基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法技術(shù)

本發(fā)明專(zhuān)利技術(shù)公布了一種基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法，所述方法包括：應(yīng)用Facet小面圖像模型的雙向擴(kuò)散濾波背景抑制算法進(jìn)行圖像背景抑制；基于自適應(yīng)流形粒子濾波算法的小目標(biāo)跟蹤；目標(biāo)檢測(cè)。本發(fā)明專(zhuān)利技術(shù)提高算法的實(shí)時(shí)性、魯棒性和濾波精度。

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法
本專(zhuān)利技術(shù)涉及一種目標(biāo)跟蹤和檢測(cè)方法，具體是一種制導(dǎo)紅外小目標(biāo)跟蹤和檢測(cè)的方法。屬于非線性濾波、紅外目標(biāo)圖像處理和目標(biāo)跟蹤領(lǐng)域。
技術(shù)介紹
紅外探測(cè)技術(shù)由于其隱蔽性好、可全天候工作、角度分辨率高、反隱身能力強(qiáng)、作用距離遠(yuǎn)、可靠性好、低功耗等優(yōu)點(diǎn)備受關(guān)注，被廣泛應(yīng)用于軍事領(lǐng)域，尤其是在紅外成像制導(dǎo)、紅外告警和偵察方面。在現(xiàn)代高科技戰(zhàn)爭(zhēng)中為了使防御系統(tǒng)能夠有足夠多的反應(yīng)時(shí)間，要求能夠在很遠(yuǎn)的地方探測(cè)和發(fā)現(xiàn)到目標(biāo)。但是，對(duì)于獲得的遠(yuǎn)距離目標(biāo)的紅外圖像，目標(biāo)成像面積小，像素低，沒(méi)有明顯的輪廓，對(duì)比度很低，缺乏紋理、大小和結(jié)構(gòu)信息；尤其是在復(fù)雜背景下，目標(biāo)在圖像中的信噪比(SNR)很低，人眼根本無(wú)法找到目標(biāo)。因此在利用紅外圖像進(jìn)行目標(biāo)跟蹤前，要對(duì)紅外圖像進(jìn)行預(yù)處理，常用的方法主要有時(shí)間域、空間域和變換域圖像預(yù)處理方法。然而，時(shí)間域和變換域圖像預(yù)處理算法存在計(jì)算量和數(shù)據(jù)量大的缺點(diǎn)，空間域較以上兩種方法計(jì)算量較低。但是，在低信噪比復(fù)雜背景下的紅外弱小目標(biāo)圖像中，目標(biāo)和背景的灰度分布非常接近，導(dǎo)致傳統(tǒng)的空間域圖像預(yù)處理算法難以區(qū)分目標(biāo)和背景，從而影響濾波效果。另一方面，單幀檢測(cè)虛警概率高，多幀處理導(dǎo)致數(shù)據(jù)存儲(chǔ)量和計(jì)算量急劇增加，采用固定的算子和模板都很難有效檢測(cè)弱小目標(biāo)。檢測(cè)前跟蹤（TBD）是研究小目標(biāo)跟蹤的主要方法，該方法對(duì)單幀圖像中是否有目標(biāo)先不進(jìn)行判斷，而是對(duì)圖像中所有可疑目標(biāo)進(jìn)行跟蹤，進(jìn)而根據(jù)檢測(cè)概率、信噪比和虛警概率計(jì)算多幀圖像的檢測(cè)門(mén)限進(jìn)行決策。在低信噪比下，TBD的檢測(cè)性能比DBT（跟蹤前檢測(cè)）更優(yōu)?；诹Ｗ訛V波的檢測(cè)前跟蹤算法，不受先驗(yàn)分布以及狀態(tài)轉(zhuǎn)移模型的限制，該方法通過(guò)利用目標(biāo)運(yùn)動(dòng)方程、觀測(cè)方程及傳感器的觀測(cè)數(shù)據(jù)（紅外圖像序列），由粒子濾波得到狀態(tài)的后驗(yàn)概率分布及目標(biāo)出現(xiàn)的概率，以目標(biāo)出現(xiàn)概率作為目標(biāo)檢測(cè)的判斷準(zhǔn)則，檢測(cè)出真實(shí)的小目標(biāo)，并估計(jì)紅外小目標(biāo)在空間平面內(nèi)的位置，實(shí)現(xiàn)檢測(cè)與跟蹤。但是基于粒子濾波的小目標(biāo)跟蹤方法仍然存在一些技術(shù)難點(diǎn)：粒子退化、光照、遮擋、目標(biāo)姿態(tài)的變化以及噪聲的影響，這些因素均會(huì)導(dǎo)致跟蹤效果變差；目標(biāo)的快速移動(dòng)、多目標(biāo)跟蹤要求粒子濾波采用大量的粒子，算法的計(jì)算代價(jià)很大；同時(shí)圖像的數(shù)據(jù)量大，跟蹤的實(shí)時(shí)性很難保證，等等。因此基于粒子濾波的紅外小跟蹤仍然是一個(gè)值得深入研究的技術(shù)難題。粒子濾波雖然可以適用于所有的非線性非高斯系統(tǒng)，不受噪聲性質(zhì)的限制，但是現(xiàn)有的粒子濾波算法都是在歐式空間進(jìn)行的，當(dāng)應(yīng)用粒子濾波算法對(duì)高維系統(tǒng)目標(biāo)進(jìn)行跟蹤時(shí)，同樣會(huì)遇到“維數(shù)災(zāi)難”問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
本專(zhuān)利技術(shù)針對(duì)已有技術(shù)的不足，提出一種基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法。原始的紅外圖像由背景、噪聲和目標(biāo)組成，經(jīng)過(guò)濾波以達(dá)到背景抑制的目的。在此采用檢測(cè)前跟蹤TBD方法，首先對(duì)目標(biāo)圖像進(jìn)行背景抑制濾波；再次，在跟蹤階段，將粒子濾波算法中的粒子數(shù)自適應(yīng)和黎曼流形粒子濾波算法相結(jié)合，提出自適應(yīng)流形粒子濾波算法，進(jìn)而跟蹤可能的運(yùn)動(dòng)軌跡；最后，檢測(cè)目標(biāo)。本專(zhuān)利技術(shù)基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法包括如下步驟：（1）應(yīng)用Facet小面圖像模型的雙向擴(kuò)散濾波背景抑制算法進(jìn)行圖像背景抑制：首先，計(jì)算平均方向?qū)?shù)梯度算子ADDG，獲取各方向ADDG的算子值，其中，計(jì)算ADDG算子所需要的系數(shù)通過(guò)原始圖像與固定模板卷積獲得；其次，采用ADDG算子描述圖像鄰域的多向梯度特征，并采用雙向擴(kuò)散濾波的離散形式進(jìn)行圖像濾波；（2）基于自適應(yīng)流形粒子濾波算法的小目標(biāo)跟蹤：首先，對(duì)粒子濾波算法中的粒子數(shù)進(jìn)行計(jì)算，自適應(yīng)選取粒子數(shù)N(t)；其次，在黎曼流行上進(jìn)行在線學(xué)習(xí)和更新目標(biāo)外形，通過(guò)加權(quán)歐幾里得黎曼平均值估計(jì)表面協(xié)方差矩陣，進(jìn)而預(yù)測(cè)流形點(diǎn)；第三，從子區(qū)域構(gòu)建并提取特征向量；最后，使用嵌入的表面似然對(duì)跟蹤的目標(biāo)模型即邊界框參數(shù)建模；（3）目標(biāo)檢測(cè)：首先，獲取紅外弱小目標(biāo)的等高線表達(dá)；進(jìn)而，生成等高線圖IECM的等高線樹(shù)表達(dá)；最后，根據(jù)等高線樹(shù)中結(jié)點(diǎn)分布規(guī)律實(shí)現(xiàn)目標(biāo)檢測(cè)，當(dāng)符合下述三個(gè)條件，目標(biāo)被定為候選目標(biāo)；這三個(gè)條件為：①用{vi，i＝0，1…k}表示等高線樹(shù)中的結(jié)點(diǎn)，每個(gè)結(jié)點(diǎn)的度deg均為2，且入度和出度為1，出入分別用deg正負(fù)表示，k為自然數(shù)；②路徑跨越的高程大于某一閾值，即T,]]>其中ΔH為相鄰等高線的高程差，T為高程閾值，level(v)為等高線的層，即是指從根節(jié)點(diǎn)到某一節(jié)點(diǎn)的最短路徑長(zhǎng)度；③采用一種定性計(jì)算非規(guī)則區(qū)域近似面積的快速方法確定等高線所包含區(qū)域的面積：S=[max(x)-min(x)][max(y)-min(y)]，該面積小于9×9個(gè)像素，其中，x和y為某條等高線各點(diǎn)的坐標(biāo)，max(·)和min(·)為求極大值和極小值的算子。本專(zhuān)利技術(shù)提出了一種基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法，提高算法的實(shí)時(shí)性、魯棒性和濾波精度。本專(zhuān)利技術(shù)中的TBD方法適用于信噪比較低的復(fù)雜背景下紅外小目標(biāo)的檢測(cè)和跟蹤；自適應(yīng)粒子濾波算法相對(duì)于一般粒子濾波算法的跟蹤速度更快；圖像IECM特征匹配的檢測(cè)方法，對(duì)復(fù)雜背景具有良好的適應(yīng)性，尤其是當(dāng)目標(biāo)出現(xiàn)在邊緣紋理區(qū)域時(shí)，仍具有較高的檢測(cè)概率?？傮w來(lái)說(shuō)，本專(zhuān)利技術(shù)的魯棒性較強(qiáng)，快速性較好，濾波精度也較高。）附圖說(shuō)明圖1本專(zhuān)利技術(shù)總體框圖；圖2自適應(yīng)黎曼流形粒子濾波算法流程圖。具體實(shí)施方式如圖1所示，本專(zhuān)利技術(shù)基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法包括如下步驟：（1）圖像背景抑制：應(yīng)用Facet小面圖像模型的雙向擴(kuò)散濾波背景抑制算法，首先，計(jì)算平均方向?qū)?shù)梯度算子（AverageDirectionalDerivativeGradientOperator，ADDG），獲取各方向ADDG算子的值。其中，計(jì)算ADDG算子所需要的系數(shù)可以通過(guò)原始圖像與固定模板卷積獲得。其次，雙向擴(kuò)散濾波。采用ADDG算子描述圖像鄰域的多向梯度特征，并采用雙向擴(kuò)散濾波的離散形式進(jìn)行圖像濾波。（2）基于自適應(yīng)流形粒子濾波算法的小目標(biāo)跟蹤：首先，對(duì)粒子濾波算法中的粒子數(shù)進(jìn)行計(jì)算，自適應(yīng)選取粒子數(shù)N(k)；其次，在黎曼流行上進(jìn)行在線學(xué)習(xí)和更新目標(biāo)外形，通過(guò)加權(quán)歐幾里得黎曼平均值估計(jì)表面協(xié)方差矩陣，進(jìn)而預(yù)測(cè)流形點(diǎn)；第三，從子區(qū)域構(gòu)建并提取特征向量；最后，使用嵌入的表面似然對(duì)跟蹤的目標(biāo)模型（邊界框參數(shù)）建模。（3）目標(biāo)檢測(cè)：首先，獲取紅外弱小目標(biāo)的等高線表達(dá)；進(jìn)而，生成等高線圖（IECM）的等高線樹(shù)表達(dá)；最后，根據(jù)等高線樹(shù)中結(jié)點(diǎn)分布規(guī)律實(shí)現(xiàn)目標(biāo)檢測(cè)，在此給出具體的三個(gè)條件，如符合下述三個(gè)條件，目標(biāo)被定為候選目標(biāo)。這三個(gè)條件為：①用{vi，i＝0，1…k}表示等高線樹(shù)中的結(jié)點(diǎn)，每個(gè)結(jié)點(diǎn)的度（deg)均為2，且入度和出度（出入分別用deg正負(fù)表示）為1；②路徑跨越的高程大于某一閾值，即T;]]>③采用一種定性計(jì)算非規(guī)則區(qū)域近似面積的快速方法確定等高線所包含區(qū)域的面積：S=[max(x)-min(x)][max(y)-min(y)]該面積小于9×9個(gè)像素。下面結(jié)合附圖具體敘本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法，其特征在于所述方法包括如下步驟：（1）應(yīng)用Facet小面圖像模型的雙向擴(kuò)散濾波背景抑制算法進(jìn)行圖像背景抑制：首先，計(jì)算平均方向?qū)?shù)梯度算子ADDG，獲取各方向ADDG的算子值，其中，計(jì)算ADDG算子所需要的系數(shù)通過(guò)原始圖像與固定模板卷積獲得；其次，采用ADDG算子描述圖像鄰域的多向梯度特征，并采用雙向擴(kuò)散濾波的離散形式進(jìn)行圖像濾波；（2）基于自適應(yīng)流形粒子濾波算法的小目標(biāo)跟蹤：首先，對(duì)粒子濾波算法中的粒子數(shù)進(jìn)行計(jì)算，自適應(yīng)選取粒子數(shù)N(t)；其次，在黎曼流行上進(jìn)行在線學(xué)習(xí)和更新目標(biāo)外形，通過(guò)加權(quán)歐幾里得黎曼平均值估計(jì)表面協(xié)方差矩陣，進(jìn)而預(yù)測(cè)流形點(diǎn)；第三，從子區(qū)域構(gòu)建并提取特征向量；最后，使用嵌入的表面似然對(duì)跟蹤的目標(biāo)模型即邊界框參數(shù)建模；（3）目標(biāo)檢測(cè)：首先，獲取紅外弱小目標(biāo)的等高線表達(dá)；進(jìn)而，生成等高線圖IECM的等高線樹(shù)表達(dá)；最后，根據(jù)等高線樹(shù)中結(jié)點(diǎn)分布規(guī)律實(shí)現(xiàn)目標(biāo)檢測(cè)，當(dāng)符合下述三個(gè)條件，目標(biāo)被定為候選目標(biāo)；這三個(gè)條件為：①用{vp，p=0，1…k}表示等高線樹(shù)中的結(jié)點(diǎn)，p為結(jié)點(diǎn)的編號(hào)，每個(gè)結(jié)點(diǎn)的度deg均為2，且入度和出度為1，出入分別用deg正負(fù)表示，k在本文中為自然數(shù)；②路徑跨越的高程大于某一閾值，即level(vp)-level(vp-1)=1k×ΔH>T,其中ΔH為相鄰等高線的高程差，T為高程閾值，level(v)為等高線的層，即是指從根節(jié)點(diǎn)到某一節(jié)點(diǎn)的最短路徑長(zhǎng)度；③采用一種定性計(jì)算非規(guī)則區(qū)域近似面積的快速方法確定等高線所包含區(qū)域的面積：S=[max(x)?min(x)][max(y)?min(y)]，該面積小于9×9個(gè)像素，其中，x和y為某條等高線各點(diǎn)的坐標(biāo)，max(·)和min(·)為求極大值和極小值的算子。...

【技術(shù)特征摘要】
1.一種基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法，其特征在于所述方法包括如下步驟：(1)應(yīng)用Facet小面圖像模型的雙向擴(kuò)散濾波背景抑制算法進(jìn)行圖像背景抑制：首先，計(jì)算平均方向?qū)?shù)梯度算子ADDG，獲取各方向ADDG的算子值，其中，計(jì)算ADDG算子所需要的系數(shù)通過(guò)原始圖像與固定模板卷積獲得；其次，采用ADDG算子描述圖像鄰域的多向梯度特征，并采用雙向擴(kuò)散濾波的離散形式進(jìn)行圖像濾波；(2)基于自適應(yīng)流形粒子濾波的制導(dǎo)紅外小目標(biāo)跟蹤方法：首先，對(duì)粒子濾波算法中的粒子數(shù)進(jìn)行計(jì)算，自適應(yīng)選取粒子數(shù)N(t)；其次，在黎曼流形上進(jìn)行在線學(xué)習(xí)和更新目標(biāo)外形，通過(guò)加權(quán)歐幾里得黎曼平均值估計(jì)表面協(xié)方差矩陣，進(jìn)而預(yù)測(cè)流形點(diǎn)；第三，從子區(qū)域構(gòu)建并提取特征向量；最后，使用嵌入的表面似然對(duì)跟蹤的目標(biāo)模型即邊界框參數(shù)建模；(3)目標(biāo)檢測(cè)：首先，獲取紅外弱小目標(biāo)的等高線表達(dá)；進(jìn)而，生成等高線圖IECM的等高線樹(shù)表達(dá)；最后，根據(jù)等高線樹(shù)中結(jié)點(diǎn)分布規(guī)律實(shí)現(xiàn)目標(biāo)檢測(cè)，當(dāng)符合下述三個(gè)條件，目標(biāo)被定為候選目標(biāo)；這三個(gè)條件為：①用{vp,p＝0,1…k}表示等高線樹(shù)中的結(jié)點(diǎn)，p為結(jié)點(diǎn)的編號(hào)，每個(gè)結(jié)點(diǎn)的度deg均為2，且入度和出度為1，出入分別用deg正負(fù)表示，k在本方法中為自然數(shù)；②路徑跨越的高程大于某一閾值，即其中ΔH為相鄰等高線的高程差，T為高程閾值，level(v)為等高線的層，即是指從根節(jié)點(diǎn)到某一節(jié)點(diǎn)的最短路徑長(zhǎng)度；③采用一種定性計(jì)算非規(guī)則區(qū)域近似面積的快速方法確定等高線所包含區(qū)域的面積：S＝[max(x)-min(x)][max(y)-min(y)]，該面積小于9×9個(gè)像素，其中，x和y為某條等高線各點(diǎn)的坐標(biāo)，max(·)和min(·)為求極大值和極小值的算子；所述自適應(yīng)流形粒子濾波方法如下：(A)初始化：令迭代次數(shù)t＝0，從先驗(yàn)分布中采樣n0為初始粒子數(shù)，i為粒子編號(hào)；(B)令t＝t+1，根據(jù)計(jì)算所需的粒子數(shù)N(t)；為精度代價(jià)因子，其與精度成正比；為實(shí)時(shí)代價(jià)因子，其大小為處理一個(gè)粒子的平均時(shí)間損耗；為濾波誤差的方差；設(shè)定粒子數(shù)的最低門(mén)限Nbotton，當(dāng)N(t)<Nbotton時(shí)，均采用Nbotton個(gè)粒子；(C)在黎曼流形上進(jìn)行在線學(xué)習(xí)和更新目標(biāo)外形此處將目標(biāo)的動(dòng)態(tài)表面看作一個(gè)在非線性光滑面上移動(dòng)的點(diǎn)，在黎曼流形上尋找該點(diǎn)移動(dòng)的軌跡；前一時(shí)刻t-1時(shí)候的流形點(diǎn)Ct-1，通過(guò)候選流形點(diǎn)Ct生成在t時(shí)刻的動(dòng)態(tài)模型；每個(gè)流形點(diǎn)的速率矢量通過(guò)其正切面計(jì)算，并且跟蹤相應(yīng)的流形候選點(diǎn)；得到兩個(gè)動(dòng)態(tài)模型，一個(gè)是流形點(diǎn)的正切面，一個(gè)是流形本身，公式如下：Δt為速率矢量，V1為均值為零的白噪聲；粒子濾波的權(quán)重計(jì)算如下式：其中d(·)是流形上的歐式距離，為跟蹤邊界的流形點(diǎn)，為量測(cè)噪聲，j為子區(qū)域編號(hào)；權(quán)重正則化：其中為粒子濾波的權(quán)重；最后，通過(guò)加權(quán)歐幾里得黎曼平均值估計(jì)表面協(xié)方差矩陣，進(jìn)而預(yù)測(cè)流形點(diǎn)：(D)從子區(qū)域構(gòu)建特征向量并提取，特征向量f(x,y)為：f(x,y)＝[x,y,I,|Ix|,|Iy|,I'mag,I'θ,|Ixx|,|Iyy|]T；其中x,y是像素位置；I是圖像像素強(qiáng)度；|Ix|,|Iy|是圖像強(qiáng)度在x,y方向上的一階導(dǎo)數(shù)；是梯度量；I'θ是無(wú)符號(hào)梯度定位，其中|Ixx|,|Iyy|是圖像強(qiáng)度在x,y方向上的二階導(dǎo)數(shù)，...

【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：朱志宇，張亮，李陽(yáng)，葛慧林，伍雪冬，張冰，王建華，楊官校，
申請(qǐng)(專(zhuān)利權(quán))人：江蘇科技大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：