[发明专利]一种基于空天背景小目标实时检测跟踪方法

权利要求书

1.一种基于空天背景小目标实时检测跟踪方法，其特征在于，包括如下步骤：

步骤1：利用局部灰度特征，使用多尺度表示方法对视频图像进行多目标检测；

步骤2：利用多目标检测的记录输出结果，对目标进行加权质心跟踪，计算目标当前帧位置；

步骤3：通过线性、平方预测方法，预测目标轨迹；

步骤4：综合目标检测、预测目标轨迹、加权质心方法获得目标位置与目标权值结果，更新目标预测轨迹，对目标进行有效跟踪；

步骤1包括如下步骤：

步骤1-1：对接收的视频图像进行子域分割：将接收的视频图像分割成2^k*2^k个互不交叠的等尺寸小块，每一个小块称之为视频图像的一个子域；

步骤1-2：统计在k层子域空间中的局部灰度特征，包括局部灰度均值，局部区域灰度方差和采样点灰度特征；

步骤1-3：根据记录前t帧的子域空间中的局部灰度特征与本帧计算得到的相应灰度特征进行比较，并对本帧中全局灰度均值、k层与k+1层子域中心灰度、灰度均值进行比较，选出待跟踪目标，满足如下公式的子域符合跟踪目标的条件：

其中，α为第一阈值，gray_all表示当前帧全局的灰度均值，gray_c表示当前帧第k+1层待检测的子域的灰度均值；β为第二阈值，T为连续统计帧数，D为空间相邻距离，gray_td为距当前帧第t帧，与当前子域距离为d的子域的灰度均值，K为连续时空中统计子域的数量；γ为第三阈值，h_gray_c为待检测子域上层子域的灰度均值；

步骤1-2包括如下步骤：

步骤1-2-1，用P来表示接收的视频图像，将其分割成2^k*2^k个互不交叠的等尺寸小块，S为图像P的k+1层金字塔表示，记为：

S＝(S₀,S₁,…,S_k-1,S_k)，

其中S₀＝P，即表示接收的视频图像本身，S_k则包含了2^k*2^k个图像子域；

步骤1-2-2，根据图像的灰度特征，包括局部灰度均值，局部区域灰度方差和采样点灰度特征，构建包含不同分辨率的金字塔模型，形成对每种灰度特征的多尺度的特征表示：

用f(x,y)表示图像在点(x,y)的像素灰度值，是第k层，i行，j列的子域，是对应子域的中心点，是包括中心点在内的样本集合，根据如下公式分别定义的局部灰度均值局部灰度方差和中心灰度

其中N表示对应子域中像素个数；

步骤1-2-3，相邻两层子域的灰度均值有如下关系：

其中，为子域对应的四个相邻低层子域的灰度均值，因此高层子域的灰度均值能够利用相邻低层子域的灰度均值来表达；

步骤2包括如下步骤：

步骤2-1：根据步骤1-3的检测结果计算目标区域内每个像素点权值W_(x,y)：

其中，(x_i,y_i)表示以点(x,y)为中心的第i个像素点，M为跟踪区域内像素点总数，表示点(x,y)与其相邻点(x_i,y_i)之间灰度距离，D(Δx_i,Δy_i)表示点(x,y)与其相邻点(x_i,y_i)之间空间位置的距离，W_(x,y)定义为该点(x,y)的权值，表示周围像素点对该点为目标的贡献值，该值越大，则此点为目标的概率越大；

步骤2-2：通过加权质心方法计算目标质心：

其中，(X_c,Y_c)为通过加权质心算法得到的目标当前帧位置，即目标质心，(X_i,Y_i)为第i点位置，为第i点权值；

步骤2-1中，通过函数D(Δx_i,Δy_i))计算权值W_(x,y)：

其中，λ为空间距离的常数参数；

步骤3包括：

目标线性、平方预测采用运动模型如下：

S’_k+1＝S_k+αΔt

S″_k+1＝S_k+αΔt+βΔt²

其中，S'_k+1表示线性预测第k+1帧目标位置，S″_k+1表示平方预测第k+1帧目标位置，S_k为目标第k帧目标位置，通过步骤2-2计算得到，α表示目标速度，β表示目标加速度，Δt表示两帧图像之间的时间差；

步骤4包括：根据步骤1-3目标检测结果，建立一个候选集φ_Candidate，将新检测而未被加入确定目标集φ_Certain的目标纳入其中，为每个纳入候选集或确定目标集的目标设置参数：历史位置记录，历史局部灰度均值记录，历史局部灰度方差记录，评分值τ，初始为0；

在视频序列图像中，通过跟踪候选集中的目标以及目标检测的更新，统计目标信息，记录并更新候选集及确定目标集中的目标质量评分标准，评分更新准则如下：

其中，S_newd为新检测的目标位置，T为候选目标集或确定目标集中的目标，S_T为T的当前帧位置，d为目标所在子域的宽度，为目标T上一帧的预测位置；

将评分值τ超过上门限的目标加入确定目标集，并输出目标当前位置，同时将评分低于下门限的目标清除。