煙幕環(huán)境地面紅外運動目標快速檢測方法

張 超，陳志斌，宋 巖，劉先紅

(軍械技術(shù)研究所，河北石家莊050000)

1 引言

隨著光電成像技術(shù)的發(fā)展，運動目標檢測越來越多地應用于安防、交通、軍事等領(lǐng)域。其基本任務是從圖像序列中檢測出運動信息，從而為后續(xù)目標識別與跟蹤提供依據(jù)。根據(jù)攝像機的運動狀態(tài)，運動目標檢測可分為靜態(tài)場景目標檢測和動態(tài)場景目標檢測［1］。現(xiàn)有的目標檢測方法主要有背景減除法、幀差法和光流法［2］等幾種。背景減除法和幀差法主要用于靜態(tài)的視頻監(jiān)控場合［3］，光流法［4］通用性強，在攝像機運動存在的前提下也能精確檢測出獨立的運動目標，但計算量較大，實時性較差。針對動態(tài)場景中的運動目標檢測問題，目前普遍的解決方法是采用匹配的方法對背景進行運動補償，如塊匹配［5］、SIFT特征匹配等。在煙幕干擾環(huán)境下，紅外圖像成像質(zhì)量會受到嚴重影響，導致上述算法的魯棒性較差，為此本文提出一種快速運動檢測方法。首先提取FAST特征點，采用改進的二進制BRIEF特征進行描述以增加對煙幕干擾的魯棒性，并采用Hamming距離實現(xiàn)圖像的快速匹配;采用隨機一致性算法(Random Sample Consensus Algorithm，RANSAC)估計全局運動參數(shù)并進行運動補償;采用幀間差分法提取運動目標區(qū)域。

2 全局運動模型

由于紅外跟瞄系統(tǒng)的熱像儀多置于云臺上并隨云臺不斷轉(zhuǎn)動，云臺的姿態(tài)或位置變化必然引起視頻序列全局背景的變化，所以背景運動估計的目的就是要精確求出全局運動參數(shù)。因此，建立圖像全局運動的參數(shù)模型非常必要。

本文采用經(jīng)典的基于平行投影的六參數(shù)仿射模型描述全局運動［6］，假設目標上的某一點tk時刻在成像平面上的投影坐標為(x，y)，在tk+1時刻的投影坐標為(x'，y')，則六參數(shù)仿射模型可表示為:

這樣成像平面中目標點成像的坐標就取決于a0～a5這六個參數(shù)。對前后兩幀圖像中的點即可對參數(shù)進行估計，從而補償圖像背景的全局運動。

3 基于特征點匹配的運動估計

3.1 快速特征點匹配方法

一般情況下，紅外跟瞄系統(tǒng)處于低速掃描狀態(tài)，紅外序列圖像中背景的運動速度較緩慢，可以近似認為背景做平移運動。另外，在對幀間圖像進行匹配時，只要目標的大小小于一定范圍，則由目標本身的運動導致的對匹配結(jié)果的影響亦可忽略?；谏鲜銮疤幔疚奶岢隽艘环N快速特征點匹配方法進行運動估計。

FAST(Feature from Accelerated Segment Test)特征點檢測是公認的比較快速的特征點檢測方法，只利用周圍像素比較的信息就可以得到特征點，簡單且有效。FAST特征檢測算法的基本原理為:假設候選點為p，N表示以p點為中心半徑為r的圓周上，與p點灰度值差別足夠大的點所組成的最長連續(xù)圓弧的像素個數(shù)，如果N大于某閾值n，則認為該候選點p為一個特征點。FAST算法示意圖如圖1所示。

圖1 FAST算法示意圖Fig.1 schematic diagram of FAST

FAST算法的性能很大程度上決定于門限n的取值，文獻［7］表明，n=9時FAST算法提取特征點的效果是最好的，稱之為FAST9，故本文采用FAST9提取特征點。

由于煙幕干擾會極大影響紅外圖像的成像質(zhì)量，降低目標對比度甚至對目標形成遮擋，而且紅外圖像本身對比度較低，在自然環(huán)境下大面積區(qū)域灰度變化緩慢且分布相近，因而傳統(tǒng)的特征點描述方法不能很好的兼顧匹配精度和速度方面的性能。文獻［8］中提出了一種快速的二進制特征提取方法BRIEF(Binary Robust Independent Elementary Features)，該算法充分利用了圖像的灰度分布特性，且不依賴于統(tǒng)計特性，因而可以很好地區(qū)分灰度分布相近的特征點。該算法流程如下:

1)對圖像做平滑處理，降低圖像噪聲的影響;

2)定義τ測試，公式如下:

其中，x，y是兩個像素位置;

3)在特征點周圍S×S的像素區(qū)域內(nèi)提取BRIEF特征，即在該區(qū)域內(nèi)選擇若干個特定的［x，y］對，并進行τ測試，將所有測試結(jié)果構(gòu)造出一個二進制串。

由于紅外圖像易受噪聲干擾，基于像素位置的BRIEF特征抗噪性能較差。為此，本文采用改進的BRIEF特征，采用隨機矩形框?qū)Υ纥c對，進行τ測試時以隨機矩形框內(nèi)的像素均值代替像素值，采用相同的矩形框選取規(guī)則對兩幅圖像的特征點進行描述。其中，隨機矩形框大小為2－4像素，且服從高斯分布(文獻［8］中的實驗表明，該分布具有最佳性能)。

采用Hamming距離對特征點進行匹配。為了進一步提高匹配速度，考慮到背景運動為整體運動，在匹配時需滿足以下條件:

1)對于某個特征點，其對應的匹配點位于該特征點的某個鄰域內(nèi);

2)特征點的運動具有很強的相關(guān)性，已匹配的點能為待匹配點提供參考。

3.2 RANSAC運動參數(shù)估計

通過對特征點進行提取和匹配，可以得到一系列匹配的特征點對，但不足以代表整幅圖像背景的運動，需要在獲取匹配點的基礎(chǔ)上利用六參數(shù)仿射模型估計全局運動參數(shù)。

RANSAC算法［9］是根據(jù)一組包含異常數(shù)據(jù)的樣本數(shù)據(jù)集，計算出數(shù)據(jù)的數(shù)學模型參數(shù)，得到有效樣本數(shù)據(jù)的算法。其進行運動參數(shù)估計的基本思想可描述如下:

1)隨機選取n=3(n為求解模型參數(shù)所需的最小樣本數(shù))對特征點，求解出一組運動參數(shù)，作為初始參數(shù);

2)求出樣本集中在一定誤差范圍內(nèi)滿足運動參數(shù)的數(shù)據(jù)點集S，構(gòu)成該參數(shù)的一致集;

3)若S中的數(shù)據(jù)點個數(shù)大于閾值N，予以記錄并重新隨機選取特征點，重復以上過程;

4)在完成一定的抽樣次數(shù)后，選擇最大一致集計算運動參數(shù)。

4 運動補償及目標檢測

估計出基準幀與下一幀圖像間的背景全局運動參數(shù)后，即可計算出基準幀圖像中的每一點(x，y)，在下一幀圖像上的對應坐標 (x'，y')。為解決對應坐標可能出現(xiàn)小數(shù)的情況，采用后向映射的方法，將(x'，y')映射到基準幀圖像中，若對應點坐標包含小數(shù)，位于四個像素位置之間，則采用四個像素的均值代替。對完成運動補償?shù)膬煞鶊D像，即可利用幀間差分法進行目標檢測，采用自適應閾值分割算法求出目標位置。

5 實驗結(jié)果及分析

本文中實驗均在雙核2.2 GHz主頻，2GB內(nèi)存的計算機上利用vs2010和openCV實現(xiàn)，實驗素材為分辨率為320×240的中波紅外熱像儀拍攝的煙幕干擾環(huán)境下包含運動坦克目標的紅外運動場景圖像，如圖2和圖3所示，其中圓圈標注位置為坦克目標位置。圖4～圖6分別為采用經(jīng)典的點匹配算法如SIFT特征匹配算法、SURF特征匹配算法以及本文所提算法進行場景匹配得到的結(jié)果，圖7為未經(jīng)過運動補償直接采用幀間差分法得到的目標檢測結(jié)果，圖8為采用本文算法進行運動補償后得到目標檢測結(jié)果。

圖2 第1幀紅外圖像Fig.2 the first infrared image

圖3 第2幀紅外圖像Fig.3 the second infrared image

圖4 SIFT算法匹配結(jié)果Fig.4 Matching result of SIFT algorithm

圖5 SURF算法匹配結(jié)果Fig.5 Matching result of SURF algorithm

圖6 本文算法匹配結(jié)果Fig.6 Matching result of our method

圖7 運動補償前目標檢測結(jié)果Fig.7 target detection before motion compensation

圖8 運動補償前后目標檢測結(jié)果Fig.8 target detection after motion compensation

各種匹配算法的性能比較如表1所示。通過表1可以直觀地看出，采用本文算法可以得到更多的特征點個數(shù)，且匹配時間較其他兩種經(jīng)典的算法大大減少。由于沒有考慮尺度、旋轉(zhuǎn)等因素，本文算法的正確匹配率較低，但這一缺點可以通過隨機一致性算法進行運動補償時予以彌補，從而在保證目標檢測精度的同時極大的提高目標檢測速度，且對煙幕干擾具有較強的魯棒性。

表1 各種算法匹配性能比較Tab.1 Comparison of different algorithms

6 結(jié)論

本文針對煙幕干擾條件下紅外運動目標檢測的難題，提出了一種改進的運動補償方法。采用FAST特征點提取算法快速提取特征點，并改進了BRIEF特征使其更加適用于煙幕干擾下的紅外運動場景的匹配。實驗結(jié)果表明，該算法對煙幕干擾具有較強的魯棒性，且能夠滿足紅外跟瞄系統(tǒng)運動時運動目標快速檢測需求。

［1］ Li Jian，Lan Jinhui.A novel fast moving target detection method［J］.Journal of Central South University:Science and Technology，2013，44(3):978 －984.(in Chinese)李建，藍金輝.一種新型快速運動目標檢測算法［J］.中南大學學報:自然科學版，2013，44(3):978－984.

［2］ Lu Shan.Research on Techniques of Detection and Discrimination of IR Object［D］.Changchun:Changchun U-niversity of Science and Technology，2009.(in Chinese)盧珊.紅外目標檢測識別技術(shù)研究［D］.長春:長春理工大學，2009.

［3］ Chen Wenhui，Zhang Jing.A method based on background subtraction and frame difference algorithm for moving target detection［J］.Electronic Design Engineering，2013，21(3):24 －26.(in Chinese)陳文會，張晶.一種基于背景減法和幀差的運動目標檢測算法［J］.電子設計工程，2013，21(3):24 －26.

［4］ Zhang Qiujia，Wang Hong.Moving object detection optical flow vectors compensation model［J］.Laser ＆ Infrared，2011，41(11):1263 －1266.(in Chinese)張秋佳，王虹.光流向量補償模型的運動目標檢測［J］.激光與紅外，2011，41(11):1263 －1266.

［5］ Zhang Afei，Shen Haibin.Difference based search algorithm for fast block － matching motion estimation［J］.Computer Engineering and Applications，2013，49(6):127 －130.(in Chinese)張阿飛，沈海斌.基于差分的塊匹配運動估計算法［J］.計算機工程與應用，2013，49(6):127 －130.

［6］ Xiao Yuwei.Researching on Algorithms of Motion Detecting and Tracking In Moving Background［D］.Shanghai:Donghua University，2011.(in Chinese)肖宇嵬.運動場景中的目標檢測與跟蹤算法的研究［D］.上海:東華大學，2011.

［7］ Yen －Kuang Chen，Tian X，Steven Ge.Towards efficient multi－level threading of H.264 encoder on Intel hyperthreading architectures［C］//Proc.of International Parallel and Distributed Processing Symposium:IEEE Press，2004.

［8］ Michael Calonder，Vincent Lepetit.BRIEF:binary robust independent elementary features［C］.11th European Conference on Computer Vision:Springer Berlin Heidelberg，2010.

［9］ Gui Yang，Li Lichun.A new method of sea － sky － line detection based on region variance and RANSAC Algorithm［J］.Laser＆ Infrared，2008，38(11):1149 － 1151.(in Chinese)桂陽，李立春.基于區(qū)域方差和RANSAC的海天線檢測新方法［J］.激光與紅外，2008，38(11):1149 －1151.