徐曉波 ，李衛(wèi)斌 ，2

1.西安科技大學(xué) 電氣與控制工程學(xué)院，西安 710054

2.咸陽師范學(xué)院 信息工程學(xué)院，陜西 咸陽 712000

紅外成像系統(tǒng)與雷達(dá)相比，具有結(jié)構(gòu)簡單、體積小、重量輕、分辨率高、隱蔽性好、抗干擾能力強等優(yōu)點；與可見光成像系統(tǒng)相比，有透過煙塵能力強，可晝夜工作等特點。紅外熱像儀受環(huán)境影響小，其紅外成像具有直觀、抗干擾能力強、氣候環(huán)境適應(yīng)性強、全天候晝夜連續(xù)被動探測、測角精度高等優(yōu)點，通過圖像處理算法能獲得更加準(zhǔn)確的目標(biāo)信息，既具有實時性，又具有穩(wěn)定有效性，適合復(fù)雜內(nèi)河船舶目標(biāo)的跟蹤。

目前，基于紅外圖像的運動船舶目標(biāo)跟蹤算法的研究主要有：裴繼紅[1-2]等對前視紅外成像目標(biāo)的實時識別與跟蹤技術(shù)進(jìn)行了研究，提出了三類識別特征（位置特征、形狀特征、輻射特征）及這三類特征的六個模糊隸屬度函數(shù)，采用模糊綜合評判技術(shù)對分割區(qū)域進(jìn)行目標(biāo)識別。劉松濤等[3]研究了艦船紅外成像目標(biāo)的智能跟蹤技術(shù)，通過對成像階段和跟蹤算法的分析，提出了一種新的復(fù)合跟蹤算法，對MAD跟蹤算法和形心跟蹤算法作了進(jìn)一步改進(jìn)，依據(jù)高亮點數(shù)實現(xiàn)跟蹤算法之間的切換。許開宇[4]提出了基于BP網(wǎng)絡(luò)修正的卡爾曼濾波單目標(biāo)跟蹤算法。對于內(nèi)河復(fù)雜背景下的運動船舶目標(biāo)，上述基于紅外圖像的運動船舶目標(biāo)檢測和跟蹤算法，僅僅只有在目標(biāo)較近，且信噪比很高的情況下才能得以使用，在很多復(fù)雜內(nèi)河背景下不能被使用。

本文采用基于MFFK分形特征與Mean-Shift方法相結(jié)合的紅外船舶目標(biāo)檢測跟蹤算法，該算法適用于內(nèi)河背景，適應(yīng)性強，檢測精度高。對處于各種內(nèi)河復(fù)雜背景中的運動船舶目標(biāo)可實現(xiàn)實時、可靠的檢測與跟蹤。

1 基于多尺度分形特征MFFK目標(biāo)檢測

本文采用的是基于地毯覆蓋法[5-6]的一種新的多尺度分形特征參數(shù)MFFK[7]（Multi-scale Fractal Feature related with K）。關(guān)于MFFK的計算如下：

對于二維圖像，其滿足如下性質(zhì)：

其中，ε表示尺度，ε=0,1,…,εmax；A(ε)表示在尺度 ε下的圖像灰度表面的表面積測度；F D（Fractal Dimension）表示分形維數(shù)；K為拓?fù)渚S數(shù)D（這里D=2）維下的面積。

圖1 地毯覆蓋法示意圖

在地毯覆蓋法中，圖像 f(x,y)被視為三維歐式空間中的一個表面，用像素灰度值代表空間深度構(gòu)成一個3維的數(shù)字的紋理表面。若以該表面中的某一個點為中心，考慮與中心點距離超過ε的像素點的集合，用一個厚度為2ε的“地毯”進(jìn)行覆蓋，則表面的面積可由地毯上表面u(x,y,ε)、下表面b(x,y,ε)間的體積V(x,y,ε)除以2ε得到：

當(dāng)度量尺度分別為 ε1=ε,ε2=ε-1，對公式（1）兩端取對數(shù)，再代入度量尺度，由于K為理想狀態(tài)2維下的面積參數(shù)（為一常數(shù)），在實際計算中，K不是一個常數(shù)。用K*來表示F D維下的關(guān)于ε的面積函數(shù)：

為了突出自然景物和人造目標(biāo)的F D維面積K*隨尺度變化的差異，定義分形參數(shù)變化度量函數(shù)——與F D維面積K*相關(guān)的多尺度分形MFFK特征為：

其中εmax是實際計算分形參數(shù)時所取的最大尺度，εmax∈N,εmax≥2。MFFK可以理解為在 εmax的尺度范圍內(nèi) F D維面積K*的變化程度（人造目標(biāo)像素的MFFK參數(shù)值比自然環(huán)境像素的MFFK參數(shù)值普遍要大），MFFK是一個新的多尺度分形特征，用于實現(xiàn)突出人造目標(biāo)與自然背景在分形特征上的差異。

基于多尺度分形特征MFFK的船舶目標(biāo)檢測算法流程圖如圖2所示。

圖2 基于MFFK特征的船舶目標(biāo)檢測算法

由于MFFK特征在灰度圖像中提供了足夠的信息來分辨內(nèi)河船舶目標(biāo)和自然背景，因此，只需要使用無需提供參數(shù)的OSTU（計算出一連通區(qū)域的閾值，然后對該區(qū)域二值化）圖像分割方法，直接根據(jù)MFFK特征參數(shù)進(jìn)行圖像分割，其中灰度值為255附近的像素就表示了內(nèi)河船舶目標(biāo)。最后，把分割結(jié)果圖像映射到原始圖像中，即可獲得最終的檢測結(jié)果圖像。對于檢測結(jié)果圖像中可能存在的極少的假船舶目標(biāo)，可以利用內(nèi)河船舶目標(biāo)的先驗知識，或船舶目標(biāo)跟蹤算法進(jìn)行確認(rèn)，并最終去除假目標(biāo)。這樣，就實現(xiàn)了從紅外圖像中進(jìn)行內(nèi)河船舶目標(biāo)的檢測。

2 Mean-Shift跟蹤算法

Mean-Shift目標(biāo)跟蹤算法[8]主要利用目標(biāo)的灰度和紋理特征的統(tǒng)計分布描述目標(biāo)，并通過均值移位向量的梯度下降搜索達(dá)到目標(biāo)跟蹤。其跟蹤過程首先是對目標(biāo)模型的描述，以一定間隔的灰度值為單位，將取值為像素灰度值的特征空間分為多個特征值。那么在初始幀，包含目標(biāo)的搜索窗口中，得出第u個特征值的概率。然后建立候選模型，運動目標(biāo)在第二幀及以后的每幀中可能包含目標(biāo)的區(qū)域稱為候選區(qū)域，其中心坐標(biāo)為y，也是核函數(shù)的中心坐標(biāo)。該區(qū)域中的像素用x表示。對候選區(qū)域的描述稱為目標(biāo)候選模型，求出候選模型的特征值u=1,2,…,m的概率密度，計算出相似性函數(shù)。在當(dāng)前幀中，以前一幀搜索窗口的位置作為當(dāng)前幀搜索窗口的位置，設(shè)窗口中心為y0,在 y0鄰域內(nèi)尋找局部最優(yōu)目標(biāo)位置 y1（相似度最大）。

其中實現(xiàn)跟蹤算法的步驟如下：

（2）確定候選內(nèi)河船舶目標(biāo)的新位置。

閾值 ε的選取應(yīng)使得 y?1和 y?0的距離小于1個像素間距。如果ε取得更小，可以取得亞像素級的精確度。為了滿足實時跟蹤的要求，限制整個迭代過程執(zhí)行的次數(shù)在2次以內(nèi)，實際執(zhí)行跟蹤過程中平均的迭代次數(shù)一般為3次就可以滿足停止條件。

實際執(zhí)行算法時，只需迭代地計算步驟（2）中的權(quán)值wi；步驟（3）中新的目標(biāo)位置和檢驗校核函數(shù)移動的步長。僅需在算法迭代結(jié)束后，才計算參考內(nèi)河船舶目標(biāo)和候選內(nèi)河船舶目標(biāo)之間的Bhattacharyya系數(shù)。

另外，在本文中，核函數(shù)選為Epanechnikov核函數(shù)，并選擇如下式所示的Epanechnikov剖面函數(shù)時：

3 實驗仿真結(jié)果

與分形維數(shù)F D、D維面積K、分形模型擬合誤差F M F E、與F D相關(guān)的多尺度分析參數(shù)M F F D，進(jìn)行船舶目標(biāo)檢測性能仿真實驗比較。重疊區(qū)域ROO（Region Of Overlap）ROO的數(shù)值表示了自動分割結(jié)果圖像和理想的分割結(jié)果圖像之間的吻合程度，當(dāng)ROO的值越大，表明兩個分割結(jié)果圖像越接近，相應(yīng)檢測算法的檢測精度越高。

實驗表明：在參與比較5個分形參數(shù)中，在內(nèi)河復(fù)雜背景紅外圖像中，MFFK具有最好的船舶檢測精度，該參數(shù)提供了最優(yōu)的內(nèi)河船舶目標(biāo)和內(nèi)河自然背景分辨能力。

原始的Mean-Shift方法與本文提出的新的Mean-Shift方法的船舶目標(biāo)跟蹤實驗仿真結(jié)果對比如圖4。

圖3 5種分形特征的實驗對比圖

圖4 兩種Mean Shift的實驗對比圖

原始算法處理速度為13 f/s，間隔5幀進(jìn)行跟蹤的實驗結(jié)果，圖4（a）顯示第1幀的跟蹤結(jié)果正確，第460幀的跟蹤結(jié)果出現(xiàn)偏差，跟蹤定位失??；當(dāng)使用新的算法時，處理速度為7 f/s，同樣間隔5幀進(jìn)行跟蹤，圖4（d）中顯示第1、460幀及其所有中間幀均實現(xiàn)了正確的跟蹤。

結(jié)果表明：該方法明顯優(yōu)于傳統(tǒng)的Mean Shift算法；在相對簡單的內(nèi)河背景中，該算法能夠應(yīng)付場景的各種變化，同時能有效地避免相似內(nèi)河船舶目標(biāo)靠近正在跟蹤的目標(biāo)或者和正在跟蹤的目標(biāo)交錯引起的情況。

4 結(jié)論

本文采用基于MFFK分形特征與Mean-Shift方法相結(jié)合的紅外船舶目標(biāo)檢測跟蹤算法，該算法適用于內(nèi)河背景，因算法簡潔、實時性好、能夠處理目標(biāo)變形、部分遮擋等困難情形，具有極大的實用價值，是視覺目標(biāo)跟蹤領(lǐng)域的研究熱點之一。目前大量的研究集中于進(jìn)一步改善算法對目標(biāo)變形、旋轉(zhuǎn)等方面的處理性能，及使用更精細(xì)的模型以便跟蹤更多的運動狀態(tài)[10]。

[1]裴繼紅，謝維信，劉上乾.艦船紅外成像目標(biāo)實時識別跟蹤算法研究[J].光電工程，1995，22（5）：21-31.

[2]劉松濤.艦船紅外成像目標(biāo)智能跟蹤算法研究與實現(xiàn)[J].激光與紅外，2005，35（3）：193-195.

[3]劉松濤.艦船紅外成像目標(biāo)實時識別與跟蹤系統(tǒng)研究[J].系統(tǒng)工程與電子技術(shù)，2005，27（8）：1405-1408.

[4]許開宇.基于紅外圖像的運動船舶檢測及跟蹤技術(shù)的研究[D].上海：上海海事大學(xué)，2006.

[5]魏穎.一種基于多尺度分形新特征的目標(biāo)檢測方法[J].東北大學(xué)學(xué)報：自然科學(xué)版，2005，26（11）：1062-1066.

[6]Peli T.Multiscale fractal theory and object characterization[J].J Opt Soc Am A，1990，7（6）：1101-1112.

[7]劉俊.基于紅外圖像的內(nèi)河運動船舶目標(biāo)檢測和跟蹤技術(shù)研究[D].重慶：重慶大學(xué)，2008.

[8]朱勝利.快速運動目標(biāo)的Mean Shift跟蹤算法[J].光電工程，2006，33（5）.

[9]Comanicin D，Ramesh V，Meer P.Real-time tracking of nonrigid objects using mean shift[C]//Proc of the IEEE Conference on Computer Vision and Pattern Recognition.Hilton Head Island，USA：[s.n.]，2000，2：142-149.

[10]齊飛，羅予頻，胡東成.基于均值漂移的視覺目標(biāo)跟蹤方法綜述[J].計算機工程，2007，33（21）：24-27.