[发明专利]基于激活区域背景感知的红外目标跟踪方法

摘要

本发明公开了一种基于激活区域背景感知的红外目标跟踪方法，主要解决现有跟踪技术实时性较差、模板易受干扰影响和缺少有效的跟踪窗自适应调整策略的问题。其实现步骤是：在粒子滤波框架下首先通过建立激活区域，划分出候选目标选取和背景感知的有效区域，利用协方差算子提取表观特征；其次通过激活区域背景感知，分辨目标当前所处的场景状态，并提取目标位置和尺度观测集；最后根据场景状态制定模板更新策略，避免将干扰引入模板，并引入目标位置观测与表观特征融合对候选目标进行筛选，以提高跟踪精度，同时利用目标尺度观测实现跟踪窗的自适应调整。本发明具有较强的抗干扰能力，实现了强杂波干扰环境下对红外目标的快速自适应精确跟踪。

主权项

1.基于激活区域背景感知的红外目标跟踪方法，包括：(1)初始化步骤：(1a)根据目标的初始状态，产生k-1时刻的初始样本粒子集其中，i表示样本粒子的序号，N表示样本粒子总数，k表示时刻，初始时刻为k＝1，表示k-1时刻第i个粒子的状态估计列向量；(1b)初始化目标跟踪窗：B_k-1|k-1＝(r_k-1|k-1，c_k-1|k-1)^T，其中r_k-1|k-1和c_k-1|k-1分别表示k-1时刻跟踪窗长和宽的估计值，T表示向量转置；(1c)初始化特征模板库J＝1，其中，j表示特征模板的序号，J表示模板总数，且具有上限J＜J_max，模板库在k时刻的更新位置μ_k∈[0，J_max]，μ₁＝2，设场景状态Λ＝0，即假设无干扰；(2)建立激活区域步骤：(2a)对目标状态进行预测：即通过粒子传递得到预测粒子集表示k时刻第i个粒子的状态预测列向量，根据粒子的状态预测列向量和跟踪窗的状态预测列向量B_k-1|k就可以确定出候选目标集其中为候选目标，即表示以第i个粒子为中心、B_k-1|k为长宽所界定出的矩形区域，B_k-1|k＝(r_k-1|k，c_k-1|k)^T，r_k-1|k和c_k-1|k分别表示k时刻跟踪窗长和宽的预测值；(2b)由候选目标集确定出激活区域AR；(3)候选目标特征提取步骤：(3a)设激活区域AR为W×H维灰度图，提取其对应的W×H×d维特征图F_AR，其中d表示特征维数；(3b)在F_AR的基础上构造特征向量积分图IP和特征协方差矩阵积分图IQ；(3c)根据特征向量积分图IP、特征协方差矩阵积分图IQ和候选目标集提取候选目标的特征集其中每个候选目标的特征又是由其分块特征构成的集合t表示候选目标区域分块序号，分块总数为5，表示第i个候选目标的第t个分块所对应的特征协方差矩阵；(4)激活区域背景感知步骤：采用迭代Otsu法对激活区域AR进行分割，通过对分割标记图进行计算，得到目标位置观测集尺度观测集和场景状态Λ，其中，l表示疑似目标块的序号，L_k为疑似目标块数，场景状态Λ为1时表示有干扰，为0时表示无干扰，下标center和rc无具体的物理含义，仅表示所属变量分别为位置观测和尺度观测；(5)计算权值步骤：(5a)计算特征权值：通过计算模板库中所有元素的Log-Euclidean均值，得到当前k时刻的模板预测值：然后，求取各候选目标特征Cⁱ与模板预测值的距离，进而计算各候选目标的特征权值下标f表示所属变量为特征权值；(5b)计算空间权值：在无干扰时，去除目标位置观测集中的杂波，得到位置观测量Z_k，进而计算各候选目标的空间权值否则，认为位置观测不可信，空间权值均置1，下标p表示所属变量为空间权值；(5c)特征权值和空间权值进行融合，得到融合权值(6)特征模板更新策略步骤：根据最大似然准则对模板库进行更新，即用融合权值最大粒子的协方差矩阵C^β更新模板库中的相应元素再确定下一时刻的更新位置μ_k+1，其中β为融合权值最大粒子的序号，μ_k表示k时刻的模板库更新位置；(7)跟踪窗自适应调整步骤：(7a)在无干扰时，去除目标尺度观测集中的杂波，得到尺度观测量Z_rc；(7b)采用卡尔曼滤波方法对跟踪窗进行自适应调整，估计当前k时刻跟踪窗状态列向量B_k|k，否则，认为尺度观测不可信，跟踪窗保持不变；(8)目标状态更新步骤：利用融合权值对预测粒子集进行重采样，得到更新粒子集进而估计当前k时刻的目标状态X_k，再结合跟踪窗状态估计列向量B_k|k，确定出目标的估计范围Target；(9)输出步骤：输出目标的估计范围Target，若下一时刻观测信息到达，令k＝k+1，转到步骤(2)进行迭代，否则，目标跟踪过程结束。