基于深度学习的红外弱小目标相关滤波跟踪算法研究

发布时间：2020-05-22 00:20

【摘要】：应用红外热像技术的目标跟踪方法,因其极强的抗干扰性、适应性和全天候工作特性,使其被广泛应用于精确制导、智能监控和自动驾驶等领域。但红外图像固有的低对比度和局部细节模糊会导致跟踪目标的特征信息减弱。传统的相关滤波红外目标跟踪算法,受限于目标浅层特征的表征能力弱、边界效应以及形变遮挡等原因,无法实现目标的鲁棒跟踪。而基于深度卷积神经网络的目标跟踪算法,因其提取的深层特征含有较多的语义信息,能够有效的解决跟踪的鲁棒性问题。因此,本文将从红外图像对比度优化、弱细节增强、目标跟踪的抗遮挡研究以及深度特征的应用几个方面进行研究。本文主要创新点及研究内容如下:(1)针对红外弱小目标的纹理模糊和低对比度问题,提出了一种红外图像的弱细节增强方法。在引导滤波分层的基础上,对细节层应用改进的快速多尺度中值滤波来抑制细节层噪声;对背景层融合全局直方图信息改善对比度受限的直方图均衡的增强效果;最后使用多尺度去伪影方法优化融合图像。实验结果表明,所提增强算法有效的改善了红外图像的局部对比度和细节的清晰度。在保证实时的同时,在信息熵和峰值信噪比指标上取得了较大的提高。(2)针对红外目标被遮挡和背景杂波干扰,提出了一种融合再检测思想的改进红外目标跟踪算法。针对遮挡问题,建立目标的相关响应多峰值能量的检测,并基于检测结果实施学习率和模型的高置信度更新,以解决遮挡造成的模型漂移,以及对背景区域的相关响应值进行惩罚,以解决相似目标的干扰。结合支持向量机分类器实现目标丢失后的重捕。实验结果表明,所提相关滤波跟踪算法稳定鲁棒,且在目标丢失时能够实现目标重补。相比LCT算法,在精度和成功率上取得了5.6%和4.1%的提高。(3)针对深度卷积神经网络提取的鲁棒深层语义特征和空间定位准确的浅层纹理特征,提出一种融合多层深度特征的稳定相关滤波目标跟踪算法。算法自适应融合多层特征以增强跟踪的鲁棒性;结合时域上下文距离约束和高置信度更新约束来实现目标的再检测。利用卡尔曼滤波器和置信度结果解决目标丢失问题。实验结果表明,提出的基于深度特征的目标跟踪方法,能够实现小目标的鲁棒跟踪,相比其他深度学习算法,在精确度和成功率指标上取得了一定程度的提升。
【图文】：

空域,金字塔,层结构,宽和

图 2-2 池化的两种常见方式（最大池化、平均池化）化作为一种非线性压缩方法，其也能类似卷积那样得出相应的输出，参考公式（2-15）。其中，w和h为图像的宽和高，Kw、Kh分别对应核）的宽和高。11KKin woutin houtwwStridehhStride 了上述的池化方式，还有一种空域金字塔池化[57]，如图 2-3 所示。4 42 511126710 64 9Average pooling

参考图,目标相关,层深

图 5-3 不同层深度特征的目标相关响应。（a）输入帧图像；（b）conv5 响应结果；（c）conv4 响应结果；（d）conv3 响应结果；（e）融合结果其中，，图 5-3a 为 OTB-2015 中的跟踪数据集 KiteSurf 中目标出现严重形变时的第 39 帧，图 5-3（b）~5-3（d）依次对应第 5、4、3 层深度特征对应的相关响应图，图 5-3（e）为公式 5-4 优化后的结果，最终目标的位置参考图中间的灰框位置。5.3 目标再检测由于多层深度特征的使用，UPCE 需要协同使用。UPCE 其策略需要重新计算特征相关响应值，但是本章节中每层深层特征的带来的作用无法有效确定，造成过多的计算。因此，UPCE 不完全适用本章节。本章节结合空间信息以及前帧的位置信息算出一个置信度并与经验值Th对比而 Th 可以通过 UPCE 计算。相比传统的目标位置推荐，大多数会从周边邻近区域推荐相关置信度最大的目标区域作为预测区域，但是如果目标被严重遮挡或者被相似目标干扰，这种区域推荐也会受到相应的影响。需要一个限制条件以确保目标
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18;TN713

【参考文献】