紅外搜索跟蹤系統(tǒng)的虛警率降低方法

宋治杭，張 晉，朱 亮，林丹丹，杜欣悅，林 宇

（昆明物理研究所，云南 昆明 650223）

0 引言

大視場(chǎng)多目標(biāo)監(jiān)視是目前紅外搜索跟蹤領(lǐng)域研究的熱點(diǎn)，該領(lǐng)域正朝著高分辨率、超大視場(chǎng)成像的方向發(fā)展[1-3]。對(duì)應(yīng)大視場(chǎng)下多目標(biāo)的監(jiān)視與跟蹤任務(wù)，視場(chǎng)的增大，紅外圖像的背景成分變得極其復(fù)雜，又加上來(lái)自地面建筑物、地雜波等的干擾，極其容易在圖像區(qū)域產(chǎn)生偽目標(biāo)，造成紅外全景搜索跟蹤系統(tǒng)的虛警[4-7]。在實(shí)施全景搜索跟蹤的任務(wù)過(guò)程中，視場(chǎng)中難免出現(xiàn)虛假運(yùn)動(dòng)目標(biāo)，其中既有靜止物體，也可能包含運(yùn)動(dòng)方向與真實(shí)目標(biāo)不一致的物體。如果不能對(duì)以上虛假目標(biāo)及時(shí)進(jìn)行識(shí)別并剔除，將會(huì)嚴(yán)重影響后續(xù)搜索跟蹤任務(wù)的執(zhí)行。

針對(duì)紅外搜索跟蹤容易遇到的上述問(wèn)題，王衛(wèi)華[8]等人提出了一種基于興趣區(qū)（region of interest）提取的目標(biāo)實(shí)時(shí)監(jiān)測(cè)算法，根據(jù)目標(biāo)運(yùn)動(dòng)特性與灰度特性快速提取目標(biāo)可能存在的興趣區(qū)，再針對(duì)興趣區(qū)內(nèi)的局部目標(biāo)圖像切片，進(jìn)一步剔除虛假目標(biāo)干擾；陳炳文[9]提出一種基于時(shí)空融合與粒子濾波的弱目標(biāo)檢測(cè)算法，首先利用像素點(diǎn)的幀間和鄰域相關(guān)性，采用短程非參數(shù)核建模算法檢測(cè)候選目標(biāo)，接著使用粒子濾波跟蹤候選目標(biāo)，以剔除虛假目標(biāo)得到真實(shí)航跡；王雪梅[10]等提出了基于背景檢測(cè)的單幀檢測(cè)弱小目標(biāo)改進(jìn)算法，結(jié)合多方向多極梯度算法，對(duì)背景預(yù)測(cè)初步檢測(cè)出來(lái)的可能目標(biāo)點(diǎn)進(jìn)一步檢測(cè)，從而排除虛假目標(biāo)；羅舉平[11]等針對(duì)紅外目標(biāo)檢測(cè)任務(wù)，提出了變門(mén)限檢測(cè)與跟蹤的方法，減少了虛假量測(cè)的數(shù)量。張艷艷[12]等引入Lucas-Kanade（LK）光流法，對(duì)光流結(jié)果進(jìn)行最大類(lèi)間方差分割，視光流不連續(xù)區(qū)域?yàn)檎鎸?shí)運(yùn)動(dòng)目標(biāo)；西北工業(yè)大學(xué)[13]利用Lucas-Kanade 光流法對(duì)連續(xù)幀紅外圖像檢測(cè)疑似運(yùn)動(dòng)區(qū)域，再通過(guò)SVD（singular value decomposition）分解與目標(biāo)背景重構(gòu)檢測(cè)弱小目標(biāo)；Lei Wang[14]等利用先驗(yàn)概率降低視頻中目標(biāo)檢測(cè)的誤報(bào)率；Recchia Giuseppe[15]等將Lucas-Kanade 光流法應(yīng)用于無(wú)人機(jī)光電視避系統(tǒng)，有效降低了誤警率與虛警率。然而上述方法并不專(zhuān)門(mén)針對(duì)全景圖像，因此對(duì)于全景圖像中同一運(yùn)動(dòng)目標(biāo)幀間距離過(guò)大造成的影響，這些方法并不能有效解決。類(lèi)似方法甚至?xí)e(cuò)把真實(shí)運(yùn)動(dòng)目標(biāo)當(dāng)作虛假目標(biāo)加以剔除，因而并不適用于降低紅外搜跟系統(tǒng)的虛警率。本文針對(duì)以上問(wèn)題提出了一種基于Lucas-Kanade 光流特征的紅外全景系統(tǒng)虛假目標(biāo)甄別與剔除的方法。

1 建立圖像金字塔

選取前后相鄰兩幀紅外全景圖像I和J，為圖像I和J分別建立金字塔表達(dá) {IL}L=0,...Lm和 {JL}L=0,...Lm，這里L(fēng)m通常取為3，也就是金字塔層數(shù)一般為4。把原始圖像作為第0 層，通過(guò)高斯濾波并令寬高縮小2L倍的圖像作為第L層，多層圖像組合類(lèi)似金字塔，如圖1所示。

圖1 圖像金字塔的建立Fig.1 Image pyramid construction

2 計(jì)算前后幀圖像光流

由于紅外全景搜索跟蹤系統(tǒng)的任務(wù)在于利用360°全景影像實(shí)現(xiàn)對(duì)周?chē)h(huán)境態(tài)勢(shì)感知的能力，因此往往將目標(biāo)定為包括人、車(chē)輛、艦船以及飛機(jī)等相比環(huán)境溫度較高的物體。在實(shí)際圖像中該類(lèi)目標(biāo)一般呈現(xiàn)較高的灰度值，因此本文利用二值化將圖像中的高亮目標(biāo)都事先提取出來(lái)，在這些高亮目標(biāo)區(qū)域中隨機(jī)選擇若干像素記為該目標(biāo)對(duì)應(yīng)的像素點(diǎn)u，接下來(lái)利用LK 光流法思想依次從最高層開(kāi)始計(jì)算目標(biāo)像素點(diǎn)u對(duì)應(yīng)的LK 光流dL，并取LK 光流dL對(duì)應(yīng)層光流初始值gL的和為下一層光流的初始值，直至迭代到原始圖像層（第0 層），最終獲取目標(biāo)像素點(diǎn)u在原始圖像層的光流值按照如下步驟計(jì)算圖像光流d，接著利用光流d的模值與角度為主要特征，使用聚類(lèi)算法將真實(shí)運(yùn)動(dòng)目標(biāo)和虛假運(yùn)動(dòng)目標(biāo)區(qū)分開(kāi)來(lái)。首先計(jì)算前后幀圖像間的光流：

初始化最高層光流的初始值gLm= ［ 0 0］T，令L＝Lm，每迭代一次，L減1，直到L＝0：

由于圖像金字塔建立過(guò)程中，圖像的長(zhǎng)寬依次縮小一倍，因此針對(duì)第L層圖像，計(jì)算圖像IL中像素點(diǎn)u對(duì)應(yīng)的位置：

計(jì)算圖像IL在x方向的梯度：

計(jì)算圖像IL在y方向的梯度：

計(jì)算空間矩陣：

式中：wx、wy表示u處具有相同光流鄰域的大小。

初始化迭代LK 光流初始值d0＝[0 0]T；令k＝1，每迭代一次k加1，直到匹配差異向量小于1：

定義此時(shí)(x,y)處前后兩幀圖像的差異δI(x,y)，則有：

計(jì)算圖像差異：

計(jì)算匹配差異向量：

計(jì)算光流：

為下一次迭代提供初始值dk＝dk-1＋ηk；

結(jié)束k上的迭代，得到第L層圖像上的光流優(yōu)化值dL＝dk；

為第L－1 層圖像提供光流初始值gL-1＝2(gL＋dL)；

結(jié)束L上的迭代，最終計(jì)算得到光流d＝g0＋d0；

得到圖像J中對(duì)應(yīng)點(diǎn)坐標(biāo)v＝u＋d。

3 重新表達(dá)目標(biāo)光流

上述步驟求得前幀圖像I中目標(biāo)區(qū)域像素點(diǎn)u在前后兩幀圖像對(duì)應(yīng)的光流d，以及該像素點(diǎn)在后幀圖像J中的位置v。其中光流d為一個(gè)二維向量，該向量標(biāo)識(shí)圖像平面內(nèi)由位置u指向位置v的運(yùn)動(dòng)位移。而同一個(gè)運(yùn)動(dòng)目標(biāo)其運(yùn)動(dòng)位移應(yīng)該是一致的，這就給區(qū)分真實(shí)運(yùn)動(dòng)目標(biāo)和虛假運(yùn)動(dòng)目標(biāo)帶來(lái)了先決條件。針對(duì)圖像I中經(jīng)過(guò)二值化后獲得的目標(biāo)區(qū)域，每個(gè)區(qū)域選擇m個(gè)像素點(diǎn)（u1,u2,…,um），本方案根據(jù)圖像視場(chǎng)范圍以及處理器運(yùn)算能力綜合考量選擇m＝5。對(duì)于每一個(gè)像素點(diǎn)ui，按照第2 章所述方法得到對(duì)應(yīng)的光流d(ui)，然后利用算術(shù)平均值來(lái)求取對(duì)應(yīng)目標(biāo)區(qū)域Φ的光流dΦ：

4 目標(biāo)分類(lèi)

對(duì)于地面建筑或者地雜波等產(chǎn)生的虛假目標(biāo)，由于全景成像系統(tǒng)鏡頭本身的運(yùn)動(dòng)，造成其通過(guò)上述計(jì)算也會(huì)產(chǎn)生光流值，但該光流值并不能反映像素點(diǎn)的實(shí)際運(yùn)動(dòng)。虛假目標(biāo)光流值與真實(shí)目標(biāo)光流值會(huì)有顯著不同，這主要表現(xiàn)在光流向量的方向和大小兩個(gè)方面。

1）虛假目標(biāo)由于本身靜止或運(yùn)動(dòng)范圍很小，在疊加了紅外攝像機(jī)自身旋轉(zhuǎn)運(yùn)動(dòng)后，其光流方向會(huì)有高度趨同性，而真實(shí)運(yùn)動(dòng)目標(biāo)的光流方向應(yīng)與其實(shí)際位移方向一致，從而造成虛假目標(biāo)與運(yùn)動(dòng)目標(biāo)在運(yùn)動(dòng)方向上的顯著區(qū)別；

2）虛假目標(biāo)因?yàn)楸旧砘咎幱陟o止?fàn)顟B(tài)，表征運(yùn)動(dòng)位移的光流僅反映紅外攝像機(jī)自身的運(yùn)動(dòng)，實(shí)際觀察光流值大小應(yīng)不大于10 個(gè)像素，這也是區(qū)別于實(shí)際運(yùn)動(dòng)物體的顯著特征。

最后利用聚類(lèi)算法將得到的目標(biāo)光流進(jìn)行分類(lèi)，由圖2可以發(fā)現(xiàn)真實(shí)運(yùn)動(dòng)目標(biāo)與虛假運(yùn)動(dòng)目標(biāo)的光流分布區(qū)域有較大區(qū)別，為了把二者快速區(qū)分開(kāi)來(lái)，首先在離θ軸較近的光流表征向量中隨機(jī)選擇一個(gè)作為第一個(gè)初始聚類(lèi)中心，然后選擇距離該中心最遠(yuǎn)的一個(gè)光流表征向量作為第二個(gè)初始聚類(lèi)中心，通過(guò)計(jì)算各光流表征向量與初始化聚類(lèi)中心的距離，將這些光流表征向量重新劃歸至距離最近的類(lèi)別，并以新類(lèi)別中各光流表征向量的均值作為新的聚類(lèi)中心，持續(xù)迭代直至光流表征向量的分配聚類(lèi)情況沒(méi)有更新，以實(shí)現(xiàn)最終把真實(shí)運(yùn)動(dòng)目標(biāo)（類(lèi)別1）與虛假靜止目標(biāo)（類(lèi)別2）分開(kāi)的目的。

圖2 光流向量2D 分布Fig.2 Optical-flow vector 2-D lay out

5 實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文的虛警率降低方法是否具有普遍性，項(xiàng)目組利用研發(fā)成功的紅外全景成像設(shè)備采集不同環(huán)境下（室內(nèi)、室外）的中波紅外全景圖像，在Windows操作系統(tǒng)下使用Visual C＋＋開(kāi)發(fā)環(huán)境將本文算法實(shí)現(xiàn)，將不同場(chǎng)景下前后兩幀全景圖作為輸入，以驗(yàn)證算法有效性。

觀察圖3和圖4可以發(fā)現(xiàn)，無(wú)論室外還是室內(nèi)環(huán)境，復(fù)雜背景下總會(huì)引入干擾，同時(shí)搜索跟蹤系統(tǒng)自身旋轉(zhuǎn)導(dǎo)致其中的高亮物體都會(huì)得到表征運(yùn)動(dòng)的光值，因此很多由于干擾產(chǎn)生的偽目標(biāo)極易被搜索跟蹤系統(tǒng)誤判為真實(shí)運(yùn)動(dòng)目標(biāo)。引入本文算法后，系統(tǒng)對(duì)輸入的前后兩幀全景圖像計(jì)算LK 光流，隨后將重點(diǎn)區(qū)域光流進(jìn)行包括大小與方向的比對(duì)，按照聚類(lèi)思想將其實(shí)施二分類(lèi)，重復(fù)迭代直至真實(shí)運(yùn)動(dòng)物體被區(qū)分出來(lái)。根據(jù)圖3與圖4中處理后圖像可以發(fā)現(xiàn)，紅外全景圖像中的真實(shí)運(yùn)動(dòng)物體均以實(shí)線(xiàn)框標(biāo)記出來(lái)，而由于干擾造成的虛假運(yùn)動(dòng)目標(biāo)被虛線(xiàn)框標(biāo)記出來(lái)，由此可見(jiàn)本文算法較好地將紅外搜索跟蹤系統(tǒng)所獲全景場(chǎng)景中的虛假運(yùn)動(dòng)目標(biāo)加以抑制，從而有效降低了該類(lèi)系統(tǒng)的虛警率。

圖3 虛假運(yùn)動(dòng)目標(biāo)剔除效果（室內(nèi)）Fig.3 False motion target elimination(indoor)

圖4 虛假運(yùn)動(dòng)目標(biāo)剔除效果（室外）Fig.4 False motion target elimination result (outdoor)

6 結(jié)論

紅外全景監(jiān)控設(shè)備是未來(lái)紅外熱像系統(tǒng)化發(fā)展的主要趨勢(shì)，而大視場(chǎng)的引入必然加大后續(xù)圖像處理設(shè)備的工作量，對(duì)于嵌入式圖像處理系統(tǒng)由于本身運(yùn)算能力有限，因此在預(yù)處理階段自動(dòng)排除虛假目標(biāo)以減輕后續(xù)處理運(yùn)算的壓力就顯得尤為必要。本文所述方法通過(guò)對(duì)實(shí)際采集的紅外全景序列圖像加以分析，很好地剔除了造成干擾的虛假運(yùn)動(dòng)目標(biāo)，實(shí)驗(yàn)結(jié)果也驗(yàn)證了該方法的有效性。未來(lái)將把該方法向以GPU/FPGA＋DSP 為主處理器的嵌入式平臺(tái)移植，同時(shí)針對(duì)特征提取階段做更為深入的研究融入更多特征以提升虛假目標(biāo)檢測(cè)效果，為紅外搜索跟蹤系統(tǒng)等產(chǎn)品提供有效的技術(shù)支持。