利用非线性优化滤波器跟踪图象序列中的小目标

白永生

文章摘要:研究一种基于相关技术的自适应跟踪装置。这种跟踪装置使用判别式非线性滤波器，对于噪声、背景和物体失真具有更好的Robust性。计算机模拟显示出了小目标跟踪的试验结果。在对相关面不进行处理的条件下展示了跟踪装置的良好的性能。研究出的算法在众所周知的线形滤波器失效的情况下也能发挥作用。
文章主题:目标跟踪 优化滤波器 非线性滤波器 自适应跟踪装置

文章内容：试飞研究2001年12月利用非线眭优化滤波器跟踪图象序列中的小目标摘要研究一种基于相关技术的自适应跟踪装置.这种跟踪装置使用判别式非线性滤波器,对于噪声,背景和物体失真具有更好的性.计算机模拟显示出了小目标跟踪的试验结果.在对相关面不进行后处理的条件下展示跟踪装置的良好的性能.研究出的算法在众所周知的线形滤波器失效的情况下也能发挥作用.关键词小目标跟踪相关滤波器优化滤波器非线性滤渡器1前言在最近十年里,建立在相关操作上的模式识别方面有许多出版物.近来,使用这些技术的跟踪应用已经提出来了.基于相关的跟踪装置的主要优点是除了执行跟踪任务外.还允许进行一个目标的标示或目标识别.可是,为了设计一种性的跟踪装置,它应不受目标失真(由于转动,观测角度,大小等等)影响,对背景变化的灵敏度要尽可能低.如果这两个条件得不到满足,相关面中包含的相似性和位置信息首先降低并最终丢失在背景里.这就是为什么在跟踪中引入"自适应相关"的原因.即使目标或背景从序列的一个图象改变到序列的另一图象,自适应相关跟踪装置仍然能跟踪目标.最近介绍的非线性优化滤波器是自适应的,因为数学表达式依赖于输人情景图象并允许人们考虑目标失真,所以滤波器根据输入图象进行及时自适应变化.这种滤波器的识别能力提供了良好的位置准确性,而不需要对相关面进行善后处理.这篇文章里,我们介绍了一种应用于跟踪操作的非线性滤波器,并举例说明这些滤波器在计算机产生实际图象序列上的操作特性.第一部分回顾非线性滤波器的原理和特陛;第二部分介绍跟踪算法;第三部分概括介绍试验结果并把所得结果与其它着名滤波器的结果进行比较.2非线性优化滤波器在许多模式识别为基础的应用中(例如跟踪),测量能力是一个重要问题.这种能力依赖于使用滤波器的种类.要求的应用如跟踪或机器人视界需要知道物体的精确位置,因而要求滤波器有很强的抗噪声和抗失真的性能(旋转,大小,观测角度,丢失区域)而且对背景和噪声的灵敏度相对低.传统的线性滤波器设计仅仅优化一种准则,例如用信噪比为强度表示抗噪性能,匹配滤波器是优化的.但是它的宽相关峰值,失真灵敏度和低判别等方面的限制是众所周知的为了增加噪声性和抗失真性,已经提出了新的线性滤波方法.其中一种称为综合判别式滤波器(),它是一种受控的研究方法,常用于生成滤波器.综合判别式滤波器算法使用假定充分描述物体预期失真的训练图象.另一方面还提出了一种基于不同标准间苎塑里!些丝堕鎏鲎垦堕里墨壁型±堕尘旦堡竺的最佳折中方案的方法(例如对噪声的性,相关峰值清晰度和光学效率).这些方法使滤波器的效率比传统的线性滤波器更好.然而,所有这些线性滤波技术不能自适应考虑输入图象的改变,但这却是非线性滤波器所固有的一种能力.一般来说,非线性滤波器可被定义为依赖于输入图象的滤波器,因此这种滤波器能随每一个新的输入图象而变化.线性滤波器仅仅依赖于输入景物中要被识别的一种参考物体或这些参考物体的组合,以及一个噪声模型或噪声模型的组合.它的表达式不能及时发展,这就表明线性滤波器是静态的,是不及时变化的.在下面的研究里,为了简便使用了一维符号,但不会有损于普遍性,让和分别代表参考信号和输人情景图象.与滤波器之间的相关结果表示为.所有图象假设抽样ⅳ个象素,当在0与-1之间变化时,它们在位置的值分别是(),()和().它们的傅立叶函数形式分别表示为,;,￡或在频率时分别为(),(),0().相关滤波器与输入图象之间的相关结果为:(1)=[^0】():∑()(+)(1).以傅立叶函数定义域形式,它可写为:(=(七)(七)(2)式中是滤波器的共扼复数.相关面()所包含的信息用来测量输入图象与滤波器之间的相似性,并求出被识别物体的测量位置.在开始执行计算程序之前,我们需要更详细地描述一下问题.我们假定输入图象中有一个物体类似于参考图象,此参考图象在输入图象中转移到位置,如是图象变化因子,我们可得出:=+6(3)式中是背景图象,它被规定为不是的输入图象中的任何物体,而且总可以写为:=+(4)式中以参考图象的干扰出现,因此,便有下面的公式(见图1):■■■■参考图象打+噪音背景输入图象图1输入图象模式=(+)+(5)在这个方程中,和是已知图象,而,和目标的实际位置是未知的.实际上,我们可以假定我们对的了解比对的了解更多,的来自于从参考图象的失真或噪声.任何情况下,我们认为有一种用㈣表示的频谱密度模型.换种情况如果我们事先不知堕里塞兰!道干扰,,我们可以认为它是一种零均值白色随机矢量,能被表达为=(1()),这个公式中的角括弧表示平均值.用于确定图象中目标位置的滤波器必须有以下特性:()它应在位置产生接近于狄拉克函数的相关峰值;()对于目标失真,,它应具有耐用性;对于背景,它应具有耐用性;()对于背景,它应具有适应性.第一个条件()要求我们将具有输入景物的滤波器相关函数的能量最小化,以便在物体位置处获得尖峰值:(=(=.下求∑('()的最小值.(6)第二个条件()要求我们将滤波器和目标失真之间的相关能量减至最低:∑()(的最,,值=∑()()(7)第三个条件()要求我们将滤波器和背景之间的相关能量减至最小:∑(('的最小值.(8)可以看出这些方程的分辩率产生了用下列表达式表示的滤波器:"盯(七)+(七+;(七)'在这个滤波器公式的分母中,()优化了对噪声的性,()决定相关波峰的尖锐度,()是自适应鉴别项.这个公式非常类似于当前在光谱图形识别中使用的非线性联合变换相关().3跟踪算法在跟踪应用中这些非线性滤波器的使用允许我们考虑背景和目标变化,在以下的例子中,使用尺寸为256256象素的256个图象序列,每象素256灰度等级标准,每个象素限制在0和1之问.组成每个图象的成份是:背景一一空中看到的公路视图,这个视图是稳定的而且偏移量微小(低幅度偏移);大致5×10象素尺寸的小汽车.一个低电平无序白噪声也能加入到每一个图象以便模拟采集噪声.就每一个图象而言,小汽车是附加在背景图象上而且产生一个新的偏移.跟踪算法分为两个步骤:基于跟踪算法的相