足球比分直播

基于改进粒子滤波的红外弱小目标检测前跟踪算法.pdf

返回
基于改进粒子滤波的红外弱小目标检测前跟踪算法.pdf_第1页
第1页 / 共57页
基于改进粒子滤波的红外弱小目标检测前跟踪算法.pdf_第2页
第2页 / 共57页
基于改进粒子滤波的红外弱小目标检测前跟踪算法.pdf_第3页
第3页 / 共57页
基于改进粒子滤波的红外弱小目标检测前跟踪算法.pdf_第4页
第4页 / 共57页
基于改进粒子滤波的红外弱小目标检测前跟踪算法.pdf_第5页
第5页 / 共57页
点击查看更多>>
资源描述:
基于改进粒子滤波的红外弱小目标检测前跟踪算法AB STRACTIn modem warfare,the key to win is who can detect lhe enemy threat earlier.Comparedto the actiVe tracking mode of early radar systems,the infrared detection system’s passiVetracking mode has a broader application in the military field.But gray images obtained by theinfrared detection system,which contain smaU targets often exist problems of non-1inearobseⅣations and low SNR.These bring serious challenges to smaU target deIection andtracking.The main pu叩ose of this paper is to proVide an ef托ctiVe to solVe smallinftared targeC detection and tracking problems in the complex background.1Yack before detectTBDalgorithm first tracks all suspicious targets which containednoise,then get rid of false ta唱ets by continuous filtering,finally reach the pu叩ose of smalltarget detection and tracking.This paper uses particle filterPFwhich applies to nonlinearsystems to achieVe small infared target detection and tracking. In order to reduce thecOmplexity of the algoriIhm and improVe the tracking accuracy’PF impr0Ved a190rithm ispresented according to characteristics of the target tracking model.This paper first introduces the basic theory of particle filter,and then discusses itsexistting problems and what improVed s can solVe these problems.Simulation resultsshOw that the panicle filter algorithm haVe the superior perfbmance in the case of nOnlinear,non.Gaussian. Based on these achieVements, marginalized particle filter algorithm isresearched because target tracking models Often contain both linear and nonlinear state Vector.This algorithm respectiVely estimates 1inear and nonlinear state by means of optimal Kalmanfilter and particle filte r.At the same Iime,introduce MCMC steps to alleViate the problem ofpanicle degradation.Besides,this dissenation proposed an effectiVe by adjusting thenumber of particles adaptively to reduce the algorithm’s computation.Simulation results aboutpure angle target tracking Verify the proposed algorithm is effectiVe.And then TBD a190rithmbased on particle filter is studied.Create a Vinual inffared simulation scene,compare thetracking perfonnances of PF-TBD algorithm, MPFTBD algorithm,MPF-MCMC_TBDalgorithm and AMPFMCMCTBD algorithm in diff色rent conditions.Finally difl’erentalgorithms are applied into 32 real infrared image sequences.Before compare different哈尔滨工程大学硕士学位论文a190rithms’tracking precision aIld realtime,grayscale mo印hology filtefing is used to inhibitmuch back孕ound noise in in仃ared images. Experimental results show that theAMPFMCMCTBD algorithm has better comprehensiVe propenies.1【ey wOI.ds infrared image sequences; tract befbfe deteCt; panicle filIer; 铲ayscalemo叩hology filtering;j蜘印tiVe s锄ple size第1章绪论1.1课题背景及意义第1章绪论相对于过去短距离的火力作战方式,随着军事技术的飞速发展,在现代战争中,如何使探测系统尽早的发现远距离的目标,锁定与跟踪目标,并实施有效的打击才‘是制胜的关键。早期的目标探测系统主要是雷达成像系统,但是由于雷达本身存在的对外辐射特性,使得这种主动探测系统很容易暴露自身目标而受到对方攻击,在战争中受到严峻的威胁。二十世纪六十年代起,广泛应用于军事领域中的红外成像技术,因其隐蔽性好,成像精度高,抗干扰能力强等优点,得到越来越多国家国防部门的重视11|。然而,因为远距离获得的红外图像中目标较弱小,可利用的目标形状、尺寸、纹理等信息量较少,而成像效果又常常受到复杂背景的影响致使目标淹没于大量噪声中,加之目标状态与观测量之问存在的强非线性关系,这些都加剧了红外弱小目标的检测与跟踪难度。可见,研究与探索红外弱小目标检测与跟踪技术,寻求一种好的方法来解决检测与跟踪中所遇到的问题,并能够有效的运用到军事中,提高防御系统的战斗力具有重要的意义。本章主要针对红外弱小目标检测与跟踪技术中,目标小,图像信噪比低,目标状态与观测量间的强非线性等问题,结合近几年的研究理论,论述了粒子滤波算法的发展与应用,及弱小目标检测与跟踪方法的概述。1.2粒子滤波的发展与应用1.2.1国内外研究现状粒子滤波算法是近几年发展起来的现代非线性滤波算法中学者们最为关注的一类滤波方法,它在蒙特卡罗思想,递推贝叶斯估计的基础上演进而来,对处理非线性、非高斯系统滤波问题优势显著,而且完全突破了Kalman滤波理论框架对系统过程噪声和量测噪声的限制。早在二十世纪五十年代末,Hammerslev和Monon等人就提出了基本的基于贝叶斯抽样估计的序列重要抽样sequentialimponance sample,SIS方法12J,并于六七十年代在自动控制等领域得到了应用与发展【3,4J。但是受多次迭代产生粒子退化及计算量大等问题的制约,这一算法并没有引起人们的足够重视,直到1993年Gordon和Salmond在SIS算法的基础上,提出在迭代过程中引入重采样思想来克服粒子退化问题的白举粒子滤波bootstrap particle filter算法15J后,粒子滤波算法力真正意义上引起各国哈尔滨工程大学硕士学位论文学者的研究热潮,而且随着计算机运算速度越来越快,粒子滤波算法的物理实现已不是问题。2000年,Doucet等人在前人研究的基础上给出了基于SIs的粒子滤波的通用描述,另外也证明了粒子滤波算法在采样粒子足够多时趋于收敛,收敛速度不受状态维数的限制【61。这些都是进行现有粒子滤波算法研究的前提。因为粒子滤波算法在非线性、非高斯系统良好的应用前景,国内外学者一直致力于对该算法本身存在的缺陷的改进,以及将现有研究成果应用于实际的生产生活中。在粒子滤波算法改进方面,一直以来该算法主要存在两大缺陷,缺陷一是随着迭代次数的增加,产生粒子退化现象,重采样是使粒子退化的影响尽量减小的有效办法,但样本枯竭问题随之而来,针对这一缺陷,学者们一般从两方面进行改进,其一选择充分利用最近的观测信息的重要性函数,提出分别用EKF、UKF、GHF做重要性函数的扩展Kalm锄粒子滤波算法但Ⅺ,F、无味粒子滤波算法uPF【7】和高斯.厄米粒子滤波算法GHPF‘81,文献【9】采用似然函数作为重要性函数,文献【10】采用先验转移密度的退火形式作为重要性函数;其二是重采样算法的改进,重采样.移动算法111】、正则粒子滤波RPF【121、辅助变量粒子滤波AvPF【13】、裂变自举粒子滤波FBPF【14l等都是在降低粒子退化带来的影响的同时增加粒子的多样性。缺陷二是粒子滤波的实时性问题,理论证明该算法的滤波精度和粒子数成正比,而粒子数的不断增加导致算法的计算量呈级数增长,解决实时性问题是将该算法应用于工程中的前提。目前,降低粒子滤波计算量的方法主要有自适应粒子滤波APF【151、实时粒子滤波RTPF【16】和边缘化粒子滤波MPF【17】。粒子滤波算法目前的应用领域也极为广泛,涉及机动目标的检测与跟踪,机器人定位,无线通信,计算机视觉,故障检测等多个方面,近几年来新方法,新技术层出不穷。1.2.2主要应用领域粒子滤波算法因其不受系统模型的限制和在强非线性状态估计问题上表现出的优势,在众多领域都激起了学者们的研究热情,其应用主要有以下几个方面1.目标跟踪与定位动态系统状态估计问题中最具代表性的就是目标跟踪与定位,其多数系统模型的强非线性使得粒子滤波算法在该领域占有巨大的优势。对于线性、高斯假设条件难于满足的纯角度跟踪问题,Gordon等【18l验证了粒子滤波算法可以有效解决这种跟踪难题,并能保证一定的跟踪精度,随后,针对目标跟踪问题出现了许多基于粒子滤波的研究成果,如在军用方面将粒子滤波算法应用于无人机电视导引系统【19】,单站无源跟踪120】,可变多目标跟踪等;粒子滤波算法在民用领域,包括汽车定位,通过地图匹配实现飞行器定位、第1章绪论导航、跟踪,潜艇导航探测等也有应用前景。从当前粒子滤波应用于目标跟踪的研究成果可以看出,该算法对解决目标跟踪中的非线性问题有重要贡献。2.无线通信与信号处理粒子滤波算法被广泛应用于无线通信领域中的多用户检测【221、0FDM系统盲均衡【23】、平坦衰落信道中的盲检测、衰落信道信号解调【241、盲解卷【25】和信道编码与估计f26】,此外,P.M.Djuric和J.H.Kotecha等回顾总结了粒子滤波算法在无线通信中的应用【271。粒子滤波在处理具有典型的非高斯、非平稳特征的语音信号方面有许多应用,如语音信号识别【2引、语音信号增强【29】、语音信号分离【30】、语音跟踪【31】等。3.计算机视觉随着科学技术的发展,日常工作大部分可以由计算机来协助完成,其中计算机视觉领域因其在国民生活中潜在的应用价值得到了众多学者的关注。而只有采用对非线性系统处理能力较好的滤波方法才能有效解决因序列图像跟踪建模系统的非线性、非高斯特性带来的失跟、误跟现象,因此粒子滤波算法在计算机视觉领域取得了丰硕的研究成果。而真正将粒子滤波算法首次应用于这一领域的是Isard M【32】,近几年主要对智能机器人【33】、人脸跟踪【341、医学图像分析【351和视频安全监控【361这些与生活息息相关的方面研究甚多。从上述研究成果可以看出,粒子滤波算法在国民生活中的发展前景。4.故障诊断小到工业生产中的设备,大到航空航天器,故障诊断是保证系统设各安全、可靠的重要手段,故障诊断为实时检测、定位、排除故障提供了有力的保障,因此故障诊断国内外研究持续升温。现在的系统设备多为非线性系统的复杂结构,多处于非理性高斯环境中工作,因此在非高斯非线性系统有着明显优势的粒子滤波算法是解决故障诊断问题的一种有效算法。文献【37】系统研究了基于粒子滤波的故障诊断方法,文献【38】和【39]将粒子滤波算法具体应用到数字电视系统和齿轮箱的故障诊断中,此外,在国家自然基金会支持下的火星计划中,为了解决多种故障诊断问题,研究人员又将RSPF、vRPF和MPF三种基于粒子滤波算法的互补算法用于火星探索飞行器的状态估计中【40’。5.金融数据分析在金融领域中如风险投资最优决策、证券投资走向分析、最佳收益率等问题要处理大量的历史数据都可归结为模糊随机时变系统【41|,粒子滤波的思想完全适用于解决类似金融问题。文献f42刊哿粒子滤波算法应用于高频金融时间序列的预测,实证效果良好,文献【43】针对热门的期权定价方法提出了一种基于混合卡尔曼粒子滤波算法,文献【44]对风险估值问题用粒了滤波算法给出了研究结果,这些虽然尚处于初级探索阶段,但是哈尔滨工程大学硕士学位论文都预示着粒子滤波算法在该领域光明的前景。1.3红外小目标检测算法概述现代战争对红外成像武器系统的发现距离和探测灵敏度提出了更高要求,如何在战争中获得更多的预警时间来确保战争优势,远距离的红外目标的探测性能就显得尤为重要。对于远距离目标,通常在成像平面内看到的是点状【删形态的小目标,只占一个或几个像素,几何尺寸小到没有任何形状结构信息,而由红外传感器接收到的远距离目标图像,受红外波段频率低和大气传输过程中吸收散射影响,对比度较差,分辨率较低,噪声和杂波往往很强,目标常淹没其中,图像信噪比很低,这给红外弱小目标的检测与跟踪带来了难度。现有的研究算法主要是利用下面两个红外图像小目标可提取的特征来实现红外弱小目标的检测与跟踪。1、目标的灰度特征与图像背景分别占据图像空间频域的高频和低频部分,两者不相关【钥。2、目标与噪声的位置在多帧连续序列图像中不相关,目标位置因其连续运动具有一定的规律性,而噪声出现的位置在多帧序列图像中却是随机的。根据以上两种特点,目前采用的红外弱小目标检测算法【47】按所利用的空间信息和时间信息的先后顺序,分为跟踪前检测Detect before TraCk,DBT算法和检测前跟踪,nackbefore Detect,TBD算法两类。DBT算法的基本思想是先对每个单帧图像进行背景抑制,然后根据单帧图像设定的检测门限确定出可能的目标,之后将可能目标与多帧图像目标运动航迹相关联,实现目标的跟踪;与DBT算法不同的是,TBD算法同样在图像背景抑制的基础上,采用一种非相参积累思路,先不进行单帧门限检测,而是对所有可疑目标进行跟踪,待目标能量在跟踪多帧积累到一定程度后,再做目标有无的判断,这种算法也可被看作一种序列弱小目标图像增强算法,其目的是提高对低SNR图像中弱小目标的检测能力【4刚。表1.1对两种算法的检测性能作了对比。从表1.1可以看出在所获得的红外图像信噪比低的情况下,11BD算法更适用于检测弱小目标,因为此时获得的图像小目标淹没在大量的背景噪声中,DBT算法在进行目标判定时,如果检测门限设置的不恰当,过低可能造成部分背景和目标混淆,过高可能造成目标被滤除掉,这都对最终的跟踪结果造成了影响。4第1章绪论表1.1 DBT与TBD检测性能比较跟踪前检测方法DBT 检测前跟踪方法TBD1门限处理降低数据量,简化跟踪 1虚警概率低,检测概率高2算法简单 2抗干扰能力强优3实现容易 3适用于信噪比较低的弱小目标占、4实时性强 4避免了经典跟踪处理中的观测与航迹的数据关联问题1抗干扰能力差 1需要多帧检测,算法较复杂缺占2虚警概率高,检测概率低 2计算量较大,存储量较大、3适用于信噪比较高的小目标 3硬件实现较难当前国内外已研究的TBD检测方法有很多,比较典型的有基于三维匹配滤波器方法,基于Hou曲变换的方法,基于多级假设检验方法,基于动态规划方法和基于粒子滤波方法,除此之外还有基于高阶相关方法,基于帧相关法,基于时域滤波方法等【4¨。表1.2对其中几种典型的TBD检测算法进行比较【46】表1.2典型的TBD检测算法TBD算法 目标运动形式 量测噪声 累积方式 轨迹确认准则匀速直线运动 滤波器的输出三维匹配滤波 高斯 匹配滤波速度已知 信噪比序贯截断假设多级假设检验 匀速直线运动 高斯 灰度累加检验结果匀速直线运动 评价函数动态规划 高斯 评价函数弱机动 构造匀速直线运动 高斯 目标存在概率或粒子滤波 滤波跟踪机动 非高斯 累积似然比与上述其他TBD算法相比,基于粒子滤波的TBD检测算法更适用于解决强非线性、非高斯环境下的弱小目标检测与跟踪问题,因此受到了国内外学者的争相研究。要想保证粒子滤波算法的检测与跟踪性能,需要采用大量的粒子,随之带来的是巨大的运算量,因此该算法目前大多处于理论研究中,那么如何对基于粒子滤波的TBD算法进行改进,降低运算量,并将其运用于工程中是未来研究的思考方向。哈尔滨工程大学硕士学位论文1.4本文研究内容及章节安排本文主要是对现有的粒子滤波算法进行改进,重点用改进后的样本数自适应的边缘化粒子滤波检测前跟踪算法实现真实红外序列图像中弱小目标的检测与跟踪,并与改进前的算法做对比,主要分五章阐述,每一章的内容简要概括如下第1章以分析课题背景及研究意义为前提,对目前国内外学者在粒子滤波算法方面的主要研究成果及其应用领域加以叙述,并对红外弱小目标的两种检测方法进行对比,重点介绍了适用于低信噪比条件下弱小目标检测的检测前跟踪算法;第2章介绍了一下非线性动态系统模型,给出贝叶斯估计理论和蒙特卡罗方法的理论推导,重点介绍了以这两种理论为基础的粒子滤波算法,给出了算法的原理、流程,并对粒子滤波算法存在的问题及改进方法加以讨论,最后分别用粒子滤波、EKF和uKF算法解决强非线性,观测非高斯模型的状态估计问题,结果证明粒子滤波算法处理这类问题表现出的优势。第3章针对实际应用系统只有部分状态变量与非线性观测函数有关,提出了一种边缘化粒子滤波算法,该算法采用最优卡尔曼滤波估计线性状态,利用粒子滤波估计非线性状态,将两种滤波算法有效结合,得到线性状态的最优估计,降低了粒子滤波的状态维数,提高估计精度的同时降低了单用粒子滤波算法实现的复杂度。在此基础上,针对粒子退化问题,引入了MCMC移动步骤,并根据估计误差自适应调整粒子数目,以便降低算法的计算量。最后对纯角度跟踪问题进行算法仿真,结果证明了基于样本数自适应的MCMC边缘化粒子滤波算法的有效性;第4章用第3章提出的PF、MPF、MPFMCMC和AMPF.MCMC四种算法分别实现检测前跟踪,建立虚拟的红外仿真场景,在不同条件下对改进前后四种算法的检测跟踪性能进行对比,并对改进前后的四种算法做了性能分析;第5章用PFTBD、MPF.TBD和AMPF-MCMC.TBD算法分别检测与跟踪32帧真实红外图像序列中的小目标。算法能得到较好跟踪结果的前提是用灰度形态学Top-hat变换抑制了红外图像中的背景噪声,仿真结果表明AMPF.MCMC.TBD算法在综合各项性能指标的情况下更具优势。文章最后总述论文主要成果,并指出未来需要改进和继续研究的问题。6第2章粒子滤波算法2.1引言第2章粒子滤波算法现代滤波理论的形成始于20世纪60年代Rodulf E.Kalman提出的卡尔曼滤波Kalman Filtering,KF俐。滤波理论的建立是为了实现对系统状态的估计,其中需要对系统可观测信号进行测量、滤波。对于线性/高斯估计问题,卡尔曼滤波可得到系统的最优估计,然而随着工程实践中越来越多的非线性、非高斯问题的出现,无法用传统的卡尔曼滤波求解,基于递推贝叶斯估计理论的EKF、UKF、粒子滤波算法随之产生。但是EKF和UKF算法需要噪声服从高斯分布,而粒子滤波算法就不受这些条件限制,应用范围更广。所谓粒子滤波算法就是将从状态变量的先验概率分布产生的随机样本的权重大小通过最新观测值不断调整,然后将样本和其对应权重加权平均来近似状态的最小方差估计,贝叶斯估计和蒙特卡罗M彻te Carlo方法是其理论基础,当样本容量很大时,精度可以逼近最优估计【50J。为了对粒子滤波算法有更深刻的理解,本章由贝叶斯估计理论和蒙特卡罗方法作为理论铺垫,详细阐述了粒子滤波算法的原理及其亟待解决的问题,并通过两个非线性、非高斯条件下的仿真验证了粒子滤波算法的优势。2.2非线性动态系统模型如何准确分析、研究一个实际的动态系统,其中建立一种适当的模型来描述这个动态系统是至关重要的。状态转移模型和观测模型是动态系统模型两个必不可少的组成成分,它们能够描述系统的本质特性,其描述方式可以选用系统方程或概率密度p瓴I以一。和pz。k一。的形式。实际系统大多是非高斯、非线性或者混合线性、非线性状态空间模型,因此对于这类模型的研究更有实际意义。2.2.1非线性状态空间模型非线性非高斯状态空间模型是最常见的动态系统模型【5l】,其状态转移模型和观测模型可以用下式描述以厂黾书M一, 状态转移模型 2-1乙坼,v。 观测模型 2-2其中%∈筑“,z。∈倪“分别表示七时刻的状态向量和观测向量,咒。、H是状态向哈尔滨工程大学硕士学位论文量和观测向量空间维数,函数厂和Jll描述了状态变量和观测变量随时间变化的函数关系,p。k,扣。剧分别表示独立同分布的过程噪声和观测噪声。动态系统模型具有Markov特性,所以上述状态空间的统计描述方式满足1当前状态向量只与前一时刻的状态向量有关,即p气It-1,k一2,...,‰p吒l效一1 2-32观测量仅与当前状态向量相关,即pykI%,彳pytl气 24其中4表示状态向量以外的其他因素。2.2.2混合线性/非线性状态空间模型在目标定位和跟踪方面,观测变量的维数通常少于系统状态变量的维数,而且并不是所有的状态变量都与非线性观测函数有关,所以很多时候会采用混合线性/非线性状态空间模型,这类模型可以将系统状态变量磁分解成如下形式五㈥ 2-5其中,为线性状态变量,为非线性状态变量。一般混合线性/非线性状态空l司模型可由下式表示群,,”饼,七彳“W,尼磁G“雠,七以 2-6。,7雠,七4‘W,七废G。雠,七叫 2-7z。矗O,七cO,七K 2-8当过程噪声假定为白噪声和高斯噪声时其分布为%爱~Ⅳc。,g,,g。嚣厂鍪 c29,假定测量噪声中白噪声和高斯噪声均服从K~Ⅳo,R分布,此外是高斯噪声,服从一Ⅳ‰,昂分布,硝的密度可以任意。2.3贝叶斯估计理论贝叶斯估计的主要目的是利用先验知识和实际观测数据来构造未知系统状态的概率密度函数,即状态的后验概率密度是由最新的观测值不断修正由状态转移模型预测出的先验概率密度,从而递推得到的,其基本步骤分为预测和更新两步【181。1预测利用系统状态方程来预测状态的先验概率密度。在已知概率密度分布的初始值p瓴I%p‰和七一1时刻概率密度pk一。lz地一。的条件下,通过8
展开阅读全文
收藏
下载资源

加入会员免费下载





足球比分直播