修回日期：2010－09－06
第28卷第9期
计算机仿真
2011年9月
文章编号：1006－9348（2011）09－0046－04
图像相关匹配算法研究与红外目标跟踪应用
宿燕鸣，齐
敏，李大健，严
欣
（西北工业大学，陕西西安710129）
摘要：研究红外目标跟踪问题，针对目标的准确定位，图像相关匹配技术是目标跟踪中最基本的方法。当前红外成像导引头要求实时跟踪，但是在目标跟踪的末端，匹配点漂移和滑动将直接影响目标跟踪的精度。为提高定位精度和实时性，提出了一种新的实时跟踪算法。算法从红外图像中获取特征点，以特征点为中心选取参考模板，利用边缘检测算法获得边缘点集，使用自适应阈值的SSDA 算法进行边缘点集的匹配，实现实时目标跟踪仿真。实验结果表明，算法很好地解决了红外目标跟踪精度问题，并满足实时性和跟踪稳定性要求。关键词：相关匹配；目标跟踪；边缘检测中图分类号：TP317．4
文献标识码：B
Image Correlation Matching Algorithms and Infrared Target Tracking
SU Yan －ming ，QI Min ，LI Da －jian ，YAN Xin
（College of Electronic Information ，Northwestern Polytechnical University ，Xi＇a n710129，China ）
ABSTRACT ：The image correlation matching has become a basic method of tracking ，and real －time target tracking is the the key technology of imaging infrared seeker．In the end of tracking ，the drifting and slideing in match points can directly affect the tracking accuracy．In this paper ，a new real －time tracking algorithm is proposed based on im-age correlation matching algorithms and SUSAN edge detection algorithm．The algorithm gets the feature points from infrared images ，and takes feature points as the center of the reference template ，and then gets the edge points set by edge detection algorithm．Finally ，it uses adaptive threshold SSDA algorithm to match edge points set．Experimental results show that the algorithm solves the problems well in target tracking such as point sliding and drifting ，and it al-so meets real time requirements and has a certain degree of stability．KEYWORDS ：Correlation matching ；Target tracking ；Edge detection
1引言
红外目标跟踪可以依照3种图像信息进行处理，即灰度
分布特征、运动特征和形状特征，实现红外目标的准确定位。现行采用的相关法匹配算法就是单纯采用灰度特征进行的，在红外成像制导中，特别是末制导阶段，目标占据了视场大部分面积，这样从背景中分辨出目标的就存在难度，一般用模板匹配
［1］
可解决这个问题。然而这种基于灰度相关法的
模板匹配跟踪算法在寻找图像最优匹配点的过程中容易导致跟踪点滑动和漂移，引起跟踪目标的丢失。本文针对相关模板匹配算法存在的问题，
深入研究引起末端跟踪点滑动和锁定框漂移的原因，
结合红外图像特点，提出了基于图像角点特征的SSDA 算法。经过理论分析和仿真验证，该算法跟踪性能稳定，鲁棒性好，抗滑动和漂移效果明显，满足实时性。
2相关目标匹配
相关匹配算法图像相似性度量，将实时图像与预先存储
的目标模板图像作对比，根据相似性度量公式逐像素计算实时图像和模板图像间的相似程度，相关函数取得最大值的位置就是目标。最常用的相似性测度有平均绝对差分法（MAD ），平Hausdorff 距离（HD ），最大近邻距离（MCD ）等，最常用的匹配算法有多子区灰度相关算法，序贯相似性检测算法（SSDA ）等。实际中应用较广的是采用MAD 匹配准则的SSDA 算法。
MAD 算法具有较高的匹配精度和较少的计算量。通过计算两幅图像相对应的像素灰度差的绝对值来度量两幅图像之间的相似性，具有极小值的性质。平均绝对差越大，表明这两幅图像差异越大，越不相似；反之，越相似。平均绝对差分法的匹配时间决定于三个因素：匹配范围大小、模板图像阵列大小、
相应像素间灰度差的计算时间。若模板图像大小为M ˑM ，待搜索图像大小为N ˑN ，则匹配范围大小为（N －M +1）2，若两对应像素间灰度差的计算时间为t ，则匹
T=（N－M+1）2ˑ（MˑM）ˑt（1）可见，实际应用中，模板图像越大，待搜索图像区域越大，则匹配时间越长，不具有实时性。
SSDA算法采用MAD匹配准则，其精度与抗干扰的能力与MAD准则是相同的，SSDA算法设置了一个阈值，每次求平均绝对差分时，不需要求区域中所有点的误差和，而是计算部分点的误差和。在计算的过程中，求和的每一步判断其是否超过规定的阈值，当超过该阈值就停止比较，并把求和累加次数作为一个函数记录下来，在图像的不相似区域函数值比较小，即在图像的不相似区域只有很小的计算量。因此它和MAD算法相比，计算量大大减少，更具有实时性，SSDA 算法分为三类：固定阈值算法，单调递增阈值序列算法，自适应阈值序列算法。阈值的选择对于SSDA算法是难点，因为SSDA算法具有较高的非线性，阈值选的好，处理速度就快，跟踪就准确。如果阈值选的过大，处理速度提高的不明显；阈值选的过小，跟踪精度不高。因此，实际应用中，常采用自适应阈值序列的SSDA算法［2］。该算法的阈值是不断更新的，若某点检测完毕后，得到的累加误差和小于上一点的累加误差和，则用该点的累加误差和取代原来的阈值，按照该方法继续进行下去，可很快找到匹配点。
相关匹配算法有着以下优点［3］：
1）操作简单，可直接利用像素灰度特征进行相关运算，从而保留了图像的全部信息；
2）能适应复杂结构的目标和背景；有较强的抗局部干扰能力，而且对目标的局部变化不敏感等。
同时相关匹配算法也存在一定的缺点：
1）存在跟踪积累误差，可能导致因参考窗口的漂移而丢失目标；
2）目标大小和旋转的变化，目标运动轨迹的不确定性、目标被类似目标的干扰、目标被其它物体的遮挡等因素都会严重影响相关跟踪的稳定性。
通过对相关匹配算法的研究，得出目标匹配点漂移的原因如下：在导弹末制导阶段［4］，随着目标与背景比例逐渐增大，甚至大于背景视场时，该算法的计算量随着实时图像源与参考模板的尺寸变化成几何级数增大，大大制约了其实时性和模板精度，从而引发了目标匹配点滑动、目标锁定漂移等跟踪精度问题，往往在导弹末制导阶段丢失目标。另外，由于弹目相对运动速度快，法向运动分量很大，在导引头处理每一帧图像的时间间隔内，目标可能产生机动较大，在处理下一帧图像时，目标位置和形状可能已经发生较大变化，此时上一帧图像的模板还没有更新，则模板选取的滞后性使得相关匹配法不能正确匹配，产生漂移。同样，导弹在飞行过程中，弹体会产生振动和旋转，模板匹配算法不能及时更新模板，从而导致匹配漂移。通过仿真分析，本文提出了一种基于角点特征的SSDA算法，可有效解决以上问题。3SSDA算法关键技术
基于角点特征SSDA匹配算法，结合了图像处理技术中的SUSAN边缘检测算法和SSDA算法技术，首先运用SUSAN 边缘检测算法选择最优模板，然后运用SSDA匹配算法进行精确跟踪。本文主要是针对红外成像导引头末端跟踪提出的抑制目标锁定框漂移的跟踪算法。
3．1SUSAN算法的边缘检测
最小核值相似区算法（Smallest Univalue Segment Assimilating Nucleus，SUSAN）［5］是1997年英国牛津大学的S．M．smith和J．M．Brady提出的一种用于低层次图像处理的算法［6］。
为了各向同性的效果，该算法用一个圆形模板遍历图像，若模板内其他任意像素的灰度值与模板中心像素的灰度值的差小于一定阈值，就认为该点与核具有相同（或相近）的灰度值，满足这样条件的像素组成的区域称为核值相似区（Univalue Segment Assimilating Nucleus，USAN）［6］。具体检测时，是用圆形模板扫描整个图像，比较模板内每一像素与中心像素的灰度值，并给定阈值来判别该像素是否属于USAN 区域，如下式：
c（珒r，珒r
）=
1I（珒r）－I（珒r
）!t
0I（珒r）－I（珒r
）
{＞t（2）
式中，c（珒r，珒r0）为模板内属于USAN区域的像素的判别函数，I（珒r0）是模板中心像素的灰度值，I（珒r）为模板内其他任意像素的灰度值，t是灰度差门限。它影响检测到角点的个数。t减小，获得图像中更多精细的变化，从而给出相对较多的检测数量。图像中某一点的USAN区域大小可由下式表示：
n（珒r
）=∑
珒r≠珒r0
c（珒r，珒r
）（3）
得到每个像素对应的USAN
区域大小后，利用下式产生初始角点响应：
R（珒r
）=
g－n（珒r
）n（珒r
）＜g
{
其它
（4）其中，g为几何门限，影响检测到的角点形状，g越小，检测到的角点越尖锐。
3．1．1最优角点的选取
在进行相关匹配之前，需要具备最优角点和最优的初始模板。最优特征点通过SUSAN算法获取，本论文中用以下准则来选择最优角点。
首先计算q1，q2，q3：
q
1
=R（珒r
）/g（5）
q
2
=
1
2
（q
21
+q
22
）（6）
其中，q 21=
2x
width
0!x!
width
2 2－
2x
width
x＞
width {
2
q 22=
2x
height
0!y!
height
2 2－
2x
height
y＞
height {
2
假设图像窗为5ˑ5大小，
q 3=
∑2
i=－2
∑2
j=－2
f（x+i，y+j
[]）
25
255
（7）
x，y为角点坐标，f（·）为像素值。q最终通过以下公式计算：
q=0．6ˑq
1+0．2ˑq
2
+0．2ˑq
3
（8）
在所有的角点中，当q取值最大时即为最优角点。3．1．2最优模板的选取
用于匹配的模板图像可以从先前帧的图像中获取，为了防止跟踪点的滑动，必须选最优角点作为初始模板的中心。如果选取的模板不合适，目标跟踪点会很容易带来滑动。
在匹配过程中，如果目标发生旋转，模板图像也应同时旋转，如果模板图像太大，匹配错误的可能性就会变大。这样就需要确保水平距离与垂直距离随旋转角度变化小于1个像素。
表1旋转角度与模板大小关系图
旋转角度θ/ʎ1357
模板大小/pixel5719116
由于基于特征点的匹配相对于一般的灰度相关匹配算法具有抗旋转的能力，在这里可以初步选取大小为16ˑ16的模板。
模板越大，可获取的关于目标的信息会更详细，同时提高了计算的复杂度，这将会降低跟踪的速度，这在实时跟踪中是非常不利的，相反，如果模板太小，匹配的精度会降低，匹配点会很容易发生滑动。下面是针对不同大小模板的仿真结果。
标注：三图中，蓝线代表目标中心点，红线代表跟踪目标中心点
运用CPU1．6GHZ，内存为512M电脑对个模板测试，图1，显示了8ˑ8模板图仿真结果图，实验发现在50帧图像时，跟踪点发生明显的漂移，第70帧图像时，跟踪点脱离目标，图2和图3分别16ˑ16模板图和32ˑ32模板图，模板可以稳定的跟踪目标，通过比较发现，图2跟踪效果最好。在匹配时间上，8ˑ8模板图平均时间为0．5ms，其余两个模板分别为5ms和48ms，综合考虑，选择16ˑ16大小的模板图。3．2SUSAN算子在基于角点特征的SSDA
算法中的应用
图18ˑ8
模板图
图216ˑ16
模板图
图332ˑ32模板图
SSDA算法设置阈值，使计算量大大减少，具备实时性的要求，同时，它是基于灰度的匹配算法，具有在灰度和几何畸变不大的情况下匹配精度较高的特点。但实际图像总会存在着一定的灰度或其它畸变，这使得SSDA算法用于跟踪时很难满足跟踪系统对稳定性的要求于是提出了基于图像特征的匹配算法［7］。本文通过对自适应阈值SSDA算法和SU-SAN边缘检测算子的分析，对基于图缘特征的自适应阈值SSDA算法作了改进，让SUSAN边缘检测算子提取红外图像边缘。
该算法的实现步骤：
1）用SASAN算子检测
SASAN算子在检测模板图像目标边缘时，避免了梯度计算，对局部噪声不敏感，抗噪能力强，可以通过调整g的大小，控制角点的尖锐程度，g越小，就可检测到红外图像的弱边缘，保留图像更多特征。
2）建立位置矢量建立一个二维矢量数组edge（2，n），n为边缘检测点的个数。数组元素中存放目标边缘点i和j的坐标值。
建立模板边缘一维灰度数组tem（n），数组元素中存放的是模板图像与edge（2，n）对应点的灰度值。
建立模板下覆盖子图边缘一维灰度数组sub（n），数组元素中存放的是待搜索区域子图与edge（2，n）对应点的灰度值。
建立数组后，模板与子图的相关运算就转换为一维灰度数组tem（n）和sub（n）对应元素之间的相关运算。
3）用自适应阈值SSDA算法对模板与子图的像素进行相关计算。
另外，还要说明一点，在跟踪过程中，模板是需要更新的，如果目标与的相对位置变化，则目标的形状也会发生相应变化，此时如果模板更新太快或太慢，将会导致目标丢失，本文中，运用下面的公式来判断是否进行模板的更新。
C
i =
y
－
1
M
∑M
i=1
y
i
y
（9）
y
表示当前帧相关系数，y i表示前M帧的相关系数，在本文中，定义M=5，如果C i大于阈值T，则更新模板，否则用先前的模板。
4实验结果
实验结果如图4所示，显示了运动目标的实际位置轨迹曲线（黑线）和该算法实现的跟踪点位置（红线），发现图像跟踪位置与真实目标位置非常接近，相对目标实际位置基本上是不变的，或者变化量很小，这说明跟踪算法的抗漂移能力很强。在快速性上，在1Gbyte处理器，256Mbyte内存情况下，实验表明每帧耗时平均约4．43875ms。如果采用专用DSP、并行处理，实时性会更高。表明基于角点的SSDA算法对于存在强度变化，几何畸变，噪声的红外跟踪是非常有效的。
5结论
红外图像目标与背景对比度，边缘模糊
，往往存在强度变化，几何畸变和噪声等对于跟踪非常不利的信息，相对于其它匹配跟踪算法，本文中提出的方法能稳定锁定目标，抑制相关匹配法带来的匹配点漂移，这说明该方法对红外图像目标跟踪是非常有效的。
图4目标实际位置与本论文方法实现的跟踪位置
参考文献：
［1］D B Reid．An Algorithm for Tracking Multiple Targets．IEEE Transactions on Automatic Control AC－24．December1979．843
854．
［2］周鹏，谭勇，徐守时．基于角点检测图像配准的一种新算法［J］．中国科学技术大学学报，2002，32（4）．455－461．
［3］沈小芳．相关跟踪算法研究［D］．西安电子科技大学，2009．［4］张凯，刘占文，林奕，阎杰．红外成像导引系统跟踪算法研究［J］．飞行器测控学报，2008，27（1）：57－60．
［5］S M Smith，J M Brady．SUSAN－A New Approach to Low Level Image Processing［R］．Journal of Computer Vision．1997．45－
78．
［6］S M Smith．Edge Thinning Used in the SUSAN Edge Detector ［R］．Internal Technical Reports TR95SMS5，Defense Research
Agency，1995．
［7］丁明跃，彭嘉雄．图像匹配理论综述［D］．华中理工大学，1995．
［作者简介］
宿燕鸣（1986．8－），女（汉族），山东省潍坊市人，
硕士研究生，主要研究领域为图像处理；
齐敏（1968－），女（汉族），陕西省西安市人，副
教授，硕士研究生导师，主要研究领域为医学可视
化，图像处理，虚拟现实等；
李大健（1966－），男（汉族），河南省漯河市人，副教授，主要研究领域为图像处理，自动控制等；
严欣（1952－），男（汉族），陕西省咸阳市人，教授，硕士研究生导师，主要研究领域为医学可视化，图像处理等。下载本文
