成像導引頭地面目標跟蹤技術研究.pdf

1、成像制導由于其抗干擾能力強、打擊精度高、作戰(zhàn)效費比高、攜帶方便等優(yōu)點，在精確制導領域占有十分重要的地位。本文以成像導引頭為背景，以打擊地面靜止目標(如機場、碼頭、島嶼、橋梁、電站、交通樞紐等)和慢速運動目標(水面艦船、坦克等)為目的，研究成像導引頭對地面目標跟蹤的關鍵技術。本文主要工作和創(chuàng)新如下：
　　1.提出了一種基于空間-顏色特征的Mean Shift跟蹤算法。針對傳統(tǒng)的Mean S h ift跟蹤算法采用區(qū)域顏色直方圖統(tǒng)計作

2、為目標特征進行跟蹤導致目標位置信息流失的問題，將目標區(qū)域分成不同區(qū)域，構成空間-顏色聯(lián)合特征來描述目標；并且引入比常用的Bhattacharyya系數(shù)更加魯棒、更加具有判別力的相似性度量，直接計算候選目標各像素與模板圖各像素的距離和的均值，此相似性度量在原度量基于顏色差別的基礎上考慮了位置的差別，并由此推導了目標跟蹤的公式、提出了一種改進的Mean Shift算法。實驗結果證明，本文提出的算法在應對某些剛體、非剛體形變、目標尺度變化以及

3、目標被遮擋情況時具有更好的跟蹤效果。
　　2.提出了一種結合Lucas-Kanade算法的Mean Shift跟蹤算法。由于Mean Shift算法的非參數(shù)估計特性，原算法得不到目標的運動參數(shù)，導致了目標跟蹤精度不高，此外Mean Shift算法不具備模板更新策略，在長時間跟蹤后會出現(xiàn)模板漂移的情況，本文通過引入Lucas-Kanade算法同時解決了原算法這兩個問題。首先，采用Mean Shift算法粗略求取目標當前幀的位置；然后

4、在這一位置鄰域內(nèi)通過Lucas-Kanade算法搜索目標兩幀間的運動參數(shù)；這些運動參數(shù)用于確定目標最終跟蹤位置和判斷是否進行模板更新。實驗結果證明，本文提出的算法相比原算法對剛體、非剛體形變有更高的精度，跟蹤更具魯棒性。
　　3.提出了一種基于稀疏表示的多子模板跟蹤算法。首先，本文定義了子模板的選取原則，并根據(jù)此原則提出了一種子模板選取的方法；針對直方圖表示的方法對光照敏感的缺點，引入了稀疏表示理論對子模板進行描述，擴展了算法的應

5、用范圍；然后通過構造表決表的形式對目標位置進行表決；并通過判斷子模板和其對應矩形包括的子目標的跟蹤結果來判斷是否對子模板進行更新，同時引入子模板各訓練模板的比重，來表示各訓練模板的貢獻大小，模板更新一共分為兩步：訓練模板替換、比重更新。實驗結果證明，本文提出的基于稀疏表示的多子模板跟蹤算法能夠應對如形變、光照變化、遮擋以及虛假目標干擾和背景干擾等挑戰(zhàn)，跟蹤精度較高、適用范圍寬廣。
　　4.提出了一種基于貝葉斯互信息的分布場跟蹤算法

6、。在跟蹤過程中，由于目標形變造成的位置誤差，光照變化造成的特征信息誤差為跟蹤問題帶來了巨大的挑戰(zhàn)，本文引入了基于分布場的目標表示方法以解決該跟蹤難題。在分析分布場原理的基礎上，提出了一種基于貝葉斯互信息框架的相似性度量，用以進行實時圖和模板圖對應的各特征層之間的匹配，匹配過程中僅僅對各特征層的顯著性區(qū)域進行計算，是一種基于局部特征的方法，因此能夠較好的應對遮擋問題。隨后設計了一種融合各特征層匹配結果的表決算法用于目標跟蹤，并引入遺忘因子

7、進行模板更新。實驗結果證明，本文提出的基于貝葉斯互信息的分布場跟蹤算法能夠應對某些情況的形變、光照變化、部分遮擋、完全遮擋以及復雜背景干擾，跟蹤精度高、適用范圍廣。
　　5.對成像導引頭采集視頻進行了跟蹤實驗驗證。在跟蹤算法完成室內(nèi)測試后，為充分檢驗導引頭的作戰(zhàn)效能，還需通過模擬彈上環(huán)境，進一步測試算法性能。本文采取兩種方法來模擬：一是通過導引頭室外采集視頻，模擬彈上的震動環(huán)境、并考察野外場景天氣、溫度等因素對算法的影響；二是通過