本發(fā)明涉及數(shù)字圖像處理領域，尤其是涉及一種基于豪斯多夫(Hausdorff)距離匹配的自適應模板的紅外跟蹤方法。

背景技術：

如今，隨著信息技術以及計算機性能的不斷提升，越來越多的人開始了對計算機視覺中的目標運動問題進行研究。在紅外圖像處理領域，紅外目標跟蹤在智能安防監(jiān)控以及紅外制導技術研究領域飛速發(fā)展，特別是在一些跟蹤的實時性和精準度上要求很高的監(jiān)控和作戰(zhàn)環(huán)境中，對新算法的研究有著重大的意義。

紅外目標跟蹤在工程控制、交通監(jiān)控、醫(yī)學圖像研究、自動導航系統(tǒng)、天文監(jiān)測等領域有著很重要的實用價值。特別是在軍事方面，紅外制導成為越來越重要的作戰(zhàn)裝備之一。目前大多數(shù)紅外目標跟蹤的算法還存在著許多的不足之處，復雜些的算法在實時目標跟蹤方面達不到要求，單一的算法又不能進行長期穩(wěn)定的進行跟蹤，這對于現(xiàn)代化信息戰(zhàn)爭是極為不利的影響，所以研究實時高效的紅外目標跟蹤算法成為的當前人們研究的重要課題。

基于Hausdorff距離匹配的紅外目標跟蹤算法是基于紅外目標的輪廓特征進行目標建模，對于特定的目標外觀特征可以很好的進行魯棒跟蹤，再加入自適應的目標模板更新，可以有效的減少噪聲的干擾對跟蹤的影響。但時目前紅外目標被遮擋、尺度變化等問題還需要更深入的研究。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種基于Hausdorff距離匹配的自適應模板的紅外跟蹤方法，對于紅外目標跟蹤實時性好、跟蹤穩(wěn)定以及魯棒性強。

本發(fā)明公開的技術方案為：采用改進的Sobel邊緣檢測算子對輸入的紅外圖像進行邊緣檢測，提取目標的輪廓特征，在跟蹤時采用快速的雙向Hausdorff距離方法對目標模板與待搜索區(qū)域進行模板匹配，對最佳的匹配結(jié)果進行自適應的模板更新從而進行目標跟蹤，具體步驟如下：

步驟1：輸入紅外視頻，對初始幀進行人工選定目標區(qū)域，采用改進的Sobel算子進行二值化處理，得到目標的邊緣輪廓信息并建立目標模板；

步驟2：讀取下一幀圖像，對待檢測的區(qū)域進行改進的Sobel算子處理，二值化后，得到邊緣輪廓信息；

步驟3：對Sobel后的目標模板以及待檢測的區(qū)域進行改進的雙向Hausdorff距離匹配，找出最佳匹配的位置；

步驟4：使用自適應模板條件判斷目標模板的更新，如果滿足條件則更新目標模板并進入下一幀，否則不更新目標模板而進入下一幀直至紅外視頻圖像結(jié)束。

進一步地，步驟1中采用改進的Sobel算子進行二值化處理，即將邊緣像素灰度值設置為1，其余像素值設為0，得到目標的邊緣輪廓信息并建立目標模板，具體如下：

對輸入的紅外圖像灰度值f(i,j)進行改進的Sobel邊緣檢測處理，其中i，j分變?yōu)閳D像像素橫、縱坐標值，Sobel算子是一階導數(shù)的邊緣檢測算子，公式如下：

S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)

S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)

其中，Z₁,Z₂,Z₃,Z₄,Z₅,Z₆,Z₇,Z₈,Z₉分別為像素f(i,j)的8鄰域像素灰度值，S_x,S_y分別為水平、垂直方向的梯度幅值。

改進的Sobel算子增加了正負45°方向的梯度計算，公式如下：

S_45°＝(Z₂+2Z₃+Z₆)-(Z₄+2Z₇+Z₈)

S_-45°＝(Z₂+2Z₁+Z₄)-(Z₆+2Z₈+Z₉)

當S_x,S_y,S_45°,S_-45°中任意一個大于預設的閾值T時為即為邊緣，記錄目標區(qū)域的邊緣像素的坐標值建立目標模板。

進一步地，步驟3中對Sobel后的目標模板以及待檢測的區(qū)域進行改進的雙向Hausdorff距離匹配，具體如下：

對目標模板中的邊緣信息集合A＝{a₁,a₂,...,a_m}和待測區(qū)域候選模板的邊緣信息集合B＝{b₁,b₂,...,b_n}進行雙向Hausdorff距離匹配，公式如下：

H(A,B)＝max(h(A,B),h(B,A))

其中,a₁,a₂,...,a_m為目標模板邊緣集合的坐標信息，b₁,b₂,...,b_m為待測候選模板的邊緣坐標，

h(A,B)＝max(a∈A)min(b∈B)||a-b||

h(B,A)＝max(b∈B)min(a∈A)||b-a||

上式(6)中h(A,B)表示從A集合的點a_i到距離此點最近的B集合的點的距離集合進行排序，取其中的最大值，上式中h(B,A)表示從B集合的點b_i到距離此點最近的A集合的點的距離集合進行排序，取其中的最大值，||·||是距離范式。

在進行改進的Hausdorff距離匹配計算時，對當前點a_i的8鄰域范圍中找另一集合坐標中是否有此范圍的點，如果a_i的上下左右四鄰域位置對應B集合中有相應至少一個點，則計算此a_i點到B集合點Hausdorff距離為1，否則繼續(xù)尋找a_i八鄰域點對應B集合中有相應至少一個點，則計算此a_i點到B集合點Hausdorff距離為2，否則距離就記為10。

進一步地，步驟4中的使用自適應模板條件判斷目標模板的更新，具體過程如下：

通過計算目標模板中的邊緣點集合總數(shù)S_A以及最佳匹配位置區(qū)域模板的邊緣點集合總數(shù)S_B，計算自適應模板更新條件參數(shù)P₁＝S_A/S_B，以及目標模板區(qū)域原始圖像的灰度均值h_A和最佳匹配位置區(qū)域模板的原始圖像灰度均值h_B，計算自適應模板更新條件參數(shù)P₂＝h_A/h_B，當且僅當滿足條件α＜P₁＜β和條件γ＜P₂＜λ時，更新當前區(qū)域模板為目標模板，否則不更新，其中α,β,γ,λ為常數(shù)。從而減少噪聲的干擾，進行實時、穩(wěn)定的紅外目標跟蹤。

附圖說明

圖1是本發(fā)明方法的基于Hausdorff距離匹配的自適應模板的紅外跟蹤方法的流程圖。

圖2是本發(fā)明方法的水平和垂直方向的Sobel濾波器模板示意圖。

圖3是本發(fā)明方法的正負45度方向的Sobel濾波器模板示意圖。

具體實施方式

下面將結(jié)合附圖詳細說明本發(fā)明方法的基于Hausdorff距離匹配的自適應模板的紅外跟蹤方法具體實施過程。

如圖1所示，本發(fā)明方法中，一種基于Hausdorff距離匹配的自適應模板的紅外跟蹤方法采用改進的Sobel邊緣檢測算子對輸入的紅外圖像進行邊緣檢測，提取目標的輪廓特征，在跟蹤時采用快速的雙向Hausdorff距離方法對目標模板與待搜索區(qū)域進行模板匹配，對最佳的匹配結(jié)果進行自適應的模板更新從而進行目標跟蹤，具體步驟如下：

步驟1：輸入紅外視頻，對初始幀進行人工選定目標區(qū)域，采用改進的Sobel算子進行二值化處理，得到目標的邊緣輪廓信息并建立目標模板；

步驟2：讀取下一幀圖像，對待檢測的區(qū)域進行改進的Sobel算子處理，二值化后，得到邊緣輪廓信息；

步驟3：對Sobel后的目標模板以及待檢測的區(qū)域進行改進的雙向Hausdorff距離匹配，找出最佳匹配的位置；

步驟4：使用自適應模板條件判斷目標模板的更新，如果滿足條件則更新目標模板并進入下一幀，否則不更新目標模板而進入下一幀直至紅外視頻圖像結(jié)束。

進一步地，步驟1中采用改進的Sobel算子進行二值化處理，即將邊緣像素灰度值設置為1，其余像素值設為0，得到目標的邊緣輪廓信息并建立目標模板，具體如下：

對輸入的紅外圖像灰度值f(i,j)進行改進的Sobel邊緣檢測處理，其中i，j分變?yōu)閳D像像素橫、縱坐標值，Sobel算子是一階導數(shù)的邊緣檢測算子，公式如下：

S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)

S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)

其中，Z₁,Z₂,Z₃,Z₄,Z₅,Z₆,Z₇,Z₈,Z₉分別為像素f(i,j)的8鄰域像素灰度值，S_x,S_y分別為水平、垂直方向的梯度幅值。

改進的Sobel算子增加了正負45°方向的梯度計算，公式如下：

S_45°＝(Z₂+2Z₃+Z₆)-(Z₄+2Z₇+Z₈)

S_-45°＝(Z₂+2Z₁+Z₄)-(Z₆+2Z₈+Z₉)

當S_x,S_y,S_45°,S_-45°中任意一個大于預設的閾值T時為即為邊緣，記錄目標區(qū)域的邊緣像素的坐標值建立目標模板。

進一步地，步驟3中對Sobel后的目標模板以及待檢測的區(qū)域進行改進的雙向Hausdorff距離匹配，具體如下：

對目標模板中的邊緣信息集合A＝{a₁,a₂,...,a_m}和待測區(qū)域候選模板的邊緣信息集合B＝{b₁,b₂,...,b_n}進行雙向Hausdorff距離匹配，公式如下：

H(A,B)＝max(h(A,B),h(B,A))

其中,a₁,a₂,...,a_m為目標模板邊緣集合的坐標信息，b₁,b₂,...,b_m為待測候選模板的邊緣坐標，

h(A,B)＝max(a∈A)min(b∈B)||a-b||

h(B,A)＝max(b∈B)min(a∈A)||b-a||

上式中h(A,B)表示從A集合的點a_i到距離此點最近的B集合的點的距離集合進行排序，取其中的最大值，上式中h(B,A)表示從B集合的點b_i到距離此點最近的A集合的點的距離集合進行排序，取其中的最大值，||·||是距離范式。

在進行改進的Hausdorff距離匹配計算時，對當前點a_i的8鄰域范圍中找另一集合坐標中是否有此范圍的點，如果a_i的上下左右四鄰域位置對應B集合中有相應至少一個點，則計算此a_i點到B集合點Hausdorff距離為1，否則繼續(xù)尋找a_i八鄰域點對應B集合中有相應至少一個點，則計算此a_i點到B集合點Hausdorff距離為2，否則距離就記為10。

進一步地，步驟4中的使用自適應模板條件判斷目標模板的更新，具體過程如下：

通過計算目標模板中的邊緣點集合總數(shù)S_A以及最佳匹配位置區(qū)域模板的邊緣點集合總數(shù)S_B，計算自適應模板更新條件參數(shù)P₁＝S_A/S_B，以及目標模板區(qū)域原始圖像的灰度均值h_A和最佳匹配位置區(qū)域模板的原始圖像灰度均值h_B，計算自適應模板更新條件參數(shù)P₂＝h_A/h_B，當且僅當滿足條件α＜P₁＜β和條件γ＜P₂＜λ時，更新當前區(qū)域模板為目標模板，否則不更新，其中α,β,γ,λ為常數(shù)。從而減少噪聲的干擾，進行實時、穩(wěn)定的紅外目標跟蹤。

如圖2所示，本發(fā)明方法中，一種基于Hausdorff距離匹配的自適應模板的紅外跟蹤方法采用水平和垂直方向的Sobel算子濾波模板進行目標輪廓的檢測并建立輪廓模板，公式如下：

水平梯度幅值S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)

垂直梯度幅值S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)

其中，Z₁,Z₂,Z₃,Z₄,Z₅,Z₆,Z₇,Z₈,Z₉分別為像素f(i,j)的8鄰域像素灰度值。

如圖3所示，本發(fā)明方法中，一種基于Hausdorff距離匹配的自適應模板的紅外跟蹤方法采用正負45度方向的Sobel算子濾波模板進行目標輪廓的檢測并建立輪廓模板，公式如下：

正45度方向梯度幅值S_45°＝(Z₂+2Z₃+Z₆)-(Z₄+2Z₇+Z₈)

負45度方向梯度幅值S_-45°＝(Z₂+2Z₁+Z₄)-(Z₆+2Z₈+Z₉)

總之，本發(fā)明中：基于Hausdorff距離匹配的自適應模板的紅外跟蹤方法采用了改進的Sobel邊緣檢測模板，增強了紅外目標邊緣檢測的能力；使用了改進的Hausdorff距離匹配方法，極大的提高了算法的運行速率；自適應模板更新策略使得目標跟蹤的魯棒性增強，提高了跟蹤的精準度。