基于自適應(yīng)灰度模板的地面動(dòng)目標(biāo)匹配方法

李春林 徐好 吳琳擁

（四川九洲防控科技有限責(zé)任公司 四川省綿陽市 621000）

地面環(huán)境較為復(fù)雜，在復(fù)雜背景下如何能夠及時(shí)并且穩(wěn)定的發(fā)現(xiàn)、鎖定和跟蹤目標(biāo)，是地面動(dòng)目標(biāo)的快速檢測跟蹤是監(jiān)視和告警系統(tǒng)的重要組成部分。紅外圖像中的行人跟蹤問題是計(jì)算機(jī)目標(biāo)檢測跟蹤領(lǐng)域較為活躍的課題之一[1-3]。例如夜間智能監(jiān)控，周界防護(hù)，要地安防等。由于行人是非剛體目標(biāo)，形態(tài)較為多變，運(yùn)動(dòng)狀態(tài)隨意且無固定規(guī)律，無法采用常規(guī)的運(yùn)動(dòng)模型來估算，另外紅外圖像為灰度圖像，沒有色差并且可利用的特征有限。目前常用的圖像序列中運(yùn)動(dòng)目標(biāo)的檢測方法有背景相減法、光流法以及基于特征的方法等[4-7]。但由于地面背景的復(fù)雜性，這些方法都還不很完善，往往存在計(jì)算復(fù)雜度高，抗噪聲能力差等缺點(diǎn)。而且由于紅外監(jiān)控和告警系統(tǒng)中對精度和實(shí)時(shí)性的要求，導(dǎo)致一般的算法都存在不同程度的局限性。

本文針對復(fù)雜地面背景下紅外圖像的特點(diǎn)，提出了基于灰度模板的目標(biāo)匹配方法。模板匹配可以利用任何疑似目標(biāo)作為一個(gè)連通區(qū)域，通過區(qū)域特征、灰度值等[8-9]在幀間檢測時(shí)等方面進(jìn)行圖像相似程度的判斷。由于其中圖像灰度可利用的特征點(diǎn)較為有限，并且特征提取的方法運(yùn)算量往往較大，因此灰度常被用做目標(biāo)狀態(tài)和屬性的判斷的主要依據(jù)。通過幀間差分、二值化圖像、形態(tài)學(xué)濾波處理得到更加清晰的連通區(qū)域標(biāo)記完成目標(biāo)的檢測，然后選取模板并充分利用灰度進(jìn)行相關(guān)計(jì)算，最后確定匹配的區(qū)域。算法的基本流程如圖1 所示。

1 目標(biāo)檢測

目標(biāo)檢測是通過幀間差分、二值化圖像、形態(tài)學(xué)濾波處理得到更加清晰的連通區(qū)域并進(jìn)行目標(biāo)位置的標(biāo)記，為后續(xù)的模板選取和匹配提供連通區(qū)域的位置[8-10]。

1.1 幀間差分法

幀間差分法為某兩幀圖像的差分，兩幀圖像相鄰兩幀圖像差分和間隔數(shù)幀圖像差分。首先，計(jì)算相鄰兩幀或者間隔數(shù)幀的兩幀圖像之差。

幀間差分法對背景緩慢變化適應(yīng)性強(qiáng)，對目標(biāo)運(yùn)動(dòng)的檢測有較高的靈敏度。但是利用幀間差分法對兩幀間目標(biāo)的重疊部分不容易檢測出來，容易造成目標(biāo)提取不完整，不利于進(jìn)一步的對象分析和識(shí)別，檢測處理的目標(biāo)比實(shí)際的目標(biāo)大一些，存在較多的偽目標(biāo)。針對該算法的缺點(diǎn)，考慮將圖像作膨脹處理后再閉合處理，獲得更容易識(shí)別的連通區(qū)域，為目標(biāo)位置的檢測提供可靠依據(jù)[7]。

1.2 形態(tài)學(xué)處理

形態(tài)學(xué)處理的基本步驟如下[10-11]：

圖像二值化處理。根據(jù)公式（1）對差分后的圖像的各灰度按照一定的閾值進(jìn)行數(shù)值0 和1 的判斷；

其中T 是二值化設(shè)定閥值。

對二值化后的圖像進(jìn)行膨脹和腐蝕的數(shù)學(xué)形態(tài)處理。膨脹是在二值圖像中“加長”或“變粗”的操作，腐蝕則是“收縮”或“細(xì)化”二值圖像。

對二值化和形態(tài)學(xué)處理后的區(qū)域進(jìn)行連通分析。連通分析則是判斷連通區(qū)域的大小是否滿足給定閾值的要求，若滿足閾值條件則認(rèn)為檢測到目標(biāo)，并確定連通區(qū)域的最小外接矩陣。

2 目標(biāo)匹配

2.1 灰度關(guān)聯(lián)計(jì)算

圖像灰度可利用的特征點(diǎn)較為有限，并且特征提取的方法運(yùn)算量往往較大，因此常用灰度做目標(biāo)狀態(tài)和屬性判斷的主要依據(jù)。該方法則是通過判斷待匹配圖像與模板圖像的灰度相互關(guān)聯(lián)值來確定匹配程度?；ハ嚓P(guān)值最大時(shí)的搜索窗口位置決定了模板圖像在待匹配圖像中的位置[10-12]?；ハ嚓P(guān)定義為以下形式：

2.2 模板更新

模板選擇通常有固定模板和自適應(yīng)更新模板。模板自適應(yīng)更新是指對完成模板匹配后，使用逐幀更新或者按照一定的規(guī)則自適應(yīng)地對匹配模板進(jìn)行更新。為了保證跟蹤的穩(wěn)定性，在相關(guān)跟蹤中應(yīng)跟蹤置信度來修正模板。模板更新方法描述如下[12-14]：

式中，T(m,n,k)為第k 幀的匹配模板，O(m,n,k)為第k 幀最佳匹配位置的子圖像，T(m,n,k+1)為第k+1 幀的更新模板，由幀內(nèi)相關(guān)置信度來確定[11-14]。

進(jìn)行模板更新的步采用幀間置信度和幀內(nèi)置信度想結(jié)合的判斷方式，置信度判斷策略寫成分段函數(shù)形式如（4）所示。如果C0大于某閥值T1，即R0和差值較大，則判斷當(dāng)前幀與前面幾幀之間相關(guān)性下降，此時(shí)令=0，從式子（3）中得出選擇當(dāng)前幀最佳匹配區(qū)域作為更新后的模板；如果幀間相關(guān)置信度C0小于閥值T1，則判斷當(dāng)前幀與前面幾幀之間還存在一定的相關(guān)性，則進(jìn)一步進(jìn)行幀內(nèi)相關(guān)置信度C1的判斷，如果C1大于閾值T2，則認(rèn)為該匹配點(diǎn)很可靠，此時(shí)令=0，選擇當(dāng)前目標(biāo)區(qū)域圖像作為下一幀匹配模板；如果C1處于T3 和T2 之間，則說明該匹配點(diǎn)較為可靠，但是需要加入新模板的信息進(jìn)行模板更新，此時(shí)令若C1小于T3，匹配置信度太低，該匹配點(diǎn)不可靠，令 =1，即模板不更新。

3 實(shí)例分析

圖1：模板匹配算法流程

圖2：動(dòng)目標(biāo)檢測

圖3：目標(biāo)匹配結(jié)果

利用地面背景下行人的紅外視頻進(jìn)行算法的仿真分析。利用第k 幀, 如圖2（a），進(jìn)行幀間差分處理，，差分處理后的行人動(dòng)目標(biāo)連通區(qū)域并不明顯，然后利用形態(tài)學(xué)膨脹和腐蝕處理后的動(dòng)目標(biāo)顯示如圖2（c）所示，連通區(qū)域較為連貫且清晰，圖2（d）紅色框圖中為行人目標(biāo)檢測的結(jié)果。

根據(jù)行人的一般身形特點(diǎn)，利用檢測出的目標(biāo)位置選取長方形的模板見圖3（a），并且灰度相關(guān)計(jì)算，進(jìn)行行人的匹配跟蹤。結(jié)果如圖3，對行人目標(biāo)從第20 幀到第80 幀均能穩(wěn)定跟蹤，也表明了該方法的穩(wěn)定性和有效性。

4 結(jié)束語

首先利用幀間差分算法進(jìn)行運(yùn)動(dòng)目標(biāo)位置的初步判斷，由于兩幀間目標(biāo)的重疊部分不容易檢測出來，容易造成目標(biāo)提取不完整，不利于進(jìn)一步的對象分析和識(shí)別，檢測處理的目標(biāo)比實(shí)際的目標(biāo)大一些，存在較多的偽目標(biāo)。針對該幀間差分法的缺點(diǎn)，考慮將圖像作膨脹處理后再閉合處理，獲得更容易識(shí)別的連通區(qū)域，為目標(biāo)位置的檢測提供可靠依據(jù)。然后再利用標(biāo)記的連通區(qū)域進(jìn)行一定大小的灰度模板選取，利用灰度相關(guān)算法、模板更新策略實(shí)現(xiàn)的對地運(yùn)動(dòng)目標(biāo)檢測，并且通過實(shí)例說明了該算法的可行性和穩(wěn)定性。