基于多特征信息融合粒子滤波红外目标跟踪.docVIP

基于多特征信息融合粒子滤波红外目标跟踪 　　摘 要： 多特征信息有较好的检测性能和适应性， 而粒子滤波则是一种处理目标跟踪模型的非线性和非高斯特点的有效方法，将两者优点结合并针对红外图像特点，提出一种基于多特征信息融合的跟踪算法，该方法按一定的权值系数利用目标颜色和纹理特征构建模型，并融合于粒子滤波框架中。实验表明该跟踪方法能准确地跟踪海上红外运动目标。 　　关键词： 粒子滤波； 纹理特征； 多特征融合； 目标跟踪 　　中图分类号： TN929.1?34 文献标识码： A 文章编号： 1004?373X（2017）13?0009?04 　　Abstract： Since the multi?feature information has perfect detection and adaptation performances， and the particle filtering is an effective method to process the nonlinear and non?Gaussian characteristics of the target tracking model. The advantages of the above items are combined to propose a tracking algorithm based on multi?feature information fusion for the characteristics of the infrared image. The target color and textural feature are adopted in the method to construct the model according to a certain weight coefficient. The model is fused to the frame of particle filtering. The experimental result shows that the tracking algorithm can track the maritime infrared moving target accurately. 　　Keywords： particle filtering； textural feature； multi?feature fusion； target tracking 　　0 引 言 　　视觉跟踪技术经过二十多年的发展取得了丰硕的研究成果，涌现出了一批经典跟踪算法，其中2000年前后M. Isard和Comaniciu提出的粒子滤波跟踪方法[1]和均值偏移跟踪方法[2]最具代表性，至今仍是视觉跟踪中研究的焦点问题。在随后的几年，视觉跟踪技术的发展多转向对目标描述的研究。目标描述主要包括目标的形状描述和外观描述，形状描述主要研究目标几何模型的表示方法；外观描述主要研究目标特征的描述和选择方法，在视觉跟踪中通常选择那些能有效区分目标和相邻背景或干扰的特征来描述目标的外观，比较具有代表性的研究成果如Collins等提出的基于Fisher准则的特征选择方法[3]；Avidan提出的基于AdaBoost的特征选择方法[4]。另外，基于多特征融合的方法[5]也是目标描述的一个重要研究方向，该思路主要利用跟踪过程中目标特征之间的互补性实现目标描述的增强，进而达到提高跟踪性能的目的。 　　视觉跟踪可以归结为状态估计问题，解决状态估计问题最常用的方法是贝叶斯滤波方法，贝叶斯滤波一般通过状态预测和状态更新两个步骤实现。只要获得了目标状态的后验概率分布，根据相应的估计方法（如最大似然估计、最大后验估计）就可以估计出目标的状态，从而进一步获得目标的运动信息。 　　在贝叶斯滤波中，粒子滤波更具一般性，其最突出的优点是不受模型限制进行状态估计，能够处理任何非线性、非高斯模型问题，主要是用赋予权值的粒子来确定目标的后验概率分布，一旦求出目标状态后验概率分布，根据某些估计准则就可以计算出目标的位置及相关运动信息状态。 　　在跟踪过程中似然模型的选择至关重要，只有构建选择区分性好、稳定性高的视觉特征建立似然模型，算法才能实现目标跟踪。但跟踪算法对目标外观特征变化较为敏感，同时视觉特征的相似性度量也很重要，如果其分辨率较强，那么目标状态后验概率密度分布就会比较尖锐，从而能够有效地区分目标信号和干扰信号，因此选择鲁棒性高且区分度好的相似性测度非常重要。 　　目标特征是构造粒子滤波似然模型的重要因素，一个好的特征能够适应跟踪环境的变化，始终保持其有效性。但现实跟踪过程中，目标特征并不是时刻有效，如果采用单一特征，若在某