2013年2月
南京理工大学学报
JoumalofNanjinguniversityofscience觚dTechnology
V01．37No．1Feb．2013
基于贝叶斯概率的运动目标识别方法
许敬，王晓锋
(南京理工大学智能弹药技术国防重点学科实验室，江苏南京210094)
摘要：为了能够简单并且有效地识别红外图像序列中的运动目标，提出了一种新颖的基于贝叶斯概率计算的目标识别方法。在初始帧中利用相关算法实现对目标的初始定位，分析当前目标识别属性，建立判别函数。计算当前帧中连通区域的概率判断其为目标类或者背景类。对当前帧中的目标定位后，更新模式向量，用于下一帧中该类目标的识别。实验结果表明，该方法根据目标的识别属性，通过概率计算能够快速有效地识别运动目标，计算量小，所涉及的算法适于嵌入式系统实现，具有较好的鲁棒性。
关键词：运动目标；红外图像序列；目标识别；贝叶斯概率；鲁棒性
中图分类号：TP391
文章编号：1005—9830(2013)01—0076—05
ethodofmRecogIlitionmo订ngtargetusingBayesian
probabilitytheory
Xu
(ZNDYof
Abstract：Torecognize
targetinthe
Jing，WangXiaofeng
hina)Laboratory，NUST，Nanjing210094，C
MinisterialKey
elmovingta略etssimplyande娲cientlyini迸}aredimagesequences，anoV
on
ethodbasedrecognitionm
Bayesianpmbabilitytheoryisproposed．Theta唱etinitialposition
to
ori舀nal
eisobtainedusingthecorrelationmimagefhmatchingELlgorithm．Accor出ng
thetarget，thedecisionfunctions
current
are
the
recognitionpropeniesof
established．TheclaSsi6cationofthe
connectedregionsinthe
vectornext
fr啪e
is
dete珊ined
bycalculatingBayesianpI．0bability．Thepattem
current
isupdatedafterthenewta唱etis10catedinthe
fhmefortheta唱etrecognitioninthe
fhme，andthepurposeofmentalresultsshowthat：ovingtargetrecognitionisachieVed．Experim
to
according
therecognizedproperties
andpmbabilitycalculation，the
method
can
recognizethe
ithlowcommovingta玛etfastandefkctivelywputationalcomplexity，andalsothealgorithmusedissuitableforembeddedsystemcomplementationandhasstrongmbusticity．
Keywo“Is：movingta唱ets；infraredimagesequences；targetrecognition；Bayesianprobability；robus—
ticitv
收稿日期：2011—11—13修回日期：2012—05—13
作者简介：许敬(1984一)，女，博士生，主要研究方向：成像引信探测与目标定位，E-mail：nlole@163．com。引文格式：许敬，王晓锋．基于贝叶斯概率的运动目标识别法[J]．南京理工大学学报，2013，37(1)：76—80．投稿网址：http：／／njlgd]【)【b．papemnce．org
总第188期许敬王晓锋基于贝叶斯概率的运动目标识别方法
77
当前，现代武器系统正朝着高抗干扰性和精
确打击技术方向发展，为获取及利用更多的目标
和环境信息，成像探测及自动目标识别
(Automatic
target
recognition，ATR)技术逐渐成为
当代军事技术的研究热点…。模式识别作为一
门处于快速发展中的学科在自动目标识别中得到广泛应用。
根据样本的属性特征，建立数学模型，进行判别分类是模式识别研究中的重要方法口J。丁莹
等人∞o提出了一种新颖的融合红外图像的亮度
和纹理特征进行运动目标检测的算法，通过将图像的亮度特征与局部二元模式纹理特征相结合进行运动前景／背景分类，实现了较为准确的目标提取。吴刚等人H1在研究纹理特征属性的基础上，
提出采用灰度共生矩阵纹理特征进行目标跟踪的方法，并在相似性颜色的遮拦与抗扰动、处理时间
等方面表现出良好的属性特征。Shaik等人在文献[5，6]中提出一种基于贝叶斯概率的运动目标检测方法，根据相邻帧中运动目标的运动连续性，
提取目标和图像帧中连通区域的亮度信息，进行相似性判别，从而实现目标的检测和跟踪。shaik等人提出的算法中需要地面提供的数据进行目标的初始位置的定位，仅仅利用了目标的亮度信息进行目标的分类，并且没有给出目标检测概率的具体实现算法。本文在Shaik等人的基础上，对
算法的理论进行了完善，通过红外图像序列中目
标的运动特性，增加了面积和位置信息的识别特
征属性，给出了判别函数的明确表达式，以期进一
步提高运动目标检测的有效性和准确性。1
数学基础
本文利用频域相关系数对红外图像序列初始
帧中的目标进行定位，然后通过概率计算对后续图像帧中的运动目标进行识别。为了更好地说明
本文提出的算法，下面先将涉及到的频域相关计算方法、模式识别和贝叶斯理论进行简单介绍。
1．1频域相关
相关是图像模板匹配中常用的一种方法。假设J(戈，y)是一幅包含感兴趣目标或区域的图像；J(x，y)为所感兴趣的目标或区域(通常被称为模板)。检测，(z，)，)中是否包含感兴趣的目标或区
域，可对j(戈，y)和'，(戈，y)进行相关计算，如果匹配，则两个函的相关值会在．，(戈，y)找到J(戈，
)，)中相应点的位置上达到最大。
假设J(戈，)，)大小为M×Ⅳ，．，(戈，)，)大小为．，×K。时域中的图像相关计算表达式。71
c(戈，y)=，(戈，)，)√(戈，y)乏∑m，￡)．，(戈怕，y+f)
(1)
式中：石=O，l，2，…，孵一1，y=O，1，2，…，Ⅳ一l，和式
代表图像J(戈，y)和．，(z，)，)相互重叠的地方。
与卷积定理相类似，时域中的相关计算同样可以转换到频域中进行计算。令J7(“，∥)和‘，7(u，w)分别表示，(戈，y)和．，(戈，)，)的傅里叶变换。空间域的相关J(戈，y)。-，(戈，y)和频域的乘积
，”(u，秒)．，7(u，秽)组成一个傅里叶对，表达式如下：
，(戈，y)。．，(戈，y)铮J”(u，”)．，’(u，秽)
(2)
空间域的相关可由，”(“，秽)，’(u，矽)的傅里叶的
反变换得到。，”是，’的复共轭。1．2模式识别
模式识别实质上是一个分类问题，它是将一
个未知模式判定为已知类别中的一种。令x=
(石。，z：，…，x。)1代表一个n维模式向量。对形个模式类∞。，∞：，…，∞甲，决策理论模式识别的基本问题是依据属性寻找形个判别函数d。(x)，
d：(X)，…，d彤(X)，如果模式X属予类∞i，则d。(X)>d，(X)，=1，2，…，形J≠i
(3)
一个未知的模式x被称为属于第1个模式类，只有当把x代入所有判别函数后能得到d：(X)的最大值时才成立。1．3贝叶斯概率
贝叶斯概率是模式识别中常用的概率方法，
是用先验概率和当前观测信息计算后验概率。贝叶斯方法是协调先验信息和当前信息的一个统一
方法。
贝叶斯公式的表达式如下：p(∞。IX)=p(XI∞。)p(∞。)／p(X)
(4)
式中：p(∞iIx)是后验条件概率，即在已知模式向
量x发生的情况下类∞。发生的概率。p(xI∞i)是x关于∞i的似然函数，即x在发生∞。的基础
上的发生概率。p(cE，i)是∞，的先验概率，p(x)是证据因子，表达式旧1如下：
妒
p(x)=∑p(x㈨)p((cJ。)
(5)
对于0—1失效函
的贝叶斯分类器即下列
函的决策值的计算：
78
南京理工大学学报
第37卷第1期
di(X)=p(】，／％j)p(∞j)
i=1，2，…，形
(6)
当某个类的决策函数值最大时，把模式向量x归属于该类。
2贝叶斯概率识别运动目标
本文的算法以红外图像中的运动目标为研究对象，并且基于两个假设：(1)连续图像帧中，目
标的运行具有连续性，不会出现瞬间的大位移变
化；(2)目标比周围的环境辐射出更多是热量，在
图像中有更高的亮度。这两个假设，对于高空中飞行的飞机或者是地面移动的装甲目标是成立的。通过在地面上拍摄空中的飞机作为本文的红外图像。
2．1算法描述
虽然利用相关算法可以完成对目标的跟踪，但需要庞大的数据库，并且要求实时对红外图像序列与形态各异的目模板图像进行相关计算，计算量大且复杂，因而在本文中，相关计算只是完成初始帧中目标的定位。频域相关计算如图1
所示。
图l频域相关算法流程图
利用贝叶斯概率计算识别红外图像序列中的
运动目标的方法可描述为：在红外图像序列的初
始帧中，利用模板匹配方法，检测目标，并在标定目标在图像中的二维坐标。假设已知目标的识别属性为z，，戈：，…，x。，则模式向量可表示为：x=(x，，戈：，…，z，)1’。若图像帧中含有形个运动目
标，则存在肌1个模式类别∞。，∞：，…，∞舻，∞州。
其中从∞。到∞甲对应着形个目标类，∞n。对应着背景类。在当前图像帧中，利用形态学图像处理方法，寻找所有连通区域，通过判别函数，判断当前帧中的连通区域属于哪一个类别；若为目标，则定位目标，提取并更新模式向量，用于下一帧中该类目标的识别。算法流程如图2所示。
红外图像初始帧II目标模板II当前帧
运动目标初始定位ll寻找所有连通区域提取目标属性
I提取连通区域属性
建立判别函数
—／—＼—1一
：最大概率＼／
?：
1
1斤
L定位目标—钢一I
图2运动目标检测算法流程图
需要注意的是，由于一些连通区域是由于图．2目标识别特征量
模式识别的正确与否很大程度上取决于目标(1)灰度值。由于红外图像中目标比周围环(2)像素数。虽然在弹载情况下所拍摄到的(3)位置信息。根据在连续帧中目标的运动
．3贝叶斯概率计算
把前一帧中的目标映射到当前帧中，计算当目标从前一帧移动到当前帧位置的概率可
一一fo似瓣max(献鬻))
．『=1，2，…，n
(7)
通过寻找概率最大点，确定目标的新位置。
像中的噪声或者背景引起的，为了减小后续计算
量，在提取当前帧的连通区域后，可采用尺度滤波器，滤除小于某阈值的连通区域。2特征的选取和测定。这里采用已知目标的部分统计特征作为检测后续图像帧中目标的判断依据。所选择的目标特征量如下：
境具有更高的亮度值，而且在相邻图像帧中，目标的灰度信息不会发生很大的变化，因此灰度信息是作为模式向量中一个元素的很好的选择；
红外目标图像序列中，随着弹目距离的变化，伴随着目标成像尺度的变化，但是在相邻图像帧，目标
成像面积不会发生突变，因为像素数仍可作为模
式向量中的一个元素；
连续性，在模式向量中可加入相邻帧中目标的移动位置信息。
2前帧中保留的连通区域与已知目标的识别属性的绝对差异，差异越小，说明目标的可能性越大。
写成
总第188期许敬王晓锋基于贝叶斯概率的运动目标识别方法
79
其中肼表示当前帧中乃个潜在的目标位置的概率，由3部分组成，如式(8)所示。
p，：『2p‘)(pr，)(pr。
，nf!z￡厶wⅢ沥n、．
pri
2pr(面五乏忑i)I咻j一啪咖”(”)prl。，pr(，磁面亢蕊t鼬如，l、．
)I(8)
图4单目标跟踪
，，lf!龙t
Zo衄f面儿、．
p7。2pr【磊五磊五i)l
s撕埘帅-，咖m(m(引”)
)
式中：pri表示目标亮度信息变化的权重概率。因为在目标移动的过程中，亮度信息可能会发生一定范围的改变。根据前一帧图像中目标的亮度信图5双目标跟踪
息，与当前帧中的高亮度区域进行比较，亮度差值为了更好地说明算法的性能，将部分实验结
越小，该权重概率就越大。pr，是前一帧图像中的目标位置映射到当前帧中，计算当前一帧中保留果的数据绘制胁一m曲线，如图6所示。其中
假阳性(Falsepositives，FPs)与真阳性(True的连通区域到该位置点的距离，距离越小，该概率positives，11Ps)的定义如下。假如识别到目标，并
就越大。pL表示当前一帧连通区域的像素数与目标的相关程度，像素数越相近，则该概率就越且它是真的目标，则卵值累加1；反之，若它不是
大。当连通区域的pr值达到最大时，则该连通区
真的目标，则即累加1。注意到图6中的性能曲
线不同于传统的ROC曲线，原因如下：根据即和
域就是前一帧目标在当前帧中的位置。
卯的定义，假如在100帧图像序列中，算法识别真正的目标次数为80，则即=80，即=20。另外
在本文中，真阴(’rmenegative，TN)意味着把真正的背景识别为背景类的次数。而在本文中正确识别运动目标的同时也就意味着判别剩余的部分为
前一帧中目标位置
背景类，即州=即。与此相类似，对于假阴
图3距离和尺寸信息概率示意图
(False
臁为分别计算正确识别目标的次数，和错误识
negative，FN)，州=即。在本文中，m和
2．4实验结果
别目标的次数。假如一个序列中含有多个目标，
为了验证基于贝叶斯概率的运动目标识别算则独立地计算所有目标的m和胁。注意到
法的有效性，通过拍摄含有运动目标的红外图像图6中的高累积的即是因为在一些帧中，某些目
序列进行了仿真实验。红外图像是采用8～14标短暂地出现，随后又消失造成的。
斗m红外热像仪拍摄的以傍晚天空为背景的飞机70目标，图像大小为320×240，共拍摄了20组图像60序列。基于MA711JAB软件仿真，对这20组图像5040序列分别进行了运动目标的识别。
30图4和图5分别所拍摄的图像序列中，包含20单目标和双目标的部分实验图像。
lO
图4为单目标跟踪试验结果。其中第一帧图0
2468lO1214
像中的方框代表基于相关匹配后检测到的目标位假阳性累积和
置，后面两帧中的方框表示利用贝叶斯概率计算图6部分运动目标识别结果ROC曲线
得到的目标位置。从实验结果可看出，该方法可简单有效地识别运动目标。图5为双目标的情况3
结论
下进行的仿真实验，在两个目标离得较远的情况下，该算法同样可有效地识别目标。
本文提出从贝叶斯概率计算的角度识别红外
80
南京理工大学学报
第37卷第1期
图像序列中运动目标，在初始帧中利用模板匹配对
运动目标进行初始定位，通过分析已知目标识别属性，并假定其在相邻图像帧中不会发生突变的基础上，建立判别函数。提取当前帧中的连通区域，通过判别函数，判断当前帧中的连通区域的类别，如目标类或者背景类。在当前帧中定位目标后，更新模式向量，用于下一帧中该类目标的识别，从而达到跟踪目标的目的。本文在传统的运动目标识别方法的基础上，展开了一种较为新颖的思路。该方法计算量小，鲁棒性好，使用灵活，有较好的目标跟踪效果，易于并行处理和硬件实现。
文中的研究对象为红外图像中序列的运动目于贝叶斯概率的运动目标识别方法较为局限的地方。红外目标的模式向量主要包括灰度值、像素数和距离信息，通过扩展模式向量中的元素，如颜色、体积、纹理等目标属性，该方法同样可应用于可见光图像中的运动目标的识别。参考文献：
葛炜，曹东杰，郝宏旭．红外制导技术在精确打击武器中的应用[J]．兵工学报，2010，31(z2)：117—121．
GeWei，CaoDon西ie，HaoHong-xu．AppIicationofIR
contIDl
柏dguidaJlce
techrlology
in
precise
attack
weapons[J]．Acta
A珊砌entarⅡ，2010，3l(Z2)：117
—121．
[2]齐敏，李大健，郝重阳．模式识别导论[M]．北京：清
华大学出版社，2009．
[3]
丁莹，李文辉，范静涛，等．基于模糊积分特征的红外图像运动目标检测算法[J]．吉林大学学报(工学版)，2010，40(5)：1330—1335．
DingYing，“Wenhui，FanJin昏ao，eta1．Fuzzyintegralfeature
based
algorithmfor
moving
i—’rared
object
detection[J]．Jo哪al
of
JilinUniversity(En百neering
andTbchnok，gy
Edition)，20lO，40(5)：1330一1335．
[4]吴刚，唐振民，程勇，等．灰度共生矩阵纹理特征的运动目标跟踪方法[J]．南京理工大学学报，2010，34(4)：459—463．
wuGang，Tangzhenmin，chengYong，et
a1．0bject
tl?ackingmethodbased
on
gray
IeveIco-occuⅡ℃nce
matrix
texture
ch砌cteristic[J]．J0umal
of
Nanjing
UniveIsityofScienceand
Technology，2010，34(4)：
459—463．
5]
ShaikJ
S．mekh删ddin
KM．Probabilisticdetection
aJldtmckingofIRtargets[A]．Phot叫icD
evices蛐dmgorithmsfor
computing[c]．Beuingh锄，usA：sPIE
Press，2004：90—101．
6]
ShaikJ
S，Iftekh删ddin
KM．Detection锄dtrackingof
targets
in
infraredimages
usingBayesian
techniques
[J]．Optics＆LaserTechnolog)r，2009，41(6)：832
～842．
7]
GonzalezR
C，W铂ds
R
E．Di百tal
imageprocessing
[M]．3rd．Beijing：Publishing
House
of
Electmnics
Industry，2010．
8]郭晓松，李奕艽，郭君斌．贝叶斯目标跟踪方法的研究[J]．计算机工程，2009，35(12)：137—139．
GuoXiaosong，¨Yipeng，GuoJullbin．Researchon
Bayesian
target
tracking
method[J]．
computer
En舀neering，2009，35(12)：137—139．
标，目标与背景之间有较大的亮度区别，这也是基[[[[
因篇幅问题不能全部显示，请点此查看更多更全内容