[发明专利]一种基于水天线的远距离水面红外目标快速跟踪方法

说明书

本发明提供一种基于水天线的远距离水面红外目标快速跟踪方法，能借助水面图像中水天线的特点规划出目标在整幅图像中可能存在的区域，然后在该区域内提取出候选的目标，最终通过滤波器模板与候选目标的匹配定位到跟踪的目标。通过相邻帧水面目标在图像中移动的距离，求取当前状态下目标的移动速度，再综合考虑水面目标的速度和尺度得到模型更新率的关系式。本发明设计改进了确定目标搜索区域的方法，使得搜索区域确定在水天线区域内，缩小了搜索区域范围，加快了目标跟踪速度；通过设计的自适应目标速度与尺度的模型更新方式，使得滤波器模型能够更好的表示目标，提高了跟踪精度。

技术领域

本发明涉及一种基于水天线的远距离水面红外目标快速跟踪方法，属于目标检测跟踪领域，适用于在水面环境下的舰艇追踪、视频监控等远距离红外目标跟踪方面的对不同运动速度目标跟踪的问题。

背景技术

目标检测与识别是计算机视觉领域中的重要课题,在医疗诊断、交通运输、军事安全和航空航天等领域有广泛的应用前景。但在一些特殊环境中，水下无人航行器除了通过主被动声纳对水下目标侦查外，或者声纳设备出现故障，还需要一种辅助红外视觉设备探出水面，对水面目标进行观察甚至跟踪，那么就需要控制好对目标的跟踪距离，如果跟踪距离过近，容易被目标发现，失去了跟踪的隐蔽性(当然，有时也会存在故意主动暴露自身，以示警方式跟随目标)，而跟踪距离过远则容易导致目标丢失，使得跟踪失败。在对水面目标进行跟踪时，一般情况下，当目标出现在水天线附近时，对目标进行跟踪，既能满足跟踪的隐蔽性要求，还能实现对目标的准确跟踪。对远距离的目标跟踪是通过设备捕捉到的视频图像，跟踪指定目标的位置与轮廓，估计指定目标的运动速度、行进方向以及运动轨迹等信息，通过以上过程完成对目标行为的理解，进而实现更高级的任务。

目标跟踪在计算机视觉领域一直是研究的热点。然而在快速移动、目标受到长时间遮挡、背景杂乱等复杂场景下跟踪结果仍然面临很大的挑战性。因此，众多优秀的判别式与生成式目标跟踪算法相继被推出。王悦行在文章《海天背景下红外舰船目标实时跟踪算法研究》中提出了一种均值移位(mean-shift)和海天线检测相结合的红外目标实时跟踪算法，该算法对目标的跟踪具有较好的鲁棒性，但是它不能对跟踪前对初始帧目标的大小和位置实现快速检测，以及在目标存在明显尺寸变化时，不能实现模板尺寸的自适应，从而影响了跟踪的效果；而且当水面红外目标突然提速、或移动方向突变、或被海浪遮挡等因素，导致目标位置突变的问题，该算法也不能很好的解决。文献《Fast Visual Tracking viaDense Spatio-temporal Context Learning》提出时空上下文学习跟踪(STC)算法,该算法是基于帧间目标运动较小的假设，而且模型采用固定速率更新，因此在目标快速运动时容易导致跟踪失败，同时在目标被遮挡时易产生模型更新错误导致目标漂移，从而使得跟踪误差增大。刘威在文章《时空上下文学习长时目标跟踪》中提出了一种利用相关滤波技术和时空上下文模型，实现对目标的精确定位，同时利用目标位置置信图对时空上下文模型进行更新，提高了模型的自适应能力，但当目标外观变化较大时，对目标的跟踪效果不理想。Oron等人在文献《Locally orderless tracking》提出一种对目标区域分块的跟踪方法，首先对图像目标区域进行分块处理，根据像素匹配的相似性预测目标的下一帧所在位置，提高跟踪的精确度，但跟踪速度很慢。黄浩淼在文章《融合TLD框架的DSST实时目标跟踪改进算法》中提出了一种融合TLD框架的DSST实时目标跟踪改进算法(TLD－DSST)，该算法改进了DSST算法的位置滤波器，同时引入朴素贝叶斯分类器改进TLD检测器，能够实现对快速运动目标的精准定位，但是在相似目标重发生叠时可能会导致对目标的跟踪失败。文献《Discriminative Scale Space Tracking》中提出了一种目标跟踪改进算法(FDSST)，该算法是对DSST算法进行特征降维和插值处理，降低了计算量，大大提高了计算速度，但是在目标被严重遮挡、目标在视野中暂时丢失和帧间目标位置大范围偏移时可能会导致对目标的跟踪失败。文献《High－speed tracking with Kernelized Correlation Filters》在CSK算法的基础上，提出采用HOG多通道特征替换灰度特征，并通过高斯核函数简化循环矩阵傅里叶对角化计算，提高了算法的鲁棒性，但对于目标尺度发生变化的情况，容易跟踪漂移，所以对目标的跟踪效果不理想。在文献《A multiscale fast correlation filtertracking algorithm based on fusion features》中，火云莲等人提出一种融合多特征的相关滤波跟踪算法，通过提取多种特征构建目标表观模型，进行降维后重新构造特征矩阵并融合入相关滤波器，虽然提高了对目标跟踪的精度，但模型变得复杂，降低了跟踪的实时性。