对应的目标计数器tag的值加1，进入步骤S5；如果关联不成功，则判断是新目标，为新目标初始化轨迹，为其设置一个链表，同时标记tag[num]＝1，然后进入步骤S5；进行目标点关联：与前一帧检测的目标位置信息进行关联；

S5.关联门限更新；

S6.判断帧处理计数器是否大于每次处理的图像帧数M，如果否，则执行步骤S1；如果是，则轨迹关联停止，同时令M＝0，进行去噪处理；

所述的去噪处理的方法为：判断每条轨迹对应的目标计数器tag的值：如果目标计数器tag的值大于等于噪声剔除参数k，即可确认该目标，并标记其坐标位置，否则作为噪声删除。

2.根据权利要求1所述的一种目标轨迹的求取方法，其特征在于：步骤S2所述的掩码背景图像的估计方法包括：

S21.用滤波窗在源图像上进行滑动，如果在滤波窗中某个像素的灰度值对滤波窗所在区域灰度均值的贡献大于预设阈值，则掩码图像中对应此位置的像素设为1，否则设为0；

S22.利用步骤S21得到的掩码背景图像，对源图像进行形态学开运算滤波处理，得到掩码背景图像。

3.根据权利要求1所述的一种目标轨迹的求取方法，其特征在于：所述噪声剔除参数