动目标检测(MTD)

动目标检测(MTD)（精选7篇）

动目标检测(MTD) 第1篇

目前，视频监控设备的数字化和网络化已经发展的比较成熟，而在智能化方面还比较薄弱。传统的监控模式，需要依靠人工实时查看，密切注意视频中的内容，这样，当安保人员注意力不集中时，对于异常事件经常会发生漏报。因此，减少人工的参与程度，实现智能化，是视频监控的发展方向。

摄像头采集到的视频，其背景通常是静止的，而大多数异常事件都和运动目标有关。因此，视频画面中运动目标的检测、跟踪和识别是智能视频监控的关键技术。本文主要研究运动目标的检测。

2、检测的一般方法

运动目标检测就是判断视频中是否有运动目标，并将该运动目标的前景图抽取出来，为后续进一步的目标跟踪与识别提供数据源。

如果图像序列中像素有明显变化，说明有运动目标存在，需要将该目标尽可能完整的从视频序列中分割出来，运动目标区域的有效分割对于目标跟踪、分类和行为识别等后期处理是非常重要的，后续处理过程仅仅考虑图像中运动区域的像素。

目前，还没有一种检测算法对于所有监测场景都适用，只能针对不同的场景和应用设计不同的算法。好的算法应尽可能适应各种不同场景，减小噪声干扰，能够检测出运动目标的相互叠加遮挡。帧差法和背景减除法是两种常用的算法。

2.1 帧差法

在短时间内比较图像序列中前后N帧的变化，通过对应像素点的灰度差和颜色分类比较，判断是否存在运动目标。若两帧之间差别值大于阈值，说明有运动目标，提取差别区域的像素点，将其用黑色像素表示，代表运动目标，对于无差别的像素，用白色像素点表示，输出二值化图。

设I(x,y)为差分结果，(x,y)为像素点坐标，tj-ti为时间间隔。

如果I(x,y)大于阈值，则判断为有运动目标出现，反之，无运动目标出现。N的取值应根据场合而不同，在目标运动速度很快的场景中，N的取值要小，在场景变化不大的时候N的取值可以大一些。如：检测是否有行人经过时，N常取3。

2.2 背景减除法

建立监控场景的背景模型，将每一帧与背景模型进行比较、差分，获取前景图像，得到的前景图像即为运动目标。

第一步，建立背景模型。最简单的方法是将不含前景图的背景图片拍摄下来，作为差分基准。这种方法适用于不受天气、光照等因素影响的背景稳定的室内监控，可获得较高的算法效率。而对于室外复杂场景，无法获得稳定的背景模型，需使用自适应背景减除法，该方法采用高斯背景建模，不断刷新背景模型，算法的资源耗费较大。

第二步，获取运动目标像素区域。将当前帧与背景模型进行差分比较，像素不同的区域就是运动目标占据的区域，获取运动目标像素区域。将像素相同部分填充为白色，运动目标区域填充为黑色，输出二值化图。

第三步，消除噪声。输出的二值化图上总是会有许多黑色斑点，这是由噪声造成的，可能由于光照的变化，树叶或雪花飘落等原因产生，噪声也被当作了运动目标，要有合适的去噪算法。常用的有连通区域法和基于HSV特征的阴影消除法。连通区域法可去除一些小的运动物体带来的噪声，如雨雪天气情况下去除雨雪等。基于HSV特征的阴影消除算法，使用颜色信息的变化来区分运动目标和运动阴影，检测出阴影后，将其去除。

最后，对目标像素区域进行形态学滤波处理。使输出的前景图边缘光滑，无孔洞。数学形态学以形态结构元素为基础对图像进行分析，简化图像数据，保持其基本形状特性，除去不相干的结构，进行图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等。

3、自定义防区检测法

3.1 基本方法

背景模型的提取是检测中较难且关键的一步，模型需要不断刷新，以保证检测结果的正确。随机产生的噪声也是影响结果的重要因素。假使存在适用各种情况且检测结果完全准确的理想算法，也要考虑到算法实现时的性能问题，对于运动目标识别，必须在很短的时间内扫描大量像素，即使算法实现了，也可能由于效率问题使得软件产品无法使用。

因此，我们可以从实际场景考虑，合理放置摄像机位置，尽量不使其对着容易产生噪声的地方。基于类似的思路，下面提出自定义防区的方法，来提高效率，减少噪声干扰，提高检测结果的准确率。

由于在监控场景中并不是所有地方都会发生异常事件，需要进行监控的只是其中某一块区域，因此我们可以只关注这块特定区域的运动目标。这样，可以减小数据量，从而减少计算量，而且可以有效减少噪声的干扰，但是阴影还是不可避免的，必须进行阴影去除。

3.2 实现步骤

下面举例说明该方法如何运用。

首先，合理选择区域。在整个监控场景中，需要重点监视的区域就是我们应该选取的区域，可将该区域单独划分出来，如图1所示，在该区域中，树叶摆动等噪声基本不存在，只需考虑光照的变化。这样大大减少了要处理的数据量，降低了算法的复杂度。

第二步，建立该区域的背景模型。由于该区域噪声相对较少，但需要考虑光照的影响，因此可采用单高斯背景建模的方法，建立一个动态、实时更新的背景模型。

第三步，获取目标前景图。将当前帧和背景模型比较，找出像素变化的区域，并对该区域进行形态学处理。

最后，阴影消除。如光照强烈，前景图会出现阴影，可以使用基于HSV特征的阴影消除算法来区分运动目标和阴影，从而将阴影去除。

4、结束语

要设计一个通用的目标检测算法是十分困难的，实际上会遇到很多复杂的场景，因此，需要全面考虑算法的复杂性、实时性及可靠性，现在的算法都只能解决其中的部分问题。本文主要介绍了运动目标检测的一般算法，另外，提出了一种自定义区域的目标检测方法，简化了背景建模，减少了噪声干扰，大大提高了算法的效率。

参考文献

[1]章毓晋.计算机视觉教程.北京:人民邮电出版社,2011.

[2]曹茂永.数字图像处理.北京:北京大学出版社,2007.

[3]洛铁镇.一种运动检测算法研究[J].计算机应用研究,2010(9).

[4]李功燕等.基于Xscale和多DSP的智能视频监控系统的设计与实现[J].计算机工程与设计,2009(2).

动目标检测(MTD) 第2篇

近年来,我国煤矿安全事故不断发生,造成了巨大的生命财产损失。斜巷绞车轨道运输是煤矿生产运输中的重要环节,担负着运人、提煤、送料或拉矸等任务,运输量大,运行时人员较多,矿井斜巷轨道运输是矿井安全隐患频繁发生的地点,事故发生率占到了全矿安全事故总数的40%。因此,通过安全视频监控系统可有效防止斜巷绞车轨道运输伤害事故的发生,对于实现斜巷绞车轨道运输安全乃至整个煤矿的安全都具有重要意义。

2 系统结构

系统利用视频服务技术把井下斜巷绞车轨道运输区域的视频信号转变成数字网络信号,通过隔爆兼本安型显示器进行监视,提供了可视化界面,滤除掉摄像机采集的无用信息,从而使绞车司机可快速准确地做出反应,避免了传统的打铃给信号的不安全隐患;图像通过矿用本安型视频服务器进入井下隔爆型交换机,通过隔爆型交换机传输到地面内部网,在网络上的所有经过授权的计算机上或电视机上进行显示。这样在地面或是在井下可以随时实时监控危险区域,从而将轨道运输安全防患于未然。系统结构如图1所示。

3 现有算法存在的问题

现有算法的测试效果见图2。图2a和图2b分别为视频连续的2帧,采用相邻帧差法[1]对2帧相减,显示出运动目标的轮廓,如图2c所示。但当目标运动缓慢或很快时则目标轮廓显示不清,如图2d、图2e所示,若完全静止下来则检测不出目标。此外,该方法在运动实体内部容易产生空洞现象。背景差分法[2]当前图像和背景图像相减,结果中每个像素的值和一个预先设定的阈值相比较,若该像素的值大于给定的阈值,则认为该点是前景点,否则是背景点。算法简单易于实现,在背景不变的环境下,能完整准确地检测出运动目标,图2f为背景图像,图2g和图2h分别为检测出的前景区域和前景目标。但对光照、天气变化等外部动态场景变化极其敏感,图2i中有光照射到墙壁上,则检测出的前景区域和前景目标如图2j和图2k,效果非常不理想,因此必须更新背景模型。

4 目标检测新算法

由于相邻帧差法和背景差分法存在缺陷,本文对于光线缓慢变化的现象,在背景减法的基础上通过背景模型重建来提高提取运动物体的准确性和精确性。对于光线突变的现象采用目标轮廓提取方法,建立基于颜色梯度的背景模型,以便在危险区域检测出运动目标时及时通过系统联动进行报警和自动断电限制绞车行驶等措施,防止危险发生。

4.1 光线缓慢变化环境目标检测

使用K个高斯分布[3,4]来表征图像平面上的某位置点i的特征,通过对其在线更新来表征背景的渐变。K值过小会使生成的背景效果不好,K值过大虽然可以描述更为复杂的场景但增加开销,因此本程序选k=7建模。t时刻的观测概率分布估计公式如下

式中:ωi,t-1,k为t-1时刻第k个高斯分布的权值,ηk为第k个高斯分布的概率密度函数,μi,t-1,k为高斯分布的均值向量,Σi,t,k为协方差矩阵,Σi,t,k=σ2i,t,kI。将概率由大到小将K个模型排队,排在前面的高斯模型代表背景,后面的代表前景。该位置处输入的下一帧像素的亮度值分别与K个模型匹配[5],取匹配度最大值的模型作为被匹配的高斯模型,根据匹配结果对这些模型进行更新。但计算量相当大,不利于实时处理。

匹配算法会占用大量时间,可以采用近似算法,将高斯分布按ω/σ由小至大排列,选择μi,t-1,k和xi,t足够接近的第一个高斯分布作为匹配的高斯分布,即xi,t-μ2i,t-1<(βσ)2。根据当前像素与K个高斯分布相匹配的结果对模型进行更新。对于未匹配上的模型,其均值和方差应保持不变,而匹配成功的第i个模型按下列方式更新:μi,t=(1-α)μi,t-1+αXi,t,σ2i,t=(1-α)σ2i,t-1+α(Xi,t-μi,t-1)T(Xi,t-μi,t-1),ωi,t,k=(1-α)ωi,t-1,k+αMi,t,k。其中α为学习速率,它反映了当前像素融入背景模型的速率。Mi,t,k是一个标志函数,当n=i,表示当前观测值与第i个高斯模型匹配,Mi,t,k=1,该高斯模型的权值增量为α(1-ωi,t-1,k),否则Mi,t,k=0。高斯模型的权值增量为-αωn,t-1,k<0,调整后的K个高斯模型权值的和仍为1。

当物体移动速度较快时,学习常数要大于移动慢的学习常数。文中图像在Matlab7.1试验环境中,把每个图片分成小块来计算同一块两帧间的变化,当帧间亮度变化超过阈值T的时候降低α。即求出符合的像素个数,若超过阈值T则认为出现运动目标,降低α,从而提取出运动物体。

光线渐变的目标提取见图3。图3a是井上实验室环境通过改进的混合高斯模型建模后的背景模型,图3b是光线变强环境下的图像,图3c是固定α检测的结果,图3d是本文算法检测后的结果,图3e是形态学进一步消噪后提取的目标。图3f、图3g是井下背景环境及某视频帧,由于井下的环境比较特殊,受光线和监控系统软硬件的影响,原始帧效果很不好,所以本文先对原始帧进行直方图均衡化,再用均值滤波器进行滤波,提高了对比度,使图像更加清晰,易于处理,如图3h、图3i所示,井下高斯背景重建如图3j,图3k是固定α检测的结果,图3l是本文算法检测后的结果,图3m是形态学进一步消噪后提取的目标。因此通过比较可以看出,本文改进的算法提取出的目标效果噪声更小,清晰度更高。

4.2 光线突然变化环境目标检测

改进的混合高斯模型针对井下光线基本不变或者缓慢变化时有较好的分割结果,由于光线发生剧烈变化时没有足够长的时间建立背景模型以适应变化的环境,分割效果很差。当光线有突变时,由于颜色梯度对光线变化不太敏感,因此可以采用目标轮廓提取方法,建立基于颜色梯度[6,7]的背景模型,然后通过形态学腐蚀膨胀、去噪,对闭环区域进行填充后进行分割,以适应光线突变的现象。

图4a、图4h为光线突变的图片。采用混合高斯模型中权值最大的高斯分布重构背景后由于光线变化快,时间重构时间短,前景区域提取如图4b、图4i所示,图4c、图4j为基于颜色梯度的背景模型分割结果,其准确提取出目标边界,并且图像噪声很少,但仅通过边缘,无法提取整个目标,将图4c、图4j先通过形态学腐蚀膨胀处理,去掉干扰的噪声,然后通过连通填充闭环内部的区域,当达到图像对象边界时停止填充,效果如图4d、图4k所示,最后提取出前景见图4e、图4l。

5 结论

笔者提出在光线缓慢变化的环境中,结合帧间差方法调节学习速率α的自适应阈值混合高斯背景更新算法进行建模。在光照突变的环境中,提出颜色梯度模型,结合形态学理论建立背景模型识别目标。实验证明提出方案可行、有效,具有很强的稳定性。监控系统适应井下斜巷综合监控要求,技术功能齐全,操作简单、结构合理,能及时对煤矿生产中的各个生产与保障环节进行实时可靠的监测。

参考文献

[1]KONG S G,HEO J,ABIDI B R,et al.Recent advances in vi-sual and infrared face recognition:a review[J].Computer Vision and Image Understanding,2005,97(1):103-135.

[2]WREN C,AZARBAYEJANI A,DARRELL T,et al.Pfinder:Re-al-time tracking of the human body[J].IEEE Transactions on Pat-tern Analysis and Machine Intelligence,1997,19(7):780-785.

[3]陈岩,刘开华.动态背景下运动目标的检测与跟踪[J].通信技术,2003(12):104-106.

[4]NICKELS K,HUTCHINSON S.Estimating uncertainth in SSD-based feature tracking[J].Image and Vision,2002,20:47-58.

[5]POWER P W,SCHOONEES J A.Understanding background mix-ture models for foreground segmentation[EB/OL].[2009-05-20].http://www.vision.irl.cri.nz/pubdoc/2002/JSPP2002.pdf.

[6]钱小燕,肖亮,吴慧中.模糊颜色聚类在颜色传输中的应用[J].计算机辅助设计与图形学学报,2006,18(9):1332-1336.

动目标检测(MTD) 第3篇

序列图像中运动目标检测与跟踪的主要工作可以分为两方面,即运动目标的检测和运动目标的跟踪,这两方面工作是一个承接的关系,但同时也相互影响。运动目标检测是序列图像运动目标检测与跟踪的第一部分,它就是实时的在被监视的场景中检测运动目标,并将其提取出来。视频序列中的运动目标跟踪一直是计算机视觉、数字视频与处理和模式识别领域中一个重要的研究课题,运动目标跟踪同样也是衔接运动目标检测和目标行为分析和理解的一个重要环节[1,2]。

1 运动目标检测的基本方法

1.1 时域差分法

时域差分法主要利用视频序列中连续的两帧或几帧的差异进行目标检测和提取。对于许多应用来说,检测序列中连续帧之间的差异是非常重要的。因为场景中任何可观察的运动都会体现在场景序列的变化上,如果能检测这种变化,就可以分析其运动特性。

最基本的时域差分法的基本过程如图1所示。

(1) 计算差分Dk

$D{}_k(x,y)=\left|f{}_k(x,y)-f{}_{k-1}(x,y)\right|(1)$

式中:fk(x,y)为第k帧中点(x,y)处的灰度值;fk-1(x,y)为第k-1帧中点(x,y)处的灰度值。

(2) 对差分Dk二值化

$R{}_k(x,y)=\{\begin{array}{l}1‚\text{i}\text{f}D{}_k(x,y)>{\rm T}\\ 0‚\text{o}\text{t}\text{h}\text{e}\text{r}\text{w}\text{i}\text{s}\text{e}\end{array}(2)$

取值为1和0的像素分别对应于前景(运动目标区域)和背景(非运动区域)。在差分后的Dk中包含了连续两帧之间的场景的变化,这种变化由很多因素构成,包括目标的移动、光照、阴影、噪音等,可以认为移动目标的变化是明显的,给定一个阈值T,当差分中某一像素值的差大于给定阈值T时,认为该像素为前景像素,反之则认为是背景像素。

(3) 对二值化Rk进行后处理

这里主要是移动目标的面积应大于某一给定的阈值,可以利用形态学滤波和去除噪声等方法来消除微小区域噪声。

(4) 对后处理结果进行判别

将面积大于给定阈值的区域标示为目标,并得到其完整的位置信息。

实验结果如下:

如图2将第K+1帧和第K帧图像进行差分,然后二值化,再进行后处理得到如图3所示图像。

1.2 背景差分方法

基于背景差分法的原理非常简单,其基本过程如图4所示。

背景差分法假定背景是静止不变的,因此背景不随帧数而变。首先利用式(3),求出当前fk与背景bk的差值Dk。

$D{}_k(x,y)=\left|f{}_k(x,y)-b{}_k(x,y)\right|(3)$

然后根据式(4)对差值进行二值化:

$R{}_k(x,y)=\{\begin{array}{l}1‚\text{i}\text{f}D{}_k(x,y)>{\rm T}\\ 0,\text{o}\text{t}\text{h}\text{e}\text{r}\text{w}\text{i}\text{s}\text{e}\end{array}(4)$

式中:T为阈值,阈值T选择得准确与否直接影响到二值的质量。如果阈值T选得太高,二值中判定为运动目标的区域会产生碎化现象;相反,如果选得太低,又会引入大量的噪声。选择阈值T的最常用的方法是利用灰度直方图求双峰或多峰,选择两峰之间谷底处的灰度值作为阈值。实验结果如图5,图6所示。

1.3 光流法

尽管在运动对象检测方面,相对于背景差分等方法光流法计算复杂、耗时,但光流法不需要预先知道场景的任何信息,而只需要知道相邻视频帧之间的像素运动信息,因此基于光流的运动对象检测避免了依赖于背景模型和背景学习过程的问题。另外,光流法属于基于运动的检测方法,它在处理跟踪问题时要比背景差分算法更容易一些。

光流的概念是Gibson于1950年首先提出的。视觉心理学家认为人与被观察物体发生相对运动时,被观察物体表面带光学特征部位的移动给人提供了运动及结构的信息。当摄像机与场景目标间有相对运动时所观察到的亮度模式运动称为光流,或者说物体带光学特征部位的移动投影到视网膜平面也即平面上就形成光流。光流表达了的变化,它包含了目标运动的信息,可用来确定观察者相对目标的运动情况。光流有三个要素:一是运动(速度场),这是光流形成的必要条件;二是带光学特征的部位(例如有灰度的像素点),它能携带信息;三是成像投影(从场景到平面),因而能被观察到。

光流可以表达运动中的变化,光流中既包含了被观察物体的运动信息,也包含了与其有关的结构信息。通过对光流的分析可以达到确定场景三维结构和观察者与运动物体之间相对运动的目的。对光流的研究一直是计算机视觉的一个重要部分[3,4]。

1.4 小结

从以上可以看出时域差分方法、背景差分方法及光流法都有其各自的优缺点及适用范围,表1是对这三种方法进行比较的直观表。

2 运动目标的跟踪方法

运动目标跟踪是确定同一物体在图像序列不同帧中位置的过程,当运动物体被正确检测出来时,跟踪等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题。目标跟踪的主要工作就是选择好的目标特征和采用适当的搜索方法[5]。

下面介绍两种比较典型的跟踪方法:基于卡尔曼滤波器和基于特征光流法的跟踪方法。

2.1 基于卡尔曼滤波器的跟踪方法[6]

线性卡尔曼滤波是美国工程师Kalman在线性最小方差估计的基础上,提出的在数学结构上比较简单的最优线性递推滤波方法,具有计算量小,存储量低,实时性高的优点。特别是经历了初始滤波的过渡状态后,滤波效果非常好。

基于卡尔曼滤波器目标跟踪算法的实现步骤如下:

(1) 设置初始值

设置初始状态$\stackrel{}{x}$0,P0,Q0和R1的初始值。

(2) 预测下一时刻目标的位置

这里运用式(5)和式(6),根据扩展的卡尔曼滤波器,预测目标在下一时刻可能出现的位置:

$\begin{array}{l}\stackrel{⌢}{p}{}_{k+1}=p{}_k+v{}_k\text{Δ}t+\frac{a{}_k\text{Δ}t{}^2}{2}(5)\\ \text{Δ}p{}_{k+1}=\text{Δ}p{}_k+\text{Δ}v{}_k\text{Δ}t+\frac{\text{Δ}a{}_k\text{Δ}t{}^2}{2}(6)\end{array}$

式中:Δpk+1表示预测的不准确程度,即提供了目标匹配的搜索范围;$\stackrel{⌢}{p}{}_{k+1}$表示预测位置的坐标及搜索范围的中心坐标。在实际应用中,往往扩大目标匹配的搜索范围为Δpk+1+ε,其中ε为预设正常数。

(3) 目标匹配搜索

在搜索中要使用目标检测的结果,即将检测到目标的运动区域作为模板。在利用上一步计算得到的目标搜索区域范围内进行目标搜索。若在搜索范围内搜索到运动目标,并且只有一个,那么不再进行目标匹配搜索,直接认为搜索到的目标就是被跟踪的目标。若在搜索范围内搜索到不止一个目标时就需要进行目标匹配搜索,通常可以利用检测到的目标的邻接矩形作为搜索区域以缩小搜索范围。使用基于像素点的亮度差的和作为匹配距离准则:

$d={\displaystyle \sum _{\begin{array}{l}(x+px,y+py)\in \\ \text{目}\text{标}\text{邻}\text{接}\text{矩}\text{形}\end{array}}|}f{}_{k+1}(x+px,y+py)-{\rm T}{}_k(x,y)|(7)$

将找到的使匹配距离最小的目标区域作为被跟踪到的目标,将该区域的复制记为Tk+1,并把它的中心坐标复制给pk+1,则:

目标的测量速度为:

$v{}_{k+1}=\frac{p{}_{k+1}-p{}_k}{\text{Δ}t}(8)$

目标的测量加速度为:

$a{}_{k+1}=\frac{v{}_{k+1}-v{}_k}{\text{Δ}t}(9)$

(4) 卡尔曼滤波器参数的修正

主要根据每帧得到的测量值修正目标的参数,使用IRR(无限冲击响应)滤波器完成对$\stackrel{⌢}{v}{}_k,\stackrel{⌢}{a}{}_k$和Δvk,Δak的修正,其公式为:

$\begin{array}{l}\stackrel{⌢}{v}{}_{k+1}=av{}_{k+1}+(1-a)\stackrel{⌢}{v}{}_k(10)\\ \text{Δ}v{}_{k+1}=a|\stackrel{⌢}{v}{}_{k+1}-v{}_{k+1}|+(1-a)\text{Δ}v{}_k(11)\\ \stackrel{⌢}{a}{}_{k+1}=\gamma a{}_{k+1}+(1-\gamma )\stackrel{⌢}{a}{}_k(12)\\ \text{Δ}a{}_{k+1}=\gamma |\stackrel{⌢}{a}{}_{k+1}-a{}_{k+1}|+(1-\gamma )\text{Δ}a{}_k(13)\end{array}$

式中:a,γ为一常数,0a,γ1。

另外,通常还需要对Δpk+1进行修正,一种简单的修正方法是直接利用pk+1与$\stackrel{⌢}{p}{}_{k+1}$之间的差代替Δpk+1,或者使用类似于修正Δvk+1的IRR滤波器方法对Δpk+1进行修正,即:

$\text{Δ}p{}_{k+1}=\beta |\stackrel{⌢}{p}{}_{k+1}-p{}_{k+1}|+(1-\beta )\text{Δ}p{}_k(14)$

式中:β为一常数,0β1。

2.2 基于特征光流法的跟踪方法

光流分析可以分为连续光流法和特征光流法。特征光流法是通过特征匹配求得特征点处的光流。Weng等采用边缘和角点作为特征点,Cumani等在每个边缘点处提取三种属性用于解决特征匹配问题。特征光流法的主要优点在于对目标在帧间的运动限制较小,可以处理大的帧间位移,对噪声的敏感性降低,只处理图像中很少数的特征点,计算量较小;主要缺点是:得到的是稀疏光流场,导致难于提取运动目标的精确形状,特征匹配问题尚未得到较好的解决[7,8]。

假设运动目标在序列首帧中的大概位置已经通过人工锁定或某种检测技术确定出来,所以跟踪中只处理目标及其附近部分的区域而非整幅。本文方法的流程图如图7所示。

首先,从首帧中提取角点,得到角点链。对于以后各帧,不再提取角点,而是利用加权模板相关匹配算法求得上一帧中角点的匹配点,这样在得到本帧角点的同时,也得到了连续两帧图像间的特征光流和光流链;然后由“粗”到“精”对光流进行聚类,得到若干候选类。对每个候选类,计算其参数值,包括:类平均光流、类重心、类的形状模型、类的形状用凸多边形表示,并与曲线图相对应;然后根据相似准则从这些候选类中找出目标类;最后得到目标的精确外轮廓[9]。

2.3 小结

运动目标跟踪是确定同一物体在图像序列不同帧中位置的过程,当运动物体被正确检测出来时,跟踪等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题。目标跟踪的主要工作就是选择好的目标特征和采用适当的搜索方法。

卡尔曼滤波器的跟踪方法是一种经常被采用的方法,这种方法通常被用来对被跟踪目标运动状态进行预测,可以减少搜索区域的大小,提高跟踪的实时性。所以经常被用于和其他跟踪方法结合使用[10]。

特征光流法是一种新颖的跟踪方法,是处理一些目标遮挡和目标失锁等异常情况的有效方法。

表2是这两种方法优缺点及适用范围的对照表。

3 结 语

序列图像中的运动目标检测与跟踪是数字图像处理与识别以及计算机视觉领域研究的主要内容之一,在机器人导航、智能视觉监控系统、医学图像分析、工业检测以及视频图像分析等领域中都有应用。本文介绍了目前运动目标检测与跟踪领域的一些常用方法,指出其优缺点。随着对运动目标检测与跟踪的研究及发展,将会出现很多关于运动目标检测与跟踪的新方法,相信运动目标的检测与跟踪技术将会更加成熟。

参考文献

[1]李艳波,张菁.序列图像中运动目标检测与跟踪算法研究[D].哈尔滨:黑龙江省计算机学会2007年学术交流年会论文集,2007.

[2]李强,赵亦工,高永晶.基于背景差分的动目标检测算法研究[J].遥测遥控,2007,28(6):68-70.

[3]胡以静,李政访,胡跃明.基于光流的运动分析理论及应用[J].计算机测量与控制,2007,15(2):219-221.

[4]朱克忠.基于光流法对移动目标的视频检测与应用研究[D].合肥:合肥工业大学,2007.

[5]邵文坤,黄爱民,韦庆.目标跟踪方法综述[J].影像技术,2006(1):17-19.

[6]Stefano Messelodi,Carla Maria Modena,Nicola Segata,et al.AKalman Filter Based Background Updating Algorithm Robust toSharp Illumilation Changes[A].ICIAP 2005[C].Italy,2005:163-170.

[7]安建虎.相关跟踪与特征匹配技术研究[D].沈阳:中国科学院自动化研究所,2002.

[8]沈美丽,宋华军.基于角点检测的光流目标跟踪算法[J].电子器件,2007,30(4):1 397-1 399.

[9]杨杨,张田文.一种基于特征光流的运动目标跟踪方法[J].宇航学报,2000,21(2):8-15.

地面探测脉冲压缩雷达的动目标检测 第4篇

1脉冲压缩雷达动目标检测原理

脉冲压缩雷达的目标检测系统如图1所示,对载有目标信息的雷达回波(中频)进行I、Q解调并利用较高速AD芯片完成信号的模数转换过程[6],再对数字信号进行处理。在处理过程中,首先完成信号的匹配滤波,其实现原理在参考文献[3]中有详细讨论。由于匹配滤波器输出的信号并非理想的单一窄脉冲,还存在一定的距离旁瓣,将导致对小目标的检测能力变差(或丧失)。因此,还需采用失配滤波器进行旁瓣抑制处理[7],通过较小的SNR(Signal Noise Ratio)损失来获得更大的主副瓣比,从而完成脉冲压缩处理过程。

雷达发射和接收码信号是按1个脉冲重复周期PRP(Pulse Repeat Period)来进行的,采样周期(τ为码元宽度),这样在1个PRP内收集了(Tprf为脉冲重复时间)个距离门的数据,当发射m个PRP后,在每个距离门(Cτ/2)中就接收了m个数据,得到数据矩阵Sij(i=1,2m,j=1,2n。下同)。PRP数与距离门数据矩阵如图2所示。

当发射的PRP数达到预计值后,先按顺序取出各个距离门的数据形成数据组Ij=(S1j,S2j,S3jSmj),该过程同时也实现了存储转换操作;然后对数组Ij(每个数组含m个数据)进行分析处理,主要是通过相干积累(m阶FFT滤波器组),得到雷达数据的频谱分布图I′j=(Fj1,Fj2Fjm),如图3所示。数组I′j表示第j个距离门信号的所有频谱信息。

虽然经过相参积累得到了信号的频谱信息,从而能获得目标速度等参数,但是由于雷达系统通常都是要求在复杂和不确知的背景环境中能够检测目标的存在并须保持给定的虚警概率,因此,还必须采用恒虚警(CFAR)处理技术[8]。在本文中采用一种针对瑞利分布杂波的CFAR实现方法。在CFAR方法处理过程中,为了减少目标检测损失,检测将采用在所有距离门内相同频道号的子滤波器之间进行。如图3所示,对I′j=(Fj1,Fj2,Fj3Fjm)进行处理,处理完成后将各个距离门内所有的子滤波器输出数据与设定门限电平进行比较判决,对高于门限的数据则作为目标并做下标记(距离波门、频道号、幅度信息等),最后把所有目标信息打包送到显示终端处理与显示。

2仿真计算与结果分析

根据上述雷达目标检测原理,利用MATLAB软件进行仿真分析。假设雷达的工作环境中存在动目标、固定目标、白噪声信息以及杂波背景,使得回波信号具有一般性。

2.1雷达目标回波的产生

在仿真中假设雷达的发射脉冲重复频率(PRF)恒定,距离不产生信号衰减。

(1)窄带雷达的“点”目标回波,可表示为[9]:

式中,θ(t)=2πfdt+ψ,fd为动目标的多普勒频移(当为固定目标时,fd取值为0),ψ为初相,f0为载波频率。本文采用脉冲冲激函数作为幅度调制函数,用δ(t)表示。雷达的实际工作环境中,噪声与杂波是不可消除的,因此,本文采用[0,1]上均匀分布的随机高斯白噪声n(t)作为输入的噪声信号。当散射单元由大量统计独立的小散射体组成,而且没有一个散射体占主导、其合成杂波的统计特性与热噪声一致时,可采用纯Rayleigh函数来描述其分布杂波[1](实际环境中杂波分布是非常复杂的,很难模拟其真实情况)。本文讨论的地面脉冲压缩雷达产生的杂波分布符合该情况,其表达式:

式中,ts表示杂波区开始时间,td表示杂波区结束时间(按照9 GHz的频率,查表[1]可得平均散射系数δ为2 dB)。

(2)雷达发射m系列二相码,则在接收端收到的理想回波信号为:

式中,S(t)为点目标回波函数,τ为子脉冲宽度,P为码元个数,kτ为编码持续周期,Ck为特定的二进制编码{Ck=1,-1}。

(3)本文中假设回波信息中含有1个固定目标、1个动目标、随机白噪声以及地物杂波,根据式(2)与式(3),在单个PRP内回波方程可描述为:

式中,U1(t)表示固定目标的回波,U2(t)为动目标的回波。目标回波通过I、Q解调后变成中频信号,故由式(1)、式(2)、式(3)、式(4),得I、Q分量信号。

I分量函数表达式:

Q分量函数表达式:

式中,固定目标回波的开始时间为t1,动目标回波的开始时间为t2,Tprp为脉冲重复时间,m表示发射的脉冲重复周期的个数,P为发射的码元个数,δ(t)是脉冲冲激函数,tc为杂波区时间值。

2.2算法实现过程

根据整机系统的要求,参数的设置如下:脉冲重复周期为320μs,每个码元宽度为0.2μs,63位m系列二相码(0,0,0,0,1,0,0,1,1,0,0,1,1,1,1,0,1,0,1,1,0,1,0,0,0,1,0,0,1,0,0,0,1,1,1,0,0,0,1,0,1,1,0,0,1,0,1,0,1,1,1,1,1,0,0,0,1,1,0,1,1,1,1),回波初相ψ为0°,固定目标的位置在50μs(第250个距离门)处,动目标的位置在150μs(第750个距离门)处,其多谱勒频率为900 Hz,杂波分布于动目标周围,起始位置140μs,终止位置为180μs,回波脉冲串为64。根据式(5)与式(6),得到的雷达回波数据如图4所示。回波通过正交解调得到I、Q两路信号,由于固定目标的初相位刚好为0,所以固定目标回波的能量几乎都分布在I分量;动目标处于杂波区范围内,所以在I、Q分量波形中,动目标回波信息几乎被“淹没”在杂波背景中;雷达回波信号中还将叠加来自接收机内外的噪声。

依据图1信号处理流程,首先对回波信号进行脉冲压缩、旁瓣抑制处理来获得窄带目标信息,图5为I、Q信号经过脉冲压缩处理后的数据波形。图5与图4相比较,很容易看出,目标信息(固定目标或动目标)得到了更高的信噪比,并且由于杂波与所设定的滤波器不匹配,故在图5中的杂波信号表现得比较微弱,可以很容易地看出动目标回波信号。本文利用最小递归二乘法(RLS)设计1个189阶的滤波器[10],在时域上完成信号的压缩处理,处理后以0.15 dB的主瓣损失,获得了高达32.5 dB的主副瓣比。

脉中压缩处理完成后,I、Q数据通过存储转换模块变换后的数据进入复数滤波器组(复数FFT),获得各个距离门内采集数据的频谱信息,其数据波形如图6所示。根据图中数据可以很容易地获得固定目标与动目标的信息,其中固定回波经过频谱分析后处于滤波器组的0频道内,动目标频谱根据其不同的速度值分别处于第1至第63个子滤波器频道号内(本文中的动目标在第18个子滤波器内)。

频谱分析后,虽然能获得动目标与固定目标的信息,但是由于其噪声与杂波幅度还相对较强,不利于对目标的判定以及判别门限的设置,特别是在变化的杂波背景下,很难维持一定的虚警率,因此对频谱信息还需要做恒虚警处理(CFAR)[11]。本文采用如图7所示的处理框图对所有距离门的相同子滤波器做改进型单元平均恒虚警处理(CA-CFAR)。进行杂波功率估计时,首先在检测单元的两侧各选择N/2+1个距离单元,对其实现累加计算,然后减去该N/2+1个单元中最大幅度的单元(A1max或A2max),再对剩余的N/2个单元求平均,其平均值作为检测单元一侧的杂波估计功率,另一侧估计杂波功率时算法相同,最后在二者中选择较大者作为最终的估计杂波功率。需要注意的是,为防止目标能量泄露到参考单元而影响CA-CFAR检测器对杂波功率的估计,在检测单元两侧各需留1个保护单元。本文中参考单元N取值16进行CFAR处理,所得数据波形如图8所示。

比较图6与图8,回波的频谱信号通过CFAR处理后,噪声功率变得更低,目标主瓣的幅度更大,信噪比得到了很大的提高。如图8,再根据发现概率与需警概率等确定判别门限,利用动目标检测器,可以很容易判断出有无目标,并且可得出目标的各项参数(如速度、距离等)。最终0频道的目标被作为固定目标送出(该目标也可能是速度非常慢的地物、杂波或动目标)。

本文从系统的角度给出了脉冲压缩雷达的数据处理流程以及详细的信号处理过程,其数据结果达到了预期的要求。该处理方法具有通用性以及实用性,可用于大部分的脉冲压缩体制的地面探测雷达中。采用单片大容量的FPGA,完成整个处理过程,达到了整机系统的要求。根据实际系统需求,在某些工程项目中在相参积累之前可以增加对数转换模块来提高小目标的检测能力,以及增加二次对消处理来减少滤波器组所需动态范围以及降低对滤波器副瓣的要求。

参考文献

[1]SKOLNIK M I.雷达手册(第二版)[M].王军,译.北京:电子工业出版社,2003.

[2]丁鹭飞,耿富录.雷达原理(第三版)[M].西安:西安电子科技大学出版社,2002:291-297.

[3]WEIL T A.An introduction to MTI system design,electro.prog,1960,4:10-16.

[4]陈那.信号测试处理与系统控制分析技术使用全书[M].北京:清华大学出版社,2005:189-194.

[5]马晓岩,向家彬.雷达信号处理[M].长沙:湖南科学技术出版社,1998:182-203.

[6]魏永毫.带通采样定理与中频采集数字正交检波[J].现代雷达,2006,28(12):69-71.

[7]袁涛,陈建春.失配滤波器在数字脉压旁瓣抑制技术中的应用[J].火控雷达技术,2003,32(2):17-19.

[8]何友.雷达自动检测与恒虚警处理[M].北京:清华大学出版社,1999.

[9]林茂庸.雷达信号理论[M].北京:国防工业出版社,1981:94-95.

[10]张仕元,吴乐南.基于RLS的脉压雷达数字旁瓣抑制滤波器设计方法[J].测控技术,2006(7):79-82.

动目标检测(MTD) 第5篇

近十几年来,智能视频监控( Intelligent Video Surveillance) 在导航制导、重要场所安全监控、智能交通、数字城市等军事以及民用领域得到了广泛的应用,国防安全部门、高校学者、工程技术人员对其产生了极大的研究热情[1]。智能视频监控系统主要由运动目标检测、目标分类识别、目标跟踪以及目标行为的理解与描述几个部分组成,如图1 所示。其中,运动目标检测、分类识别以及目标跟踪属于低级视觉部分,数据融合处理属于中级视觉部分,而行为理解和描述则属于高级视觉部分[2]。

运动目标检测是智能视频监控系统的重要组成部分,它是利用图像处理技术将运动目标从背景图像中提取出来并交给后续视觉工作进行分析处理,主要包括图像预处理、目标检测及后处理等步骤,如图2 所示。

目前,针对监控摄像机固定不动的应用场景主要有三类运动检测方法: 光流法、背景减法和帧间差分法。光流法检测精度较高,但其受噪声、光照、阴影和遮挡等环境因素的影响较为严重; 而且光流法算法复杂度高,处理监控视频流的实时性较差。背景减法的优点是原理简单,检测准确,缺点是容易受光线、天气等环境条件的影响,其关键在于背景图像的获取及其更新[3]。针对光流法和背景减法存在的问题,本文提出了一种结合背景减法和时空熵图像的对称差分算法来实现对运动目标的检测。

2 相关原理

2. 1 两帧差分法

两帧差分法是通过比较视频序列相邻两帧图像对应像素点的灰度值,然后对其阈值化来提取图像中运动区域的一种办法。该方法实时性强,更新速度快,算法复杂度低。但要求图像帧与帧之间要配准得很好,否则容易产生大的误差。阈值选择在这里起着非常重要的作用: 阈值过低,容易将环境噪声误检测为运动目标; 阈值过高,则容易发生漏检现象。另外,当运动目标面积较大,颜色一致时,检测到的目标不够完整,位置不够精确,并且容易产生“鬼影”,不能完整地提取运动目标。

2. 2 对称差分法

对称差分法是在两帧差分法的基础上提出的一种检测算法。将连续的三帧图像序列两两差分,然后将得到的差分图像进行“与”操作,这样就可以确定目标在中间那帧的位置从而提取到运动目标。相比两帧差分法,对称差分法能够有效减少“鬼影”现象,更精确地提取目标位置,而且极大提高了检测效率。对称差分法可表示为

式中: bidf( x,y,t - 1,t) 表示像素点( x,y) 在t - 1 和t时刻的差分图像,bidf( x,y,t,t + 1) 表示像素点( x,y) 在t和t + 1 时刻的差分图像。当bidf( x,y,t - 1,t) = 1 和bidf( x,y,t,t + 1) = 1 两个条件都满足时,sbidf( x,y,t) =1 才能成立。对称差分算法流程如图3 所示。

2. 3 熵值

1948 年,信息论的创始人香农在Bell System Technical Journal上发表了《A Mathematical Theory of Communication》一文,将熵的概念引入信息论中,并给出了计算信息熵的数学表达式[4]。如果一个系统S内存在多个事件S = { X1,X2,,Xn} ,每个事件的随机概率分布P = { p( X1) ,p( X2) ,,p( Xn) } ,则每个事件的自信息量为

整个系统的平均信息量为

这个平均信息量就是熵,它表征的是一个系统的不确定度。其中, ; 当p( Xi) = 0. 5 时熵值最大; 当p( Xi) = 0 或者p( Xi) = 1 时熵值最小。

3 改进的对称差分法

本文提出的改进对称差分算法流程如图4 所示。首先,将待检测视频序列进行图像预处理,在预处理阶段通常使用中值滤波去噪,本文采用了一种自适应加权中值滤波方法。然后,将背景减法得到的基本准确的运动目标和对称差分得到差分图像相“与”然后再相“或”。接着求出相“或”后的时空熵图像,并经过形态学处理将运动目标从图像序列中检测出来。这种结合了背景减法和时空熵图像的检测算法,不仅能很好地将对称差分的优点体现出来,同时有效避免了背景减法受环境干扰严重的缺点,算法实现起来简单,而且检测出来的目标也精确完整。

3. 1 自适应加权中值滤波

拍摄得到的视频序列受外界环境因素如光照、遮挡、影子等噪声的影响比较严重,而去噪的效果和质量又直接影响着目标图像的分割、提取、跟踪等图像后期处理。因此,对采集的图像进行抑制噪声操作是图像处理的一个关键步骤。在图像预处理阶段,本文采用了一种自适应加权中值滤波对噪声图像进行滤波处理。该滤波算法包括三个过程: 1) 对噪声图像进行噪声检测; 2) 根据滤波窗口中噪声点的个数,其大小自适应确定;3) 自适应确定滤波窗口中每组像素点的权重,然后对噪声图像进行滤波[5]。

本文采用Lena( 256 256) 以及“hall_monitor”彩色视频序列中的某一帧( 360 240) 作为测试图像在MATLAB7. 10 平台上进行仿真,将结果与传统中值滤波算法进行了比较,如图5 所示。通过仿真结果对比可以明显看出,本文采用的中值滤波算法不仅有很强的抑制噪声能力,而且能够清晰地保留图像细节,具有较好的综合性能。

3. 2 时空熵图像( STEI)

计算时空熵图像的过程为: 首先建立一个时空滑动窗,来表示某一像素点以及与它相邻像素点的时空分布情况,如图6 所示。其中,( x,y) 表示像素点( x,y) 在第K帧中的空间分布,L表示待处理的图像帧数,W表示每一帧的宽度和高度。

然后,采用滑动窗对每个像素点建立时空直方图。设像素点( x,y) 的直方图为Hx,y,q,其中q表示直方图的等级,总共分为Q个等级,则所有像素点的直方图分量为{ Hx,y,1,Hx,y,2,,Hx,y,Q} 。接着通过直方图计算得到该像素点的概率密度分布,其概率密度分布函数如下

式中: ,且N为所有待处理图像帧中像素点的总数,即N = L W W。一旦概率密度分布确定,则该像素点的时空熵值便可以求出。结合香农公式和概率密度分布函数,像素点( x,y) 的时空熵值可用如下公式表示

式中: Ex,y即为像素点( x,y) 的时空熵值,它被量化成256个灰度值,从而形成一个熵图像,也就是时空熵图像。利用图像的时空熵来检测运动目标,其合理性在于: 图像序列中,某一位置像素值的改变通常由环境噪声和运动物体两个因素引起。而噪声带来的改变幅度很小,运动物体导致的改变是主要因素。因此,用时空熵图像表征像素值的多样性,进而反映运动强度的大小,像素值改变越大,熵值越大,运动强度也就越大。

3. 3 形态学处理

求得时空熵图像之后,由于各种外界干扰,有许多小的空洞、毛刺噪声以及被误检测的一些细小部分会存在于检测出来的运动目标区域。如果不去除这些无用的噪声斑点,视频监控系统中后期处理的准确性将会受到非常严重的影响。本文使用形态学中的开启操作[6],采用一个半径为3 的圆作为结构元素,去除时空熵图像中孤立的噪声点并将小间隙、空洞等进行填充。这样一方面可以消除噪声,另一方面可以平滑图像,去除误检测的前景目标,同时填充目标区域内部的细小空洞,从而将运动目标完整地检测出来。

4 实验结果分析

本文选用标准视频测试序列“hall_monitor”( 大小360 240,共290 帧) 以及“Intelligentroom”( 大小360 240,共300帧) 来验证算法的有效性。程序运行环境为MATLAB 7. 10,处理器为Intel Core i5,主机CPU 2.50 GHz,内存2 Gbyte。“hall_monitor”视频序列中第41 帧目标检测效果比较图如图7,“Intelligentroom”视频序列中第299 帧目标检测效果比较图如图8 所示。通过对比分析,可以看出本文改进之后的对称差分算法有很好的去噪能力,比传统对称差分在目标检测的完整度上有很大的提高,有效避免了目标检测的“鬼影”现象,并且能够很好地克服光照等环境噪声的影响。

5 总结

动目标检测(MTD) 第6篇

关键词：航拍,粒子滤波,检测跟踪

无人机等飞行器的航拍在近几年得到飞速发展, 尤其在森林防火、地震调查、核辐射探测、边境巡逻、军事侦察、搭载航拍电子设备进行科研试验、禁毒反恐、消防航拍侦察等领域得到了广泛应用, 本文主要提出了一种对航拍中视频运动目标检测跟踪的方法, 实现对特定目标如行驶的汽车、移动的人或物进行检测与跟踪。

1基本原理

式 (1) 和 (2) 分别称为预测与更新方程, 是贝叶斯估计的基础。在式 (1) 与 (2) 计算的时候存在高维积分, 所以在实际情况中解出状态的最优解的形式比较困难, 得到状态解只是理论上可行。但是在实际解决问题时, 常常运用数学工具来求解式 (1) 和式 (2) 的近似值。综合比较卡尔曼滤波[2]、Unscented Kalman (无迹卡尔曼滤波) [3]和粒子滤波算法[4]发现基于粒子滤波的方法在视频检测跟踪领域得到广泛应用, 这种方法的最主要优势是对噪声以及模型的分布无限制, 在非线性模型中能比较准确的描述目标的状态。

粒子滤波就是基于贝叶斯思想, 通过带有归一化权重的粒子集合来近似的描述后验概率密度, 如要精确的描述后验概率密度, 就需对粒子采样的数量提出较高的要求, 当粒子采样数量足够精确的描述后验概率密度时, 粒子滤波的估计值就与贝叶斯估计更加相似。通过文献[4]提出了粒子滤波实现的基本方法:首先对目标进行初始化采样, 然后对采样粒子进行重要性权值计算, 如权值过小则进行重采样[5]。最后进行状态输出。

2粒子滤波在航拍中运动目标检测跟踪的应用

运动目标的模型是目标跟踪的基本要素之一, 所有跟踪算法都是以目标运动的某个模型为基础的。目标模型的建立所遵从的一般原则是模型既要便于进行数学处理又要符合实际应用情况。本文提出了一种多特征融合自适应粒子滤波算法, 采用了包括颜色特征等多种特征来描述目标的观测, 即采用运动目标的形状信息与颜色信息来描述目标的观测, 并且将两种特征信息进行了自适应融合来提高跟踪的可靠性。目标形状特征需要一个能衡量两个目标特征相似度的系数, 为此我们引用了模式识别中的Chamfer距离[6]。在文献[6]中介绍了Chamfer距离的计算[7], 公式如下:

在计算得到Chamfer距离后, 定义形状观测概率密度函数为:

上式的值越大表明当前目标与真实目标的相似度越高, 是真实目标的可能性越大。σ表示的是高斯方差, 取值为0.5。

将带有空间位置信息的颜色直方图来描述目标颜色信息, 颜色分布表示为[8]:

计算出目标候选区约与目标区域的颜色分布后采用Bhattacharyya系数ρ来衡量两者的相似度。最后定义颜色观测概率密度函数为:

上式中得到的值越大表明当前目标与真实目标的相似度越高, 其中σc表示的是高斯方差, 取值为0.2。设目标状态为Xt时, 结合目标两种特征的观测概率密度函数为:

上式中, α和β分别表示颜色和形状信息在融合后的权重, 哪一种信息可靠性大则权重就大, 为了能够自适应的调节两种特征信息的权重大小, 利用模糊逻辑实现两种特征信息之间的自适应融合。具体算法流程如图1所示。

3存在的问题

如果在更加复杂的实际环境中 (如颜色或形状相近的目标干扰、强光、多遮挡物等) 对目标有效的跟踪检测, 这就需要提出一个鲁棒性更好的算法, 如再融合目标的纹理或者轮廓等其他多种目标特征来提高目标模型的准确性;如何将单一目标跟踪扩展到多目标的同时跟踪是需要进一步研究的主要问题, 具有重要的实际意义 (比如在公共场所对多个人或物进行视频跟踪) 。重点需要解决多目标跟踪中计算量大、干扰多等实际问题, 这方面需要进行更多的研究探讨。

4结论

本文提出了一种将运动目标颜色与形状信息基于模糊逻辑的自适应融合的方法建模, 并将模型结合到粒子滤波算法中对运动目标进行检测跟踪。这种方法对航拍中运动目标检测跟踪有一定参考意义, 同时也指出了方法的局限性以及今后的改进措施。

参考文献

[1]A.Doucet, S.Godsill, C.Andrieu.On Sequential Monte Carlo Sampling Methods for Bayesian Filtering[J].Statistics and Computing.2000, 10:197~208.

超宽带雷达在动目标检测中的应用 第7篇

超宽带雷达具有用途广、抗干扰能力强等优点。随着超宽带技术的发展,超宽带雷达成像技术在军事跟踪、医疗、目标探测,特别是在反恐作战、地震等自然灾害后的人员搜救等方面有着巨大的发展潜力[1,2]。作为超宽带成像雷达的前期研究,本文主要探讨超宽带雷达在动目标检测技术中的应用。超宽带信号在检测近距离运动目标时,周围的各种障碍物会产生很强的杂波,如何把运动目标的回波和固定障碍物的回波分开,从固定杂波中提取回波的信息是实现运动检测的关键。

2 超宽带雷达的多普勒效应

超宽带雷达是一种无载波雷达。发射信号窄,频谱宽,目标一般等效为体目标,有多个散射中心,接收信号是发射信号与目标冲激响应卷积的结果,窄带信号的复数模型已不再适用,而采用实数模型,现假设发射信号为st(t),则接收信号为

式中:h(t)为目标的冲激响应;为*卷积符号。

现假设目标相对雷达匀速运动,且在运动过程中,各散射中心的相对位置及各散射中心之间的相互作用都没有变化,这时目标的回波为

式中:v为目标速度;R0为目标与雷达的距离;c为光速。令,则上式可写为

显然当目标向雷达运动时,a>1,目标背向雷达运动时,a<1。

由式(3)可以看出,当目标运动时,目标的回波发生了很大的变化。a>1,波形被压缩,频带变宽;a<1时波形被展宽,频带变窄。

3 动目标检测方法

由以上分析可知,运动目标的多普勒响应表现为接收回波波形的变化,从而导致目标所在的距离通道分布及其每个距离通道的输出波形的变化,而对固定的目标而言,同一个距离通道内输出信号波形是不变的,通过检测目标回波的这些变化,就可从固定强杂波中检测出目标信号[3]。

假设sr(t)表示雷达接收信号,则

式中:nc(t)表示雷达接收的杂波。

当发射随机脉位的信号时,接收回波为

式中:ti为同分布独立的随机变量。

在等效时间采样接收机中,取样脉冲串为

所以对接收回波的采样输出信号为

显然,当v=0时,对于给定的延时量τ,取样输出的信号和杂波都为等幅的脉冲串,如图1所示,在输出端无法把信号和杂波分开。

当v≠0时,杂波的取样输出仍为等幅的脉冲串,而信号的取样点则随时间线性变化,输出信号的包络受到了速度的调制,如图2所示。

当取样满足取样定理时,即可恢复信号由于目标的回波信号s(t)是一个振荡信号,信号长度短,频谱宽,而等效时间采样输出信号的包络由于,被展宽,频谱被压缩。因而对取样输出信号,通过低通滤波、放大、以及带通滤波(滤掉杂波分量),即可得到受速度调制的信号,它是一个交流信号,采用取样积分的检测方法即可实现动目标检测。

4 实验与结论

根据以上理论,设计了动目标检测实验系统,主要用于检测固定距离范围内有没有运动目标。实验结果如图3所示,图3a是固定距离内无人走动时示波器输出波形,图3b是固定距离内有人走动时示波器输出波形。由此表明,该系统可在固定距离内成功地检测到运动目标。本研究可为后续的超宽带雷达成像提供研究基础。

参考文献

[1]阿斯塔宁ЛЮ,考斯泰列夫AA.超宽带雷达测量基础[M].杨逢春,王积勒,译.长沙:国防科技大学出版社,2000.

[2]DANIELS D J.Surface-Penetrating Radar[M].London:Inst.Elect.Eng.,1996.