[发明专利]一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法

说明书

本发明提出一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法，首先，通过融合空间聚类分割的方法获得单帧红外图像中目标的量测信息，得到目标数量的有效估计，利用组合分群与类别判定方法获得群目标和单目标的量测信息；然后，针对单目标和群目标采取不同的关联跟踪策略，分别构造多重代价矩阵，进行轨迹与量测间的数据关联，有效避免了关联错误；最后，针对所有可能出现的关联结果，提出轨迹管理方法，实现单目标和群目标轨迹信息的更新。本发明基于目标的运动状态和图像特性，实现了群目标和单目标两类目标的稳定跟踪。

技术领域

本发明属于属于图像处理技术领域，特别是涉及一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法。

背景技术

大规模、低成本的无人机群已成为区域安全的潜在威胁。针对远距离群目标的成像检测与跟踪技术可获得群目标及单目标的轨迹及状态特性，以便形成相关决策，并及时采取相应措施。在大尺度目标的跟踪技术不断完善的基础上，小尺度目标的跟踪技术也在迅速发展，但由于其尺度小，不具备大尺度目标的纹理形状等显著特征，给检测与跟踪技术带来了极大的挑战。

群目标跟踪技术的研究思路主要分为两种，一种是群整体跟踪，适用于密集群目标，即群内单目标较为密集，在像平面上不可分辨，若对每个单目标进行跟踪，极易出现关联错误，造成轨迹冗余、断裂等现象，因此将群目标作为一个整体进行跟踪，具体方法包括中心群跟踪算法和编队群跟踪算法两种。中心群跟踪仅利用了群目标的位置信息，不能处理群中心位置突变时的跟踪问题；编队群跟踪针对运动速度相似的单目标构成的群目标展开研究，通过引入编队群的形状向量，解决多群交叉运动的跟踪场景。另一种研究思路是群内单目标的个体跟踪，考虑群目标分离、群内多目标交叉等多种时序演变模式，采用多目标跟踪为主、群目标跟踪为辅的跟踪算法，融合像平面数据预处理方法、数据关联、滤波等多项技术，目的是尽早获得构成群的单目标的单独轨迹。但是现有文献研究的个体跟踪的仿真场景中，群目标内的单目标数量较少，时序演变过程较为简单，若单目标数量增多，这种跟踪思路会导致误关联现象，即使耗费了计算资源也不能达到稳定跟踪的效果。

群目标在运动过程中，其中的单目标逐渐发生分离，由完全不可分辨过渡到部分可分辨，再到完全可分辨，群内单目标数量、面积等均具有增加的趋势；同时，分离出的单目标或群目标可能存在运动交叉再次成为群目标的现象。因此，群目标具有复杂的时序演变过程，仅整体跟踪或个体跟踪的单一策略无法解决群目标及其中单目标的稳定跟踪问题。

发明内容

本发明是为了解决时序演变过程中的群目标及单目标的稳定跟踪问题，从而提供了一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法。本发明充分利用群目标的运动状态和图像特性，明确群目标与单目标跟踪的界限与策略，并提出轨迹管理方法，最终实现二者的稳定跟踪。

本发明是通过以下技术方案实现的，本发明提出一种基于融合空间聚类分割与多重代价矩阵关联的群目标跟踪方法，所述方法包括以下步骤：

步骤一：对原始单帧红外图像进行全局自适应灰度阈值分割，设置自适应阈值，提取单帧图像中疑似目标的像素区域，得到多个疑似目标区域，将疑似目标区域像素的二维位置作为样本，采用随机均匀样本插值算法，对每个疑似目标区域的二维样本集进行扩充；

步骤二：结合小尺度红外目标的先验高斯模型，对步骤一每个疑似目标区域扩充后的样本集采用Kmeans与GMM融合空间聚类分割的方法，得到每个区域中单目标的量测信息；首先对样本集进行Kmeans聚类获得聚类中心，将其作为GMM的初始聚类中心；然后设定聚类数的离散取值范围，采用EM迭代算法并设置迭代终止条件，求解每种聚类数下的GMM模型参数；最后利用间隔统计量准则确定最佳聚类数，此最佳聚类数即为该区域包含单目标的数量，此最佳聚类数下收敛到的聚类中心为单目标的位置，通过协方差获得单目标的形状椭圆参数，最终获得单帧图像中的单目标量测信息；