成像目标质心跟踪算法适应性研究

穆晓敬，杨振声，刘红梅，黄子露

（航空工业洪都，江西 南昌， 330024）

红外成像制导是利用目标和背景的热辐射差，形成目标与背景的红外信息来实现自动导引的一种制导方法。瞄准系统中使用的红外系统自动从背景杂波中选择和识别目标，并使用门限技术来做出识别和选择。

当目标被检测或识别出来后，需要对目标进行实时跟踪，即实现从当前帧目标到后一帧目标的对应与匹配。

本文对成像目标质心跟踪算法进行研究，分别建立基于种子点生长和阈值分割的质心跟踪算法MATLAB 数学模型，基于简单背景和复杂环境进行性能仿真，并应用相关策略实现目标跟踪，统计目标跟踪特征量，对质心跟踪算法适应性进行综合评估。

1.1 种子点生长算法

种子点生长算法是指依据事先给定的相似性准则（生长准则），将相邻且满足相似性准则的像素或子区域合并成同一区域的过程。种子点生长法面临的问题有3 个：种子点选取，相似性准则确定，生长停止的条件。

红外图像一般选择高亮的像素作为种子点，依据像素之间灰度值的差异作为生长准则，并通过预先设定门限来判断是否进行生长，直到所有像素遍历完，则停止生长。

种子点生长算法原理如图1 所示，其中下标为像素点序号，红色字体表示像素点灰度。

图1 种子点生长过程

假设当前种子点为01 点， 则在其8 邻域连通像素中，像素点08 的灰度值与种子点的灰度值最接近，像素点08 被加入到生长区域中，并且像素点08 作为新的种子点执行后面的过程。

在第二次循环过程中，待分析图像中像素11、12 的灰度值和已生长区域（由01 和08 组成）的灰度均值12 最接近，像素点11、12被加入到生长区域中。

种子点生长基本步骤如下：

1） 图像预处理：图像区域生长基于像素，去除图像中一些灰度不正常的噪声点可明显改善图像分割效果，本文采用均值滤波去除这些噪声。

2） 边缘检测：
图像边缘是图像局部特性不连续性， 标志着一个区域的终结和另外一个区域的开始。本文采用Sobel 算子进行图像边缘提取。

3） 种子点的自动选取

种子像素的选取常借助具体问题的特点。在军用红外图像中检测目标时， 通常由于目标辐射较大，可选用图中最亮（或最暗）的点作为种子像素。如果对具体问题没有先验知识，则可借助生长准则对每个像素进行计算，若计算结果呈聚类现象，则接近聚类中心的像素可取为种子像素。在图像跟踪过程中目标一般位于图像的中心处， 可选取图像的中心作为种子点。这里为了避免一些随机噪声点的影响，种子点生长算法选取图像3×3 邻域灰度均值最大的像素作为种子像素点。

4） 生长判决条件及过程

设得到的边缘像素点集中，边缘像素点的总数为，灰度分别为（0），（1），…，（-1），种子点的像素灰度为M，计算平均相似度：

作为区域生长过程的分割阈值。

另外，计算种子区域中的像素点与候选像素之间的相似性是否满足：

5） 搜索种子点的8 邻域像素点， 若与种子点相邻的像素的灰度与种子点本身的灰度差异小于预先设定的门限T，则认为该像素与种子点隶属于同一个区域，将其标记为一类，将种子点的值赋予当前点，并以当前点为种子点继续生长；
若灰度值差异大于门限T，认为当前像素点与种子点不属于同一类，则跳过当前点，继续下一个像素点的判断，执行步骤6）。

6） 判断当前像素点是否已标记以及是否最后一个像素点，若已标记，则跳过该点，继续下一个相邻点的判断；
反之，则执行步骤(6)；
若已是图像最后一个像素点，则结束循环。

1.2 基于种子点生长的质心跟踪算法仿真分析

基于种子点生长的质心跟踪算法就是利用种子点生成图像跟踪目标，程序流程图如图2 所示。

图2 种子点生长算法流程图

根据种子点生长规则，目标跟踪效果主要受种子点选取和生长阈值的影响。战场环境中涉及红外成像目标可分为简单背景目标和复杂背景目标，根据目标距离关系可分为成像小目标和大目标，根据目标特性可分为无纹理目标和纹理丰富目标。本文采用Matlab软件就该算法对不同目标适应性进行仿真分析。

在目标跟踪过程中，远距离时目标成像小，随目标距离逼近，目标成像逐渐增加直至充满视场。

首先对远距离小目标跟踪效果进行分析。选取某简单背景下的暗目标如表1 所示，目标大小约为视场的1/20，分别以跟踪点和偏离跟踪点3 个像素取为种子点进行仿真。

表1 小目标静止图像跟踪仿真

当目标较小生长点偏差3 个像素时生长图像无法生成跟踪目标，尤其在远距离跟踪过程中，其质心跟踪点逐渐漂移到目标边界影响跟踪效果。

目标与背景的对比度也影响着目标跟踪稳定性。选取合适种子点对简单背景下低对比度目标进行仿真， 当视场中目标具有一定大小且目标纹理不明显（低对比度目标）时，种子点生长算法具有良好分割效果，如表2 所示，能够实现目标的稳定跟踪。

表2 种子点生长算法结果

综上可知：对于远距离小目标，基于种子点生长的质心跟踪算法有一定的局限性，但是可以通过相关策略对跟踪效果进行修正，一是对目标跟踪点进行人工在线修正；
二是在目标逼近的过程中，随着目标增大，跟踪点不会漂出目标外且目标与背景对比度较明显，此时再介入质心跟踪。考虑到目标增大种子点生长全目标的时间增加，实际应用中需要对该算法进行简化，并对处理器运算能力提出了一定的要求。

阈值分割首先确定一个处于图像灰度级范围内的灰度阈值T，然后将图像中每个像素的灰度值都与这个阈值T 比较，根据它是否超过阈值T 而将该像素归于两类中的一类。

常用的方法就是设定某一阈值T，用T 将图像分割成大于阈值T 的像素群(目标)和小于阈值T(背景)的像素群两部分。

设输入图像是F（x，y），输出图像是B（x，y），则：

由此可以看出，确定最优的分割阈值是阈值分割的关键所在，决定了图像分割的效果。

目前常用的阈值分割方法有：直方图峰谷法、最大类间方差法、最大熵法、基于统计的阈值分割法等。

本文主要使用基于灰度统计的阈值分割方法。

对于不同的背景图像，其分割阈值不应该是固定，而自适应阈值一定跟图像的某些统计属性有关。统计发现，可以利用图像的灰度均值以及方差来确定阈值，因此，基于灰度统计的阈值分割方法的主要思想可以描述如下：

根据图像的灰度均值及方差统计图像来确定门限th，即

其中，m，n 为处理图像的长和宽；
mean 为整幅图像的平均灰度值；
σ 为整幅图像的灰度标准差；
k 为常数，可以通过试验反复调整获得。

窗口宽度m，n 的选择对阈值分割效果影响较大。

若m 取值过大，则有可能失去局部处理的意义， 同时也会产生大量的计算，导致算法运行速度较慢。

若m 取值过小，则可能导致前景或背景内部产生噪声干扰。参数k 对图像的分割效果也有着一定的影响，一般试验参数k 取3 较为理想，既不会引入太多的虚假噪声点；
也不会影响目标的形状分割。这种基于灰度统计阈值分割算法特别适合于对小目标图像的处理。

工程上常采用如下的阈值分割参数：

当目标与背景有一定灰度差时：

分割阈值=背景均值+3*背景方差

当目标与背景有一定的灰度差，但对比度较小时：

分割阈值=（1-）* 背景均值+（1-） 前景均值+（3*背景方差+3*前景方差）

该方法适用于目标位于图像中心且所占视场比例较小的情况。

2.1 基于阈值分割的质心跟踪仿真分析

本文采用基于灰度统计的阈值法来确定图像分割的阈值，并结合帧间目标信息实现目标跟踪。

算法流程图如图3 所示。

图3 程序流程图

为避免分割过程中背景比重、目标大小对图像分割的影响，本文采用子图形进行图像分割，即对包含目标在内的一定区域进行阈值分割，当目标超出当前区域大小时， 采用下采样的方法对图像进行分割，分割完成后对跟踪波门进行回归处理。本文根据实际图像和目标的大小，选取的子图像大小为64*64，采样率分别为1 倍采样、2 倍采样和4 倍采样；

若在原图上进行图像分割，由于目标较小时，背景较多，干扰较大，会对分割效果有一定影响，采用子图像进行图像分割能够有效改善该问题，同时采用不同采样率设计能够满足目标逼近过程中图像分割的适应性。图像中采用红色波门框表示图像分割出的目标，蓝色标记点为目标质心跟踪点。

采用MATLAB对不同背景下的目标跟踪特性进行仿真， 选取图像跟踪中的部分跟踪结果进行说明，内容包括跟踪图和分割图两部分，跟踪图为原始图像加跟踪波门，分割图为不同子图像下根据分割阈值分割出的目标图像。

1） 简单背景下的目标跟踪

对简单背景下低对比度目标进行仿真分析，结果如表3 所示， 可见采用基于阈值分割的质心跟踪算法，在目标由远到近、由小到大的逼近过程中能准确分割出目标并跟踪，对于孤立目标且与背景有一定对比度的目标能稳定跟踪， 但是在目标逼近充满视场时，由于目标较大，目标纹理细节突出，图像分割只分出目标的一部分， 目标跟踪进入到目标某部分的质心。

此时跟踪算法可通过对前后帧目标长高比、占空比及其变化率的判定来对当前目标跟踪进行判断，决定是否退出质心跟踪，更换跟踪策略。

表3 简单背景下的目标跟踪

可见，当目标位于图像中心且所占视场比例较小时，该算法分割的子图像形状规则、边缘清晰，分割效果良好，图像逐渐增大过程中能够实现目标稳定跟踪。

2） 复杂背景下的目标跟踪

对复杂场景中的目标跟踪进行仿真，采用质心跟踪算法存在质心分割不完整的现象。该问题由目标边缘部分像素灰度值与背景灰度值相近且目标内部纹理丰富对比度较大造成。图像分割时找不到合适的阈值，此时目标分割不完整。

表4 复杂背景下的图像跟踪

基于阈值分割质心跟踪算法适用于目标与背景有一定灰度差，且目标灰度较均匀的场景。

灰度差较小的目标和背景不适用于该方法， 需进一步改进研究。该方法也适用于复杂背景下与背景对比明显的低对比度目标跟踪，对分割阈值加以约束，并对分割后的目标占空比、长高比及其变化率进行判断，可以得到稳定的质心分割结果。

对同一背景目标，分别采用基于种子点生长和阈值分割的质心跟踪算法进行仿真研究，目标为简单背景下“田”字目标，仿真结果如表5 所示。

表5 基于种子点生长和阈值分割的质心跟踪算法仿真分析

基于阈值分割的质心跟踪算法在目标跟踪全程均能获得较好的跟踪效果，在目标较小或由小到大的逼近过程中，目标分割稳定，能够实现稳定跟踪基于种子点生长的质心跟踪算法，在目标较小时存在分割不稳定的现象；
当目标有一定纹理时，存在分割不完整的现象。

本文主要研究了基于种子点生长和阈值分割的质心跟踪算法，并对其分别进行仿真分析。

仿真结果表明：基于种子点生长的质心跟踪算法适用于简单背景下无纹理或低对比度目标，对于远距离小目标由于跟踪漂移的影响，会导致目标分割不完整。

随着目标增大到视场一定比重后，种子点生长算法能够稳定生长出目标，进入稳定的质心跟踪，直到目标放大到超出质心跟踪的最大范围，则退出跟踪。

实际应用中可通过对目标距离的判定或分割目标大小的判定决定是否启用基于种子点的质心跟踪分割算法。若在跟踪过程中可对跟踪点进行修正，可以获得良好的跟踪效果。

基于阈值分割的质心跟踪算法，只利用图像的灰度信息，不依赖当前跟踪点，可实现无修正分割和自适应跟踪，自适应跟踪过程中对简单场景下的目标跟踪效果较好；
对远距离孤立小目标且与背景有一定灰度对比度时，能稳定跟踪在目标由远逼近、由小到大的过程中，跟踪稳定；
对复杂场景中的低对比度目标有一定的适应性，适用范围较种子点生长更优越。