基于小波分解的多源图像融合在交通目标跟踪中的应用.doc

基于小波分解的多源图像融合在交通目标跟踪中的应用摘要 针对交通监控中目标跟踪这个研究热点和难点，研究图像的小波分解算法，提出一种改进的基于小波分解的多源图像融合算法。对各分解层的小波系数，按照其不同频率分量的特点，采用不同的融合规则，弥补了采用单一融合规则的不足，最后将改进算法应用于交通目标跟踪。实验结果表明改进算法是可行的、有效的，能够实现目标跟踪和达到工程应用的目的。关键词 目标跟踪 小波分解 多源图像融合The Application of Multisource Image Fusion Based on Wavelet Decomposition in Traffic TrackingAbstract In view of target tracking for traffic monitoring, the wavelet image decomposition algorithm was studied, and proposed a improved algorithm of multisource image fusion based on wavelet decomposition. It adopted different fusion rules in accordance with the characteristics of its different frequency components for different decomposition level with different wavelet coefficients, so it makes up for lack of a single fusion rule. Then the method is applied to traffic tracking, the results show that the improved algorithm is feasible and effective, and achieves the purpose of tracking target and engineering applications.Keywords target tracking; wavelet decomposition; multisource image fusion30 引言在计算机视觉领域，序列图像多目标跟踪是一个研究热点，有广泛的应用前景，如军事目标跟踪、工业产品和交通路口监控等，采用何种技术对采集到的数据进行处理是能否得到有效结果的关键因素。常用的运动目标识别方法有贝叶斯理论、线性及非线性判决方法、神经网络、模糊推理等1。Paragios N K等人2提出首先用差分图像法获得目标运动区域，然后提取这个运动区域的边缘，作为主动轮廓的初始位置，最后通过主动轮廓的运动，分割出运动目标。Zheng L等3首先对图像进行运动分割，得到运动区域，然后基于图像色彩对图像进行区域分割，如果大部分面积位于运动区域内部的色彩区域，则属于目标内部区域。基于信息融合的多模式跟踪算法4己经非常成熟，如利用经典的集中式或分布式融合系统来融合各个跟踪模式的跟踪结果等，但它们大多是针对雷达信号跟踪而提出来的，而没有涉及到交通目标跟踪的特点。图像融合是20世纪70 年代后期提出的概念，是信息融合的一个重要分支5，在自动目标识别、智能系统、机器人视觉、遥感、医学图像处理等领域有广泛的应用6-7。图像融合分为像素级融合、特征级融合和决策级融合，这是基于图像的表征层划分的8。王连亮等将多源图像融合应用于目标识别，取得了较好的应用效果9。近年来，随着小波理论及其应用的发展，已将小波多尺度分解用于像素级图像融合，并显示出良好的效果10,11。小波变换是一种多尺度、多分辨率分解12，其对图像的多尺度分解过程可看作对图像的多尺度边缘提取过程，同时小波的多尺度分解还具有方向性。因此，可考虑在不同尺度上，针对不同大小、方向的边缘和细节进行处理，以获得更好的效果。本文对目标跟踪领域的热点问题进行了研究，提出了一种改进的基于小波分解的多源图像融合算法，将其应用于交通目标跟踪。1 改进的基于小波分解的多源图像融合算法小波变换由于其在频域与时域同时具有良好的局部化特性而广泛应用于图像处理与分析。Mallet提出了小波变换的快速分解算法域重构算法，图像的二维特性正好与小波的二维分解域重构相吻合，从而能够在高频和低频不同频域上对图像进行分解和重构。按照Mallet的快速算法，图像的小波分解 11-12如图1所示。可以看到二维图像的小波分解可以对图像按行、按列与一维的低通和高通滤波器作卷积来实现，在卷积之后进行相应的下采样。图1 二维小波变换分解示意图小波变换后低频波段表征图像的近似部分，高频波段表征图像的细节信息，高频波段的系数在零值左右波动。系数的绝对值越大，表示该处亮度变化越剧烈，即可能包含图像的重要信息，如边缘、线条以及区域边界。另外，经不同传感器得到的同一场景的图像，其低频近似部分的系数值差别不大，而高频细节部分却存在显著差异。在建立图像融合的每个小波系数矩阵时，必须确定哪幅源图的小波系数对融合有利，这个信息将保留在一个融合决策图中，其大小和源图大小一致，融合决策图的每个值是源图的索引，可以为融合图像相应的小波系数提供较多的信息，以确定每个小波系数。小波变换后的各分辨率水平方向代表的意义不同，应分别采用相应的融合规则。(1) 低频子带的融合规则。通过小波分解得到的低频子带都是正的变换值，反映的是源图像在该分辨率上的概貌，融合图像的低频小波系数可以取两幅源图像低频小波系数的均值，也可直接取某一源图像的低频小波系数，这要根据具体的图像和目的来定。若都是普通视频图像的融合，可采用中值平均法，而如果是视频与其它类型图像的融合，一般取视频图像小波变换的低频小波系数作为融合图像的低频小波系数。(2) 高频子带的融合规则。为得到融合的小波系数，一种方法是逐个考虑源图相应位置的小波系数，称为基于像素的融合规则，要求源图是经过严格对准处理的。但这种基于像素的融合规则有其片面性，其融合效果有待改善。为获得视觉特性更佳、细节更丰富、融合效果更好的融合规则，又提出基于区域的选择方法。该方法不仅考虑相应位置的小波系数，还考虑与它相邻的小波系数，根据区域特征确定融合的相应位置的小波系数，效果比前一种方法好，但增加了运算量和运算时间。本文中低频子带的融合规则采用中值平均法，考虑到在交通视频监测站摄像头是静止的，在高频子带选用基于像素的融合规则。2 交通目标跟踪的实现步骤图2是交通视频监测中采集到的一些不连续的视频序列，本文通过这些视频序列找到目标运动轨迹，实现目标跟踪。 图 a 图b 图c 图 d 图e 图f图2 交通监测中采集的不连续图基于小波分解变换的多源图像融合过程见图3。本文对传统的小波分解算法进行了改进，在分解层采用了不同的融合规则，以利于得到更好的融合效果，同时在多幅图像之间依据图像性质采用不同的融合规则，从而获得较好的融合效果，为目标跟踪奠定基础。另外，还对融合过程进行了改进，首先将图像分成两幅一组，在组内进行融合；然后用相同的方法对已经融合好的图像再次进行融合，直到融合成一幅图像。图像融合的算法描述如下：Step1 对参与融合的两幅源图像进行配准；Step2 对参加融合的每一幅源图像进行小波分解变换，建立图像的小波金字塔图像；Step3 对各分解层分别进行融合处理，对各分解层的小波系数，按照其不同频率分量的特点，采用不同的融合规则，形成融合后的小波分解金字塔图像；Step4 对融合后得到的小波金字塔采用小波逆变换进行图像重构，形成融合后的图像F；Step5 将融合得到的图像F与下一幅图像再次融合，即循环Step1-Step4的操作，直到融合成一幅图像为止；Step6 将融合得到的图像结果进行与处理，得到目标轨迹。图3 一次小波分解变换融合过程3 实验与结果分析对于图2的图像应用基于小波分解的多源融合算法，得到图4所示的实验结果。图(a)是融合后的结果，为使用方便，对融合结果进行了预处理。图(b)是将融合的结果从背景中提取出来的实验结果。图(c)是将图(b)融合到背景中并进行预处理之后的结果，目的是便于在背景中观察目标轨迹。 图a 融合后的结果 图b 融合图像中提取目标 图c 目标预处理后的轨迹图4 实验结果从实验结果可以看出：(1) 本文提出的这种基于小波分解的多源图像融合算法是可行的、有效的，能够实现目标跟踪和达到工程应用的目的；(2) 本文采用的是一种非线性的目标跟踪方法，与现实环境中目标是一致的，相比传统的线性方法效果要好；(3) 目标跟踪过程中不需要进行样本的训练，比神经网络方法实现简单；(4) 相对于模糊推理的方法，不需要进行图像的特征信息的提取。因此，本文提出的基于小波分解的多源图像融合目标跟踪方法简单、高效，同时能够获得较好的跟踪效果，具有一定的实用价值。4 结束语图像中的目标通常出现在不同大小的尺度上，即图像中的某些边缘或细节是在一定尺度范围内存在的。在较小的尺度上，细节变得可见而较大的特征不可见；在较大尺度上，小细节不可见，大轮廓可见。本文考虑到不同频率分量、不同分解层、不同方向均可以采用不同的融合规则及融合算子，充分挖掘被融合图像的互补及冗余信息，有针对性地突出或强化感兴趣的特征和细节信息，更准确地将目标从背景中提取出来。参考文献1 Zheng L, Han CZ, Zuo DG.Different Focus Points Images Fusion Based on Steerable Filters.Information Fusion.Proceedings of the Forth International Conference on,Volume:1,2001.2 Paragios N K,Deriche R. A PDE-based level-set approach for detection and tracking of moving objects.Computer Vision,1998 Sixth Intern ational Conference on,4-7 Jan 1998:1139-1145.3 Zheng L, Han CZ, Zuo DG, Yan HS.A multi-mode image tracking system based on distributed fusion. Information Fusion, 2002 Proceedings of the Fifth International Conference on,Volume:2,2002.ISTP:IDS Number:BV19H;ISBN:0- 9721844-2-2.4 王虎元,刘永昌.实时双模图像跟踪系统技术研究J.中国图象图形学报.1997 (2):113-118.5 何友,王国宏.多传感器信息融合与应用M.北京:电子工业出版社.2000.6 易小波,焦铬.一种基于提升小波变换的图像融合改进算法J.计算机应用与软件,2009,26(7):124125.7 叶传奇.基于多尺度分解的多传感器图像融合算法研究:博士学位论文.西安:西安电子科技大学.2009.8 刘磊,张红,王莎.基于小波变换的全局能量图像融合算法J.吉林大学学报(工学版).2009.3 39卷增刊1.232236.9 王连亮.多源图像融合的目标识别研究D.硕士学位论文.成都:四川大学2005.10 10 Wang, Wei-Xing; Zeng, Ji-Bing. Image fusion method based on redundant lifting non-separable wavelet transforms. Journal of University of Electronic Science and Technology of China.Vol.38, no.1, pp.13-16. Jan.2009