張佳楠, 楊曉梅, 張 勁

(四川大學(xué) 電氣信息學(xué)院，四川 成都 610056 )

當(dāng)前，視頻監(jiān)測與跟蹤的需求越來越大，尤其是在民用安防、軍事科技等領(lǐng)域.西方發(fā)達國家的紅外檢測、跟蹤研究較為領(lǐng)先[1].然而，小型目標的檢測、跟蹤，尤其是在復(fù)雜背景下目標檢測、跟蹤受到背景環(huán)境的影響，技術(shù)難度較大，是當(dāng)前相關(guān)研究領(lǐng)域的重點[2-3].

當(dāng)前主流的目標檢測方法有幀差法、背景差法、光流法等[4-5].背景差法僅適用于靜態(tài)目標，且易受背景影響[6].光流法適用于快速移動目標，對運行條件要求較高.對于慢速目標，幀差法較為適用，其對背景環(huán)境的篩除能力較強，對運行條件要求不高[7].

在分析當(dāng)前主流方法的基礎(chǔ)上，我們分別在不同的背景中進行了大量的實驗，最終提出一種兼?zhèn)涓櫢咚倌繕四芰透櫡莿蛩倌繕四芰Φ乃惴?針對該算法進行的實驗驗證了其可靠性和實時性.通過不同的場景和實驗對比，使用該算法對在幀差法中快速移動運動目標的跟蹤和運動目標變化較慢或靜止的漏檢起到有效的改善，并可應(yīng)用于移動和靜止監(jiān)控攝像頭[8-11].在目標丟失的情況下可自動尋找到新目標位置，使得目標檢測更加準確，充分利用幀差法的優(yōu)點并改善其不足.

1 檢測跟蹤算法思路

本文提出的檢測跟蹤算法可以概括為：(1) 通過直方圖均衡化增強圖像對比度，減小由于硬件原因?qū)е碌膱D像對比度過弱而使目標檢查受到的影響.(2) 給定目標初始位置后繪制目標矩形框，并在目標小范圍內(nèi)做幀差法和圖像方差.(3) 自適應(yīng)搜索框，在目標可移動范圍內(nèi)進行搜索.(4) 根據(jù)矩形框內(nèi)方差參數(shù)判斷是否跟蹤到運動目標.算法流程圖如圖1所示.

2 自適應(yīng)跟蹤框

自適應(yīng)搜索框基于目標速度特征變化條件搜索范圍，根據(jù)被跟蹤物體在上一幀中的位置，通過速度特征自適應(yīng)調(diào)整搜索的范圍.在不考慮目標尺寸大小變化的情況下，目標在視頻圖像中的運動看作是在平面范圍內(nèi)運動，目標的運動可用目標中心運動來代表.目標移動快，容易超出搜索范圍，則擴大搜索范圍；目標運動慢，移動慢，則縮小搜索范圍.這里分析目標在相鄰兩幀圖像上的位移運動．設(shè)相鄰兩幀圖像中的背景相同，則目標移動的快慢，可由目標在前一幀和當(dāng)前幀的位置變化體現(xiàn)，即位移速度．目標的位移速度可分解成兩個方向上的速度，即x軸上的速度Cx與y軸上的速度Cy,則

很多文章中基于速度特征的目標跟蹤方法都是基于速度大小設(shè)定幾個不同的搜索框閾值，這樣做的缺點是無法適應(yīng)被跟蹤目標的非勻加速運動狀態(tài).在加速度不規(guī)律的情況不能很好地跟蹤到目標，目標跟蹤效果不明顯，增加了虛警率.針對這種情況，本文采用增量式PD對目標速度與搜索框范圍之間進行反饋控制，

當(dāng)使用PID控制時，往往將積分、比例、微分三種控制方法結(jié)合，這樣做的好處是可以擴展積分時間常量，減少積分和振蕩，增加系統(tǒng)的魯棒性.在上述情況下，需要增加系統(tǒng)靜差的清理時間，避免積分時間常量過低，增大系統(tǒng)的振蕩次數(shù).但由于紅外小目標速度變化過快，積分環(huán)節(jié)會使系統(tǒng)反應(yīng)滯后，影響響應(yīng)速度，所以只需要進行PD調(diào)節(jié).設(shè)目標速度為C，則目標框?qū)挾葹椋?/p>

γ=γ0+{Kp1ΔCt+Kp2(ΔCt-ΔCt-1)},

式中：γ0為初始搜索框?qū)挾龋脼楦碌哪繕丝驅(qū)挾?

3 實驗結(jié)果和分析

為驗證基于速度特征的自適應(yīng)搜索框算法的性能和準確性，選用具有快速運動目標的紅外視頻集飛行器和人物進行驗證，并與普通閾值搜索框跟蹤算法進行性能比較.為了評價公平，算法均是在Interi5-3670，CPU3.2 GHz和4 GB RAM的Window7系統(tǒng)的電腦上進行測試，本文程序采用MATLAB語言編制.圖像大小為768×465，幀頻為每秒50幀，目標平均尺寸為39×39.

圖2(a)為連續(xù)跟蹤300幀狀態(tài)下，運動目標速度與跟蹤框半徑變化圖，跟蹤框半徑基于速度的幾種不同的閾值.從實驗結(jié)果來看，跟蹤框半徑保持不變，目標處于勻速運動狀態(tài)，在個別幀狀態(tài)下出現(xiàn)了誤判.圖2(b)為目標速度與自適應(yīng)跟蹤框的半徑關(guān)系.圖中可以看出追蹤框時刻保持變化，目標速度瞬時變化時，跟蹤框作出相應(yīng)調(diào)整，保證目標鎖定在追蹤框內(nèi).采用速度閾值的搜索半徑在連續(xù)300幀的視頻圖像中出現(xiàn)7幀的跟蹤丟失情況，誤警率2.3%，而采用自適應(yīng)跟蹤框搜索沒有出現(xiàn)丟失現(xiàn)象，達到準確實時的效果.圖3(a)、(b)為運動目標被跟蹤物體在90幀和100幀的紅外跟蹤，跟蹤框根據(jù)目標速度變化采用閾值操作，運動目標在90幀和100幀的視頻運動中，運動目標跟蹤框并沒有任何變化，而實際上人物運動的質(zhì)心是非勻速狀態(tài).圖中可以看出相同目標相同時刻，采用兩種不同方法，搜索框的半徑大小不同，而自適應(yīng)搜索框顯然更符合視頻中目標實際的運動情況.圖3(c)、(d)、(e)為飛行器在自適應(yīng)搜索框200幀、220幀、280幀的搜索框變化情況.從圖中可以看出，飛行器在第200幀、220幀、280幀時刻，由于速度變化的不同，運動目標跟蹤框的大小變化不同，跟蹤框根據(jù)運動目標的速度變化快慢改變搜索半徑，保證運動目標鎖定在搜索框內(nèi).

在算法處理速度方面，由于紅外小目標跟蹤算法最基本的要求是保持算法的實時性，導(dǎo)致很多復(fù)雜的數(shù)學(xué)算法無法滿足設(shè)備硬件成本的要求.自適應(yīng)法跟蹤框的大小是浮動的，會根據(jù)被跟蹤物體的大小、距離、速度等因素自我調(diào)整.其優(yōu)點是可以降低跟蹤運算處理的信息量，提高系統(tǒng)的效率.在具體的實驗中，在1 000幀的跟蹤范圍內(nèi)，視頻格式為每秒45幀，平均每幀處理時間為27 ms左右，達到實時跟蹤檢測的效果.

4 結(jié) 論

本文提出的方法基于自適應(yīng)算法，采用大小浮動的跟蹤框，可以解決運動中的被跟蹤物體運動不規(guī)律的問題.在紅外小目標飛行器做無規(guī)則變速運動時可以保證目標穩(wěn)定在搜索框之內(nèi)，而且該算法在目標保持靜止和平臺移動的情況下都能保持良好的魯棒特性、實時性和穩(wěn)健的跟蹤特性.

參考文獻

[1] GUZMAN E, BAETEN V, PIERNA J A, et al. Infrared machine vision system for the automatic detection of olive fruit quality[J]. Talanta, 2013, 116(22):894.

[2] YILMAZ A，JAVED O，SHAH M ，et a1． Obiect tracking：a survey[J].ACM Computing Surveys，2006，38(4)：13．

[3] 張應(yīng)輝. 基于幀差法和背景差法的運動目標檢測[J]. 計算機技術(shù)與發(fā)展, 2013, 33(2):25-26.

[4] KALAL Z，MIKOLAJCZYK K，MATAS J，et a1．Tracking learning detection[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34(7)：1409-l422．

[5] HE I ，BO Y，ZHAO G，et a1．Muhifeatures based compressive sensing tracking[J]． Mathematical Problems in Engineering，2014，21(3):221-456．

[6] LUO Y, REMILLARD J, HOETZER D. Pedestrian detection in near-infrared night vision system[J].Intelligent Vehicles Symposium. IEEE,2010,14(1):51-58.

[7] REINHART K F, ECKARDT M, HERRMANN I, et al. Low-cost approach for far-infrared sensor arrays for hot-spot detection in automotive night vision systems[J]. Advanced Microsystems for Automotive Applications,2009:397-408.

[8] XIONG Y． An extended track-before-detect algorithm for infrared target detection[J].IEEE Trans on Aerospace and Electronic Systems，1997，33(3):187-192．

[9] QIN S, WANG L, CHENG H, et al. Infrared image saliency detection based on human vision and information theory[J].Biomedical Engineering and Informatics. IEEE, 2017，25(1):484-488.

[10] 易翔, 王炳健. 基于多特征的快速紅外弱小目標檢測算法[J]. 光子學(xué)報, 2017, 46(6)：123-128.

[11] LEIGH A J，VIKRAM K． Performance analysis of a dynamic programming track before detect algorithm[J].IEEE Trans on Aerospace and Electronic Systems，2002，38(1):228-242．