[发明专利]一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法

说明书

本发明公开了一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法，步骤如下：首先，采用粒子滤波算法作为红外图像跟踪算法的主体框架；其次，在灰度特征基础上融合描述梯度特征的梯度直方图作为目标观测模型；再次，在跟踪算法中融合自适应模板更新策略对目标特征模板进行更新；最后，为提高算法实时性，借助共享存储并行编程库对跟踪程序进行并行化。本发明能够保证对红外目标的长时间稳定、精确跟踪，运算效率高，可为红外制导工程化提供理论支持。

技术领域

本发明属于图像处理技术领域，特别是一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法。

背景技术

红外成像制导技术是精确制导武器的核心技术之一，而红外跟踪技术则是红外成像制导技术中的关键组成部分。对红外目标进行精确、稳定、快速的跟踪是能实时解算出准确制导指令的重要前提。

目前红外跟踪算法主要分为自顶向下算法和自底往上算法。自顶向下算法的核心思想是将目标跟踪问题转换为在贝叶斯滤波框架下，已知目标状态的先验概率，通过新的观测值不断求解状态的最大后验概率的过程。主要代表为卡尔曼滤波算法和粒子滤波算法。自底往上算法是基于目标表示和定位的方法，主要通过匹配算法来实现目标的跟踪。主要代表为均值漂移算法。

粒子滤波被认为是目前解决非线性、非高斯系统模型最成功的算法。将粒子滤波算法应用到红外目标跟踪，可以很好地解决跟踪中的非高斯非线性问题。但是，红外目标颜色特征信息少、粒子滤波算法实时性差、目标遮挡等问题仍然制约着跟踪算法的性能。

发明内容

本发明的目的在于提供一种跟踪精度高、实时性好、对震荡干扰鲁棒性强的融合梯度特征和自适应模板的粒子滤波红外跟踪方法。

实现本发明目的的技术解决方案为：一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法，该方法采用粒子滤波，以融合灰度、梯度特征的直方图模型作为粒子滤波的目标观测模型建立目标特征模板，采用自适应模板更新策略对目标特征模板进行更新，从而对目标进行跟踪，具体步骤如下：

步骤1，读入红外视频图像，在第一帧图像中标定待跟踪目标；以融合灰度、梯度特征的归一化直方图模型作为粒子滤波的目标观测模型建立目标特征模板；初始化具有位置坐标、大小尺寸信息的N个粒子；

步骤2，读入下一帧图像，采用二阶自回归模型作为粒子状态转移模型，预测该帧图像中各粒子位置坐标、大小尺寸；

步骤3，根据步骤1所述直方图模型，对步骤2预测所得各粒子进行观测，得到各粒子的融合灰度、梯度特征的归一化直方图，结合灰度、梯度特征计算各粒子与目标特征模板的似然度，并根据似然度更新各粒子权值；

步骤4，归一化各粒子权值，通过对各粒子位置坐标、大小尺寸加权求和估算得到目标位置坐标、大小尺寸；

步骤5，根据步骤4归一化后的各粒子权值进行粒子退化判断：如果发生退化现象，则对各粒子进行重采样后进入步骤6；若无，则直接进入步骤6；

步骤6，采用自适应模板更新策略对目标特征模板进行更新，返回步骤2继续对下一帧图像进行处理，直到最后一帧图像即完成红外目标的跟踪。

进一步地，步骤1中所述以融合灰度、梯度特征的归一化直方图模型作为粒子滤波的目标观测模型建立目标特征模板，具体如下：

将目标区域各像素按灰度值从0～255分为n组，各组组距相等，构成灰度直方图，归一化后得到归一化灰度直方图h_gray；将目标区域各像素按计算所得的梯度方向角度从-90°～90°分为m组，各组组距相等，构成方向梯度直方图，归一化后得到归一化方向梯度直方图h_og；结合h_gray、h_og作为目标观测模型。

进一步地，步骤2所述采用二阶自回归模型作为粒子状态转移模型，具体如下：