高分遥感视频改进型时空上下文目标跟踪

引言

高分辨率视频卫星采用"凝视"成像方式对某一区域连续观察并以视频的方式记录视场内的变化信息,在一定时间范围内具有持续监视能力。但由于视频卫星成像范围大、卫星载荷相机抖动、大气环境干扰、光照强度不稳定、背景遮挡等问题的存在,传统目标跟踪算法在视频卫星影像应用中难以获得成功,且尚未有成熟技术公开,实时目标跟踪技术目前仍是遥感视频应用领域的一大难题。

基于时空上下文(STC)的目标跟踪算法在贝叶斯框架下利用目标和目标局部的稠密信息的时空关系来建模,以其优秀的跟踪准确率、实时性和快速鲁棒性等优点引起了学术界广泛关注。然而,直接使用STC算法对高分辨率视频卫星影像中的兴趣目标进行跟踪应用无法取得令人满意的实验效果,主要因为在高分辨率视频卫星影像数据中目标的尺度过小,难以提取目标的特征,难以总结目标规律,难以对目标建立适合的数学模型:同时,在高分辨率视频卫星影像中,由于成像尺度较大(如"吉林一号"视频03星获取的视频影像数据的成像幅宽为11.2km×4.6km,分辨率为0.92m)而引起复杂背景对跟踪算法的干扰远大于传统视频影像,例如机场停机坪内纹理和阴影以及复杂的建筑外形等因素都会对以"飞机"为目标进行实时目标跟踪时造成巨大的背景干扰。

针对上述问题,本文提出适用于视频卫星影像的改进时空上下文目标实时跟踪算法,使用感知哈希算法、帧间学习率自适应更新方法分别提升STC目标跟踪算法的目标定位精度和算法准确度,实现对遥感视频任意感兴趣目标的跟踪。

1STC目标跟踪算法

1.1感知哈希上下文跟踪

在STC跟踪算法中,将当前检测区域的时空上下文模型响应作为置信值,取置信值最大处作为目标位置。但是,使用STC跟踪算法对视频卫星影像进行目标跟踪实验时,由于复杂背景干扰和影像晃动等因素对模型的干扰,算法获取的置信位置误差过大。此外,时空上下文模型呈现低通特性,总能对真实的目标产生较大响应值,但时空上下文模型的不断更新会使响应出现多个峰值,真实目标位置可能在主峰的峰值处或者旁边次峰值处。通过响应值的最大值点确定目标位置在模型不准确时会导致跟踪失败。

针对上述问题,对多个响应峰值点的对应区域与前一帧目标区域进行哈希距离计算,以确定其真实目标的中心,以此提升目标定位精度。在哈希距离的计算中,综合考虑算法健壮性和速度使用感知哈希算法(Perceptualhashalgorithm),步骤如下:

(1)计算前一帧目标区域哈希值:

1)将选定区域缩放至32×32:

2)将彩色图像转化成灰度图像:

3)对图像进行离散余弦(DCT)变换[5]以得到DCT系数矩阵:

4)截取系数矩阵左上角的8×8矩阵以保留图像的低频信息:

5)计算DCT系数矩阵的灰度平均值:

6)在系数矩阵中设置哈希值(小于灰度平均值设为"0",其余设为"1"),构成选定区域的一个64位哈希值。

(2)以当前帧的响应峰值点为中心截取出与目标框大小相同的图像块,计算其哈希值并与前一帧目标区域哈希值对比:若64位哈希值中不同数据位数不超过5个,则以该响应值作为当前帧目标区域中心,否则进行步骤(3)。

(3)选取当前帧的响应峰值的5个最大点,分别以相应最大点为中心截取出与目标框大小相同的图像块,计算其哈希值并与前一帧目标区域哈希值对比,选取哈希距离最小值对应的图像块作为当前帧目标区域。

(4)若哈希距离最小值不止一个,则以全部最小值对应相应点的位置坐标均值作为当前帧的目标区域中心点。

1.2帧间学习率自适应更新

在STC算法中,其固定学习率的方法虽然在一定程度上降低了算法复杂度,但该方法在当前帧目标丢失时会致使后续帧错误模型快速累加,进而导致STC算法跟踪失败。

为应对跟踪过程中目标及背景信息的不断变化,采用帧间学习率自适应更新方法,根据跟踪器的响应结果和新旧目标的哈希距离为学习率赋值。采用核相关滤波器中的PsR量化相关峰的锐利程度以衡量跟踪结果匹配度:

式中,参数μ和a分别表示目标区域的置信值均值和方差。

上下文学习率设为:

式中,参数t为帧数:h为目标区域上一帧目标区域间的哈希距离:入=0.1为实验值。

2实验结果与分析

为验证所提算法在遥感影像数据中的有效性,使用现有实验平台(1nte1i73.60GHzCPU/8GBRAM||MATLAB2016a)对遥感视频进行实验分析,四组分辨率不同的实验视频序列均包含光照变化、背景杂乱和影像晃动等干扰情况。选用跟踪目标的中心位置与手工标定的准确位置之间的平均欧式距离作为实验的评估标准,同时,选用边界框成功率作为另一评估标准,其定义为:

式中,跟踪算法边界框为Rt;手工标注边界框为Ra。

当重叠率大于50%时视当前帧为成功帧,成功帧数在总帧数中所占百分比为成功率。

图1对比了本文算法和STC算法"旧金山"视频序列中飞行器进行目标跟踪实验结果,其中白色细框为STC算法跟踪结果,黑色粗框为本文算法跟踪结果。可以看出,测试视频序列中背景与目标的图像特性相似度极高,人眼已难以从背景中提取出目标,跟踪难度极大。在目标经过跑道背景中的白块时,由于背景信息对目标造成的极大干扰,STC算法在寻找目标时出现错误,真实目标的响应峰值并不是其最大值,进而导致跟踪失败。

3结语

针对STC目标跟踪算法在高分辨率视频卫星影像中目标经过复杂背景时跟踪准确度过低问题,本文提出了适用于视频卫星影像的改进时空上下文目标实时跟踪算法。该算法使用感知哈希算法、帧间学习率自适应更新方法和固定目标尺度方法分别提升STC算法的目标定位精度、算法准确度和算法速度。仿真实验结果表明,所提算法在保证实时跟踪的同时克服了视频卫星影像中复杂背景对目标跟踪算法的干扰,实现了针对高分辨率视频卫星影像实时的精准目标跟踪。