基于多目标提取与航迹处理的目标告警技术研究*

常明志　沈秀娟

(1.华中光电技术研究所—武汉光电国家实验室　武汉　430073)(2.烽火通信科技股份有限公司　武汉　430073)



基于多目标提取与航迹处理的目标告警技术研究*

常明志1沈秀娟2

(1.华中光电技术研究所—武汉光电国家实验室武汉430073)(2.烽火通信科技股份有限公司武汉430073)

摘要光电探测设备具有完全被动工作方式、隐蔽性好、不受电子干扰、图像清晰直观等优点而被广泛应用,为减轻值班人员的工作压力并适用于无人值守光电探测设备的要求,设计开发了基于多目标提取与航迹处理的目标告警系统。多目标提取采用了梯度图像增强和多向梯度自适应检测的梯度图像处理算法,提高了目标提取的准确性;航迹处理算法消除了海面波浪等干扰因素对告警的不利影响,降低了虚警率。

关键词光电探测; 目标告警; 多目标提取; 多向梯度自适应检测

Class NumberTN957

1　引言

光电探测设备可昼夜工作、完全被动方式工作隐蔽性好、不受电子干扰、图像清晰直观等优点。由于上述优点,光电探测设备越来越得到重视与应用。光电探测设备的主要功能是探测发现目标,传统的探测发现目标方式是值班员观察设备显示器,判断是否有目标进入观测海域,而在一些偏僻的海岛由于值班人员较少,不能保证时刻有值班员在设备前值班,并且人眼长时间盯着显示器也容易疲劳;同时也为适应于无人值守光电设备开发设计了在设备扇形扫描过程中基于图像处理的光电目标告警功能。同时针对传统目标告警的虚警率高等问题,本文提出了基于多目标提取与航迹处理的目标告警系统。多目标提取采用了梯度图像增强和多向梯度自适应检测的梯度图像处理算法[1～3],提高了目标提取的准确性;航迹处理算法消除了海面波浪等干扰因素对告警的不利影响。从而降低了目标告警的虚警率。

2　多目标提取算法

目标提取算法设计的基本思想:图像背景具有强相关性,是大面积缓变图像,背景图像相邻像素之间梯度值相对较少,大面积背景之间的边缘在边缘两侧的灰度是缓变的,只在某些方向上梯度值较大;小目标点是背景中的奇异点,其灰度值与背景有明显的差异,它在各个方向上的梯度值都较大。根据以上目标提取算法设计的基本思想,本文采用“3×3中值滤波与图像增强”+“8向梯度检测目标提取”+“目标聚类”算法完成目标提取的相关计算。

2.1图像预处理

目标提取算法由图像预处理算法和目标检测算法两部分组成。其中图像预处理部分包含3×3中值滤波算法和梯度图像增强算法[4～7]。

3×3中值滤波算法是一种通用的图像预处理算法,它在滤除噪声点的同时能很好地保持图像中的细节部分。中值滤波公式:

g(x,y)=median{f(x-i,y-j)},(i,j)∈S式中g(x,y),f(x,y)为像素灰度值,S为模板窗口。

中值滤波的效果依赖于滤波窗口的大小,太大会使边缘模糊且计算量大,太小则去噪效果不好。为了很好地滤除噪声且不增加计算量,经试验比较选用3×3的滤波窗口。

程序设计中根据噪声的特性:噪声点几乎都是领域像素的极值,而边缘不是,对中值滤波进行了改进——当处理该像素的时候,看该像素是否是滤波窗口所覆盖下邻域像素的极大或者极小值,如果是,则用正常的中值滤波处理该像素。如果不是,则不处理。经试验发现该方法能非常有效地去除突发噪声点,尤其是椒盐噪声。

目标提取算法中梯度图像增强和多向梯度自适应检测都应用了梯度图像处理算法,梯度图像处理算法[8～9]主要设计依据是目标提取算法设计基本思想。以下对图像梯度处理算法进行说明。

定义图像(i,j)位置处沿任意方向的梯度为

其中m、n为水平和垂直方向的梯度步长因子。

对于梯度增强算法,以水平、垂直四个方向上的梯度计算为例,将四个方向的梯度均值作为每个像素点的灰度值:

其中g(i,j)表示梯度增强后图像对应点灰度值。在实际应用中,可以根据图像处理时间裕量,选择更多方向的梯度均值进行图像增强,这种图像增强算法可以滤除图像边界对边界上或边界附近目标的影响。

2.2目标提取

多向灰度梯度目标检测算法以中值滤波或梯度图像增强后的图像为处理对象,疑似目标点提取判断准则如下:

其中∏Δm,ng(i,j)>ths表示在图像点(i,j)处多向梯度值全都大于梯度阈值ths,梯度判断方向及数目根据图像背景复杂度及图像处理时间要求来定,本设计为采用8向梯度检测算法。若T(i,j)为1则表示该点为目标点,否则即为背景点。

程序设计中梯度阈值ths的确定有人工设定和根据灰度梯度均值、标准差自适应计算两种方式。前者对特定场景针对性强;后者适应性强,探测率较高。自适应梯度阈值ths计算如下:

2.3目标聚类

目标聚类[10～11]是目标统计与精确计算目标位置的必需步骤,在此采用一种基于目标点的快速聚类算法,该算法以目标多向梯度检测输出的目标点链表作为输入。在聚类过程中充分考虑了图像中目标点的分布特点,如同一行中相邻的目标点属于同一类等;并且不需要事先确定总类数,而是自动生成;该算法只需扫描目标点链表,而非整幅图像;聚类的最小单位是基类(点的集合)而不是单个点;采用的聚类准则是两类间的最短欧氏距离小于等于某个阈值,当考察某一类是否可以合并到其它类时,不是将该类与其余所有类一一进行判别比较,而是只考察该类附近的一些类,从而在很大程度上提高了算法的执行速度,节省存储空间,并便于后续处理。

本文设计的聚类算法还可进一步去除噪声点和背景。由于真正目标点的密集度远大于噪声点的密集度,所以可以统计目标所含像点个数,然后设定目标像素点数目阈值pmin和pmax,凡所含像点数小于pmin的类作为噪声滤除,而像点数大于pmax的类作为背景去除;并且对于亮目标,其目标平均灰度值大于图像平均灰度值;而暗目标其平均灰度值小于图像平均灰度值。本聚类方法很容易统计每类中像点的数目和灰度值,只要在聚类过程中将所含基类的长度和各像素点的灰度值相加即可得到目标所含像素数和平均灰度值。

3　目标航迹处理

除了海面波浪等干扰因素对提取目标的影响,根据波浪位置随机的特性,而目标位置变化规律一定的特性,通过目标航迹处理的方法消除波浪等因素的影响。目标航迹处理是通过缓存3扫描周期传感器目标检测的数据,结合一定的方法发现所有可能存在的目标航迹。它是整个目标告警的重要组成部分。因此,为了获得较高的检测概率与较低的报警虚警率,就要尽量提高航迹处理的准确性,对于任何一条可能存在的目标航迹都不能轻易放弃。

目标航迹处理采用基于规则和基于逻辑相结合的方法,同时根据多假设的数据关联原则来建立目标航迹,建立目标航迹的过程:

1) 从未关联上航迹的点迹中取出前两扫描周期中的一个点迹,在以该点迹为中心的椭圆形跟踪门内搜索前一扫描周期未关联上航迹的点迹;

2) 如果发现一个点迹,那么就按照目标的运动方向和速度预测下一个点迹可能的位置,并确定一个椭圆形的跟踪门;

式中:T为采样间隔,即警戒模式下扫描周期;Vx为目标在x方向上运动速度;Vy为目标在y方向上运动速度。

目标的运动速度分别为

最后,可推出:

3) 在当前扫描周期未关联上航迹的点迹中,搜索在2)中确定的跟踪门内的点迹;

4) 如果找到点迹点就可以建立目标的航迹,从而确定为真实目标,实现目标报警。

目标航迹流程图如图1所示。

图1　建立目标航迹过程流程图

4　程序设计与实现

本文设计的目标告警软件模块是在不改变设备主要功能的基础上实现告警功能,为此目标自动告警模板嵌入自动扇扫功能中,在设备自动扇扫时完成目标自动报警功能,程序设计流程图如图2所示。

本文的设计的目标告警系统是基于系统软件的,在目标告警系统设计中充分考虑设备的实际使用情况,为更好地完成目标告警,采取以下措施:用户可以根据实际情况调整多目标提取的阈值,以便更好地提取目标;设备启用告警功能前,首先记录下扇扫区内目标情况,作为初始模板,扇扫告警过程中,首先与初始模板比较再进行目标告警;用户还可以自己选择是否更新目标模板与是否在报警的同时启动录像功能。

图2　目标告警系统程序设计流程图

5　结语

本软件模块在一些海岛进行了试验验证,试验证明采用本为设计的多目标提取算法很好地完成了对海面各种目标的提取,对海面各种目标探测提取概率大于95%;采用航迹处理的算法很好地解决了海面波浪等干扰因素对提取目标告警的影响,使目标告警的虚警率小于5%。该指标很好地满足了使用部队要求。

参 考 文 献

[1] Lei Yun, Ding Xiaoqing, Wang Shengjin. Adaptive Sparse Vector Tracking Via Online Bayesian Learning[C]//The International Workshop on Intelligent Computing in Pattern Analysis. Heidelberg, Berlin: Springer-verlag,2006:35-45.

[2] Shi Jianbo, Tomasi Carlo. Good Features To Track[C]//Proc. IEEE Computer Society Conf. Computer Vision and Pattern Recognition. Seattle, WA, USA: IEEE,1994:593-600.

[3] Vignon David, Lovell Brian C, Andrews Robert J. General Purpose Real-Time Object Tracking Using Hausdorff Transforms[C]//Proceedings of Special Session on Intelligent Systems for Video Processing. Annency, France: IPMU,2002:1-6.

[4] 李刚,范瑞霞.一种改进的图像中值滤波算法[J].北京理工大学学报,2002,22(3):376-378.

LI Gang, FAN Ruixia. A new median filter algorithm in image tracking systems[J]. Journal of Beijing Institute of Technology,2002,22(3):376-378.

[5] 胡旺,李志蜀,黄奇.基于双窗口和极值压缩的自适应中值滤波[J].中国图像图形学报,2007,12(1):43-50.

HU Wang, LI Zhishu, HUANG Qi. An adaptive me-dian filter based on the double windows and extre-mum-compressing[J]. Journal of Image and Grap-hics,2007,12(1):43-50.

[6] 许艳.显微图像阈值分割算法的研究[J].应用光学,2010,31(5):745-747.

XU Yan. Threshold segmentation method of micro-scopic image[J]. Journal of Applied Optics,2010,31(5):745-747.

[7] 贺鹏飞,苏新彦,王鉴.基于序列图像的小目标检测[J].应用光学,2011,32(2):272-275.

HE Pengfei, SU Xinyan, WANG Jian. Small target detection based on image sequences[J]. Journal of Applied Optics,2011,32(2):272-275.

[8] 芮挺,王金岩,沈春林,等.Hausdorff距离下的景像特征快速匹配[J].光电工程,2005,32(6):20-23.

RUI Ting, WANG Jinyan, SEHN Chunlin, et al. Fast scene matching of image feature using Hausdorff distance[J]. Opto-Electronic Engineering,2005,32(6):20-23.

[9] 郭伟,朱红,赵亦工,等.基于新的梯度特征相似度量的目标跟踪算法[J].光电工程,2008,35(4):30-35.

GUO Wei, ZHU Hong, ZHAO Yigong, et al. Target Tracking Based on a New Similarity Measure of Gradient Features[J]. Opto-Electronic Engineering,2008,35(4):30-35.

[10] 李涛,雷开彬,柳健,等.基于山峰聚类的复杂背景下红外弱目标分割方法[J].计算机应用,2010,30(2):40-43.

LI Tao, LEI Kaibin, LIU Jian, et al. Infrared weak target segmentation under complicated background based on mountain clustering[J]. Journal of Computer Applications,2010,30(2):40-43.

[11] ZHANG D Q, CHEN S C, PAN Z S, et al. Kernel-based fuzzy clustering incorporating spatial constraints for image segmentation[C]//Proceedings of InternationalConference on Machine Learning and Cybernetics. Beijing: IEEE,2003,4:2189-2192.

收稿日期:2015年10月8日,修回日期:2015年11月21日

作者简介:常明志,男,硕士研究生,工程师,研究方向:光电图像处理与光电跟踪技术。沈秀娟,女,硕士研究生,工程师,研究方向:数字信号处理技术。

中图分类号TN957

DOI:10.3969/j.issn.1672-9722.2016.04.018

Target Warning Technology Based on Multiple Target Pick-up and Track Processing

CHANG Mingzhi1SHEN Xiujuan2

(1. Huazhong Institute of Electro-Optics—Wuhan National Laboratory for Optoelectronics, Wuhan430073)(2. Fiberhome Telecommunication Technologies Co. LTD, Wuhan430073)

AbstractShore-based electro-optical detection equipment has the advantages of a completely passive working way, good invisibility, without electronic interference, the image is clear and intuitive so it is widely used. In oder to conform to the requirements of reducing the operator’s stress and unmanned operating, shore-based electro-optical target warning system is designed. target warning based of multiple target pick-up and track processing. Multiple target pick-up adopts grads image enhancement and multi-grads adaptation detecting, so enhance the veracity of pick-up. Track processing avoid the infection of sea wave which enhance the veracity of wraning and reduce error.

Key Wordselectro-optical detection, target warning, multiple target pick-up, multi-grads adaptation detecting