一种火光遮挡下空中目标关键部位高精度跟踪方法技术

本发明专利技术公开了一种火光遮挡下空中目标关键部位高精度跟踪方法，所述方法利用火光遮挡下图像的灰度值特性，对起火部位的灰度进行补偿，然后结合滤波算法，对补偿后的图像进行匹配以实现跟踪。本发明专利技术公开的火光遮挡下空中目标关键部位高精度跟踪方法通过对视频中的火光遮挡图像进行灰度补偿，有效解决了火光遮挡导致的滤波器模板匹配和更新失效问题，提高了火光遮挡下空中目标关键部位的跟踪精度，且直接对视频图像进行处理，无需利用大量的数据进行前期的训练，有效降低了复杂度。该方法大大提升了火光遮挡下关键部位的跟踪精度，为反无人机等应用中对关键部位的持续跟踪提供了有力保障。力保障。力保障。

【技术实现步骤摘要】
一种火光遮挡下空中目标关键部位高精度跟踪方法


[0001]本专利技术属于计算机视觉和目标跟踪领域，尤其涉及一种火光遮挡下空中目标关键部位高 精度跟踪方法。

技术介绍

[0002]空中目标关键部位检测与跟踪在反无人机领域具有广泛的应用前景，高效的目标跟踪对 提高任务执行效能具有重要意义。
[0003]现有的空中目标跟踪方法主要包括：基于相关滤波的空中目标跟踪方法和基于深度学习 的空中目标跟踪方法。其中基于相关滤波的空中目标跟踪方法的核心思路是训练包含目标特 征的滤波器模板，利用该模板与待检测的图像进行匹配，从而实现目标跟踪，一般而言，基 于相关滤波的目标跟踪算法包括三个阶段：滤波器模型的初始化、目标检测和滤波器模型更 新。常见的相关滤波算法包括最小输出误差平方和(minimum output sum of squared error, MOOSE)算法、核相关滤波(kernel correlation filter,KCF)跟踪算法、空间正则相关滤波 (spatially regularized discriminative correlation filters,SRDCF)跟踪算法和时空正则相关滤波 (spatial
‑
temporal regularized correlation filter,STRCF)跟踪算法，通过利用快速傅里叶变换， 上述算法可以实现目标的快速检测与匹配，且能针对不同尺度的目标进行精确跟踪。
[0004]基于深度学习的算法主要通过多层的神经网络来训练提取目标的运动特征，从而将目标 与背景分割开来，实现有效的目标跟踪，常见的基于深度学习的跟踪算法包括全卷积孪生网 络(fully
‑
convolutional Siamese network,SiamFC)算法、孪生候选区域生成网络(Siamese regionproposal network,SiamRPN)跟踪算法和更深更宽孪生网络(deeper and wider Siamese networks, SiamDW)跟踪算法，基于深度学习的算法跟踪精度高、速度快，但需要在前期利用大量的 数据进行对网络参数进行优化设计，且消耗大量的内存资源。
[0005]在无强背景噪声干扰下，上述两种方法均能够实现不错的跟踪效果，然而在反无人机过 程中由于存在目标关键部位被大面积火光遮挡的情况，进而导致目标部分像素湮没在噪声以 下，因此对于此类情形，现有跟踪方法存在以下不足：(1)相关滤波算法依赖前后图像模 板的连续性，火光导致目标图像特征发生突变，使得对滤波器模板的更新失效，无法进行目 标跟踪；(2)基于深度学习的跟踪算法依赖样本数据，实际任务场景有限，难以提供足量 的训练数据，导致算法泛化能力严重不足。

技术实现思路

[0006]有鉴于此，为了克服现有技术中基于相关滤波的空中目标跟踪方法和基于深度学习的空 中目标跟踪方法在火光背景下跟踪失效的问题，本专利技术提供一种火光遮挡下空中目标关键部 位高精度跟踪方法。
[0007]为达此目的，本专利技术采用以下技术方案：一种火光遮挡下空中目标关键部位高精
度跟踪 方法，所述方法利用火光遮挡下图像的灰度值特性，首先对空中目标的起火部位进行灰度进 行补偿，然后结合滤波算法，对补偿后的图像进行匹配以实现跟踪。
[0008]优选的，火光遮挡下空中目标关键部位高精度跟踪方法具体包括：
[0009]S1：获得空中目标的初始图像，通过检测算法从初始图像中获取目标，接着对目标关键 部位进行定位，并计算初始图像中目标像素点的灰度均值，之后初始化滤波器模板；
[0010]S2：对待处理图像进行灰度补偿；
[0011]S3：利用相关滤波方法将灰度补偿后的图像与滤波器模板进行匹配，获得当前帧的目标 中心位置，并定位目标关键部位；
[0012]S4：利用步骤S3中的匹配结果进行频域滤波器模板的更新；
[0013]S5：重复步骤S2～S4，直至所有帧图像都处理完毕。
[0014]优选的，所述步骤S1包括：
[0015]1.1：提取初始图像中的目标，记目标的中心位置为并确定目标的关键部位， 记目标关键部位的中心位置为
[0016]1.2：计算初始图像中目标灰度矩阵均值μ0，表示如下：
[0017][0018]其中，I
B
和J
B
分别表示从初始图像中提取的目标的横向和纵向的像素点数，i和j分别 表示横向的第i个像素点和纵向的第j个像素点，1≤i≤I
B
，1≤i≤J
B
；表示从初 始图像中提取的目标的像素点灰度值矩阵，N代表正整数集合；
[0019]1.3：利用相关滤波的方式获得初始的频域滤波器模板
[0020]优选的，所述步骤S2包括：
[0021]2.1：寻找待处理的第n帧图像中像素灰度值大于设定阈值ε的像素点集合S
n
：
[0022]S
n
＝{(i,j)|[A
n
]i,j
≥ε}
[0023]其中，A
n
代表第n帧图像的像素灰度矩阵，1≤n≤N，其中N为待处理图像的总帧数； i和j分别表示横向的第i个像素点和纵向的第j个像素点，1≤i≤I，1≤i≤J，I和J分别为 第n帧图像中横向像素点和纵向像素点的总数；
[0024]2.2：在第n帧图像中剔除集合S
n
中的像素，并求取剩余像素点的均值和方差：
[0025][0026][0027]其中，card()代表集合中的元素个数，均值u
n
和方差代表了剔除火光后 目标和背景的统计特性；
[0028]2.3：将第n帧图像中灰度值不小于u
n
+kσ
n
的点视为起火部位像素点，寻找这些像素点 的集合：
[0029]F
n
＝{(i,j)|[A
n
]i,j
≥u
n
+kσ
n
}
[0030]其中，k为偏差系数；
[0031]2.4：利用初始图像中目标的均值μ0对上述F
n
中的像素点进行灰度补偿，得到补偿后的 图像
[0032][0033]优选的，所述步骤S3中相关滤波方法为KCF跟踪算法，所述步骤S3包括：
[0034]3.1：对待处理帧的图像进行预处理，将图像灰度值变换到[
‑
1,1]；
[0035]3.2：利用预处理后的图像计算核函数；
[0036]3.3：利用核函数及滤波器模板与预处理后的图像进行频域匹配，得到匹配的目标中心点并对当前帧的目标关键部位的中心位置估值如下：
[0037][0038]其中，为初始图像目标关键部位中心的像素位置，为初始图像目标中 心的像素位置；
[0039]3.4：计算第n帧检测到的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火光遮挡下空中目标关键部位高精度跟踪方法，其特征在于，所述方法利用火光遮挡下图像的灰度值特性，首先对空中目标的起火部位进行灰度进行补偿，然后结合滤波算法，对补偿后的图像进行匹配以实现跟踪。2.根据权利要求1所述的火光遮挡下空中目标关键部位高精度跟踪方法，其特征在于，所述方法具体包括：S1：获得空中目标的初始图像，通过检测算法从初始图像中获取目标，接着对目标关键部位进行定位，并计算初始图像中目标像素点的灰度均值，之后初始化滤波器模板；S2：对待处理图像进行灰度补偿；S3：利用相关滤波方法将灰度补偿后的图像与滤波器模板进行匹配，获得当前帧的目标中心位置，并定位目标关键部位；S4：利用步骤S3中的匹配结果进行频域滤波器模板的更新；S5：重复步骤S2～S4，直至所有帧图像都处理完毕。3.根据权利要求2所述的火光遮挡下空中目标关键部位高精度跟踪方法，其特征在于，所述步骤S1包括：1.1：提取初始图像中的目标，记目标的中心位置为并确定目标的关键部位，记目标关键部位的中心位置为1.2：计算初始图像中目标灰度均值μ0，表示如下：其中，I
B
和J
B
分别表示从初始图像中提取的目标的横向和纵向的像素点数，i和j分别表示横向的第i个像素点和纵向的第j个像素点，1≤i≤I
B
，1≤i≤J
B
；表示从初始图像中提取的目标的像素点灰度值矩阵，N代表正整数集合；1.3：利用相关滤波的方式获得初始的频域滤波器模板4.根据权利要求3所述的火光遮挡下空中目标关键部位高精度跟踪方法，其特征在于，所述步骤S2包括：2.1：寻找待处理的第n帧图像中像素灰度值大于设定阈值ε的像素点集合S
n
：S
n
＝{(i,j)|[A
n
]
i,j
≥ε}其中，A
n
代表第n帧图像的像素灰...

【专利技术属性】
技术研发人员：刘羽，秋勇涛，李思敏，刘友江，
申请(专利权)人：中国工程物理研究院电子工程研究所，
类型：发明
国别省市：