基于QP_TR信任域方法的低信噪比序列图像目标跟踪摘要:运动平台上低信噪比序列图像中的目标跟踪面临着两大困难:平台运动导致图像存在全局平移,使得目标在相邻帧间脱离跟踪算法搜索窗;图像中的干扰使得跟踪窗口经常跳动而导致跟踪失败鉴于｡QP_TR信任域算法的优良性能,针对上述两个问题提出了一种新的基于QP_TR信任域和Kalman滤波的跟踪算法该算法利用｡QP_TR进行图像稳定和模板匹配,通过Kalman滤波器状态估计滤除干扰与三步搜索方法相比｡,加大了搜索窗大小的同时减少了模板匹配的次数,提高了性能在真实图像序列上进行的实验表明｡,该算法能有效地稳定运动图像,实现运动平台上低信噪比序列图像中目标的稳定跟踪关键词｡:QP_TR信任域算法;序列图像中的目标跟踪;运动状态估计:TP391.41文献标志码:A:1001-3695(2007)10-0190-030引言??序列图像中的目标跟踪算法是视频监视智能用户接口基于对象的视频压缩巡､､､航导弹末端制导和辅助驾驶等许多计算机视觉应用中的关键技术目标跟踪本质上是一个｡选取合适的目标特征,并在随后各帧中寻找与该特征最匹配的区域的过程首先｡,根据特征定义一个目标函数,该函数通过以描述区域的参数为自变量来反映各区域和目标的匹配程度;然后,通过适当的优化算法求解这个目标函数的最优值;最后得到最匹配的区域,使跟踪问题得到解决｡??在运动平台上低信噪比序列图像中,目标的运动跟踪通常都十分困难,这是因为图像中不仅有很强的干扰,而且存在摄像机全局的运动干扰使得目标方框跳动｡,全局运动使得目标落在搜索范围之外已有的图像稳定方法｡[1]在存在很强干扰的情况下效果不佳｡??与当前流行的基于线性搜索的meanshift方法[2]相比,信任域算法是一种性能更优良的优化算法而｡QP_TR算法在经典的信任域算法基础上又进一步改良了获得目标函数的海森矩阵和梯度的方式,因此具有更高的精度和更好的迭代性能[3]基于｡QP_TR信任域和Kalman滤波,本文提出了一种新的跟踪算法,有效地解决了运动平台上低信噪比序列图像中的目标跟踪问题｡??1QP_TR信任域算法??循环优化算法大致可划分为两类,即线性搜索和信任域[4]在线性搜索方法中｡,每次循环都沿着梯度下降最快的方向进行;而信任域方法每次循环是在一个有界区域内搜索一个最优值(在这个有界区域内求最优值的过程称为信任域的子问题)因此｡,线性搜索可以看成是信任域方法的一个特例｡??1.1经典信任域算法??2基于QP_TR的图像稳定??当摄像机平台存在明显牵连运动时,连续两帧图像之间将有很大的全局平移,通常会导致目标真实位置位于跟踪算法搜索窗范围之外,使得跟踪失败图像｡稳定的任务就是尽可能减少这种牵连运动的影响,保证在图像有很大平移的情况下跟踪算法仍能搜索到目标现有成熟的稳定算法或要求在相邻帧之间稳定检测并跟踪一组特征点｡[1],或者须先对图像进行傅里叶变换进行粗稳定,再逐点做差进行精稳定[5]前者在成像｡质量较好的序列中行之有效,但在干扰很强信噪比低的图像中稳定检测并跟踪一组特征点､就非常困难;后者则因计算量太大而无法实时运用｡??由于摄像机的运动,??在t时刻拍摄到的图像为I??t(x,y),在t+1时刻为I??t+1(u,v)摄像机所引入的运动可以由变换｡Γ表示,即(u,v)=Γ(x,y)｡Γ把t时刻的坐标(x,y)映射为t+1时刻的坐标(u,v),它代表着摄像机的全局运动,称为运动模型本文采用平移模型｡:??图4是在“卡车2”序列上应用完整算法跟踪的结果由先验知识可知｡,在此观察距离上,卡车相邻两帧间独立运动的位移不会超过10个像素,实验中取??D=10??在第｡236帧时,摄像机突然左转,引起图像整体右移图像｡稳定精确检测到这一运动,自动将目标方框位置修正(图4(c)中右边实线方框),仍位于目标之上,左边虚线方框为Kalman滤波器预测的位置,经过数帧状态更新后,其反映了目标的真实位置由于利用了｡Kalman滤波器的状态估计指导跟踪,当卡车被部分遮挡时,目标方框没有发生跳动｡??7结束语??本文使用QP_TR方法对图像进行稳定,在稳定后的图像中再次利用QP_TR方法进行模板匹配来实现目标跟踪图像中的干扰通过｡Kalman滤波器状态估计和先验知识加以滤除在｡IntelP41.7GHz,RedHatLinuxFC3的环境中,处理速度为10fps｡??参考文献:??[1]MOR...