下载文档原格式
![复杂天空背景下红外序列图像弱小目标检测与跟踪方法[发明专利]](https://img.taocdn.com/s1/m/91bc9ade0b4c2e3f5627638e.png)
专利名称：复杂天空背景下红外序列图像弱小目标检测与跟踪方法
专利类型：发明专利
发明人：白相志,周付根
申请号：CN200910085469.9
申请日：20090525
公开号：CN101567087A
公开日：
20091028
专利内容由知识产权出版社提供
摘要：本发明涉及一种复杂天空背景下红外序列图像弱小目标检测与跟踪方法，包括以下步骤：(1)采用结合图像弱小目标特征和Top－hat变换的自适应背景剔除算法进行自适应背景剔除，抑制复杂背景和部分噪声对弱小目标检测的影响；(2)利用适合暗背景图像的迭代阈值算法分割背景剔除后的暗背景图像中的可能目标区域；(3)根据目标在连续多帧中的运动规律构造膨胀累加算法，区分可能的虚警目标区域；(4)用基于轮廓结构元素的C运算和逻辑与操作抑制虚警目标；(5)将虚警目标抑制后的区域作为可能的目标区域与步骤(7)轨迹预测的结果进行比较，实现轨迹更新；(6)进行轨迹判决；(7)进行轨迹预测。
申请人：北京航空航天大学
地址：100191 北京市海淀区学院路37号北京航空航天大学宇航学院图像中心
国籍：CN
代理机构：北京慧泉知识产权代理有限公司
更多信息请下载全文后查看。
ft红外弱小目标检测算法说起红外弱小目标检测，咱们可能马上会想起那些科幻电影里的场景：夜晚，黑漆漆的天，突然一束光从远处射来，目标被精准地锁定。
看上去有点不可思议吧？但红外技术就是这样一个有点魔法般的存在，它能通过探测物体释放的热量来识别目标。
而所谓的“弱小目标”呢，就是那些在温度差异不大、比较难被察觉的物体，比方说，小小的无人机、隐身飞行器，甚至是远处的动物。
而“检测算法”呢，就是帮我们发现这些目标的秘密武器，虽然有些复杂，但并不意味着它就一定需要复杂的操作或者高大上的技术，实际上很多时候它就像是你身边的那个聪明的小伙伴，默默地为你提供帮助。
先说说红外图像。
你可以把红外图像想象成一张由热量信息构成的照片。
那种照片可不是一般的照片，它不需要光线，就像我们在漆黑的夜晚也能看到一样。
所以，红外探测器可以在夜晚甚至是雾霾天气中依然能看到物体。
这个就像你在一个漆黑的房间里，突然眼前亮起一盏夜视灯，你能清晰地看到平时看不见的东西。
但是，大家别忘了，红外图像和普通的光学图像不一样，它更像是“热量的地图”。
所以，弱小目标的检测其实就是在这张热量地图上，找到那些不显眼、很难察觉的“小点儿”。
说起来，这种检测并不简单。
你想，目标可能太小，目标与背景的温差也可能微乎其微，检测算法就得特别细心。
这些目标可能和周围环境几乎没有什么区别，感觉就像是找针掉在了大海里。
就拿无人机来说，飞得那么高，离得那么远，只有一小小的热源，在这片广阔的天地里怎么找到它呢？有些算法就像是个“侦探”，它得把整个“案件”摸清楚，仔细分析环境，再用最巧妙的办法把那个弱小的目标从复杂的背景中“抓出来”。
红外弱小目标的检测，不像咱们用肉眼看东西那么直接。
它有时会受到背景干扰，也就是说，周围的环境热量变化、温度波动，甚至是阳光照射下的物体都可能误导你。
有时候甚至就连算法本身都得经受住考验。
你想象一下，整个检测过程就像是在玩一场“寻宝”游戏，稍不注意就可能错失了目标。
复杂背景下红外弱小目标检测算法研究复杂背景下红外弱小目标检测算法研究摘要：红外弱小目标检测在军事、安防、航空航天等领域具有重要应用价值。
然而，由于背景复杂多变、噪声干扰等因素的影响，红外弱小目标的检测成为一个具有挑战性的问题。
本文综述了当前红外弱小目标检测算法的研究进展，并提出了一种基于深度学习的红外弱小目标检测算法。
一、引言红外技术是一种通过检测物体辐射的热能来实现目标探测的非接触性技术。
然而，由于红外图像中目标的能量较小，且通常处于复杂背景中，如林地、建筑物、云层等，红外弱小目标的检测一直是一个具有挑战性的任务。
二、红外弱小目标检测算法的研究进展目前，红外弱小目标检测算法主要包括传统算法和深度学习算法两类。
1. 传统算法传统算法主要通过对红外图像的预处理、特征提取和目标检测三个步骤进行处理。
常用的预处理方法有背景平均法、自适应滤波法等，用于降低图像噪声和背景干扰。
特征提取方法通常包括峰值信噪比、能量、梯度等指标，用于表征目标的形状、纹理等特征。
目标检测方法包括阈值分割、形态学处理、模板匹配等，用于判断目标是否存在于图像中。
2. 深度学习算法近年来，深度学习算法在目标检测领域取得了突破性进展。
深度学习算法通过训练大规模数据集和深层网络模型，能够学习到更加丰富的特征表示。
在红外弱小目标检测中，常用的深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
这些算法通过对数据集的训练，能够学习到红外弱小目标的特征，从而提高检测的准确性和稳定性。
三、基于深度学习的红外弱小目标检测算法为了提高红外弱小目标检测的性能，在本文中提出了一种基于深度学习的算法。
该算法主要包括以下几个步骤：1. 数据预处理通过对红外图像进行预处理，如去噪、增强等，以提高图像的质量和目标的可见度。
2. 特征提取引入卷积神经网络（CNN）进行特征提取。
CNN通过多个卷积层和池化层，逐渐提取图像的特征表示，并通过全连接层进行分类和检测。
《复杂背景条件下的红外小目标检测与跟踪算法研究》篇一一、引言随着红外技术的不断发展，红外小目标检测与跟踪技术在军事、安防、交通等领域的应用越来越广泛。
然而，由于复杂背景条件的干扰，红外小目标的检测与跟踪仍然是一个具有挑战性的问题。
本文旨在研究复杂背景条件下的红外小目标检测与跟踪算法，以提高红外小目标的检测精度和跟踪稳定性。
二、红外小目标检测算法研究2.1 背景抑制技术在复杂背景条件下，背景噪声对红外小目标的检测造成了很大的干扰。
因此，需要采用有效的背景抑制技术来降低背景噪声的影响。
常用的背景抑制技术包括帧间差分法、高斯滤波法等。
这些方法可以有效地消除静态背景和动态干扰，突出小目标。
2.2 目标提取与分割在背景抑制的基础上，需要采用合适的方法提取和分割红外小目标。
常用的方法包括阈值分割法、区域生长法等。
这些方法可以根据目标的灰度、纹理等特征进行提取和分割，得到较为准确的目标轮廓。
2.3 算法优化与改进针对复杂背景条件下的红外小目标检测问题，还需要对现有算法进行优化和改进。
例如，可以采用多尺度滤波器、多特征融合等方法提高算法的鲁棒性和准确性。
此外，还可以通过引入机器学习和深度学习等方法，进一步提高算法的智能化程度。
三、红外小目标跟踪算法研究3.1 基于特征匹配的跟踪算法基于特征匹配的跟踪算法是红外小目标跟踪的常用方法之一。
该方法通过提取目标的特征信息，在后续帧中寻找与目标特征相似的区域作为跟踪目标。
常用的特征包括颜色、纹理、形状等。
3.2 基于模型驱动的跟踪算法基于模型驱动的跟踪算法通过建立目标的数学模型，根据目标的运动规律进行跟踪。
该方法可以有效地处理目标的形变和旋转等问题，提高跟踪的稳定性。
常用的模型包括几何模型、物理模型等。
3.3 算法融合与优化为了进一步提高红外小目标的跟踪精度和稳定性，可以将多种跟踪算法进行融合和优化。
例如，可以将基于特征匹配的跟踪算法和基于模型驱动的跟踪算法进行融合，充分发挥各自的优势。
第30卷 第9期航 空 学 报Vo l 30No 9 2009年 9月ACT A A ERON A U T ICA ET A ST RO N AU T ICA SIN ICA Sept. 2009收稿日期:2008 08 18;修订日期:2008 12 10基金项目:航空科学基金(20070112001)通讯作者:毛峡E mail:moukyou@b uaa edu cn文章编号:1000 6893(2009)09 175407复杂背景下红外弱小运动目标检测的新方法黄康1,毛峡1,胡海勇1,梁晓庚2(1 北京航空航天大学电子信息工程学院,北京 100191)(2 中国空空导弹研究院,河南洛阳 417009)Novel Approach to IR Moving Dim Target Detection Against C omplex BackgroundH uang Kang 1,M ao Xia 1,H u H aiyong 1,Liang Xiao geng2(1 Scho ol of Electro nic and Informat ion Eng ineering ,Beijing U niver sity o f A er onautics andA stro nautics,Beijing 100191,China)(2 China A ir bo rne M issile Academy,L uoy ang 417009,China )摘 要:提出了一种用于检测不同类型复杂背景下红外弱小运动目标的新方法。
该方法能够根据图像信息自动选择背景预测算子;同时,针对不同类型复杂背景中目标和背景特性的差异,提出了 局部小目标可辨识度 的概念,并定义了一种有效的方法将其量化。
在此基础上,采用蒙特卡罗实验方法构造了一种新的阈值函数,实现了单帧目标的检测,然后采用移动加权管道滤波提取目标的运动轨迹。
实验结果表明,该方法对不同类型复杂背景的红外弱小运动目标具有很好的检测性能。
关键词:红外图像;背景预测;弱小运动目标检测;局部小目标可辨识度;蒙特卡罗方法中图分类号:T P391 4 文献标识码:AAbstract:A nov el appro ach is pr oposed to detect moving dim infrar ed targ ets ag ainst different types of complex backgr ound Backg ro und pr edict or is select ed automatically based on imag e infor matio n M eanw hile,a co ncept of differ ent iatio n degr ee of lo cal small targ ets (DDL ST )is pro po sed fo r the discr epancy of char act eristics be tw een the tar get and t he backg ro und in co mplex backgr ound conditio ns,and an effectiv e metho d is defined to quantitize it A new thr esho ld function based on the DD LST is constr ucted by M onte Car lo metho ds to accom plish the targ et detecting algo rithm in a sing le frame T hen,v ariable w eig hted pipeline filter s ar e applied t o ex tr act the t race of mo ving dim tar gets T he exper imental r esults demo nstr ate the g oo d per formance o f this ap pro achKey words:inf rared imag e;backg ro und pr edict ion;detectio n of mo ving dim tar gets;differentiatio n deg ree o f small local targ ets;M onte Carlo methods复杂背景下的红外弱小运动目标检测是红外预警、红外自动寻的系统中关键技术之一,已经成为国内外的研究热点。
而近年来,随着雷达隐身技术的飞速发展,使得此项技术在探测远距离隐身运动目标领域发挥着越来越重要的作用。
典型的复杂红外背景包括:强起伏云层背景、带有阳光反射的海面背景、海天背景以及复杂低空地面混合背景等。
现有的算法一般利用空域、频域、时域或者小波域的信息,针对某一特定的复杂背景进行红外图像序列中的弱小运动目标检测。
常见的算法结构可分为 跟踪前检测 和 检测前跟踪 两类,具体的算法有:基于运动能量累计的方法[1]、基于运动假设的方法[2]、基于管道滤波的方法[3]、基于背景预测的方法[4]、基于形态学的方法[5]和基于频域高通滤波器的方法[6]等;而对于不同类型的复杂背景的鲁棒性研究较少。
在当前的实时系统中,基于空间滤波的 跟踪前检测 算法的复杂性和实时性更好,更具有实际应用价值[7 11],因此本文基于 跟踪前检测 对上述各种典型复杂背景下的红外弱小运动目标进行研究。
背景预测算法结构简单,易于实现,是一种抑制红外复杂背景行之有效的方法,然而以下3个问题限制了它对不同类型复杂背景的鲁棒性:!不同类型背景中目标和背景的相对特性不同;∀在残差图像中,真实目标的强度可能小于噪声[12];#红外成像器受到外界环境的干扰会发生随机抖动,某一帧的背景相对于前后帧可能会发生突变,甚至可能丢失目标。
本文主要针对上述3个问题进行研究,提出了一种基于局部对数加第9期黄康等:复杂背景下红外弱小运动目标检测的新方法权对比度的解决方法。
并采用蒙特卡罗方法设计了实验,通过大量数据对该方法进行了验证。
1 红外弱小运动目标检测算法框架红外弱小运动目标图像序列的信号模型可表示为f(k)=t(k)+b(k)+n(k)(1)式中:f(k)表示序列中第k帧的图像,由3部分叠加而成:目标t(k)、背景b(k)以及噪声n(k)[1]。
本文将图1(a)所示基于背景预测的弱小目标检测的经典算法框架进行了改进,改进后算法如图1(b)所示。
根据图像特性选择不同的背景预测算子,然后利用局部小目标可辨识度信息作为阈值对残差图像进行分割,以保证对于不同类型的背景均能够提取出真实目标,最后进行多帧判别。
图1 基于背景预测的弱小目标检测算法框架F ig 1 Algo rithm fr amewo rk of dim ta rget detect inga lg orithm based o n backgr oud predictio n2 背景预测算子选择背景预测算法主要考虑局部背景的影响,提高它对不同类型复杂背景的鲁棒性的实质是改善局部区域背景预测算法的可靠性。
典型红外弱小目标图像如图2所示。
图2(a)~2(c)为典型复杂背景下红外弱小目标图像,图2(d)~2(f)与图2(a)~2(c)是同样的图像,为了更清晰地对比查看目标的相对特性,用∃,%,&,▽,∋这5种标记对不同目标在图像中的位置进行标识。
显然,不同局部背景下的目标和背景的相对特性差异很大。
在实际应用中,一般采用经验的方法对不同的预测算子进行人工选择,本文引入量化的指标对背景预测算子进行自动选择。
文献[13]指出,图像的均值和平滑度是描述图像纹理的重要指标。
其中均值表示图像的整体灰度,平滑度用于描述灰度的偏移。
设方差为v,图2 典型红外弱小目标图像F ig 2 T ypical inf rared radiation(I R)imag es of dimta rg ets则平滑度可表示为R=1-(1+v)-1,显然R( [0,1],且R越小表示图像越平滑[13]。
本文对大量红外图像的均值和平滑度进行分析,综合了4种典型单帧背景预测算子[4]:基本加权背景预测、最小化背景预测、最大化背景预测以及最相似背景预测的优点,提出了一种根据局部图像纹理特性选择适当的背景预测算子的方法,如图3所示。
基本加权背景预测算子计算简单,对较为平滑的区域具有较好的特性。
因此,当平滑度小于阈值T R时,选择基本加权背景预测算子W(i,j)=r(i,j))i,j(Sr(i,j)(2)式中:W(i,j)为局部区域S中某一点的权重; r(i,j)为该点到中心点的距离。
图3 本文提出的背景预测算子选择方法F ig 3 Pr oposed method of backg round predictor selection反之,继续计算局部均值。
如果该局部区域的灰度值小于T m1,则中心点的灰度值低的可能性大,因此选择最小化背景预测算子Y min=m ini=1,2,3,4(Y i)(3)式中:Y i为4个象限对中心点的预测值。
同理,如果该局部区域的灰度值大于T m2,则采用最大化背景预测算子Y max=maxi=1,2,3,4(Y i)(4)1755航 空 学 报第30卷如果灰度值属于[T m1,T m2],则选择最相似背景预测算子Y s=arg{mini=1,2,3,4(abs(Y i-X))}(5)式中:abs(Y i-X)分别为4个象限的预测值和原图的差的绝对值。
3 局部小目标可辨识度通过背景预测算法获得的单帧残差图像中包含了真实目标和噪声。
如图2所示,灰度值小、灰度成分较为简单的局部背景中的目标强度相对较大;而灰度值大、灰度成分较为复杂的局部背景中的目标强度相对较小。
此外,由于成像噪声和其他干扰噪声的影响,在灰度成分较为简单、灰度值小的局部背景中,点噪声的相对强度一般较大;而在灰度成分较为复杂、灰度值大的局部背景中,真实目标的相对强度一般较小。
因此,如果采用同一阈值进行检测可能会造成目标丢失或者引入强烈的噪声干扰。
本文提出了局部小目标可辨识度的概念,并将其量化用于描述不同区域背景下目标与背景相对强度的差异,在此基础上对于不同区域采用不同的阈值完成单帧残差图像中目标的检测。
3 1 局部小目标可辨识度的定义局部小目标可辨识度表示局部背景中红外弱小目标与背景之间的可区分程度。
从主观上判断即为能够从复杂的局部背景中将红外弱小目标分辨出来的程度。
