CN107369164A - 一种红外弱小目标的跟踪方法 - Google Patents

Abstract

本发明公开了一种红外弱小目标的跟踪方法，其特征在于，包括以下步骤：步骤一：输入初始帧红外图像；步骤二：在初始帧红外图像中获取目标的初始位置；步骤三：输入下一帧原红外图像；步骤四：在输入的下一帧原红外图像中标记所有候选目标，得到标记图像等步骤。本发明在红外图像的复杂背景下，对单帧检测到的候选目标点经行目标质心的提取，建立轨迹，然后对满足判决准则的轨迹确认为真实的目标轨迹，不满足的当作虚假目标剔除掉，从而减少后续跟踪处理的负担，有利于对于后期红外诱饵的干扰对抗，提高弱小目标跟踪的抗干扰能力，最终实现弱小目标的精准跟踪。

Description

一种红外弱小目标的跟踪方法

技术领域

本发明涉及红外图像处理技术领域，具体涉及一种红外弱小目标的跟踪方法。

背景技术

红外成像制导系统具有抗干扰能力强、隐蔽性好、生存能力强等优点，从二十世纪开始，被广泛应用于各个领域中。红外目标跟踪作为成像制导系统中的核心技术也受到了广泛的关注。在实际应用中，由于背景和噪声的影响，红外目标的检测跟踪过程变得非常复杂。尤其是当成像距离较远时，目标在图像平面上呈现点状或仅占几个象素大小的位置，并且信号微弱，易受到复杂背景和噪声的影响，淹没其中而无法进行检测跟踪。因此，基于复杂背景下的红外小目标跟踪问题逐渐成为红外目标跟踪中的主要研究课题。

目前，有多种对弱小目标跟踪的算法，但是由于这些跟踪算法都不能很好的适应场景和天气的变化，以及噪声的干扰，使得检测跟踪能力大大降低，所以如何提高红外弱小目标跟踪精准性和实时性则是目前的当务之急。

发明内容

本发明的目的在于克服目前的弱小目标跟踪算法在复杂背景下无法精准、实时的跟踪弱小目标的缺陷，提供一种红外弱小目标的跟踪方法。

本发明的目的通过下述技术方案现实：一种红外弱小目标的跟踪方法，包括以下步骤：

步骤一：输入具有目标点的初始帧原红外图像；

步骤二：在初始帧原红外图像中获取目标点的初始位置；

步骤三：输入下一帧原红外图像；

步骤四：在输入的下一帧原红外图像中标记所有候选目标，得到标记图像；

步骤五：根据标记图像中每一个候选目标所在的位置，在所输入的下一帧原红外图像中所对应的相应位置进行候选目标的质心提取；

步骤六：在输入的下一帧原红外图像中剔除虚假目标；

步骤七：通过关联门计算，判定目标点是否丢失；是，结束跟踪，否，确定最佳目标点并返回步骤三。

进一步的，所述步骤四中在输入的下一帧原红外图像中标记所有候选目标，

得到标记图像包括以下步骤：

①对输入的下一帧原红外图像进行阈值分割处理，得到二值图像；

②对二值图像进行种子增长处理，得到所有候选目标所在位置的标记图像；

所述步骤②中对二值图像进行种子增长处理，得到所有候选目标所在位置的标记图像包括以下步骤：

(1)计算相邻两帧原红外图像的灰度绝对差，并统计灰度绝对差的均值和方差；

(2)根据灰度绝对差的均值和方差设定种子阈值，在二值图像上将灰度绝对差大于种子阈值的所有象素点标记为候选目标的种子象素点；

(3)根据灰度绝对差的均值和方差设置种子增长条件；

(4)对候选目标的种子象素点的邻域进行搜索，将所有满足种子增长条件的象素点标记为候选目标点，得到所有候选目标点所在位置的标记图像。

步骤五：根据标记图像中每一个候选目标所在的位置，在所输入的下一帧原红外图像中所对应的相应位置进行候选目标的质心提取，所述候选目标的质心提取的计算公式如下：

其中X_CM为X轴方向上的坐标，Y_CM为Y轴方向上的坐标，X_i是X轴第i个像素点距Y轴的距离，Y_i是Y轴第i个像素点距X轴的距离，M×N为目标点所占区域的大小，M为区域的宽，N为区域的高；f(x，y)为候选目标点(x，y)的灰度值。

所述步骤六中在输入的下一帧原红外图像中剔除虚假目标的方法包括：采用关联概率计算公式分别计算目标轨迹的关联概率P₁和噪声轨迹的关联概率P₂；其中，将p＝p_d代入关联概率计算公式中计算出目标轨迹的关联概率P₁，将p＝1-(1-p_f)^s*s代入关联概率计算公式中计算出噪声轨迹的关联概率P₂；当目标轨迹的关联概率P₁大于预设的目标轨迹的关联概率，并且噪声轨迹的关联概率P₂小于预设的噪声轨迹的关联概率时，则判定该轨迹为目标轨迹，否则为噪声轨迹，当为噪声轨迹时则剔除该噪声轨迹；其中，P为关联概率，L为红外图像序列帧数，m为目标被检测的次数，p_d为单帧红外图像目标的检测概率，p_f为单帧虚警概率，s为关联门的大小，是排列组合中的数学符号，k为变量。

所述步骤七中通过关联门计算，判定目标点是否丢失的方法为：首先确定关联门的中心和大小，再确定关联门内是否有候选目标；当关联门内连续没有候选目标的帧数超过预设的帧数时，判定目标丢失，否则，目标没有丢失；所述步骤七中确定最佳目标点的方法为：当关联门内只有一个候选目标点时，则该候选目标点为最佳目标点；当关联门内有一个以上的候选目标点时，则计算每一个候选目标点与目标轨迹的模糊概率，并选定模糊概率最大的候选目标点作为最佳的目标点；所述候选目标点与目标轨迹的模糊关联概率的计算公式为：其中m_ij为候选目标点i与目标j的模糊关联概率，m_dij为候选目标点i与目标轨迹j的距离模糊关联概率，m_gij为候选目标点i与目标j的灰度模糊关联概率；α为可调因子，其取值范围是0≤α≤1；其中，候选目标点与目标轨迹的距离模糊关联概率m_d的计算方法为：首先计算候选目标点的质心(x_t,y_t)到关联门的中心(x₀,y₀)的距离Δd，计算公式为：△d＝max[|(x_t-x₀)|,|(y_t-y₀)|]，当Δd＞5时，候选目标点与目标轨迹的距离模糊关联概率m_d＝0，否则距离模糊关联概率m_g根据以下公式取值：候选目标点与目标的灰度模糊关联概率m_g的计算方法为：首先计算候选目标点的灰度g_t与目标轨迹末尾目标点的灰度g₀的灰度差Δg，计算公式为:Δg＝|g_t-g₀|；当Δg＞5时，候选目标点与目标的灰度模糊关联概率m_g＝0，否则灰度模糊关联概率m_g根据以下公式取值：

本发明与现有技术相比具有以下优点及有益效果：本发明在红外图像的复杂背景下，对单帧检测到的候选目标点经行目标质心的提取，建立轨迹，然后对满足判决准则的轨迹确认为真实的目标轨迹，不满足的当作虚假目标剔除掉，从而减少后续跟踪处理的负担，有利于对于后期红外诱饵的干扰对抗，提高弱小目标跟踪的抗干扰能力，最终实现弱小目标的精准跟踪。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式并不限于此。

实施例

如图1所示，本发明公开的红外弱小目标的跟踪方法，包括以下步骤：

步骤一：在红外跟踪系统中输入具有目标点的初始帧原红外图像。

步骤二：在初始帧红外图像中人工获取目标点的初始位置。

步骤三：在红外跟踪系统中输入下一帧原红外图像。

步骤四：在输入的下一帧原红外图像中标记所有候选目标，得到标记图像；其具体包括以下步骤：

①对输入的下一帧原红外图像进行阈值分割处理，得到二值图像；对红外图像进行阈值分割属于成熟的技术，在此不做过多赘述。

②对二值图像进行种子增长处理，得到所有候选目标所在位置的标记图像；即对二值图像进行种子增长处理，从而将具有相似性质的像素点集合起来构成一个所有候选目标点所在的区域；其具体包括以下步骤：

(1)计算相邻两帧原红外图像的灰度绝对差，并统计灰度绝对差的均值M和方差A。例如，计算步骤一中输入的初始帧红外图像和步骤三中输入的下一帧原红外图像的灰度绝对差，灰度绝对差的计算公式为：Diff(x,y)＝|f_i(x,y)-f_i-1(x,y)|，其中，f_i-1(x,y)表示第i-1帧原红外图像的灰度，f_i(x,y)表示第i帧原红外图像的灰度，Diff(x,y)表示相邻两帧原红外图像的灰度绝对差；其中灰度绝对差的均值M的计算公式为：灰度绝对差的方差A的计算公式为：H表示图像的高，W表示图像的宽，Diff(i,j)为灰度绝对差图像中像素坐标为(i，j)的灰度绝对差值。

(2)根据均值和方差设定种子阈值，在二值图像上将灰度绝对差大于种子阈值的所有象素点设为候选目标的种子象素点。例如，设定种子阈值为M+8*A，当象素点的灰度绝对差大于阈值M+8*A时，则该象素点为候选目标的种子象素点。

(3)根据均值和方差设置种子增长条件。例如，设置种子增长条件为[M+3A，M+8*A]。

(4)对候选目标的种子象素点的邻域进行搜索，将所有满足种子增长条件的象素点设定为候选目标点，得到所有候选目标点所在位置的标记图像。即对候选目标的种子象素点所在位置的相邻区域进行搜索，将所有处于种子增长条件[M+3A，M+8*A]范围内的象素点设定为候选目标点，即得到了所有候选目标点所在的位置，通过对所有候选目标点的位置进行标记则得到标记图像。

步骤五：根据标记图像中每一个候选目标所在的位置，在所输入的下一帧原红外图像中所对应的相应位置进行候选目标的质心提取。因为目标在行进的过程中会受到噪声的影响，因此需要对候选目标的质心进行提取，候选目标的质心的计算公式如下：

其中X_CM为X轴方向上的坐标，Y_CM为Y轴方向上的坐标，X_i是X轴第i个像素点距Y轴的距离，Yi是Y轴第i个像素点距X轴的距离，(X_CM,Y_CM)则为所要求取的目标质心坐标，M×N为目标点所占区域的大小，M为区域的宽，N为区域的高；f(x，y)为候选目标点(x，y)的灰度值。

步骤六：在输入的下一帧原红外图像中剔除虚假目标，从而减少后续跟踪处理的负担，有利于提高弱小目标跟踪的抗干扰能力。其具体方法为：采用关联概率计算公式分别计算目标轨迹的关联概率P₁和噪声轨迹的关联概率P₂；其中，将p＝p_d代入关联概率计算公式中计算出目标轨迹的关联概率P₁，将p＝1-(1-p_f)^s*s代入关联概率计算公式中计算出噪声轨迹的关联概率P₂；当目标轨迹的关联概率P₁大于预设的目标轨迹的关联概率，并且噪声轨迹的关联概率P₂小于预设的噪声轨迹的关联概率时，则判定该轨迹为目标轨迹，否则为噪声轨迹，当为噪声轨迹时则剔除该噪声轨迹。其中，P为关联概率，L为红外图像序列帧数，m为目标被检测的次数，p_d为单帧红外图像目标的检测概率，p_f为单帧虚警概率，s为关联门的大小。例如，预设的目标轨迹的关联概率为0.98，预设的噪声轨迹的关联概率为0.001；当计算出来的目标轨迹的关联概率P₁大于0.98，同时计算出来噪声轨迹的关联概率P₂小于0.001时，则判定该轨迹为目标轨迹，否则为噪声轨迹。

步骤七：通过关联门计算，判定目标点是否丢失；是，结束跟踪，否，确定最佳目标点并返回步骤三，继续跟踪。

其中，通过关联门计算，判定目标点是否丢失的方法为：首先确定关联门的中心和大小。关联门的中心就是候选目标在下一帧红外图像上的预测位置；候选目标在下一帧红外图像上的预测位置的计算方法为：假设候选目标在当前帧红外图像上的位置信息为(x_i,y_i)，根据当前帧红外图像上的位置信息计算候选目标在下一帧红外图像上的预测位置：首先，计算候选目标在图像x轴和y轴方向上的帧间位移，计算公式如下：Δx_i为候选目标在图像x轴方向上的帧间位移，Δy_i为候选目标在图像y轴方向上的帧间位移，x_i-1为候选目标在上一帧红外图像上x轴的坐标位置，y_i-1为候选目标在上一帧红外图像上y轴的坐标位置；其次，计算候选目标在N帧中的位移均值，位移均值的计算公式为：Δx为候选目标在N帧中x轴上的位移均值，Δy为候选目标在N帧中y轴上的位移均值，Δx_t为候选目标在图像x轴方向上的帧间位移，Δy_t为候选目标在图像y轴方向上的帧间位移；最后，计算候选目标在下一帧红外图像上的预测位置，计算公式为：x_i+1为候选目标在下一帧红外图像x轴上的坐标，y_i+1为候选目标在下一帧红外图像y轴上的坐标；因此，关联门的中心的坐标为(x_i+1，y_i+1)。目标在初始帧红外图像上的位置则由步骤二中获得，根据目标在初始帧红外图像上的位置通过上述方法可以计算出候选目标在下一帧红外图像上的预测位置，即关联门的中心位置。在本实施例中，关联门采用双关联门，即内关联门和外关联门，内关联门的大小可以设置为5*5，外关联门的大小可以设置为11*11。

其次，确定关联门的中心和大小后，再确定关联门内是否有候选目标；当关联门内连续没有候选目标点的帧数超过预设的帧数时，则判定目标丢失，否则，目标没有丢失；本实施例中预设的帧数为3帧，即关联门内连续没有候选目标点的帧数超过3帧时，则判定目标丢失。

确定最佳目标点的方法为：当关联门内只有一个候选目标点时，则该候选目标点为最佳目标点。当关联门内有一个以上的候选目标点时，则计算每一个候选目标点与目标轨迹的模糊概率，并选定模糊概率最大的候选目标点作为最佳的目标点。所述候选目标点与目标轨迹的模糊关联概率的计算公式为：其中m_ij为候选目标点i与目标j的模糊关联概率，m_dij为候选目标点i与目标轨迹j的距离模糊关联概率，m_gij为候选目标点i与目标j的灰度模糊关联概率；α为可调因子，其取值范围是0≤α≤1。其中，候选目标点与目标轨迹的距离模糊关联概率m_d的计算方法为：首先计算候选目标点的质心(x_t,y_t)到关联门的中心(x₀,y₀)的距离Δd，计算公式为：△d＝max[|(x_t-x₀)|,|(y_t-y₀)|]，当Δd＞5时，候选目标点与目标轨迹的模糊关联概率m_d＝0，否则距离模糊关联概率m_d根据以下公式取值候选目标点与目标的灰度模糊关联概率m_g的计算方法为：首先计算候选目标点的灰度g_t与目标轨迹末尾目标点的灰度g⁰的灰度差Δg，计算公式为:Δg＝|g_t-g₀|；当Δg＞5时，候选目标点与目标的灰度模糊关联概率m_g＝0，否则灰度模糊关联概率m_g根据以下公式取值：

如上所述，便可很好的实现本发明。

Claims (6)

1.一种红外弱小目标的跟踪方法，其特征在于，包括以下步骤：

步骤一：输入具有目标点的初始帧原红外图像；

步骤二：在初始帧原红外图像中获取目标点的初始位置；

步骤三：输入下一帧原红外图像；

步骤四：在输入的下一帧原红外图像中标记所有候选目标，得到标记图像；

步骤五：根据标记图像中每一个候选目标所在的位置，在所输入的下一帧原红外图像中所对应的相应位置进行候选目标的质心提取；

步骤六：在输入的下一帧原红外图像中剔除虚假目标；

步骤七：通过关联门计算，判定目标点是否丢失；是，结束跟踪，否，确定最佳目标点并返回步骤三。

2.根据权利要求1所述的一种红外弱小目标的跟踪方法，其特征在于，所述步骤四中在输入的下一帧原红外图像中标记所有候选目标，得到标记图像包括以下步骤：

①输入的下一帧原红外图像进行阈值分割处理，得到二值图像；

②对二值图像进行种子增长处理，得到所有候选目标所在位置的标记图像。

3.根据权利要求2所述的一种红外弱小目标的跟踪方法，其特征在于，所述步骤②中对二值图像进行种子增长处理，得到所有候选目标所在位置的标记图像包括以下步骤：

(1)计算相邻两帧原红外图像的灰度绝对差，并统计灰度绝对差的均值和方差；

(2)根据灰度绝对差的均值和方差设定种子阈值，在二值图像上将灰度绝对差大于种子阈值的所有象素点标记为候选目标的种子象素点；

(3)根据灰度绝对差的均值和方差设置种子增长条件；

(4)对候选目标的种子象素点的邻域进行搜索，将所有满足种子增长条件的象素点标记为候选目标点，得到所有候选目标点所在位置的标记图像。

4.根据权利要求1所述的一种红外弱小目标的跟踪方法，其特征在于，步骤五：根据标记图像中每一个候选目标所在的位置，在所输入的下一帧原红外图像中所对应的相应位置进行候选目标的质心提取，所述候选目标的质心提取的计算公式如下：

其中X_CM为X轴方向上的坐标，Y_CM为Y轴方向上的坐标，X_i是X轴第i个像素点距Y轴的距离，Y_i是Y轴第i个像素点距X轴的距离，M×N为目标点所占区域的大小，M为区域的宽，N为区域的高；f(x，y)为候选目标点(x，y)的灰度值。

5.根据权利要求1所述的一种红外弱小目标的跟踪方法，其特征在于，所述步骤六中在输入的下一帧原红外图像中剔除虚假目标的方法包括：采用关联概率计算公式分别计算目标轨迹的关联概率P₁和噪声轨迹的关联概率P₂；其中，将p＝p_d代入关联概率计算公式中计算出目标轨迹的关联概率P₁，将p＝1-(1-p_f)^s*s代入关联概率计算公式中计算出噪声轨迹的关联概率P₂；当目标轨迹的关联概率P₁大于预设的目标轨迹的关联概率，并且噪声轨迹的关联概率P₂小于预设的噪声轨迹的关联概率时，则判定该轨迹为目标轨迹，否则为噪声轨迹，当为噪声轨迹时则剔除该噪声轨迹；其中，P为关联概率，L为红外图像序列帧数，m为目标被检测的次数，p_d为单帧红外图像目标的检测概率，p_f为单帧虚警概率，s为关联门的大小，是排列组合中的数学符号，k为变量。

6.根据权利要求5所述的一种红外弱小目标的跟踪方法，其特征在于，所述步骤七中通过关联门计算，判定目标点是否丢失的方法为：首先确定关联门的中心和大小，再确定关联门内是否有候选目标；当关联门内连续没有候选目标的帧数超过预设的帧数时，判定目标丢失，否则，目标没有丢失；所述步骤七中确定最佳目标点的方法为：当关联门内只有一个候选目标点时，则该候选目标点为最佳目标点；当关联门内有一个以上的候选目标点时，则计算每一个候选目标点与目标轨迹的模糊概率，并选定模糊概率最大的候选目标点作为最佳的目标点；所述候选目标点与目标轨迹的模糊关联概率的计算公式为：其中m_ij为候选目标点i与目标j的模糊关联概率，m_dij为候选目标点i与目标轨迹j的距离模糊关联概率，m_gij为候选目标点i与目标j的灰度模糊关联概率；α为可调因子，其取值范围是0≤α≤1；其中，候选目标点与目标轨迹的距离模糊关联概率m_d的计算方法为：首先计算候选目标点的质心(x_t,y_t)到关联门的中心(x₀,y₀)的距离Δd，计算公式为：△d＝max[|(x_t-x₀)|,|(y_t-y₀)|]，当Δd＞5时，候选目标点与目标轨迹的距离模糊关联概率m_d＝0，否则距离模糊关联概率m_d根据以下公式取值候选目标点与目标的灰度模糊关联概率m_g的计算方法为：首先计算候选目标点的灰度g_t与目标轨迹末尾目标点的灰度g₀的灰度差Δg，计算公式为:Δg＝|g_t-g₀|；当Δg＞5时，候选目标点与目标的灰度模糊关联概率m_g＝0，否则灰度模糊关联概率m_g根据以下公式取值：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mrow> <mi>g</mi> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mn>0.3989</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;Delta;</mi> <mi>g</mi> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mrow> <mi>g</mi> <mn>2</mn> </mrow> </msub> <mo>=</mo> <mn>0.2420</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;Delta;</mi> <mi>g</mi> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mrow> <mi>g</mi> <mn>3</mn> </mrow> </msub> <mo>=</mo> <mn>0.0540</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;Delta;</mi> <mi>g</mi> <mo>=</mo> <mn>2</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mrow> <mi>g</mi> <mn>4</mn> </mrow> </msub> <mo>=</mo> <mn>0.0044</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;Delta;</mi> <mi>g</mi> <mo>=</mo> <mn>3</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mrow> <mi>g</mi> <mn>5</mn> </mrow> </msub> <mo>=</mo> <mn>0.0001</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;Delta;</mi> <mi>g</mi> <mo>=</mo> <mn>4</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mrow> <mi>g</mi> <mn>6</mn> </mrow> </msub> <mo>=</mo> <mn>0.0000</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;Delta;</mi> <mi>g</mi> <mo>=</mo> <mn>5</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow> 2