基于模型选择的多尺度目标跟踪方法研究

This project focuses on the multi-scale object tracking problem in image homing. Firstly, the effective features are used to construct to object model in the different scales. Then, image information entropy is used to determine the jumping time. The object template is updated by the smart strategy, tracking the object fast and robustly by the simple searching. This can improve the tracking ability in the image homing seeker and the accuracy guiding, and enhance the optical guided weapons effects. The implementation and the expected results of the project will have a broad theoretical basis for the application of the prospect research, and have the important purport to push on the optical guided weapons development and improve the research in the related areas.

该项目主要针对成像末制导中多尺度目标的鲁棒跟踪问题，首先设计并选择有效特征集来描述目标，建立不同尺度上的目标模型；然后在跟踪过程中，根据图像信息熵，确定各种目标模型之间的跳转时机；最后，采取灵活的策略来更新目标模板，通过简单快速的搜索方式，实现多尺度目标的快速鲁棒跟踪，从而改善成像末制导中对目标的跟踪能力，提高光电导引头的命中精度，增强光电制导武器的作战效能。显然，本项目的研究无疑是一项既有理论意义又有广阔应用前景的应用基础研究课题，对推进光电精确制导武器的发展和提升相关技术领域的研究水平具有十分重要的意义。

本项目主要在针对成像末制导中的多尺度目标鲁棒跟踪问题展开研究。（1）在尺度目标描述方面。提出了动态特征和静态特征自适应融合的尺度目标描述方法。通过误差度量自适应提取动态特征，以及目标区域静态特征，构造权重融合函数有效地融合动态特征和静态特征，利用融合权重构造协方差矩阵估计误差椭圆，准确描述目标尺度和方向，实现对目标精确表示；通过在线参数更新机制对权重分配参数进行在线更新，实现动态特征和静态特征分配的自适应调节，能够适应目标运动速度的变化和场景变化，解决背景复杂和快速移动的跟踪问题。同时，还提出了一种多尺度模型，在传统Mean Shift 框架内，通过综合多尺度模型、三维空间直方图和背景加权策略，将传统Mean Shift 跟踪从二维平面拓展至三维空间，进而将二维图像平面内的尺度估计问题转化为三维图像空间的位置估计问题，较好地解决了传统Mean Shift 跟踪算法的尺度自适应问题。实验结果表明，所提算法比传统MeanShift 跟踪算法及其改进算法具有更优的尺度自适应性能。（2）在尺度估计方面。提出基于不对称高斯混合模型配准的尺度估计方法。不对称高斯混合模型配准把上一帧和当前帧图像的特征点集分别作为高斯混合模型高斯重心和数据点,并将特征信息与空间信息相融合;通过比较数据点与高斯混合模型高斯重心之间的相似程度,对两帧图像之间的点集进行配准,得到当前帧中可靠的特征点;点集的离散程度充分反映了目标尺度大小,通过仿射变换计算图像离散度比例变化,可以准确地估计出当前帧目标框的位置和尺度.实验表明,该算法对目标尺度变化具有较强的自适应性,并且在发生光照变化、复杂背景时,也可以达到很好的效果（3）在尺度目标搜索方面。提出了基于快速傅里叶变换的尺度目标跟踪方法。基于快速傅里叶变换的尺度目标跟踪方法利用核岭回归建立尺度目标的跟踪模型，通过快速傅里叶变换实现对尺度目标的实时跟踪。该方法在初始帧中，通过手动标注获得训练数据，建立目标跟踪的核岭回归模型，获得跟踪结果后不断更新该模型，适应目标在空间和尺度上的变化；构造循环矩阵，利用卷积定理，将时域求解转换为频域求解，提高算法效率。实验分析表明，本文算法能够实时跟踪目标，适应目标和背景的变化；与其它算法相比，本文算法能够在目标尺度变化情况下，获得更好的效果。本项目的研究对成像末制导中的多尺度目标的描述与搜索具有重要的理论意义和应用价值。