一种基于光谱指纹特征的弱小目标精确跟踪方法

摘要

本发明涉及一种基于光谱指纹特征的弱小目标跟踪方法，包括以下三个步骤：步骤一：目标光谱稳定吸收特征描述，通过画幅式成像光谱仪获得前景高光谱图像，并对高光谱图像进行数据预处理，用以消除设备噪声；步骤二：建立基于高光谱影像的运动目标跟踪数学模型，结合基本的可见光目标运动模型和光谱吸收特征，建立基于高光谱影像的运动目标跟踪数学模型；步骤三：针对高光谱图像的层次化粒子滤波跟踪，综上三个步骤，最终算法输出目标的光谱指纹特征集、当前的即运动状态向量以及目标的运动轨迹。本发明方法满足了高光谱弱小目标精确跟踪的需要，并且增强了跟踪算法的适用范围和实用效能。

说明书

技术领域

本发明涉及一种基于光谱指纹特征的弱小目标精确跟踪方法，属于高光谱图像处理技术领域。

背景技术

弱小目标的精确跟踪在无人侦察、武器制导、安保、自动化生产、医学图像检测、深空探测等领域发挥着极其重要的作用。“弱”和“小”是指目标属性的两个方面。“弱”是指在可见光图像上目标与背景的对比度较低，区分较难；“小”反应到图像上是指目标所占像素较少。弱小目标跟踪的主要困难在于目标的形状、纹理、颜色等可见光目标特性不够明显，信噪比(SNR)很低，不足以满足在序列图像中寻找运动目标所在位置的需要。

为了解决可见光的局限性，我们提出一种目标的光谱指纹特征。高光谱技术实现了光谱分辨率的突破，光谱学与成像技术交叉融合形成图谱合一的成像光谱技术，同时获得目标二维空间信息和一维光谱信息，而且，更关注空间位置点的光谱曲线特征。不同物质的吸收特征反映了目标材质的特点，即光谱指纹特征(与人体指纹相似)，具有以下特点：1)普遍存在性，即对于任意材质，吸收特征都是普遍存在的；2)唯一性，即不同材质的吸收特征是不一样的；3)可检测性，即通过光谱检测设备可以检测光谱的指纹特征；4)稳定性，即相同物质在相同状态下的吸收特征基本相似。

基于光谱指纹特征的弱小目标精确跟踪技术把二维成像技术和光谱技术有机结合，利用不同物质固有吸收光谱特征上的差异，以期模仿人类视觉中对于目标材质属性的判断，获得区分目标材质和背景材质的感知能力，从而提供了精确的识别能力和抗干扰能力，使得对于复杂背景中弱小目标以及点目标的跟踪成为可能。因此，探索和研究基于光谱指纹特征的弱小目标跟踪理论具有深远的理论意义和广泛的应用前景，也充满挑战。

发明内容

本发明的目的是提供一种基于光谱指纹特征的弱小目标精确跟踪方法，针对高光谱成像背景下目标的低信噪比、复杂背景、快速运动等问题，本发明旨在满足高光谱弱小目标精确跟踪的需要，并且增强跟踪算法的适用范围和实用效能。

为实现上述发明目的，本发明一种基于光谱指纹特征的弱小目标跟踪方法，包括以下三个步骤：

步骤一：目标光谱稳定吸收特征描述

使用目标光谱吸收特征用于唯一地展示目标不同于背景的视觉特性。通过AOTF(画幅式成像光谱仪)获得前景高光谱图像，并对高光谱图像进行数据预处理，用以消除设备噪声。为了准确高效地描述目标的光谱特性，使用一系列光谱统计数据来准确的反应每个像素点上所包含的数百个波段的值，其具体的步骤如下：

1.在特征库中引入目标二值化光谱曲线。二值化光谱曲线的跳变位置反映了目标光谱曲线的基本统计特性，能够满足非复杂背景情况下目标和背景的分离。

2.构造一组特征向量来表述目标的强光谱特征。强光谱特征包括目标物体的固有稳定光谱吸收特征，目标与背景反差明显的光谱波段区间和近红外波段区间。针对这三种特征，分别采用对应的提取方法进行：

1)物质的固有稳定光谱吸收特征反映了目标材质的特点。针对不同材质的目标，使用光谱数据库中对应的吸收波段知识对目标进行基本的提取与识别。

2)对目标与背景反差明显的光谱波段区间以及近红外波段区间的反射率数据进行变系数积分。而后，通过一个线性变换函数将数据放大，使得目标特征更加明显。

3.对于光谱数据中噪声相对较大，不适宜作为主参考特征源的数据，构造一组相应的弱光谱特征以强化参考特征数据。这些特征包括大于均值的(极大值)波峰数、大于均值的(极小值)波谷数、小于均值的(极大值)波峰数、小于均值的(极小值)波谷数、上升趋势点数、下降趋势点数、(极大值)波峰位置和(极小值)波谷位置。

综上，通过特征提取，获得一组代表目标稳定特征的数据，这一组特征数据称之为光谱指纹特征。在光谱跟踪算法中，把特征数据引入用光谱学特征描述目标形态的数学模型，通过扩展核函数的特征直方图维数，将这些特征值变换到直方图分布函数中，建立概率直方图特征模型。

步骤二：建立基于高光谱影像的运动目标跟踪数学模型

结合基本的可见光目标运动模型和光谱吸收特征，建立基于高光谱影像的运动目标跟踪数学模型。设m帧的高光谱图像序列为像素点x_i下的n维特征空间Hⁿ，包括1中的光谱吸收特征：二值化曲线跳变位置h_b，近红外积分特征h_inf、大于均值的(极大值)波峰数h_aMax、大于均值的(极小值)波谷数h_aMin、小于均值的(极大值)波峰数h_bMax、小于均值的(极小值)波谷数h_bMin、上升趋势点数h_uGdt、下降趋势点数h_dGdt、(极大值)波峰位置h_max和(极小值)波谷h_min位置。对于u∈{1...m}，第u帧图像中的目标t_u可以表示为：

$>t_u=\frac{1}{C_s}\underset{i=1}{\overset{n_k}{\Sigma }}K\left({\left|\right|\frac{x_i-x_0}{h}\left|\right|}^2\right)\delta (b_s\left(f\left(x_i\right)\right),u)---\left(1\right)$>

其中，(x_i}_i＝1...n是像素点在图像中的位置，C_s是核直方图的归一化常数，h为跟踪窗口半径，函数K和δ的定义如模型(1)下面所述。函数f(x_i)是一个特征空间函数，其作用在于获取像素点x_i下的n维特征空间Hⁿ中的10个特征值{h_b，h_inf，h_aMax，h_aMin，h_bMax，h_bMin，h_uGdt，h_dGdt，h_max，h_min}∈Hⁿ，并将这些特征值变换到[0，255]的区间上后返回到直方图分布函数b_s(x)中。根据获得的10个特征值，b_s(x)将该像素点分配到一个量化级数为λ＝16¹⁰的直方图。最后这个直方图被转换成概率直方图。

假设弱小目标的跟踪窗口为矩形区域，目标的状态模型可以用如下向量表示：

$>S_k={(C_k^T,W_k^T)}^T---\left(2\right)$>

S_k表示目标第k个运动状态，C表示目标的位置属性，W表示目标的大小属性。

以跟踪窗口的概率直方图为特征，搜索最相似的候选区域S_k。假设S_k和目标参考状态S^*都具有λ个分量的核直方图，通过Bhattacharrya系数ρ(S^*，S_k)来度量两个离散概率分布的可分离误差(即相似性)，即

$>\rho (S^{*},S_k)=\underset{k=1}{\overset{m}{\Sigma }}\sqrt{S_k{S}_{k-1}}---\left(3\right)$>

完成相似度计算后，通过启发式策略在候选空间中搜索最佳匹配目标，避免全局搜索。

上式在S_k(C_k)处泰勒展开，得到

$>\rho [S^{*}\left({\bar{C}}_k^i\right),S_k)\approx \frac{1}{2}\underset{k=1}{\overset{m}{\Sigma }}\sqrt{S^{*}{C}_0{S}_k}+\frac{\lambda }{2}\underset{i=1}{\overset{n_k}{\Sigma }}{\omega }_{i}K\left({\left|\right|\frac{{\bar{C}}_k^i-C_i}{h}\left|\right|}^2\right)---\left(4\right)$>

对于式(4)中的右边第二项，采用均值偏移算法迭代寻找其最大值，从而得到起始候选区域移向真实目标区域的平均位移：

$>m\left({\bar{C}}_k^i\right)=\frac{\underset{j=1}{\overset{m}{\Sigma }}{C}_j{\omega }_{j}g\left({\left|\right|\frac{{\bar{C}}_k^i-C_j}{h}\left|\right|}^2\right)}{\underset{j=1}{\overset{m}{\Sigma }}\mathrm{\omega g}\left({\left|\right|\frac{{\bar{C}}_k^i-C_j}{h}\left|\right|}^2\right)}-{\bar{C}}_k^i---\left(5\right)$>

其中，{C_j}_{j＝1，2，...，m}是状态在矩形区域像素坐标点；ω_j是在位置C_j处像素值的相似权重，是参考概率直方图与概率直方图二进制比率的平方根；g(.)是一个核函数；h为归一化后的窗口半径。在式(5)中，g(x)＝-K′(x)。该算法沿偏移向量的方向不断向核函数中心位置移动，这个过程已经被证明是收敛的，通过5次重复迭代基本可以达到准确跟踪目标的效果。

步骤三：针对高光谱图像的层次化粒子滤波跟踪

在高光谱跟踪过程中，成像设备成像速度较慢会引起目标在场景内的Abrupt Motion(突发运动)现象，这一现象会导致上面的跟踪算法效率和精度下降。因此，引入层次化粒子滤波算法来克服“目标偏移”引起的目标丢失的现象，优化跟踪算法精度。

层次化粒子滤波采样策略的基本思想是：首先将粒子集分为两个子集，其中一个子集通过状态转移方程，预测得到一半新粒子集A，选择加权值最大的粒子，利用MeanShift算法得到该粒子的采样均值，在这个新位置周围，利用状态转移方程，预测得到另一半新粒子集B。合并A和B，即可得到最终粒子集。通过多次迭代操作，一半粒子移动到后验密度高似然区，而另一半则通过转移概率进行预测，保持了粒子多样性。新粒子集与旧粒子集相比能更好的表示后验密度。在具体实施中，为了描述目标运动的不确定性，在每次迭代时减少状态转移协方差，实现由粗到精的方式定位目标。

在层次化粒子滤波中，采用光谱稳定吸收特征的概率直方图。光谱相似度计算是基于对弱小目标跟踪区域的概率直方图与参考概率直方图之间的相似函数进行比较。

其具体算法流程如下：

(1)在跟踪区间内，选择N个随机不重合的目标点，N即为初始化的粒子个数；

(2)对每个目标点独立同分布采样得到初始粒子集

(3)计算k状态的粒子的数学期望：同时得到该粒子的权重：$>{\omega }_k^i=p\left(O_k\right|S_k^i);$>

(4)将粒子集随机分成相等的两个子集，即

(5)对其中一个子集中的每个粒子，以精确跟踪模型进行迭代运算，完成目标的搜索。在每次迭代过程中，首先选择出加权值最大的粒子，然后使用该子集中的所有粒子，来计算该粒子状态中心点的平均位移，如公式(5)所示；

(6)经过一次迭代得到的子集与原有不变的子集合并，得到新的粒子集同时对两个子集的权值ω_j进行合并，使得

(7)重复(5)和(6)的迭代过程t次，本文中t＝5。获得第k帧中车辆目标的状态向量估计值为：

$>{\tilde{S}}_k=\underset{j=1}{\overset{N}{\Sigma }}{S}_k^j{\omega }_j$>

综上三个步骤，最终算法输出目标的光谱指纹特征集、当前的(即运动状态向量)以及目标的运动轨迹。

其中，针对目标物体的固有稳定光谱吸收特征、目标与背景反差明显的光谱波段区间和近红外波段区间这三种特征，分别采用对应的提取方法进行：

(1)物质的固有稳定光谱吸收特征反映了目标材质的特点，针对不同材质的目标，使用光谱数据库中对应的吸收波段知识对目标进行基本的提取与识别；

(2)对目标与背景反差明显的光谱波段区间以及近红外波段区间的反射率数据进行变系数积分；而后，通过一个线性变换函数将数据放大，使得目标特征更加明显；

(3)对于光谱数据中噪声相对较大，不适宜作为主参考特征源的数据，构造一组相应的弱光谱特征以强化参考特征数据；这些特征包括大于均值的波峰数、大于均值的波谷数、小于均值的波峰数、小于均值的波谷数、上升趋势点数、下降趋势点数、波峰位置和波谷位置。

本发明一种基于光谱指纹特征的弱小目标精确跟踪方法，其优点及功效在于：满足了高光谱弱小目标精确跟踪的需要，并且增强了跟踪算法的适用范围和实用效能。

附图说明

图1为本发明总体流程图

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

本发明是一种基于光谱指纹特征的弱小目标跟踪技术，总体系统结构图如图1所示。

本发明的工作模式如下：

首先，通过AOTF画幅式成像光谱仪获得一组目标连续运动的高光谱数据，并通过图像预处理获得光谱反射率数据；

其次，从波谱曲线中选取稳定的吸收特征，对目标光谱稳定吸收特征进行描述；

而后，建立光谱指纹特征的数学模型，通过稳定的特征值构造目标的概率核密度直方图；引入基于直方图的无参数核密度估计方法，对概率密度直方图进行波段扩展，根据概率直方图进行迭代判断。

最后，在候选区域判定过程中，引入层次化粒子滤波，通过对判定函数的优化，提高跟踪精度。输出目标光谱指纹特征集，目标二维状态向量以及目标运动轨迹。