改进的特征匹配雷达视频运动目标跟踪算法

于晓涵，孙艳丽，柳　超

（海军航空工程学院a.研究生管理大队；b.基础实验部，山东烟台264001）

改进的特征匹配雷达视频运动目标跟踪算法

于晓涵a，孙艳丽b，柳超a

（海军航空工程学院a.研究生管理大队；b.基础实验部，山东烟台264001）

针对密集杂波和复杂多目标情况下，特征匹配跟踪算法定位跟踪精度较低的问题，提出一种改进的特征匹配雷达视频运动目标跟踪算法。首先，从单帧雷达图像检测结果中提取目标的面积、位置、不变矩信息，在运动目标得到判定后，利用卡尔曼滤波的预测位置以及上一帧特征信息进行目标匹配；然后，根据匹配位置和预测位置给出目标估计位置，并进行特征信息更新；最后，输出目标的特征信息、位置信息和运动参数。利用某型导航雷达上采集的实测数据验证了算法的有效性。

雷达视频；特征提取；特征匹配；Kalmam滤波；运动目标跟踪

雷达视频图像中的目标跟踪，主要是在完成运动目标检测的基础上，解决从下一帧雷达图像中找到该目标准确位置的问题。通过对多帧状态信息的连续处理，估计出目标的即时航向和航速，并对目标的运动状态进行预测，最终形成完整航迹。视频图像跟踪常采用图像匹配的思路[1-3]，常用的图像匹配跟踪方法有基于模型的跟踪、基于轮廓的跟踪、基于区域的跟踪和基于特征的跟踪[4]，其中，基于特征的跟踪方法具有很多优点，即使在目标存在部分遮挡的情况下，亦能够根据目标的某些显著特征完成匹配跟踪。本文首先采用基于特征的匹配跟踪方法进行雷达视频图像运动目标跟踪；随后，针对其存在的问题，提出一种改进的特征匹配目标跟踪方法，以提高跟踪性能。

1　特征匹配跟踪算法

特征匹配跟踪方法是在提取目标特征后，对各个特征值作相关度计算，然后将相关系数峰值对应的位置作为目标匹配位置。该方法主要包括目标特征提取、跟踪搜索区间确定和特征匹配3个过程。

1.1目标特征提取

原始雷达图像经阈值分割、形态学处理后可得到单帧检测结果。图1给出了某帧典型雷达图像的单帧检测结果，从左至右依次为原始雷达图像切片、阈值分割结果、形态学处理结果。雷达图像的单帧检测结果中包含了目标的位置、形状、结构等重要的特征信息，是运动目标跟踪的重要依据。下面提取目标的面积、位置、不变矩等特征作为特征匹配的基础。

图1　典型雷达图像单帧检测结果Fig.1 Single frame detection results of typical radar image

1.1.1目标面积

雷达图像经阈值分割后为二值图像，其中1代表目标，0代表背景，目标面积即为目标区域的像素点个数。计算公式为

由于海面起伏等因素的影响，同一目标的面积在不同帧雷达图像间会存在一定波动，但这种波动是有限的，并不会对跟踪结果产生十分严重的影响。

1.1.2目标位置

在雷达图像中，目标所在的位置可以用形心或者质心加以描述。质心即目标质量的中心，形心即目标形状的中心。设图像的大小为m×n，灰度值为，则其质心和形心可分别定义为：

对于二值化后的雷达图像，由于 f() x,y=1，目标质心将等同于形心。根据式（3），可计算出目标位置。

1.1.3不变矩

不变矩的概念是1962年Hu提出的，是一种比较典型的特征提取方法，在目标识别和图像匹配方面发挥着重要作用[5]。对于大小为m×n，灰度值为 f() x,y的图像，其()

p+q阶矩可以定义为

则归一化中心距为：

7个不变矩的具体定义[6]如下：

不变矩的平移、旋转和比例不变性，使其可以作为理想匹配特征之一[7]。

1.2跟踪搜索区间确定

在进行匹配前，须要确定目标的跟踪搜索区间，即对目标在一个雷达扫描周期内的运动范围给出一个粗略的估计，从而提高匹配跟踪的效率和精度。雷达视频图像的帧频和天线转速等因素有关，通常导航雷达的扫描周期为2～3 s，而舰船目标的运动速度相对较慢，航速20 kn的舰船在一个扫描周期内的移动距离约为20～30 m，这个距离范围与目标尺寸相近，而且一般不会超过一个距离-方位单元[8]。因此，采用与目标尺寸同级的较小跟踪搜索区间就可以锁定目标。

图2　跟踪搜索区间示意图Fig.2 Diagram of tracking search range

1.3特征匹配

雷达面临的目标环境较为复杂，导致特征匹配时存在模糊的边界，难以用传统的统计数学方法对其进行准确描述。本节采用基于模糊集[9-10]的方法定义目标特征隶属度作为特征匹配的相关系数。

首先，给出了匹配目标的特征矢量，由目标面积和7个不变矩组成，即。若只用当前帧检测结果中提取的目标特征作为模型，具有很大的局限性和不稳定性。因此，用10帧图像作为训练样本建立模型库；然后，分别用特征均值和特征方差对目标进行表示，即每个目标都对应一个均值矢量和方差矢量：

由于特征值的波动是由噪声等因素造成的，因而可认为其服从高斯分布。依据高斯分布的性质，目标特征值距离均值3倍方差之外的可能性接近于0，即若待匹配目标是所需目标，则该目标的所有特征值都应位于模型库目标特征均值的3倍方差之内，而其他目标的特征值应在均值3倍方差范围之外的地方。因此，第j个特征值对于目标i的隶属度为：

式（9）中，隶属度满足0＜dij＜1。

对于第j个特征，用下式计算其分类能力：

则该特征的权重为：

因此，将待匹配目标对于目标i的隶属度[11]定义为：

在特征匹配时，取跟踪搜索区间中隶属度最大的疑似目标与目标i进行匹配。

2　改进的特征匹配跟踪算法

受目标RCS起伏的影响，雷达视频图像中有些目标会时隐时现，淹没在杂波中，此时如果只采用图像处理的方法进行匹配跟踪，就会导致错误匹配或目标链断裂。另外，在用特征匹配的方法进行目标跟踪时，由于目标大小、形状存在帧间变化，提取的特征未必在所有时刻都能取得十分理想的匹配效果。因此，我们必须考虑通过某种方式来对特征匹配跟踪算法进行改进。

卡尔曼滤波已被证明是一种非常实用的线性滤波方法，它能够根据目标位置的测量值获取目标位置的最佳估计值，以减小测量误差对跟踪带来的不利影响，平滑目标航迹[12]，对于运动目标某一帧突然消失在海杂波中的情况，运用该滤波方法并结合关联方法也可以实现对目标的持续跟踪[13]。本节利用卡尔曼滤波的上述优点对特征匹配跟踪算法进行改进，以取得更好的跟踪效果。

2.1卡尔曼滤波算法

Kalman滤波算法是一个利用量测方程和预测方程对系统状态进行估计的过程[14-15]。由于雷达扫描周期较短，可以将海面目标的运动近似为匀速直线运动，此时，目标的状态方程可以表示为

式（13）中：

V(k)为过程噪声，通常假定其为高斯白噪声，它的协方差矩阵是Q(k)。

目标的量测方程可以表示为

式（16）中：

状态的预测为

量测的预测为

协方差预测为

新息为

新息协方差为

增益为

状态更新为

协方差更新为

2.2基于Kalman滤波的改进特征匹配算法

基于Kalman滤波的改进特征匹配跟踪算法主要包括目标特征提取、目标位置预测、跟踪搜索区间调整、特征匹配、目标位置估计、特征信息更新等过程。1.1节已经介绍了特征提取的相关内容，这里不再赘述。

1）目标位置预测。在完成运动目标检测后，目标准备转入跟踪状态，以当前帧目标位置为中心，采用1.2节方法建立跟踪搜索区间，在区间内用特征匹配方法进行匹配。连续匹配三帧后，根据目标前后位置变化和雷达扫描周期对目标速度给出一个初步的估计，然后用式（19）对目标下一时刻位置进行预测。

2）跟踪搜索区间调整。得到目标下一时刻预测位置后，将跟踪搜索区间中心更换为目标的预测位置。在区间建立时就可以忽略目标运动对于跟踪搜索范围的影响，仅结合目标大小和预测均方差就能够较为准确地限定目标下一时刻所在位置。此时，区间长度由k1l+k2VST调整为k1l+k2ˆ（ˆ为位置预测均方差估计）。与特征匹配跟踪算法中的搜索区间相比，调整后区间减小了范围、使目标定位更加精确，将有效降低错误匹配概率，提高跟踪性能，这也是引入卡尔曼滤波算法对特征匹配方法进行改进的另一个优势。

3）特征匹配。此时的特征匹配是以预测目标位置为中心，在调整后的跟踪搜索区间内，采用式（12）定义的特征隶属度，取搜索区间中隶属度最大的疑似目标与已知目标进行匹配。

4）目标位置估计。将特征匹配结果作为目标量测，通过式（20）、（21）进行量测预测、协方差预测，并利用式（22）～（24）计算新息、新息协方差和增益，采用式（25）进行状态更新，得到目标的估计位置。

5）特征信息更新。目标匹配后，为保证跟踪处理的可靠性，需对目标特征模型库进行更新，即重新计算均值矢量和方差矢量。设k-1时刻目标i的均值矢量和方差矢量分别为和，k时刻匹配目标的特征矢量为，首先用式（27）对均值矢量进行更新：

进而得出更新后的方差矢量为：

式中，w1、w2为权系数。

考虑到原有模型库是基于较多样本建立的，新的特征矢量对其不会产生较大影响，w1、w2一般取值较小，本文取w1=0.2、w2=0.2。根据更新后的均值矢量和方差矢量，计算各个特征对于目标i的隶属度dij和分类能力ωj，得到更新的特征隶属度Di作为k+1时刻的特征匹配规则。

2.3算法流程

经过前面的分析，给出完整的改进特征匹配跟踪算法流程如图3所示。输入的雷达图像经过预处理，阈值分割和形态学处理后，从单帧检测结果中提取目标的有效特征信息，并对连续多帧检测结果进行积累。结合目标单帧特征和多帧积累结果获取目标的多帧联合特征，将其输入运动目标判定模块进行判定，如果不满足运动目标条件，则继续积累，继续判断；如果目标被确认为运动目标，则转入跟踪状态。以Kalman滤波预测目标位置为中心，调整跟踪搜索区间，利用上一帧的目标特征信息，与区间内疑似目标建立特征隶属度，进行特征匹配。然后，根据匹配位置和预测位置给出目标估计位置，并对特征信息进行更新，输出目标的特征信息、位置信息和运动参数。

图3　改进特征匹配算法跟踪流程Fig.3 Flowchart of improved feature matchin tracking algorithm

3　实验结果与分析

选取某岸基对海导航雷达上采集的部分数据，对2种匹配方法的跟踪效果进行比较分析。图4给出了该数据第17帧图像的检测结果。

图4　第17帧检测结果Fig.4 Detection results of the 17th frame

图4 a）为原始雷达图像，图像中有残留的地物杂波、较强的海杂波及一片雷达盲区，同时，海面目标较为密集，环境复杂，将会对跟踪产生不利影响。图4 b）中检测出了第1个运动目标（图中目标1），此时正准备转入跟踪状态。

从第18帧开始，目标1转入跟踪状态，观测范围内的其他可疑目标则继续进行运动目标判定。给出采用特征匹配跟踪算法得到的几个典型帧跟踪结果，如图5所示。

图5　特征匹配算法跟踪结果Fig.5 Tracking results of feature matching algorithm

分析图5的跟踪结果可以看出：

1）在第30帧图像中检测出了第2个运动目标（图5 a）中目标2），此时目标1处于跟踪保持状态，第48帧图像中检测出了第3个运动目标（图5 b）中目标3），此时目标1和目标2处于跟踪保持状态；

2）第59帧，目标1、2、3均处于跟踪保持状态，其中目标3的航迹十分不稳定；

3）第68帧，目标1因进入雷达盲区而消失，航迹终止，目标2和目标3仍处于跟踪保持状态；

4）第95帧，目标1仍未出现，航迹与第68帧状态一致，目标2也进入雷达盲区，航迹终止，目标3处于跟踪保持状态；

5）第100帧，目标1移出雷达盲区，出现在观测范围内，但无法与之前的航迹进行匹配，需要重新进行运动目标的判定。目标2仍未出现，目标3处于跟踪保持状态。

为比较说明，图6给出了采用改进特征匹配跟踪算法进行跟踪得到的典型帧跟踪结果，图中轨迹1、轨迹2、轨迹3分别表示目标1、2、3第17帧到第100帧的跟踪轨迹。作为对比，图6也给出了相同区域和时间内3个目标的AIS记录轨迹（轨迹4）。

图6　改进特征匹配算法跟踪结果Fig.6 Tracking results of improved feature matching algorithm

为了进一步分析比较2种匹配方法的跟踪定位精度，定义跟踪轨迹与AIS记录轨迹的误差：

图7给出了2种跟踪方法的误差曲线，图中横坐标为帧数，第1帧对应实验数据的第17帧，纵坐标为误差。

图7　误差曲线Fig.7 Error curve

对比分析图5～7可以看出，改进算法跟踪定位精度的提高既体现在与原算法的比较优势上，也体现在实测数据的实际处理效果上。首先，分析改进前后算法的误差曲线可以得出，改进前目标1、2、3的跟踪轨迹均与AIS记录的目标真实轨迹存在较大误差，而改进后3个目标的跟踪轨迹误差大幅减小，均在1.5以下。其次，对比图5、6可以看出，改进算法得到的跟踪轨迹明显更加平滑，与目标真实轨迹吻合度较好。因此，通过改进，特征匹配算法的跟踪性能得到了有效提升。

4　结论

本文引入Kalman滤波算法对特征匹配跟踪算法进行改进。在运动目标得到判定后，利用卡尔曼滤波的预测位置以及上一帧特征信息进行目标匹配，根据匹配位置和预测位置给出目标估计位置，并进行特征信息更新，输出目标的特征信息、位置信息和运动参数。实测数据处理结果表明，通过改进，算法的跟踪性能得到了有效提升。后续将考虑结合更多的目标信息进行匹配，以进一步提升该算法的跟踪性能。同时，把该算法与检测算法结合起来考虑，并逐步应用于实际的雷达系统，也是下一步要努力的方向。

[1]邵文坤，黄爱民，韦庆.目标跟踪方法综述[J].影像技术，2006，4（1）：17-20. SHAO WENKUN，HUANG AIMIN，WEI QING.Research on object tracking[J].Image Technology，2006，4（1）：17-20.（in Chinese）

[2]杨杰，张翔.视频目标检测和跟踪及其应用[M].上海：上海交通大学出版社，2012：1-10. YANG JIE，ZHANG XIANG.Video target detection and tracking and its application[M].Shanghai：Shanghai Jiaotong University Press，2012：1-10.（in Chinese）

[3]柯天兵，李永倩.电力系统视频监控中目标检测与跟踪算法研究[J].电力科学与工程，2014，30（1）：42-46. KE TIANBING，LI YONGQIAN.Research of object detection and tracking algorithm on the video surveillance in electric power system[J].Electric Power Science and Engineering，2014，30（1）：42-46.（in Chinese）

[4]张晓伟.视频中运动目标的检测与跟踪算法研究及应用[D].济南：山东师范大学，2013. ZHANG XIAOWEI.Research on moving target detection and tracking algorithm in video and their application[D]. Jinan：Shandong Normal University，2013.（in Chinese）

[5]柳林霞，陈杰，窦丽华.不变矩理论及其在目标识别中的应用[J].火力与指挥控制，2003，28（2）：13-15. LIU LINXIA，CHEN JIE，DOU LIHUA.Invariant Moments and their application to target recognition[J].Fire Control&Command Control，2003，28（2）：13-15.（in Chinese）

[6]王海霞.基于不变矩的目标识别算法研究[D].长春：中国科学院长春光学精密机械与物理研究所，2004. WANG HAIXIA.Research on target recognition algorithm based on invariant moments[D].Changchun：The Chinese Academy of Science Changchun Optical Precision Instruments and the Institute of Physics，2004.（in Chinese）

[7]付立思，刘朋维，李丹丹.一种改进的不变矩特征与物体识别[J].计算机工程与应用，2012，48（31）：183-185. FU LISI，LIU PENGWEI，LI DANDAN.Improved moment invariant characteristics and object recongnition[J]. Computer Engineering and Applications，2012，48（31）：183-185.（in Chinese）

[8]周伟，何东亮，关键，等.基于视觉显著性的雷达视频舰船检测[J].雷达科学与技术，2012，10（1）：54-58. ZHOU WEI，HE DONGLIANG，GUAN JIAN，at al.Ship detection in radar video based on visual saliency[J].Radar Science and Technology，2012，10（1）：54-58.（in Chinese）

[9]杜干，张守宏.基于多重分形的雷达目标的模糊检测[J].自动化学报，2001，27（2）：174-179. DU GAN，ZHANG SHOUHONG.Fuzzy detection of radar ship targets based on multifractal analysis[J].Acta Au-tomatica Sinica，2001，27（2）：174-179.（in Chinese）

[10]FU YUSHENG，XIE YAN，PI YIMING，et al.A new unsupervised classification algorithm for polarimetric SAR images based on fuzzy set theory[J].Journal of Electronics（China），2011，23（4）：598-601.

[11]李订芳，胡文超，何炎祥.基于共享最近邻聚类和模糊集理论的分类器[J].控制与决策，2006，21（10）：1103-1108. LI DINGFANG，HU WENCHAO，HE YANXIANG.Classifier based on shared nearest neighbor clustering and fuzzy set theory[J].Control and Decision，2006，21（10）：1103-1108.（in Chinese）

[12]刘静，姜恒，石晓原.卡尔曼滤波在目标跟踪中的研究与应[J].信息技术，2011（10）：174-177. LIU JING，JIANG HENG，SHI XIAOYUAN.Study on application of Kalman filtering for target tracking[J].Information Technology，2011（10）：174-177.（in Chinese）

[13]BAR SHALOM Y，WILLETT P K，TIAN X.Tracking and data fusion[J].A Handbook of Algorithms，2011，68（1）：782-789.

[14]LUO R C，CHANG C C.Multisensor Fusion and Integration Aspects of Mechatronics[J].Industrial Electronics Magazine，2010，4（2）：20-27.

[15]陈金令，苗东，康博，等.基于Kalman滤波和模板匹配的目标跟踪技术研究[J].光学与光电技术，2014，12（6）：9-12. CHEN JINLING，MIAO DONG，KANG BO，et al.Research on target tracking technology based on Kalman filter and mask matching[J].Optics&Optoelectronic Technology，2014，12（6）：9-12.（in Chinese）

Improved Feature Matching Moving Target Tracking Algorithm on Radar Video

YU Xiaohana,SUN Yanlib,LIU Chaoa
（Naval Aeronautical and Astronautical University a.Graduate Students’Brigade; a.Department of Basic Experiment,Yantai Shandong 264001,China）

In order to solve the problem of low location tracking accuracy of feature matching tracking algorithm in dense clutter and complex multi-objective situation,an improved feature matching moving target tracking algorithm on radar vid⁃eo was put forward.First,target area,location and invariant moments were extracted from single frame radar image detec⁃tion results,after the moving target was determined,target was matched utilizing target location predicted by Kalman filter and the prior frame target feature information.Secondly,the estimated target location was gained according to matching lo⁃cation and forecast location,and feature information was updated.Finally,target feature information,target location infor⁃mation and motion parameters were output.The effectiveness of the algorithm was verified by the collected marine radar data.

radar video;feature extraction;feature matching;Kalman filter;moving target tracking

TN957

A

1673-1522（2016）01-0027-07

10.7682/j.issn.1673-1522.2016.01.006

2015-10-03；

2015-12-31

国家自然科学基金资助项目（61179017；61201445；61002045；61302008）“泰山学者”建设工程专项基金资助项目

于晓涵（1991-），女，硕士生。