（电子科学与技术专业论文）海天目标在线智能搜索跟踪算法研究.pdf

摘要 为了在低对比度低信噪比的条件下，能够精确快速的搜索跟踪海上空域机动目标， 本文提出了一种海天目标在线智能搜索跟踪算法。采用金字塔波门搜索方式，搜索区 域逐级缩小，通过多尺度波峰阈值法对图像进行分割，利用区域标记与门限判定锁定 最优目标，进入到跟踪状态对波门内目标采用改进双波门阈值，波门随目标大小自 适应改变，波门内图像经闽值后采用质心算法进行跟踪精确定位目标位置。在目标 瞬时遮挡的情况下采用综合预测得到目标位置，若不满足目标灰度级门限判定或预测 条件，则转为重新搜索，实现无人工干预的智能搜索跟踪功能。实验结果表明：在搜 索状态下单帧图像搜索时间小于1 93 4 m s ，在跟踪状态下目标识别时间小于5 m s ，精度 上较比其他传统算法有着很大的提高，完全满足电视跟踪速度与精度的要求。 关键字：海天目标自动搜索跟踪金字塔波门搜索多尺度波峰阈值区域标记 a b s t r a c t t os e a r c hs p a t i “d o m a i n b r g a t o ns e a p r e c i s e l ya n d q u i c k l y i n t h ec o l k i l i o n o f l o w c o l q l v d s l ta n d l o w s n i lt h i sp a p e rp r e s e n ta l li n t e l l i g e n c ea n d0 1 1l i n ea u t o m a t i cs e 自x ：ha n da a c kf o rs 目矗自秽 a l g o d t h r o - u s i n gt h em e t h o do fp y r a 而dw a v eg a t es e a l c h a n dd e c r e a s es e 卸c ha r e ab ys t e p ，i m a g e s e g m e n t a t i o nb ym u l t i - s c a l e 诎t h r e s h o l d , d e t e r m i n i n gt h eo p t i m a lt a r g e tb ya r e am a l k i n ga n d t h l 幽l d d e c i s i o n , i n t h es t a t u s o f w a c k i n g u s e t h ee l d l b l l c e d t o l b e t a r g e t i n t h e w a v e g a t e , t h e s i z e o f g a t e c a nb ea d j o s t e da d a p t i v e l ya c c o r d i n gt ot h et a r g e ts i z e ，t r a c kt a r g e tb yc e n t r o i dd e t e c tm e t h o d g e tt h e i n f o r m a t i o no f t a r g e tt a r g e ti o a a t i o nc a nb eo b t a i n e dv , i t hc o m p r e h e n s i v ef o r e c a s to i lt a r g e tt r a n s i e n t c c c h t s i o ns i t u a t i o nt ot e - s e a a , c hi fn o tm e e tt h et a r g e tg r a y - s c a l et h r e s h o l dd e t e r m i n a t i o no rf o r e c a s t c o n d i f i o m a n d t oa c h i e v e i n t e l l i g e n ts e a r c ha n d u a c k i n gc a p a b i l i t i e su n d e r n o m a n u a l i n t e r v e n t i o nt h e r e s u l t ss h o w t h a t t h es e a r c h t i m e i n t h e l a 增哑r e g i o n i s l e s s t h a n1 93 4 m s a n d t a r g e tr e c o g n i t i o n i n t h e c 岫s t a t e t i m e i s l e s s t h a n5 m ss p e e d a c c u r a c ya n ds l a b i i 时f u l l y m e e t t h e g o a l s o f m o d e ms l ：m t i a l r r a u - e u v e r i n g t a r g a t i n t e l l i g a n ts e a r c h a n d 妯瞎$ s t e r r l k e yw o r d s ：s e as 时t a r g e t s e a r c ha n dt r a e ka u t o m a t i o np v r a m i dw a v eg a t es e a r c h m u l t i - s c a l e p e a k t h n b h a l da r e am a r k i n g 目录 摘要 a b s t r a c t 目录 第一章绪论 11 引言 12 本文的主要工作及各章安排 13 本章小结 第二章平台搭建与算法流程 21 平台措建 22 算法流程 23 本章小结 第三章海天目标在线智能搜索跟踪算法 31 算法需求分析 32 搜索算法 33 跟踪算法 34 目标预测算法 3j 强制目标重搜 36 本章小结 第四章d s p 程序优化 41 编译器优化 42 图像传输优化 43 代码优化 44 本章小结 第五章实验数据与分析 结论 ， 致谢 参考文献 ，0 0：o m他他孙拍黔呈昙蓦虬趴弛札鸵 第一章绪论 11 引言 111 海天目标在线智能搜索跟踪算法的应用 随着军事战场中对海天i t 标作- 琵武器性能的要求越来越高，低对比度低信噪比条 件下海无i i 标的在线搜索与跟踪成为了电视跟踪领域一个引人关注的话题。如何在第 一时问对海天目标进行精确定位成为了评价武器系统性能的关键性因素。 射击反应时间与首发命中率是体现武器性能的最主要的两个因素。射击反应时间 指的是目标出现在波门内到锁定目标的时间，首发命中率指的是第一发炮弹击中目标 的概率。其中射击反应时间是从速度上对武器系统性能进行衡量，首发命中率是从精 度上对武器系统进行评价。速度与精度两个指标相互制约所以只能通过提高算法的 自动化程度来同时提高速度与精度。 为了能够同时提高目标识别的速度与精度，算法将能够自动搜索目标，甚至在人 跟还未观察到目标的时候就锁定目标。同时，针对海天目标所处环境以及目标特性提 出一种新的目标分割算法，能够较为准确的识别目标，大大提高了目标搜索的准确率， 从而提高了首发命中率。 海天目标是海上空域的一种弱小目标，具有体积小，特征量少等特点不利于算 法检测，较之普通的空域目标又处于低对比度低信噪比的不利环境中，所以如何准确 的将海天目标从背景中提墩出来是能否进行精密罪踪的关键。 针对上述这些问题，本文提出了一种海天目标在线智能搜索跟踪算法。该算法实 现了对目标的实时检测，并且对目标的搜索、跟踪和预测状态通过算法进行自动切换， 稳定跟踪时波门随着目标大小的变化而自适应地改变，亮暗目标自动判定，目标被遮 挡时可以进行预测，从而达到了真正无人工干预的智能搜索跟踪，而且无论是速度上， 还是精度上都较比传统算法有着明显的提高。 2 研究的背景、现状及意义 低对比度低信噪比空域机动目标的检测与跟踪历来被认为是视频领域的一个技术 难题，最早实现捕获、稳定跟踪目标是十分困难的。随着军事战场中对武器装备性能 的要求越来越高，低对比度、低信噪比的环境与目标大小变化成为制约提高搜索跟踪 性能的主要因素。 在以往的目标定位中，常采用手动定位的方式。手动定位优点在于目标定位准确， 而且不用进行任何算法操作。但其缺点更加突出：首先，手动定位需要目标能够被人 眼识别，这就是说人眼必须时刻盯住监视器整个视场这样才可以尽早发现目标这 样做在实际操作中有着诸多不便；其次手动定位从人眼锁定目标到用鼠标画出波门锁 定目标，时间较长，这样就违背了在第一时间锁定目标，获取数据的前提：而且，手 动定位后进入跟踪，还需要人为进行监视，这样爿会在跟踪失败的时候再次手动定位， 这样使得整个实验过程极不连续，而且容易出错：最后，在p r 踪失败后进行手动定位 过程中耗费时间会使得稳定跟踪中的宝贵数据丢失，使实验缺少信服度。 而在已经采用的目标自动搜索算法中，以背景建模“的方式居多，而且效果较 好。但是由于背景建模的方式计算量较大，实时性很难实现：而且在不断变换的场 景中，需要实时更新背景。使计算量进一步加大，算法复杂程度提高，而且搜索正确 率减低。 对空域机动目标传统的电视搜索跟踪算法有很多，主要归纳为以下四类跟踪算法： ( i ) 固定波门的形心、质心和相关跟踪方法： ( 2 ) 根据目标的矩不变特征的矩匹配算法”。； ( 3 ) 均值迁移和卡尔曼滤波预测相结台算法： ( 4 ) 粒子滤波相关跟踪算法”。 针对于空域机动目标对比度低、信噪比低和目标尺度变化大的特点诸方法受周 围影响很大，无法准确对目标进行有效的分离和稳定跟踪”“，相关、矩跟踪和粒子滤 波算法耗费大量的时间，不满足快速搜索跟踪的实时性要求”。 低对比度低信噪比环境下的图像分割也是海天目标识别的一个重要难题。传统的 图像分割常采用双波门、o t s u 、虽大熵、p 一参数等闽值算法。( 1 ) 双波门闽值”l 就 是采用内外两个波门，内波门内为目标区域，内外波门之间的区域为背景区域，通过 目标和背景区域的像素差距来确定图像的分割闽值。但是在对比度报低时，内外波门 像素扶度集基本一致，无法提取目标并且需要人为设置波门，波门大小会对精度产 生影响，波门过大，内波门中背景过多，会使得闽值更贴近背景，如果波门过小，则 目标会因为抖动而移出波门范围，导致h 踪失败；( 2 ) p 一参数阐值就是根据目标与图 像的相对大小来进行的一种闽值方法，但是这种方法需要事先知道目标在整幅图像中 所占的比例，当目标由远及近飞行或姿态变化引起目标比例改变时，该算法将无法有 效对目标进行分割：【3 ) o t s u 算法”“”i 是一种基于聚类分割的闽值算法，它的优 点是运算量小、实时性好，但当目标尺寸较小或周边图像对比度较低时很容易出现目 标失落的现象，影响搜索的准确率和跟踪的成功率：( 4 ) 虽大熵阈值”仅仅考虑了 像素点的扶度信息，没有考虑空问信息，对噪声比较敏感。这些传统的图像分割算法 在低对比度低信噪比时很难有效分割目标，严重影响搜索精度甚至导致跟踪失败”。 针对上述问题本文将采用海天目标的自动搜索策略。采用会字塔波门搜索”“”1 来减小背景的干扰和加快搜索的速度；多尺度波峰闽值法时图像进行分割，该算法通 过图像直方图波峰波谷信息”判定满足要求的闽值，受对比度与信噪比的影响较小 可以准确地将目标分割出来，为后续的目标跟踪提供良好的基础，可大大提高目标自 动识别的准确性：最后对搜索到的目标进行特征识别与概率统计，得到最优目标，实 现真f 的目标自动搜索。为了达到实时性要求，减小不必要的运算，在跟踪阶段将采 取自适应波门的方式对目标进行跟踪，在波门内采用改进双波门闽值。加入目标预测 与目标重搜功能，使算法完全自动进行搜索、跟踪，真j 下实现无人工干预的海天目标 在线智能搜索跟踪的功能。 1 2 本文的主要工作及各章安排 121 本文的主要工作 为了解决传统目标搜索跟踪算法对海天日标低对比度低信噪比f 精度与实时性， 本文将采用如下步骤对目标进行搜索跟踪： i 、舍字塔波门搜索结合多尺度波峰闻值对目标进行搜索不仅加快了搜索速度， 同时也提高了搜索精度； 2 、自动判别亮暗目标，然后选取相应算法将目标从背景中分割出来： 3 、通过区域标记和门限判定记录多帧图像波门内所有的目标信息： 4 、采用最优目标判定算法从多帧目标中确定要搜索的真实目标： 5 、跟踪阶段对闽值分割算法的适应性进行改进，选择改进双波门闽值与区域标记 相结合的算法，解决了目标因姿态、尺寸变化而导致跟踪失败的问题提高目标跟踪 的稳定性： 6 、针对空域目标被遮挡的情况，引入目标综台预测算法，可对目标下一时刻位置 进行预测，并通过扶度级门限判定对目标进行过滤，去除伪目标，提高了目标跟踪的 精度。 最终，实现了一种搜索跟踪无人管的高精度、快速和稳定的智能电视跟踪算法。 22 本文各章节安排 i 、第一章主要介绍了在目标识别领域的一些传统算法以及这些算法在针对海天目 标上的局限性，并介绍了本文算法提出的背景、现状以及意义。 2 、第二章主要介绍了算法的实现环境及平台。本文采用d m 6 4 2 开发扳作为图像 处理平台，重点介绍了从c c d 采集图像到d m 6 4 2 处理图像的框架和思想，以及算法 的整体流程，目标搜索、跟踪和预测三个状态之间的切换 3 、第三章主要介绍了目标的搜索和跟踪算法，包括余字塔波门搜索算法、亮暗目 标自动识别算法、多尺度波峰阈值算法、区域标记和门限判定算法、最优目标判定算 法、改进双波门闽值算法和综合目标预测算法等目标识别葬法。并且从精度和速度的 两个方面分析本文算选算法的优越性。 4 、第四章主要介绍了d m 6 4 2 程序的优化方法，主要从编译器优化、图像传输优 化和代码优化三个方面进行分析。编译器优化就是指通过在编译器中选择一些特定的 选项使程序可以快速执行：图像传输优化就是指图像在从c c d 读入d m 6 4 2 的缓冲区 时，采用双缓冲的方式来实现边传输图像，边处理图像的快速图像处理机制；代码优 化就是指在代码编写过程中采用屉合理晟省时的方式进行编写，以尽可能的提高算法 的执行效率。 5 、第五章将对本文提出算法和传统算法从精度和速度两个方面进行实验分析，对 实验数据进行对比，得出最终结论。实验中分别给出了本文提出算法和o t s u 、最大 熵闽值之问的速度与精度的效果图与数据对比，并且展示了亮睹目标自动识别、波门 自适应改变、会字塔波门搜索、k n n 均值滤波、目标预测和强制重搜等创新算法的实 现效果图。 13 本章小结 本章主要介绍了本文算法提出的背景、意义和目标目标识别领域所采用的传统算 法以及传统算法的优缺点；并且针对这些算法的问题，提出了更好的解决办法。然后 介绍了本文所提算法的各个功能模块所实现的作用：最后，介绍了本文各个章节所讲 内容。 第二章平台搭建与算法流程 本章主要介绍了海天目标在线智能搜索跟踪算法实验平台如何措建以及组成部 分，并对海天目标在线智能搜索跟踪算法的整体流程进行了详细的说明。 21 平台搭建 2j1 平台结构框图 海天目标在线智能搜索跟踪算法的实验平台主要分为三个组成部分，图像采集模 块、图像处理模块和图像监视及数据处理模块。图像采集模块采用的是帧率为2 5 耙耵 秒，分辨率为7 6 8 5 7 6 的模拟c c d ，图像处理模块使用的是t i 公司推出的d m 6 4 2 开 发板，图像监视及数据处理模块则是利用m e t e r 采集卡和上位机软件来实现的。 d m 6 4 2 作为实时图像处理模块，将c c d 相机采集的图像进行处理，将处理后的图 像数据通过采集卡传递给上位机进行图像显示和数据处理。硬件连接框图如图2 】所 月i 。 一 图2 i 实验平台连接框圈 如图2l 所示，c c d 相机对应的是图像采集模块、d m 6 4 2 为图像处理模块，图像 采集卡和数据处理模块则构成了上位机图像监视及数据处理模块。d s p 图像处理模块 的优势在于处理速度快，体积小便于携带，并且功耗少。而通过上位机对数据进行处 理拥有良好的人机界面，并且可通过图像采集卡来观测目标必要时可通过相关软件 对d s p 图像处理模块进行人工干预，真正实现对目标稳定快速的智能搜索与跟踪。 1 视频采集模块：该模块是整个系统信号的获得部分。采用模拟相机来采集图像。 模拟相机的优势在于较比数字相机价格低廉，可以降低整个系统的成本， 2d s p 图像处理模块：该模块采用t m s 3 2 0 d m 6 4 2 来作为图像处理开发板。 d m 6 4 2 具有高速的数据处理能力，并且具有体积小便于携带功耗少等特点，可以荫 足工程中图像处理的实时性要求。该模块为整个系统的核心模块，主要负责对目标的 搜索、跟踪与预测以及在三个状态之间的自动切换。 3 上位机图像监视及数据处理模块：该模块主要分为两个部分：( i ) 实时显示部分 ( 2 ) 数据处理部分。 ( 1 ) 实时显示部分：该部分由上位机通过图像采集卡接q 曼d s p 处理后的视频图像， 然后通过软件显示出来，以便使用者通过对目标的观测来采取相应的操作。 ( 2 ) 数据处理部分：该部分主要是上位机通过与d s p 之间的通信来获得目标的各 种信息，然后将这些信息虬文档的形式存在计算机中。操作者可以根据这些数据来计 算出关于目标的一系列的技术指标。 212 实验器件型号与规格 ( 1 ) c c d 相机选型 袁2 【c c d 相机参数 像素足寸86 u r n 83 g n 帧频 2 5 4 计 c c d 传感器 1 2 隔行扫描 靶面足寸 64 r a m 48 r a m 2 ) d m 6 4 2 选用台众达d m 6 4 2 开发板以及瑞泰5 1 0 0 仿真器实物图如下所示 ( a )( b ) 图2 2d m 6 4 2 开发板与仿真器 图2 2 ( a ) 为d m 6 4 2 开发板，( b ) 为瑞泰5 1 0 0 仿真器。t m s 3 2 0 d m 6 4 2 是t i 公 司在2 0 0 3 年推出的一款面对多媒体处理领域应用的高性能定点d s p ，基于c 6 4 x 的核 心框架，集成了非常丰富的外围设备和接口主频展高可以达到7 2 0 m h z t 并行处理 指令的能力最大能够达到每个指令周期处理8 条3 2 位指令。 t m s 3 2 0 d m 6 4 2 的片上存储器分为l l 存储器和l 2 存储器，l 1 存储器包括程序存 储器和数据存储器，程序存储器和数据存储器的容量都是1 6 k 8 位，l 2 存储器为单 功能的r a m 存储器，容量为2 5 6 k 8 位，程序存储器和外部数据存储器的扩展受l 2 控 制。d m 6 4 2 还采用了快速数据交换机制，e d m a 技术( e n h a n c e dd i 托c tm e m o r y a c c e s s ) ，它可以独立在c p u 的后台进行工作，使得程序执行时数据的交换和数据的 处理可以同步进行。 ( 3 ) 图像采集卡 本实验选用的是m a t r o x 公司的m e t e r n 系列高性能采集卡。 图2 3m e 蜥】采集卡 m e t e r i 】采集卡具有以下特点： 采用p c i c o m p a c t p c i 或者p c 1 0 4 一p l u s 格式，可以采集多种格式信号，如： n t s c p a l ，r s 一1 7 0 和c c i r 等视频信号，有1 2 路视频输入，3 1 位p c i 昏线，可以 将数据实时传输至系统或显存，支持彩色或者黑白通道多路数据流p a c k e d o r p l a n a r 传输。m e t e r i i 可以通过改变配置文件米选择采集图像的数据格式，本实验中，选择采 集8 位图像数据图像格式为位图，像素值范围为0 到2 5 5 。 ( 4 ) b n c 数据线 本实验中c c d 与d m 6 4 2 以及d m 6 4 2 与图像采集卡之间的传输都由b n c 数据线 来完成。b n c 数据线实物图如图24 所示。 图24b n c 数据线 模拟c c d 相机提供了一个b n c 接头的视频输出口，通过b n c 数据线连接到 d m 6 4 2 的视频输入口，然后再通过b n c 线将d m 6 4 2 的视频输出接口和图像采集卡的 数据采集接口连接此时就完成了图像数据的通路，通过v c + + 编程，调用图像采集 卡配套软件m i l 90 提供的l i b 函数库就可以将采集到的图像数据写入磁盘，# 储为a v i 文件。 213 实验软件编程环境介绍 c c s 33 d s p 编程采用c c s 33 编译环境，软件界面如图所示 图2 5c c s 开拉环境 c c s ( c o d e c o m p o s e rs t u d i o ) 是t i 公司推出的集成开发环境，提供了环境配置、 源文件编辑、跟踪和分析等工具可以帮助用户在一个软件环境下完成编辑、编译连 接、调试和数据分析等工作。 ( 2 ) v $ 2 0 0 8 上位机编程采用v s 2 0 0 8 编译环境软件界面如图所示 _ h 靠l - 蜀目瞄n 矗e e t 矗誓田匾f _ - 日- “ 一。一一”l 暂2 b 髑规于：j 嘣矾啪d 嘛 1 篇一 a h 。f t 叫c 蜀咐o f tv d dc + 十 t e a m $ r s t e m - m k ee d r o o n f c ，0 嬲7 t f c o o 月t o n ! ：= - 唧3 一。 * 所i & “工t s m 鼬竹 v s u o l 。2 0 0 8 0 $ t o d m om h o “ ，自女目 j 口“r e o o r t s 图26 v s 2 0 0 8 开发环境 v i s u a ls t u d i o 是微软公司推出的集成开发环境可以用来创建w i n d o w s 平台下的 应用程序和网络应用程序。v s 2 0 0 8 提供了高级开发工具、调试功能、数据库功能和创 新功能，帮助在各种平台上快速创建当前最先进的应用程序为开发人员提供了所有 相关的工具和框架支持。 ( 3 ) m i l 90 图27 l 90 开发环境 m i l 90 是m e t e r l l 系列高性能采集卡配套图像处理软件，加拿大m a t r o x 机器视 觉，医学图像和图像分析领域确认的软件开发工具，主要提供针对图像采集和操 作的函数相应的i j b 库文件和相关函数的使用说明与d e m o ，可以使图像的采集和 处理更加简单和快速。 22 算法流程 海天目标在线搜索跟踪算法主要分为三个部分：搜索算法、跟踪算法和预测算法。 下面我们将分别对搜索算法、跟踪算法、预测算法以及三种算法之间的切换进行简要 介绍。 首先c c d 采集图像，将图像数据传递给d m 6 4 2 进行处理d m 6 4 2 获得图像数据 后将首先进行目标的搜索，如果没有目标则继续搜索，直到搜到目标后进入到跟踪状 态，跟踪过程中对跟踪披门内目标进行精确定位若波门有目标，则继续跟踪，若波 门内无目标则进行目标预测。目标预测如果在一定时间范围内重新发现目标，则继 续跟踪，否则自动切换为搜索状态。系统软件流程图如图2 8 所示 培 拿 图28 算法流程软件框幽 如图2 8 中，目标的搜索、跟踪与预测是本文算法的核心搜索算法的速度决定了 整套算法的实时性优劣。搜索的精度也将作为精密跟踪准确与否的前提条件；跟踪的 精度与稳定性将决定整套算法能否满足电视跟踪的要求：预测算法将使整个系统能够 在目标被瞬时遮挡时保持跟踪的连贯性，以使算法可咀更加稳定，数据更加连续。这 部分内容将在第三章进行详细的介绍。 23 本童小结 本章主要介绍了海天目标在线智能搜索跟踪算法实验平台的组成和搭建，以及算 法的流程。实验平台的硬件选择有c c d 模拟相机、d m 6 4 2 图像处理开发板及瑞泰5 1 0 0 仿真器、p c 机、m e t e rl i 图像采集卡以及b n c 数据线。实验所使用的软件编译环境和 工具有c c s 33 、v s 2 0 0 8 和m i l 90 。算法流程主要介绍了采集图像后进入算法的搜索 状态，以及搜索状态、跟踪状态和预测状态之间的切换。 第三章海天目标在线智能搜索跟踪算法 本章首先对算法需求进行分析，然后将从搜索、跟踪和预测三个方面来介绍海天 目标在线智能搜索跟踪算法，并对其中每一个子算法进行详细的分析t 并和传统算法 进行对比。 31 算法需求分析 通过对算法需求进行解析，确定所提出算法要针对以下重点进行研究。 ( 1 ) 算法针对i g 标为海天1 5 1 标： ( 2 ) 算法要实现在线目标识别，实时性要求很高； ( 3 ) 算法要求在搜索状态和跟踪状态间自动切换，要求智能化程度高= 以上三点是本算法实现的关键，以下所有算法的讨论都将围绕着这三点来进行 311 海夭目标 海天目标是一种处于低对比度环境下的弱小目标1 1 ，如图31 所示t 由于目标 与背景过于接近且目标在图像中所占面积较小，所能提取的目标信息很少，对其的搜 索与跟踪成为了目标识别领域的一个难题。 o 圈3 l 海天目标 针对海天目标，采用何种闽值方法来分割目标是保证识别准确性的关键。由于海 天目标所具有的条件限制，使得传统算法无法有效稳定的分割目标。本文将采用多尺 度波峰闽值算法，该算法针对不同的直方图类型图像采用自适应图像分解策略。 312 目标在线识别 目标在线识别要求算法实时性很高。本系统所采用的c c d 獬2 5 帧，秒，所以 每两帧间隔为4 0 毫秒。在4 0 毫秒内将完成所有算法以及数据传输，才可以保证系统不 丢帧。为了达到这个要求，在目标搜索的过程中采用金字塔搜索的方式，逐级减小波 门范围来减4 、算法运行时间。在程序优化方面，将会采用编译器优化、代码优化和数 据传输优化。程序优化这一部分内容将在第四章进行详细的介绍。 313 智能算法的实现 智能算法涵盖许多方面既包含功能的自动切换又包括机器学习的过程，本文 提出算法将会完成以下内容：目标搜索与跟踪状态问可自动切换、目标短暂消失时可 以进行预测、跟踪波门随着目标大小而自适应变化、自动识别目标亮暗状态，真正实 现无人工干预的智能目标搜索跟踪算法。 32 搜索算法 目标的搜索是为了准确分析出目标的具体位置，为后续的精密跟踪打下良好的基 础，所以就要求目标搜索算法在满足实时性要求的前提下能够更加稳定和准确的确定 目标区域。 本文将来取金字塔波门搜素，多尺度波峰闯值，区域标记、最优目标搜索等算法 进行海天目标的搜索。搜索算法流程图如图32 所示。 图3 2 援索算法流程图 如图3 2 所示，首先通过c c d 捕获图像数据，然后通过金字塔波门搜索配合多尺 度波峰闽值算法将目标与背景分割：然后通过区域标记统计目标个数，不满足门限判 定的将会视为伪目标被滤除然后记录目标位置：将波门逐级缩小的一个周期中记录 的目标位置进行统计，找出最优目标位置则将该位置视为实际目标位置此时搜索 完毕，进入跟踪状态。如果没有找到最优目标，则继续搜索，直到找到目标位置。 本节将对金字塔搜索，多尺度波峰闽值区域标记和门限判定，亮暗目标自动识 别和昂优目标判定等算法进行详细的讲解。 32 1 金字塔波门搜索 为了满足算法实时性要求，并减小背景中噪声干扰，本文将采用金字塔波门方法 对目标进行搜索。速度与精度是一对相互制约的技术指标，而金字塔波门的搜索则通 过缩小搜索区域的方式非常好的解决了两者之间的关系。 金字塔波门搜索就是逐级缩小搜索波门的大小，减小搜索区域，这样需要处理的 数据少了，可以降低搜索时间，另一方面也可以减少背景中噪声对目标识别的影响”“- 金字塔波门搜索示意图如图33 所示： 厂r 。，+ + + 一 ，3 j* 口$ 十， t 4 # n 镕十5 女 图3 3 金字塔波门搜索示意图 i k = 一i x d ( 砰 。)、 i 阡：= w ( k ! 阡) 式( 1 ) 中w 为波门初始宽度，孵为当前波门宽度，。为设定波门的最小宽度 d 为波门缩进步长。i 为缩进次数。波门高度则按比例缩进。波门每次缩小一个步长， 图像数据减少运算量降低，加快了搜索的速度。当波门缩小到最小时，一次循环结 束判断是否搜索到目标，如果搜索到，进入跟踪状态波i 大小将会根据目标的实 际大小而设定，如果没有搜索到目标，算法仍处于搜索状态，那么波门将重置回初始 大小，继续重复搜索算法的步骤。 3 22 多尺度波峰阚值 由于海天目标所处于低对比度的条件下，所以阈值算法的鲁棒性直接决定目标能 否准确的识别出来。传统的目标闽值方法有p 参数闽值、o t s u 闽值和最大熵闽值等。 ( 1 ) p 参数闽值需要事先知道目标在整幅图像中所占的比例，但目标由远及近 飞行或姿态变化引起目标比例改变时，将无法有效稳定分割： ( 2 ) o t s u 2 3 ) 1 2 4 i 算法是建立在图像的灰度直方图基础上，依据类间距离极大准则 来确定区域分割门限的算法。o t s u 算法的优点是运算量小、实时性好，在对比度较 好时效果明显但是当目标与背景的比侧较小或者对比度较低时分割效果不好，甚至 很容易出现目标失落的现象： ( 3 ) 最大熵闽值算法是一种基于灰度一梯度共生矩阵与最大熵原理自动阈值化的 方法。这种算法同时利用灰度信息和梯度信息，通过计算共生矩阵的二维熵，使边缘 区域熵最大来选取闽值向量。撮大熵阈值对噪声比较敏感对于海天目标，如果视场 内个别区域能量较强，那么目标的提取将彻底失败。 这些传统的图像分割算法在低对比度低信噪比时根难有效分割目标，严重影响搜 索精度甚至导致跟踪失败。 针对上述传统算法的问题，本文提出采用多尺度波峰阈值。多尺度波峰闽值是通 过图像直方图的波峰波谷信息进行闻值判定。图像直方图根据目标和背景的不同可以 分为三种：积峰直方图、多峰直方图和单峰直方图，如图3 4 昕示。根据不同的直方图 类型采用自适应图像分解策略来计算闽值。 a ) 双峰直方国 ( b ) 多峰直方图( c ) 单峰直方图 图3 4 多尺度直方图 在目标搜索过程中波门不断减小对波门内的图像进行多尺度波峰闽值。首先 得到图像直方图然后通过直方图修正和均衡化进行预处理，接着统计波峰波谷个数 以判断搜索区域内图像直方图类型选取相应算法，得到最佳闽值，计算流程如图35 所示： 圈3 5 多尺度波峰闽值流程图 322 1 直方图预处理 海天目标的背景主要是海上天空，目标成像的质量一般受光照条件、能见度等自 然因素的影响可能使目标的灰度只分布在整个灰度级较窄的一段内，部分信息可能 无法体现出来。所以在对直方图进行操作之前，首先要进行直方图预处理，常用的预 处理的方法是直方圈均衡化和直方图修正1 1 5 12 w 2 7 1 以及图像的增强i “】。直方图均衡化可 咀有效的去除直方图中的毛刺，起到了直方图平滑的作用。直方图修正则是对直方图 进行线性或非线性的变换使图像的灰度分布更加合理，对比度得到增强。预处理之 后要判断图像的峰谷个数。在遍历所有获度等级像素数时判断当前灰度等级两侧像素 数的趋势：( 1 ) 当左侧为上升趋势右侧为下降趋势时，该点为峰值点；( 2 ) 当左侧为 下降趋势右侧为上升趋势时，该点为谷值点。记录峰值和谷值点的个数，以便进行直 方图类型的判断。 3222 双峰直方图 当背景灰度集中在某个较小的区域并且与目标的灰度有着明显差异的时候，图像 的直方图呈现为双峰形状。这两个特征峰分别代表目标灰度级和大部分的背景灰度级。 此时取两个波峰问的波谷作为闽值。这种方法也叫做双峰谷底法。 图像的混合概率密度为： 一出 p ( 。) 5 加( = ) + 聃( ：) 2 压p l d p l 2 4 7 j +( 3 2 ) 式( 2 ) 中“和卢，分别是背景和目标区域的平均灰度值to - ，和o - ：分别是关于均值 的均方差tp 和岛分别是背景和目标区域平均灰度的先验概率。假设h c 肛，定3 l - - 个闽值r 来分割目标和背景，这时目标和背景错误划分的误差概率为： 17 占( 即= p 2 f 以( ：) 出+ 届。f p , ( z ) d - - 为求得使该误差最小的闻值可将e f n 对r 求导并令导数为零 闽值。 ( 33 ) 解出r ，即为最佳 3223 多峰直方图 当背景比较复杂或者图像中含有多个灰度级不同的目标时，直方图呈现多峰形状， 其中每一个特征峰对应着个目标。多峰直方图图像二值化时，采用动态闽值方法 - , 9 1 。 闽值一般可选在分割后两类像素点数接近的波谷处。我们首先选取一个像素值k ，则： m r ( 女) = i ( 0 一) 1 l 2 1 “ 。o 3 4 、 式( 4 ) 中，为当前灰度级的强度，通过改变假定闽值k 我们可以得到不同的， 当r 取到最小值时对应的k 为该图像的分割闽值。 3224 单峰直方图 单峰直方图图像在图像处理中经常遇见，但是缺乏有效的分割方法。单峰直方图 图像一般可分为下面两种情况： ( 】) 积峰直方目的两个波峰的位置过于接近，导致两个波峰中间失去了下凹的波 谷，从而形成单峰。 ( 2 ) 代表背景的区域与代表目标区域面积相差悬殊，使目标区域无法在直方图中 构成波峰。 对于第一种情况，阈值可以选在波峰的“肩部”，即波形底部斜率由陡向平的转折 处。 如果将直方图波形看作一条曲线，则可借助求曲线极小值的方法来计算阑值。如 果用h ( z ) 代表直方图，那么： ! 盥2 。塑型 啦出 ( 35 ) 此时：即为阈值。式( 5 ) 中。为一个常数，本文实验中口取3 。 对于第二种情况，可以先在波形的肩部确定一个位置，将对应于背景区域的最大 峰消除，然后再用动态阐值进行分割。 m d 去 323 区域标记及门限判定 当波门内的图像进行过闽值分割处理后将对分割后的目标进行统计这时就要 采用区域标- i 2 , 1 3 。i 的方法记录所有目标的位置。 区域标记就是将搜索区域内的所有目标进行标记，并且记录这些目标的位置信息， 然后通过门限判定，滤除掉我们不需要的目标。 区域标记是一种以连通域分析为主的改进型算法。标准的连通域分析算法是遍历 整个波门内闻值后的图像，对像素进行八连通分析，提取出所有相连的区域作为目标 区域。但是本文所处环境要求在多目标中通过算法自动判断来锁定其中一个与实际目 标最为接近的目标，这就需要我们对连通域分析算法进行改进。在进行连通域分析后 首先将视为同一目标的区域进行统一标号，如下图所示： 图36 区域标记和门限判定拼恿斟 如图36 所示，遍历图像的方式为行扫描，背景为0 ，首先检测到第一个不为零的 像素，对其八连通进行分析，并将与之相连的所有点标号为1 ：然后对标号是i 的每个 像素再进行八连通分析，相连的也都标号为1 ，以此类推，直到边界都为0 ( 背景) 时 停止，所有标号为1 的像素构成的区域可视为目标1 。然后继续进行行扫描找到下一 个不为0 ( 背景) 也不为l ( 目标1 ) 的像素，将其标号为2 按照上述操作进行八连通 分析，就可咀找到目标2 的区域，同理，可以找出波门内的所有目标。 但是由于背景环境恶劣存在着不同程度的噪声，图像预处理无法完全将其去除， 所以可以通过门限判定的方式滤除掉一些一定不是目标的杂质。针对目标设置出目标 的范围，上限门限和下限门限阡一此时判断目标大小w 。目标特征判断准则如 式( 6 ) 所示。 g ( a r e a ) = o ( w w 。) g ( a r e a ) = 1 ( 。 w w 。) ( 36 ) 式( 6 ) 中的g ( a r e a ) 是表示该目标是否满足门限要求的标志位为0 时不满足要 求，为1 时满足要求。 门跟值可根据实验得到的经验数据，假设目标大小范围在1 0 3 0 个像素之问，则 可以将区域门限下限设置为1 0 个像素。上限设置为3 0 个像素，然后对搜索区域内的目 标逐个进行判定滤除不满足门限的，则3 号与4 号目标被滤除掉，记录1 号和2 号目标 的位置信息。 324 亮暗目标识别 亮暗目标是目标识别中非常重要的一个部分，是区分目标与背景的决定性因素。 在以往的空域目标识别中，常常采用人工判别的方式来确定目标的亮暗状态，这就使 得不能在目标出现的第一时刻对目标进行识别。而且在目标飞行过程中，由于光线变 化或者曳光管燃尽等不可控困索的出现造成目标亮暗状态改变，会对目标的正确识别 造成很大的影响，需要手工重新进行目标亮暗状态识别，造成大量宝贵的实验数据丢 失。所以本文采取一种亮暗目标自动识别的策略。 亮暗目标自动识别算法的基本思想是按照波门划分来确定目标和背景区域，波门 内为目标，波门外为背景。我们只需比较波门内外像素值的大小关系就可以判断出目 标的亮暗状态。但是由于海天目标的对比度较低，搜索时当波门处于前几级时范围较 大，目标区域实际上包含了很多背景信息所以采用均值法来比较像素大小并不是一 个有效的方法，而极值法则会受到噪声的影响，所以结台并改善两种方法才会得到 一个良好的效果。 均值和极值相结合的方法就是将波门向外扩1 0 个像素，将这个虚拟波门视为外波 门，而真实波门视为内波门。两个波门之间的为背景区域而内波门里面的为目标区 域。背景区域采用均值法，求出平均值作为背景参考值，对波门内的目标区域采用极 值法求出最大值和最小值，分别和背景参考值进行比较，与背景相差较远的为目标像 素，通过该点像素的极值类型来确定目标的亮暗状态。 上述方法在图像质量较好的图像中可以完成亮暗目标的自动识别，但是如果图像 中有明显的噪声干扰则会对识别结果产生明显影响。为了解决这个潜在的问题，我们 将采取图像预处理和多极值点选取的两种方式来进行处理。 ( 1 ) 图像预处理 图像预处理用来去除图像中影响目标识别的噪声，因为采用极值法，所以噪声主 要以脉冲式噪声为主。若采用传统的均值滤波方式，由于脉冲式噪声与背景区别较大， 对滤波后的效果有着很大的影响，为了减小对目标的影响，本文选用了k n n 均值滤波 法。k n n 均值滤波是传统均值滤波方法的一种扩展在传统均值滤波的基础上加入了 以先验条件为基础的滤波条件通过更改取均值元素的个数来降低噪声的影响。n 为 均值滤波的模板范围，k 为选择参加计算的像素个数。 k n n 闽值示意图如图37 所示，我们以n 取3 ，k 取5 为例： a 1 1a 1 2 a 1 3 a 2 1a 2 2a 2 3 a 3 1a 3 2 a 3 3 图37k n n 均值滤波模板 n 为3 ，所咀我们选中的是一个3 * 3 的模板，中心元素a ，为参考像素值。首先分 别求出a ，的八连通对a 。的差值，然后对8 个差值进行排序，由于k 为5 所以选取 差值最小的5 个像素点，然后对这五个点求取平均值，作为参考点的新的像素值 如果a ，到a 。按照下图取值，则： 4 64 0 】2 4 24 43 8 3 98 81 0 2 国3 8k n n 均值游波示意图 差值分别为2 4 ，2 8 ，2 ，6 ，5 ，4 4 ，5 8 。那么取差值最小的五个点应该是4 6 ， 4 0 ，4 2 3 8 3 9 。计算出平均值为4 l ，则a 。的值为4 1 。 此时，一个点的预处理就已完成。按照这个方法逐个遍历图像像素( 图像边缘宽 度为1 个像素的区域除外) 便可以去除图像中的脉冲式噪声信号。 ( 2 ) 多个极值点选取 由于极值点的选取极易受到噪声的影响虽然经过预处理但仍可能有少量噪声存 在，所以可以采用多个极值点求均值的方式来选取参考极值点通过增加样本数量来 减小噪声的干扰。从传统的目标识别算法中一般目标在图像中少于9 个像素则认为 该目标不满足精密跟踪条件，所以也就是说满足精密跟踪条件的目标像素个数至少 等于9 ，所以，在这里我们选取9 个极值点来作为参考极值点的计算模板。 对波门内的图像经过预处理后分别求出9 个最大值点和9 个最小值点，然后分别 求出最大值点的均值记为a v m a x ，最小值点的均值记为a v m i n 。然后根据波门大小边 界向外扩大1 0 个像素作为虚拟外波门，求出真实波门与虚拟波门之间的所有像素作为 背景像素，记为a v b k ，则a v m a x 和a v m i n 必然有一个和a v b k 是十分接近的，那么另 外一个可以确定为目标，通过极值点的属性就可以判断出目标的亮暗状态。 325 最优目标判定 由于采用金字塔波门逐级缩小的目标搜索方式，所以要多帧图像才能够确定目标， 又或者波门内会出现伪目标对真正目标的识别造成影响，所以采用一种最优目标判定 的方式对目标信息进行提取。 利用区域标记算法对搜索区域内的所有目标进行标记，然后通过门限判定对目标 进行过滤，最后根据目标特征进行概率统计分析，确定最优目标，记录目标的位置信 息。 当波门框宽度达到我们所设定的最小范围w 。时，找出各搜索城门中所记录的目 标位置区域，设搜索完时依次记录了n 个目标区域，比较每两个目标的重台区域若重 合区域大于这两个目标区域中任意一个的三分之二，则认为这两个区域为同一目标医 域，否则是不同的区域，如图3 9 所示： 一二二一= 二 目标1目标2目标3目标n & 乏二厂 一冷 目标1 与k 为不同目标 目标l 与k 为同 目标 圈3 9 最优目标判定示意图 通过统计，将视为同一目标区域的归为一类。通过各类中目标出现频率来判最优 目标。寻找完最优目标以后要进行判断，如果最优目标存在则进入到跟踪阶段t 否 则重新进行搜索。 33 跟踪算法 目标的精密跟踪是建立在准确搜