摘要：红外图像是热成像，不受黑暗和烟雾雨雪等恶劣天气的影响，能够看到人眼中无法看到的目标，具有全天候工作的特点，已经被广泛应用于军事侦察、监控和制导等领域。此外，红外图像在民用领域也有着非常广泛的应用前景，如视频监控，辅助车辆驾驶等。由于人体目标的活跃性和特殊性，对人体目标的检测与跟踪有着很大的经济价值和军事价值，所以开展基于红外图像的人体目标检测与跟踪技术研究十分必要。
关键词：红外序列图像；ＦＡＳＴ；ＣＳ－ＬＢＰ；离散小波变换
1基于特征点的人体目标区域初定位
由于传统的基于视频的目标检测方法，在摄像机不固定的条件下，运算量过大且鲁棒性较差，因此在此基于单帧图像进行人体目标检测。本文采用先提取红外图像中的特征点，然后在特征点的邻域内搜寻人体目标的方法进行人体目标区域提取。
1.1基于ＦＡＳＴ算法的特征点
提取ＦＡＳＴ算法是一种运算简单的特征点检测方法，首先通过Ｓｅｇｍｅｎｔ－Ｔｅｓｔ算法来定义特征点：如果图像中以某一个像素点ｐ为中心，ｒ为半径的一个Ｂｒｅｓｅｎｈａｍ圆上，超过Ｎ个连续像素的亮度均超过像素ｐ某一阈值，或者低于像素ｐ某一阈值，则该像素ｐ处存在一个特征角点。在应用时，为了减少所提取的特征点的数量，将相邻的特征点进行合并。
1.2基于ＣＳ－ＬＢＰ算法的区域特性提取ＬＢＰ算法
首先是作为一种纹理操作的算子提出来的，并且在很多计算机视觉领域得到了很成功的应用。ＬＢＰ算法根据每个像素与其邻域像素的相对差值来描述该像素的特性，因此对由光线条件变化导致的像素值变化有很强的鲁棒性。如果邻域像素的亮度值大于或等于中心像素的亮度值，则该邻域像素对应的属性取值为１，否则取值为０。ＣＳ－ＬＢＰ算法［７］是比较圆周上每对中心对称的像素之间的亮度值，因此在ＣＳ－ＬＢＰ中，需要做的比较次数相对ＬＢＰ算法降低了１／２。图像中位于 （ｘ，ｙ）位置的像素ＣＳ－ＬＢＰ值可根据其邻域信息计算如式（１）所示：
.png)
式中：Ｔ为一个很小的阈值。根据式（１），ＣＳ－ＬＢＰＲ，Ｎ，Ｔ具有２ Ｎ／２个 可 能 取 值，因 此 整 个 图 像 区 域 上 的ＣＳ－ＬＢＰＲ，Ｎ，Ｔ值的统计直方图特征维数为２ Ｎ／２。在特征角点检测出来以后，需要在其周围确定一个图像区域，以根据该区域上的信息计算出用于描述该区域局部视觉特征向量。根据ＣＳ－ＬＢＰ算法的原理，以该特征点为中心，以１为半径，比较其８邻域像素的灰度值，可计算出其ＬＢＰ直方图，根据直方图特性可以提取出特征角点周围的特征区 域，即所提取出的待选感兴趣区域（ＲＯＩ）。
2候选ＲＯＩ分类检测
本文基于离散小波变换（ＤＷＴ）和小波熵对训练样本进行分类特征提取。在此基础上，为了更加准确地从所有选定的感兴趣区域中提取出人体目标，同时利用Ｂｏｏｓｔｉｎｇ［８］、支持向量机（ＳＶＭ）的模式识别方法组成复合分类器，进行候选ＲＯＩ区域分类筛选。本文主要训练了人体、车辆、其他（包括房屋、树木等非人体、车辆目标）等三类样本。双密度双树离散小波变换（Ｄｏｕｂｌｅ－ｄｅｎｓｉｔｙ Ｄｕａｌ－ｔｒｅｅ ＤＷＴ）［１０］，综合了双密度小波和双树小波的优点，具有平移不变性和抗混叠特性、基２冗余且尺度不变、近似连续小波变换和具有良好的方向特性。双密度双树离散小波变换（ＤＤ－ＤＴ ＤＷＴ），具有两个不同的尺度函 数φｈ（ｔ），φｇ（ｔ）和 四 个 不 同 的 小 波 函 数ψｈ，ｉ（ｔ），ψｇ，ｉ（ｔ），（ｉ＝１，２），其中ψｈ，１（ｔ）和ψｇ，１分别是由ψｈ，２（ｔ）和ψｇ，２偏移０．５构成，即：
.png)
图像经过双密度双树离散小波变换后生成４个低频子带和３２个高频子带。小波系数能够反映１６个频带上的细节信息，图像的小波熵能够反映图像小波变换频率空间的能量分布信息，将双密度双树离散小波变换与小波熵结合起来具有更大的表征能力。定义单一尺度ｊ下的小波能量Ｅｊ为该尺度下小波系数Ｃｊ（ｋ）的平方和：
.png)
如果把小波系数矩阵看作一个概率分布序列，则由此序列计算得到的熵反映了该系数矩阵的稀疏程度，即概率分布的有序程度，成为小波熵，根据香农熵的原理，小波熵定义为：
.png)
3 Mean Shift 算法
3.1 Mean Shift 算法原理
Mean Shift 算法是一种非参数化的核密度估计算法，对于一组采样数据，把采样数据的值域均匀划分为各个区间 bin，采样数据就根据其值的大小被对应地划分到不同的 bin 当中，每个 bin 当中的采样点个数也就不同，bin 中采样点的个数与总的采样点个数的比值就是每个 bin 的概率值。核密度估计算法根据作用大小权重的不同，用了一个来平滑数据的核函数。下面介绍一下核函数的定义。X 表示 d 维的欧氏空间，x 是该空间中的一个点，用一个列向量表示。x 的模2Tx x x， R 表示实数域。如果一个函数 K ： X R存在一个剖面函数k : 0, R，即 ()()2K x kx，并且满足 k 是非负的，且是非增的， k 是分段连续的，并且 0k r dr ，则函数K x 是核函数。通常我们使用的几种核函数有 E 核、均匀核、高斯核。
各个核函数的表达式如下：
.png)
3.2 Mean Shift 向量假设
d 维空间 Rd中有 n 个数据点 xi, i = 1,2,….,n，K(x)表示窗口半径为 h 的核函数，则在点 x 处的核密度估计可表示为：
.png)
通过分析可以得出，均值漂移向量始终指向密度增加最大的方向，我们可以通过沿着 Mean Shift 向量方向逐步搜索的方式来得到密度的局部极大值。通过计算出当前点的偏移量并根据偏移量将该点进行移动，然后以此为新的点再计算其偏移量，再根据新的偏移量继续移动，一直迭代直到收敛才停止。当迭代结束时，核中心的位置收敛到概率分布密度最大点即概率密度的极值。
结束语
针对红外 图 像 的 特 点，本 文 采 用 了 基 于ＦＡＳＴ－ＬＢＰ的红外人体目标检测方法，并采用了基于离散小波变换的小波熵进行分类特征提取，使得对候选区域的特征提取更加精确。使用Ｂｏｏｓｔｉｎｇ和ＳＶＭ组成的复合分类器进行目标区域分类，确保了目标检测的鲁棒性。经试验验证，本文提出的方法具有一定的可靠性，但在温度较低、背景复杂的情况下，检测效果相对其他情况下要稍差，检测率要低于其他情况，虚警率要高于其他情况。这个问题可以通过增加分类器的各类目标学习样本来解决。本文所采用的方法，对目标检测有很好的鲁棒性，不会随着图像中目标数量的增加而影响系统运行速度，同时多个目标之间交叉遮挡时也能达到很好的检测效果。
参考文献
[1] 王鑫,唐振民. 复杂背景下红外目标检测与跟踪算法研究[D],江苏:南京理工大学，2010.
[2] 卢岩,戴明.交通监控中的运动人体目标检测与跟踪.[D],吉林:长春光学精密机械与物理研究所 2011.