一种基于多光谱图像传感器的目标跟踪方法

摘要

本发明公开了一种多光谱图像传感器融合的目标跟踪方法，该方法采用具有一定通用性的四层数据融合计算框架。该四级数据融合计算框架由下至上分别是多特征融合级、多模式融合级、多模型融合级和多传感器融合级。多特征融合运用概率方法实现多个特征线索的综合，保证不同环境下有足够的特征信息来表示目标；多模式融合运用分阶段模式切换算法，以一定的加权系数联合两种相邻的跟踪模式，使模式之间平滑过渡，保证目标的连续跟踪；多模型融合运用交互多模型算法，解决了目标不同运动模型之间的平稳切换；多传感器融合运用分布式融合跟踪算法，取各传感器之优点，弥补相互之间的不足，使跟踪更为鲁棒和精确。

主权项

1.一种多光谱图像传感器的目标跟踪方法，其特征在于，该方法采用具有一定通用性的四层数据融合的计算框架，由下往上依次是多特征融合级、多模式融合级、多模型融合级和多传感器融合级，各层之间协同工作，构成一个完整的、通用的目标跟踪系统；目标跟踪系统的图像预处理根据不同目标检测的需要，提取特征的方法为：基于灰度的特征提取、基于区域的特征提取和基于形状的特征提取；多特征融合级采用朴素贝叶斯方法，用于对不同的特征以概率进行融合，来描述同一个目标，使其能够明显地区别于背景或噪声：先假设特征间独立，然后应用朴素贝叶斯规则求得联合分布函数，即$p(y_1,...,y_n|x)=\underset{i=1}{\overset{n}{\Pi }}p\left(y_i\right|x)$其中p(y₁，...，y_n|x)为特征y₁，...，y_n的联合似然分布，而p(y_i|x)为第i个特征的似然分布；在融合前，必须取得各特征的似然分布函数；亮度特征的提取根据上一帧得到的目标点位置及灰度均值与方差，在其周围指定的范围内，通过逐个像素计算，得到对应点的灰度高斯分布似然函数值p₁(i，j)；对比度特征的提取根据上一帧得到的目标点位置及对比度均值与方差，在其周围指定的范围内，通过逐个像素计算，得到对应点的对比度高斯分布似然函数值p₂(i，j)；根据上面特征提取得到的p₁(i，j)和p₂(i，j)，通过比较找出使得最大的点作为输出，其中m＝n＝1；多模式融合级采用分阶段切换算法，用于实现三种跟踪模式在四个不同阶段的平稳切换：三种跟踪模式包括峰值模式、形心模式、主动轮廓模式；根据目标的成像尺寸把运动目标由远及近的过程分成四个阶段，当目标成像为一个光学系统衍射所形成的亮斑时，目标不存在形状和轮廓信息，但它的亮度和对比度分布能够用二维高斯分布来描述，所以使用峰值跟踪模式；当目标成像有一定尺寸的区域却不显著时，存在轮廓信息却并不明显，使用峰值和形心两种跟踪模式同时工作并融合；当目标成像能清楚反映出目标的形状轮廓时，目标特征明晰，采用形心和主动轮廓两种跟踪模式的融合策略；当目成像尺寸可与视场尺寸相比拟时，形心跟踪在精度上无能为力，采用主动轮廓跟踪模式；使用线性融合方式，即以一定的加权系数联合两种相邻的跟踪模式：X_c(t)＝C(s)X₁(t)+[1-C(s)]X₂(t)其中，X_c(t)为综合输出，X₁(t)是第一个跟踪模式，X₂(t)是第二个跟踪模式，而C(s)是关于波门尺寸s的加权系数函数，C(s)定义如下：$C\left(s\right)=\frac{\mathrm{curSize}-\mathrm{thrDown}}{\mathrm{thrUp}-\mathrm{thrDown}}$其中curSize为波门当前尺寸s，thrDown和thrUp分别为波门尺寸的下阈值和上阈值；多模型融合级采用Kalman滤波基础上的交互多模型IMM算法，用于解决目标匀速运动、匀加速运动和转角运动模型的融合：多传感器融合级采用分布式融合跟踪算法，用于对长波红外、短波红外、可见光传感器进行融合跟踪。