红外搜索跟踪系统背景更新方法技术方案

本发明专利技术公开了一种红外搜索跟踪系统背景更新方法，初始化迭代参数，红外搜索跟踪系统接收热像仪图像数据，建立红外图像背景模型，计算背景模型各高斯分布的归属度更新高斯分布权值对所有的高斯分布的权重迭代完成后，整理使迭代更新每个高斯分布的均值和方差根据背景更新模型与均值和方差实现视场中运动目标的提取；开始下个周期的处理。本发明专利技术有效的提高探测率降低虚警率，保证目标分割的良好效果。

【技术实现步骤摘要】
红外搜索跟踪系统背景更新方法
本专利技术属于背景更新技术，特别是一种红外搜索跟踪系统背景更新方法。
技术介绍
在红外目标搜索跟踪系统中要求系统能够快速、准确的将运动目标从序列中图像分割出来，实现运动目标的探测和跟踪。从复杂背景的图像序列中提取运动目标是红外目标探测跟踪系统基本过程。通常假设视场中的图像序列背景可以用统计分布模型描述，通过对图像序列估计和学习获得准确的统计分布模型后，根据该分布模型判定场景中运动目标。其中获取能够描述背景的分布模型的过程称为背景更新。背景更新是计算机视觉系统，目标探测跟踪系统中实现图像序列背景提取的关键技术。因此背景更新算法的收敛性和背景模型估计的准确性直接影响红外目标探测跟踪系统对视场中运动目标的反应速度和识别跟踪的精确程度。背景更新过程中会为图像序列中的每个像素都独立的建立一个分布模型，在文献1《Real-TimeTrackingoftheHumanBody》中使用单一高斯模型描述图像序列背景，但是由于图像噪声，景物能量强度变化等因素致使像素灰度的分布复杂。文献2《Imagesegmentationinvideosequences:Aprobabilisticapproach》提出采用混合高斯模型描述图像背景并详细描述了在混合高斯模型下背景更新的计算过程。在此期间很多学者为提高背景更新的收敛性和背景模型估计的准确性不断改进背景更新算法。如文献3《AnImprovedAdaptiveBackgroundMixtureModelforReal-TimeTrackingwithShadowDetection》提出初始化时通过充分统计更新方程提高收敛速度。文献4《EffectiveGaussianmixturelearningforvideobackgroundsubtraction》利用更新过程的时域特性提高更新方程的收敛速度。但是以上所有文献研究的工作都是固定个数的高斯分布。
技术实现思路
本专利技术的目的在于提供一种红外搜索跟踪系统背景更新方法，不但能够有效的保证背景估计的准确程度，而且还提高了算法的收敛速度，可以有效的提高探测率降低虚警率，保证目标分割的良好效果。实现本专利技术目的的技术解决方案为：一种红外搜索跟踪系统背景更新方法，步骤如下：（1）初始化迭代参数α,N,Tσ和V0；（2）红外搜索跟踪系统接收热像仪图像数据，建立红外图像背景模型，（3）计算背景模型各高斯分布的归属度（4）更新高斯分布权值其中M和cn是比例常数；判断是否小于0，若表示该高斯分布与实际背景模型无关则从混合模型中删除；（5）对所有的高斯分布的权重迭代完成后，整理使（6）迭代更新每个高斯分布的均值和方差（7）当num＜N时，新的高斯分布添加到混合模型中其权重为混合模型中所有权重的最小值，num=num+1，其中num表示背景模型中高斯分布的个数；当num＝N时，新的高斯分布替代混模型中权重最小的高斯分布，其权重为混合模型中所有权重的最小值；最终再次整理使（8）根据背景更新模型与均值和方差实现视场中运动目标的提取；（9）开始下个周期的处理，重复（2）至（7）。本专利技术与现有技术相比，其显著优点：该背景更新框架通过根据迭代状态自适应学习因子和改变高斯分布的个数的手段不但能够有效的保证背景估计的准确程度，而且还提高了算法的收敛速度，真实数据的测试表现出新的背景更新可以有效的提高探测率降低虚警率，保证目标分割的良好效果，见图2。下面结合附图对本专利技术作进一步详细描述。附图说明图1是本专利技术的流程图。图2是本专利技术的效果图。图3是背景更新性能(a)(f)为1~750帧时的原始图像和背景图像，(b)(g)为751~870帧时的原始图像和背景图像，(c)(h)为871~1990帧时的原始图像和背景图像，(d)(i)为1991~2240帧时的原始图像和背景图像，(e)(j)为2241~3500帧时的原始图像和背景图像图4是本专利技术与现有技术估计模型平均概率曲线对比。具体实施方式针对于具有树枝摇动、场景抖动和噪声较多等特征的复杂背景，背景像素一般为多峰分布，Staufer等人根据单峰模型的思想提出了对每个像素采用多个高斯分布表征的混合高斯模型。用x(t)表示图像中某个位置在时间为t的像素灰度的值；其混合高斯模型的概率密度函数为其中N表示描述该像素的高斯分布的个数；表示第n个高斯分布的概率密度函数，其中和分别为高斯分布的均值和方差，为各高斯分布的权重。混合高斯分布可以很好的处理场景中的扰动、能量和背景的局部缓慢变化，有效的提高系统的探测率和对目标的识别能力。定义具有N个高斯分布的随机变量x的混合概率密度为其中其中θ＝{w1,..,wN,θ1,..,θN}是混合高斯模型的参数。pn(x;θn)表示第n个分布的概率密度函数，其中θn为该概率密度函数的参数。wn表示第n个分布的权重，所有分布的权重的和为1。设数据样本为X＝{x(1),...,x(t)}，则最大似然估计(ML)为：对于混合分布的参数估计问题通常采用期望值最大算法(EM算法)计算。期望最大算法是通过迭代计算寻找似然函数的局部最大值的过程。设y为完全数据样本，相应的概率密度为py(y；θ)，其中θ为未知参数。观测样本x＝g(y)。相应的概率密度函数表示为px(x;θ)。设是所有对应于特定x的y的子集。不完全数据的概率密度函数表示为px(x;θ)＝∫Y(x)py(y;θ)dy(4)则θ的最大似然估计为EM算法在观察样本和θ的迭代估计的条件下，使似然函数期望值最大。算法分两步：E阶段：在迭代的(t+1)步，其中θ(t)已知，计算期望值M阶段：通过最大化Q(θ；θ(t))计算θ的下个第(t-1)步估计，即EM算法可以快速的收敛到似然函数的局部最大值，但是EM算法对参数初始化时的取值比较敏感，错误的取值会导致EM算法收敛结果的错误。因此针对该问题很多学者也不断提出改进算法，如文献[7,8]。由EM算法在迭代计算混合高斯模型参数时，首先要确定高斯分布个数N。N的选择是十分重要的问题，N过大会导致算法实现占用过多的不必要的资源，算法运算速度缓慢，N过小则估计的模型无法很好的描述实际分布。因此适合的N能够使混合高斯模型很好的描述背景图像。因为logp(X;θML)是N非减函数，大多数的选择准则的理论都是基于下面的准则。J(N,θ(N))＝logp(x,θ(N))+P(N)(8)通过求取J(N,θ(N))的最大化求得N，其中logp(x,θ(N))的最大化可以通过EM算法计算。文献[11]提出引入先验概率p(θ(N))，用log(p(θ(N)))替代(8)式中的P(N)可得到J(N,θ(N))＝logp(x;θ(N))+logp(θ(N))(9)已知混合分布模型的权重符合Dirchlet先验分布其中系数cn＝-N/2。在实际计算是首先随机初始化N，然后通过MAP算法迭代计算N。在EM计算的过程中，若wn为负数则表示该高斯分布与实际分布无关应该剔除，经过一段时间的迭代后N将会减少到最符合实际分布需要的值。因此，本专利技术红外搜索跟踪系统背景更新方法，步骤如下：（1）初始化迭代参数α,N,Tσ和V0，α∈[0，1]，N∈[1，5]，Tσ=2.5，V0=25；（2）红外搜索跟踪系统接收热像仪图像数本文档来自技高网...

【技术保护点】
一种红外搜索跟踪系统背景更新方法，其特征在于步骤如下：（1）初始化迭代参数α,N,Tσ和V0；（2）红外搜索跟踪系统接收热像仪图像数据，建立红外图像背景模型，p(x(t))=Σn=1Nwn(t)ηn(x(t);un(t),σn(t))（3）计算背景模型各高斯分布的归属度（4）更新高斯分布权值w^n(t)=w^n(t-1)+βn(t)(on(t)(x(t))1-Mβn(t)cn-w^n(t-1))-βn(t)βn(t)cn1-Mβn(t)cn其中M和cn是比例常数；判断是否小于0，若表示该高斯分布与实际背景模型无关则从混合模型中删除；（5）对所有的高斯分布的权重迭代完成后，整理使Σn=1numw^n(t)=1;∀n=1..numw^n=w^n/Σi=1numw^i（6）迭代更新每个高斯分布的均值和方差（7）当num＜N时，新的高斯分布添加到混合模型中其权重为混合模型中所有权重的最小值，num=num+1，w=min{w1(t),..,wnum(t)}u^n(t)=x(t),σ^n(t)=V0,kn(t)=0其中num表示背景模型中高斯分布的个数；当num＝N时，新的高斯分布替代混模型中权重最小的高斯分布，其权重为混合模型中所有权重的最小值；k=argminn{w1(t),..,wn(t),..,wnum(t)}w=min{w1(t),..,wnum(t)},u^n(t)=x(t),σ^n(t)=V0,kn(t)=0最终再次整理使Σn=1numw^n(t)=1.∀n=1..numw^n=w^n/Σi=1numw^i（8）根据背景更新模型与均值和方差实现视场中运动目标的提取；（9）开始下个周期的处理，重复（2）至（7）。FDA00001973675600012.jpg,FDA00001973675600013.jpg,FDA00001973675600015.jpg,FDA00001973675600016.jpg,FDA00001973675600017.jpg,FDA000019736756000110.jpg,FDA000019736756000111.jpg,FDA00001973675600021.jpg,FDA00001973675600024.jpg,FDA00001973675600025.jpg...

【技术特征摘要】
1.一种红外搜索跟踪系统背景更新方法，其特征在于步骤如下：(1)初始化迭代参数α,N,Tσ和V0；(2)红外搜索跟踪系统接收热像仪图像数据，建立红外图像背景模型，表示第n个高斯分布的概率密度函数，其中和分别为高斯分布的均值和方差，x(t)表示图像中某个位置在时间为t的像素灰度的值；(3)计算背景模型各高斯分布的归属度(4)更新高斯分布权值其中M和cn是比例常数；判断是否小于0，若表示该高斯分布与实际背景模型无关则从混合模型中删除；(5)对所有的高斯分布的权重迭代完成后，整理使(6)迭代更新每个高斯分布的均值和方差(7)当num＜N时，新的高斯分布添加到混合模型中其权重为混合模型中所有权重的最小值，num＝num+1，其中num表示背景模型中高斯分布的个数；当num＝N时，新的高斯分布替代混模型中权重最小的高斯分布，其权重为混合模型中所有权重的最小值；最终再次整理使(8)根据背景更新模型与均值和方差实现视场中运动目标的提取；(9)开始下个周期的处理，重复(2)至(7)；其中，步骤(3)中的背景模型各高斯分布的归属度计算过程为：1其中为当前像素在第n个高斯背景模型中概率，是混合高斯分布在时刻t-1的参数；将归属度归一化为o'n(x)，使o'n(x)∈[0,1]；若高斯分...

【专利技术属性】
技术研发人员：顾国华，徐富元，陈钱，钱惟贤，任侃，隋修宝，何伟基，路东明，于雪莲，李宏哲，毛晨，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：