基于滤波与预测自适应模板匹配的应用研究

复杂背景中弱小目标的检测一直是监视和告警系统的重要组成部分。要求监视和告警系统具备极快的反就只有及时地发现目标、跟踪目标、捕获和锁定目标。而监视和告警系统为了增大其有效作用距离，要求在远距离发现目标，因此在绝大部分时间内，目标在视场中是以小目标（点和斑点目标）形态出现的，而且目标的对比度一般都很低，要保证可靠、稳定地检测并跟踪目标有一定的难度。

模板匹配是基于图像相似性度量、在现场获取的实时图像中寻找最接近目标模板图像区域的一种识别跟踪方式。它无需对图像进行分割和特征提取处理，而只在原始图像数据上进行运算，从而保留了图像的全部信息。在目标特征很不明显的红外弱小目标识别中这是一种切实可行的识别跟踪方法。由于红外弱小目标识别图像本身所具有的目标特征很不明显、背景特征比较强等特点，常用的相似性度量方法如最大近邻点距离法（MCD）、二维最小绝对差累加和算法（MAD）、基于边缘特征的相似度量（ESD）等并不适用。而归一化互相关度量则比较适合红外弱小目标的识别，匹配成功率要明显高于其它的相似性度量方法，再结合自适应模板修正，大大提高了算法的稳定性。

1 归一化相关函数

设模板T叠放在搜索图S上平移，模板覆盖下的那块搜索图叫做子图Si，j，i，j为这块子图的左上角像点在S图中的坐标，叫参考点，从图1中可以看出i和j的取值范围为1i，j的相似程度：

式（2）右边第三项表示模板的总能量，是一个常数，与（i，j）无关;第一项是模板覆盖下那块子图的能量，它随（i，j）位置而缓慢改变;第二项是子图像与模板的互相关，随（i，j）而改变。T与Si，j匹配时这一项的取值最大，因此可以用下列相关函数作相似性度量：

将它应用到图像匹配，即将模板图像在目标图像内滑动，计算每个位置处的图像与模板图像的相关系数值R（i，j），得到整个图像的一个相关曲面，寻找这个相关曲面的峰值即可确定最佳匹配位置。

2 自适应模板修正

在对目标进行跟踪过程中，目标模板维系了整个跟踪的动态过程。在序列图像中，由于目标在不断变化，因此实际图像必然存在着变形、噪声、遮挡等变化。对模板进行合理的更新是跟踪的关键，选择合适的模板更新策略，可以在一定程度上克服这些变化对跟踪效果的影响。

通过分析和试验仿真，本文首先对模板进行中心加权修正，然后采用基于滤波与预测的模板图像更新策略，即基于跟踪置信度的加权自适应模板更新算法。

2.1 初始模板确定

在跟踪开始时，由于还没有识别到目标的所在区域，因此要确定一个初始模板，待首次识别到目标后再对模板进行完全刷新，以便后续跟踪。实际应用中，自动目标搜索主要针对远距离的单小目标，目标大小约占5×5像素，目标灰度分布接近高斯分布，可以预先生成一个呈高斯分布的目标模板进行相关匹配识别，如式（5）：

式（5）中，T0（m，n）为初始模板，i和j为像素相对于模板中心的坐标，di，dj分别为目标水平和垂直方向上的尺寸参数，K为模板中心亮度，由当时的天光背景决定。由于用初始高斯模板进行匹配识别容易受到噪声的影响，因此初始搜索时要先进行形态学开运算滤波去噪，形态开滤波的结构元视目标大小而定。

2.2 中心加权修正

对本文的目标模板，感兴趣的区域均位于模板图像的中心，而且图像模板的中心在帧间变化比较小，因此可以对模板中心加权，使模板像素在匹配中的贡献率从模板中心到边缘由大变小，提高匹配对噪声和目标变形的影响。中心加权系数如式（6）：

式（6）中，i和j是像素相对于模板中心的坐标。

2.3 基于滤波与预测的模板图像更新策略

加权自适应模板修正算法表示如式（7）：

T（m，n，t+1）=α×T（m，n，t）+（1-α）×O（m，n，t） （7）

式（7）中，T（m，n，t）为当前使用的模板图像，O（m，n，t）为当前帧最佳匹配位置子图像，T（m，n，t+1）为预测得到的下一帧模板图像，α为加权系数（0＜=α＜=1），该系数的大小根据帧内相关置信度分析确定。

相关跟踪过程中相关置信度评价的依据来源于各帧相关匹配曲面分析和当前帧最佳匹配度量数值的变化率分析，设计相关跟踪置信度。式中，Rmax为当前帧最佳匹配度量数值，TS为设定阈值。加权系数α就由这个帧内相关置信度C0唯一确定。实际应用中一般采用分段函数的形式：当C01时，令权值α=0，即完全刷新模板;而当T1＜=C0＜=T2时，令权值α=C0;当C0＞T2时，令α=1。这是为了防止目标有被遮挡的情况出现。参数T1、T2、TS根据试验确定。

3 遗传算法优化

用相关法求匹配的计算量很大，因为模板要在（N-M+1）个参考位置上做相关计算，而其中除一点以外都是在非匹配点上做无用功，这直接影响到目标识别的速度。因此本文采取了遗传算法优化来提高相关匹配的速度。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。图2为遗传算法的运算过程示意图。

由该图可以看出，使用上述三种遗传算子（选择算子、交叉算子、变异算子）的遗传算法主要运算过程如下所述。

步骤一：初始化。设置进化代数计数器清零;设置最大进化代数T;随机生成M个个体作为初始群体P（0）。这里将图像中的像素点视为个体，而像素点的位置构成解空间。

步骤二：个体评价。计算群体P（t）中各个个体的适应度，这里直接取相似性度量R为个体的适应度。

步骤三：选择运算。采用比例选择方法，这是一种回放式随机采样的方法。其基本思想是各个个体被选中的概率与其适应度大小成正比。设群体大小为M，个体i的适应度为Fi，则个体i被选中的概率Pis为：

由于是随机选择的原因，选择误差较大，本文结合了最优保存策略来减小误差。最优保存策略的具体操作过程是：找出当前群体中适应度最高的个体和适应度最低的个体，若当前群体中最佳个体的适应度比总的迄今为止最好个体的适应度还要高，则以当前群体中的最佳个体作为新的迄今为止的最好个体，用迄今为止的最好个体替换掉当前群体中的最差个体。

步骤四：交叉运算。采用单点交叉，它是指在个体编码串中只随机设置一个交叉点，然后在该点相互交换两个配对个体的部分染色体。

步骤五：变异运算。采用基本位变异，它是指对个体编码串中以变异概率Pm随机指定的某一位或某几位基因座上的基因值作变异操作。群体P（t）经过选择、交叉、变异运算后得到下一代群体P（t+1）。

步骤六：终止条件判断。若当前遗传代数小于设定值，则遗传代数加一并转到步骤二;反之，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。

4 实验结果

根据上述基于自适应模板匹配的弱小目标检测技术，对实际拍摄到的红外弱小目标图像进行处理，获得了大量的实验结果。实验参数：图像尺寸＝256×256;模板尺寸＝21×14;针对实际应用，初始搜索时形态开滤波选取2×2的结构元;取Ts＝0.995，T1＝0.25;遗传算法参数：人口数32，进化代数80，交叉概率0.9，变异概率0.1。实验在P3 1.0G、WinXP、Visual C++6.0环境下进行。实验共取2200帧序列图像，如果仅仅用相关函数法进行匹配跟踪，会在第271帧跟丢目标;而当采用了中心加权方法修正模板，会在第891帧跟丢目标;若再加入基于滤波与预测的模板图像更新策略，跟踪可以稳定持续到最后一帧。实时性方面，优化前的匹配运算次数为（256-21+1）×（256-14+1）＝57348;优化后的匹配运算次数为32+32×80＝2640;可以看到运算速度的提高十分明显。实验结果充分说明了本文方法在红外弱小目标识别上的优越性，如果还能充分利用目标的帧间运动信息，更将极大地提高本方法的稳定跟踪能力。部分实验结果见图3。

责任编辑：gt