引言
高分辨率視頻衛(wèi)星采用"凝視"成像方式對某一區(qū)域連續(xù)觀察并以視頻的方式記錄視場內的變化信息,在一定時間范圍內具有持續(xù)監(jiān)視能力。但由于視頻衛(wèi)星成像范圍大、衛(wèi)星載荷相機抖動、大氣環(huán)境干擾、光照強度不穩(wěn)定、背景遮擋等問題的存在,傳統(tǒng)目標跟蹤算法在視頻衛(wèi)星影像應用中難以獲得成功,且尚未有成熟技術公開,實時目標跟蹤技術目前仍是遙感視頻應用領域的一大難題。
基于時空上下文(STC)的目標跟蹤算法在貝葉斯框架下利用目標和目標局部的稠密信息的時空關系來建模,以其優(yōu)秀的跟蹤準確率、實時性和快速魯棒性等優(yōu)點引起了學術界廣泛關注。然而,直接使用STC算法對高分辨率視頻衛(wèi)星影像中的興趣目標進行跟蹤應用無法取得令人滿意的實驗效果,主要因為在高分辨率視頻衛(wèi)星影像數(shù)據(jù)中目標的尺度過小,難以提取目標的特征,難以總結目標規(guī)律,難以對目標建立適合的數(shù)學模型:同時,在高分辨率視頻衛(wèi)星影像中,由于成像尺度較大(如"吉林一號"視頻03星獲取的視頻影像數(shù)據(jù)的成像幅寬為11.2km×4.6km,分辨率為0.92m)而引起復雜背景對跟蹤算法的干擾遠大于傳統(tǒng)視頻影像,例如機場停機坪內紋理和陰影以及復雜的建筑外形等因素都會對以"飛機"為目標進行實時目標跟蹤時造成巨大的背景干擾。
針對上述問題,本文提出適用于視頻衛(wèi)星影像的改進時空上下文目標實時跟蹤算法,使用感知哈希算法、幀間學習率自適應更新方法分別提升STC目標跟蹤算法的目標定位精度和算法準確度,實現(xiàn)對遙感視頻任意感興趣目標的跟蹤。
1STC目標跟蹤算法
1.1感知哈希上下文跟蹤
在STC跟蹤算法中,將當前檢測區(qū)域的時空上下文模型響應作為置信值,取置信值最大處作為目標位置。但是,使用STC跟蹤算法對視頻衛(wèi)星影像進行目標跟蹤實驗時,由于復雜背景干擾和影像晃動等因素對模型的干擾,算法獲取的置信位置誤差過大。此外,時空上下文模型呈現(xiàn)低通特性,總能對真實的目標產生較大響應值,但時空上下文模型的不斷更新會使響應出現(xiàn)多個峰值,真實目標位置可能在主峰的峰值處或者旁邊次峰值處。通過響應值的最大值點確定目標位置在模型不準確時會導致跟蹤失敗。
針對上述問題,對多個響應峰值點的對應區(qū)域與前一幀目標區(qū)域進行哈希距離計算,以確定其真實目標的中心,以此提升目標定位精度。在哈希距離的計算中,綜合考慮算法健壯性和速度使用感知哈希算法(Perceptualhashalgorithm),步驟如下:
(1)計算前一幀目標區(qū)域哈希值:
1)將選定區(qū)域縮放至32×32:
2)將彩色圖像轉化成灰度圖像:
3)對圖像進行離散余弦(DCT)變換[5]以得到DCT系數(shù)矩陣:
4)截取系數(shù)矩陣左上角的8×8矩陣以保留圖像的低頻信息:
5)計算DCT系數(shù)矩陣的灰度平均值:
6)在系數(shù)矩陣中設置哈希值(小于灰度平均值設為"0",其余設為"1"),構成選定區(qū)域的一個64位哈希值。
(2)以當前幀的響應峰值點為中心截取出與目標框大小相同的圖像塊,計算其哈希值并與前一幀目標區(qū)域哈希值對比:若64位哈希值中不同數(shù)據(jù)位數(shù)不超過5個,則以該響應值作為當前幀目標區(qū)域中心,否則進行步驟(3)。
(3)選取當前幀的響應峰值的5個最大點,分別以相應最大點為中心截取出與目標框大小相同的圖像塊,計算其哈希值并與前一幀目標區(qū)域哈希值對比,選取哈希距離最小值對應的圖像塊作為當前幀目標區(qū)域。
(4)若哈希距離最小值不止一個,則以全部最小值對應相應點的位置坐標均值作為當前幀的目標區(qū)域中心點。
1.2幀間學習率自適應更新
在STC算法中,其固定學習率的方法雖然在一定程度上降低了算法復雜度,但該方法在當前幀目標丟失時會致使后續(xù)幀錯誤模型快速累加,進而導致STC算法跟蹤失敗。
為應對跟蹤過程中目標及背景信息的不斷變化,采用幀間學習率自適應更新方法,根據(jù)跟蹤器的響應結果和新舊目標的哈希距離為學習率賦值。采用核相關濾波器中的PsR量化相關峰的銳利程度以衡量跟蹤結果匹配度:
式中,參數(shù)μ和a分別表示目標區(qū)域的置信值均值和方差。
上下文學習率設為:
式中,參數(shù)t為幀數(shù):h為目標區(qū)域上一幀目標區(qū)域間的哈希距離:入=0.1為實驗值。
2實驗結果與分析
為驗證所提算法在遙感影像數(shù)據(jù)中的有效性,使用現(xiàn)有實驗平臺(1nte1i73.60GHzCPU/8GBRAM||MATLAB2016a)對遙感視頻進行實驗分析,四組分辨率不同的實驗視頻序列均包含光照變化、背景雜亂和影像晃動等干擾情況。選用跟蹤目標的中心位置與手工標定的準確位置之間的平均歐式距離作為實驗的評估標準,同時,選用邊界框成功率作為另一評估標準,其定義為:
式中,跟蹤算法邊界框為Rt;手工標注邊界框為Ra。
當重疊率大于50%時視當前幀為成功幀,成功幀數(shù)在總幀數(shù)中所占百分比為成功率。
圖1對比了本文算法和STC算法"舊金山"視頻序列中飛行器進行目標跟蹤實驗結果,其中白色細框為STC算法跟蹤結果,黑色粗框為本文算法跟蹤結果。可以看出,測試視頻序列中背景與目標的圖像特性相似度極高,人眼已難以從背景中提取出目標,跟蹤難度極大。在目標經過跑道背景中的白塊時,由于背景信息對目標造成的極大干擾,STC算法在尋找目標時出現(xiàn)錯誤,真實目標的響應峰值并不是其最大值,進而導致跟蹤失敗。
3結語
針對STC目標跟蹤算法在高分辨率視頻衛(wèi)星影像中目標經過復雜背景時跟蹤準確度過低問題,本文提出了適用于視頻衛(wèi)星影像的改進時空上下文目標實時跟蹤算法。該算法使用感知哈希算法、幀間學習率自適應更新方法和固定目標尺度方法分別提升STC算法的目標定位精度、算法準確度和算法速度。仿真實驗結果表明,所提算法在保證實時跟蹤的同時克服了視頻衛(wèi)星影像中復雜背景對目標跟蹤算法的干擾,實現(xiàn)了針對高分辨率視頻衛(wèi)星影像實時的精準目標跟蹤。