军事侦察中运动目标检测与跟踪技术研究

张焰++李祥++黄钰

【摘 要】在军事侦察中，需要对运动目标进行检测和跟踪。而在被检测目标处在高速运动状态下，想要做好运动目标的检测与跟踪，还要采取更加高效和准确的算法，才能够确保军事侦查任务顺利完成。基于这种情况，本文对军事侦察中运动目标的检测算法和跟踪算法进行了分析，并且提出了改进算法，以期为关注这一话题的人们提供参考。

【关键词】军事侦察 运动目标检测 跟踪技术

在军事侦察领域，运动目标检测与跟踪技术是重要的研究课题，关系到军事侦察工作的开展效果。因为，运动目标检测与跟踪技术为军事侦察的核心技术，使用的算法好坏将对目标跟踪与识别的准确性起到至关重要的影响。所以，研究运动目标检测算法和跟踪算法，具有较强的实用价值和意义。而相关人员还应该认识到这一问题，以便加强有关技术的研究。

1 军事侦察的内涵及技术手段

所谓的军事侦察，其实就是为获取军事斗争所需有关战区和敌方情况而采取的措施，可以为正确进行军事指挥和获取战争胜利提供科学的依据和切实的保障。在现代和平社会，军事侦察的主要目的就是护卫领土，需要完成国土范围内的各种活动空间的侦察，可以划分为海上侦察、空中侦察和地面侦察。在过去较长的时间里，军事侦察采取的技術手段包含无线电侦收、雷达侦察、无线电测向等等。而随着科学技术的发展，无人机则成为了各国纷纷采用的军事侦察技术手段。目前，无人机已经经过了海湾战争、阿富汗战争等多次实战考验，经过证实能够较好的完成侦察、对地攻击和监视等军事任务，成为了国家军事侦察工作开展的主要保障。而无人机之所以能够用于军事侦察，主要是由于其能够在高速运动条件下完成地面目标的动态信息的获取，所以能够实现运动目标的检测和跟踪，从而顺利完成军事侦察任务。因此，运动目标的检测与跟踪技术，实际上已经成为了军事侦察工作的核心技术手段。

2 军事侦察中运动目标检测与跟踪技术

2.1 运动目标的检测算法

在对运动目标进行检测的过程中，主要需要解决的问题就是背景干扰问题。想要从视频图像中完成运动对象的检测，还要将背景干扰去除，从而得到运动目标图像。

2.1.1 经典检测算法

就目前来看，常用的运动目标检测算法主要有两种，既背景差分法和帧间差分法，不同的算法有着各自的优缺点。结合实际情况进行适合的算法的选择，才能够完成运动目标的高效检测。

使用背景差分法，就是对实时帧图像与已有背景图像进行减法运算，从而通过减除背景获得运动目标图像的算法。在图像相减后，如果差分图像中有超出阈值的像素值，就可以认为该点为运动目标区域。

使用帧间差分法进行运动目标检测，还要通过减法运算完成连续两帧或多帧视频图像的处理，从而获得差分图像。在此基础上，则可以对图像上的运动变化区域进行检测，然后根据区域灰度信息将运动目标图像恢复出来。在得到的差分图像中，灰度无变化的区域将被删减，其中大部分为背景区域，只有少部分为目标区域，所以能够帮助人们获取目标运动信息。对差分图像进行后续处理，则能够确定目标位置。使用该种检测算法，需要确保背景像素点的位置和灰度值没有发生变化，才能够完成前景运动目标的检测。就视频图像而言，虽然其为三维图像的二维投影，但是其也会随着三维图像的变化而变化。而在连续视频流中，场景则将具有一定的连续性，既相邻帧图像之间变化不大，所以不会引起显著帧差。利用该特性，则可以完成视频序列相邻帧变化的检测，从而通过滤波处理完成运动目标的检测。

2.1.2 改进检测算法

使用背景差分算法能够完成完整图像的提取，因此得到了广泛的使用。但是，该算法的使用需要拥有环境先验知识，并且适合在摄像机位置固定的条件下使用。因此在军事侦察领域，并不适合使用该算法完成运动目标检测。使用帧间差分法进行运动目标检测，虽然能够适应动态环境，同时只需要完成较小的运算量，并且能够快速检测目标，但是却无法完成完整目标的检测。所以，使用该算法会给目标的识别和分析带来困难，容易使运动目标图像产生边缘破碎和断裂等问题。针对经典检测算法使用存在的问题，可以借助背景差分算法能够完成完整目标检测和帧间差分算法的灵敏性高的优点提出一种改进算法，从而完成运动目标的快速、完整检测[1]。具体来讲，就是要在帧间差分算法中进行“分块赋权值”思想的引入，然后实现背景模型的子块划分和权值赋予，则能够将有用信息放大，并完成干扰信息的忽略。在对运动点进行判断时，则需要对原有帧间差分算法的阈值设定方法进行改进，既通过设置两个阈值减少运动目标检测受到的光线变化的干扰，继而使目标检测质量得到有效提高。

从算法实现过程上来看，需要先利用统计平均方法获取背景。具体来讲，就是在运动目标尚未出现的条件下，完成场景中稳定背景的获取。在此基础上，则可以完成模型的子块划分，既根据实际场景细分子块，从而提高算法的灵敏度。采取该种算法，能够使不确定因素产生的噪声影响得到降低。而根据实验结果和经验对各子块赋予权值，则能够放大运动目标信息，从而使干扰信息得到忽略。如下式（1）所示，ki为各子块权值，i=1，2，...，n，n为子块数量，N为运动点总数量。针对较多次出现运动目标的区域，赋予的权值较大，反之赋予的权值较小。完成权值赋予后，可以利用帧间差分法完成运动点判断[2]。在有运动点出现的情况下，可以完成运动点个数Ni的统计，然后计算子块权值乘积，从而获得运动点数量。

在对运动目标的阈值范围进行确定时，可以将子块权值ki的平均值设为，然后利用下式（2）计算。而阈值范围最小为Nmin，最大为Nmax。在求取前者时，需要将权值小于平均值的子块运动点忽略。在求取后者时，则需要利用下式（3）计算。式中，P为权值大于平均值的各子块像素点数量，x为权值大于平均值的子块数量。比较图像运动点总数和阈值范围，如果总数在最大值和最小值之间，则认为场景中有运动目标，否则就判定为干扰噪声，然后通过统计该图像与背景图像获得新背景。如果判定为有运动目标，还要对统计平均得到的背景图像建模，然后进行模型初始化。利用该模型对新到图像的像素点进行操作，既根据背景模型集合中最小权值进行模型排列，然后按照顺序进行观测值与各模型匹配情况的判断，则可以完成像素点属性的判断[3]。因为，顺序靠前的模型有较大可能为背景模型，与其匹配的像素点则为背景点或前景点。如观测值与所有模型都不匹配，则有可能为新分布，需要利用新模型进行权值最小模型的替代。

经过仿真分析可以发现，使用改进的运动目标检测算法，可以准确完成运动目标检测，并且并未出现图像“空洞”现象。此外，使用该算法也可以减少频繁扰动的噪声，并且能够抑制光线突变和排除阴影干扰。

2.2 运动目标的跟踪算法

对运动目标进行跟踪，需要提供目标运动轨迹，以便为目标的运动分析提供数据支持。就目前来看，粒子滤波算法这一经典算法在运动目标跟踪上得到了应用，其能够在任意非线性非高斯分布系统中适应。

2.2.1 经典跟踪算法

所谓的粒子滤波算法，其实就是利用随机抽取加权粒子进行状态后验概率分布替代的一种序列蒙特卡罗滤波方法。在该算法中，粒子用于代表目标状态集中点。完成越多粒子的随机抽取，就能够使状态的后验分布越接近真实。而粒子滤波器的精确度和复杂度，则只与粒子滤波器算法和粒子数量有关。

利用粒子滤波算法进行运动目标跟踪时，需要利用目标的先验特征确定粒子初始状态和贝叶斯滤波的先验概率形式。而运动目标的先验特征可以为像素点灰度值、图像边缘、图像三维特征等，主要可以划分为图像最基本特征、底层特征和高层特征，拥有不同的特点。其中，最基本特征可以直接获取，无需再次处理。底层特征抽取容易，无需理解和描述，计算量相对较小。高层特征具有较强的抗干扰能力，但是抽取较为复杂[4]。除了选择先验特征，还要选取符合目标运动规律的数学模型，然后利用模型状态方程描述系统状态转移过程，既粒子传播过程。由于粒子传播使随机的，具有明显自主趋势，所以服从一阶ARP方程[5]。考虑到运动目标具有加速度和速度，所以还要采用二阶ARP模型。但是，该模型计算量较大，所以还要引入如下式（4）的均加速度模型，从而实现数学模型的简化。式中，xk和yk为k时刻目标在两个方向的状态，wk-1为归一化噪声，vkx和vky为目标在两个方向的速度。

完成目标状态判定后，还要利用观测量验证判定，从而实现系统观测。具体来讲，就是建立似然模型完成上一过程得到的粒子与实际情况的相识度的计算。针对相识度较大的粒子，则需要赋予较大权值，反之赋予较小权值。如下式（5）所示，利用该模型就能够完成粒子与实际情况的相似程度的计算[6]。式中，p（z|x）为用于表示相似程度的观测概率密度，σ为泊松干扰标准偏差，x为目标模板，z为观测值集合。

最后，在计算后验概率时，可以使用最大后验准则获得最大权值的粒子状态，也可以利用加权准则根据粒子权值大小确定其所占比例，从而体现算法的优越性。

2.2.2 改进跟踪算法

使用粒子滤波算法进行运动目标跟踪，虽然可以利用高维和非线性的观测数据完成后验概率的计算，但是却容易出现粒子退化问题。为解决该问题，还要进行重复采样，以至于将导致粒子大量重复，继而使粒子失去多样性。在参考分布选择方面，则存在着容易丢失观测值的问题。在观测噪声较大或模型不准的情况下，采取该种方法无法进行真实分布的表示，并且也无法对系统模型噪声进行考虑。想要解决这一问题，就要对样本进行更新。而样本的更新又将导致系统状态方程变得线性化，继而无法较好完成运动目标的跟踪。

为解决经典跟踪算法存在的问题，还要使用重采样技术对样本集的多样性进行改善，以便实现算法的改进。具体来讲，就是在重采样时使用合理加权线性组合为粒子重新赋值，从而使粒子平滑[7]。在此基础上，可以对最大权值粒子进行复制，然后通过状態替换进行权值小的粒子的滤除，从而避免出现粒子贫乏问题。采取该种改进方法，则能够使粒子滤波的性能得到提高，因此能够实现更加准确的跟踪。

想要实现改进算法，还要对随机采样得到的粒子权值平均值进行计算，然后将其与各粒子权值组合，从而获得新的粒子集合。如下式（6）、（7）所示，为权值平均值，wki为粒子权值，i=0，1，...Np，新粒子组合为。而k为比例系数，需要在1-+∞范围内取值。在实际的侦察工作中，还要根据实际情况进行k值选择。减小k值，则能够将小权值粒子滤除，从而使错误信息的干扰得到排除。增大k值，则能够使信息拥有较大采集量。

经过仿真分析可以发现，使用改进算法进行运动目标跟踪，可以使权值小的粒子在重采样后的权值增大，并且减小权值大的粒子，从而使原本的重采样特点得以保持下来，因此能够使粒子多样性得到提高[8]。相较于经典跟踪算法，改进算法产生的均方误差值较小，拥有更高的估计精度，能够使粒子滤波的性能得到提高。

3 结语

在军事侦察领域，运动目标检测与跟踪技术是开展侦察工作的重要技术手段。能否较好的完成适合的检测与跟踪技术选取，将直接关系到侦察工作的开展效果。而实现对过去检测与跟踪技术的改进，则能够进一步满足军事侦察需求，从而更好的促进军事科技的发展，继而为国家安全提供更多的保障。因此，相信本文对运动目标检测与跟踪技术展开的研究，可以为相关工作的开展带来启示。

参考文献：

[1]孙斌，黄神治.移动背景下运动目标检测与跟踪技术研究[J].电子测量与仪器学报，2011，03：206-210.

[2]赵俊梅，张利平.变电站中运动目标检测和跟踪技术的研究[J].电测与仪表，2013，04：78-81.

[3]李颖，岳安燕，田红丽，等.变电站遥视环境中运动目标检测与跟踪技术研究[J].内蒙古科技与经济，2013，18：87-88+91.

[4]牛芗洁，黄永春.微弱运动目标的检测与跟踪识别算法研究[J].计算机仿真，2010，04：245-247+255.

[5]刘明玺，孟放.运动目标检测与跟踪算法的研究进展[J].软件，2010，12：84-88.

[6]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，2014，01：42-46.

[7]刘晓悦，孟妍.运动目标检测与跟踪算法的研究[J].河北联合大学学报（自然科学版），2015，01：65-70.

[8]张晓春，孟令军，韩朝辉.一种优化的运动目标定位与跟踪算法研究[J].计算机测量与控制，2015，04：1266-1268.