搜索区域和目标尺度自适应的无人艇海面目标跟踪

发布时间：2021-11-13 01:49

　　海面目标跟踪任务是实现水面无人艇自主化航行、智能化作业的重要基础。相比于普通场景的目标跟踪,海面目标跟踪需要面对目标抖动剧烈及目标尺度变化大等问题。针对海面目标在图像画面中抖动剧烈的问题,本文提出了搜索区域自适应算法,该方法通过对海面场景的分割完成了海天线位置的提取,然后通过海天线运动模型自适应地确定了每帧图像中目标搜索的区域;针对跟踪过程中海面目标尺度变化较大的问题,本文通过分割搜索区域的方法实现了目标尺度变化的自适应跟踪。基于相关滤波跟踪框架并结合上述两种改进策略,在真实的海面目标图像测试序列中,本文算法相比传统的相关滤波算法在跟踪精度上至少提升了26%,有效地解决了目标抖动剧烈和尺度自适应问题,提高了海面目标跟踪任务的精度。 

【文章来源】：光学精密工程. 2020,28(03)北大核心EICSCD

【文章页数】：15 页

【部分图文】：

海面目标跟踪面临的独特挑战

本文跟踪算法的总体框架如图2所示,对于待跟踪图像,首先由上一帧目标的位置和尺度获得搜索区域并提取搜索区域的HOG特征,采用相关滤波算法寻找目标的中心位置。相关滤波算法生成与搜索区域大小相同的响应图,响应图中值最大的位置即为目标中心位置。若目标中心位置的响应值大于阈值(通过实验确定),则认为得到的目标中心位置可靠。此时进行尺度自适应算法,根据得到的目标中心位置截取图像块,再通过图像分割算法将目标从背景中分割出来以获得目标的精确尺度,最后由目标的尺度矫正目标中心的位置;若目标中心位置的响应值小于阈值,则认为得到的目标中心位置不可靠。此时执行搜索区域自矫正算法,分割当前帧和上一帧图像中的海天区域,并由此拟合出海天线的直线方程。由当前帧和上一帧的海天线方程可以得到海天线的运动模型,然后通过海天线的运动模型修正搜索区域的位置,再一次通过相关滤波获取目标的中心位置,直到最大的响应值大于设定的阈值进行尺度自适应。本文提出的跟踪算法由相关滤波模块、搜索区域自矫正模块和尺度自适应模块3个模块组成。相关滤波算法[12]作为基础框架,在其基础上通过响应值大小来判断跟踪效果。在第i帧,以目标中心位置为中心,以目标尺度扩大一定的比例后得到的图像块作为基样本,将基样本循环位移后得到循环样本集。依据岭回归模型求解滤波器,线性岭回归的优化公式为:

高斯混合模型及其优化:观察到海景中海面与天空两个区域色彩差异较大,而单个区域中色彩又较单一的特点,本文使用高斯混合模型[23]对海面-天空场景进行建模。本分割任务将图像分割成天空和海面两个类别,因此使用的高斯混合模型由两个高斯模型组成。最后通过EM优化方法求解模型参数。为了得到更好的EM迭代效果,先通过自适应算法确定大致的海面和天空区域。大致确定海面和天空区域方法的流程如图4所示。首先将原图缩放至较小的分辨率,由于这里是对整幅图像进行图像分割,而图像分割所花费的时间与像素点的个数成正相关,所以需要先对图像进行缩放。在同时考虑速率和精度的情况下,将图像缩放至50×50的分辨率;然后将三通道图像转换为单通道灰度图并计算每行像素的均值。平均值能够抑制干扰,得到正确的海天线的大致位置,所以此时数据维度变为50×1。由于海上场景天空比较明亮,从天空区域过渡到海面区域灰度值会发生突然变小,对50×1维的数据求一阶导数,一阶导数最小的位置即为海天线大致位置。获得海天线的大致位置后,将海面场景自适应的划分为两个区域,根据这两个区域的大小初始化高斯模型。图像中每个像素均包括像素位置通道(row, col)和像素色彩通道(Y, U, V)共5个通道,每个通道均对应一个高斯分布,使用EM算法分别对5个高斯分布的参数求解。

【参考文献】：
期刊论文
[1]特征融合和自适应权重更新相结合的运动模糊目标跟踪[J]. 王广龙,田杰,朱文杰,方丹.  光学精密工程. 2019(05)
[2]改进核相关滤波器的海上船只目标跟踪[J]. 董超,郑兵,李彬,田联房,刘蔚.  光学精密工程. 2019(04)
[3]自适应多尺度颜色特征目标跟踪算法研究[J]. 李晓云,何秋生,张卫峰,梁慧慧,陈伟.  液晶与显示. 2019(03)
[4]时空上下文融合的无人艇海面目标跟踪[J]. 彭艳,陈加宏,李小毛,罗均,谢少荣,刘畅,蒲华燕.  中国科学:技术科学. 2018(12)
[5]自适应模板更新和目标重定位的相关滤波器跟踪[J]. 刘教民,郭剑威,师硕.  光学精密工程. 2018(08)
[6]改进RANSAC算法在直线拟合中的应用[J]. 袁清珂,张振亚,毕庆.  组合机床与自动化加工技术. 2015(01)



本文编号：3492069