CN101609504A - 一种红外图像海面目标检测识别定位方法 - Google Patents

Abstract

一种红外图像海面目标检测识别定位方法，包括：(1)远距离目标检测：首先对远距离实时图像作抑制背景和噪声预处理，再分割以提取多个疑似目标区域，分割阈值为该实时图像的灰度直方图中首次出现拐点的对应灰度值；然后在各疑似目标区域内提取疑似目标，将其与对应的目标模板比较筛选出目标；(2)近距离目标兴趣点定位：首先对近距离实时图像分割以提取目标，利用目标的标准化中心矩信息获取目标定位轴，通过识别目标定位轴的首和尾端确认目标定位轴向，进而定位目标兴趣点。本发明运算量小，实时性好，检测率高，具有抗成像模糊以及海面岛屿等其它人造目标干扰的能力，可运用于高速机动平台下对复杂海面背景的目标检测与目标兴趣点识别定位。

Description

一种红外图像海面目标检测识别定位方法

技术领域

本发明属于数字图像处理和模式识别相结合的技术领域，具体涉及一种红外图像海面目标检测识别定位方法，运用于在复杂海面背景以及大俯仰角成像姿态下的海面目标快速检测识别与目标兴趣点定位。

背景技术

目标识别技术是飞行器利用自身携带的成像传感仪实时获取目标周围的地面场景信息，利用固化的检测识别算法程序对获取到的实时图像进行必要的图像处理、图像分析，通过对拍摄的景物进行分析、识别等手段来确定目标相对于飞行器的位置，从而为飞行器导航提供导引信息。

对海面红外目标识别定位问题，目前，大多采用目标检测识别与跟踪相结合的方法。在平台存在大机动，且成像姿态难以实时获得的条件下，目标图像存在尺度、旋转等变化，难以选取合适的目标跟踪波门。

汪国有等在“复杂背景下序贯显著性特征海面目标检测算法”，华中科技大学学报(自然科学版)2006.10第34卷第10期提出一种基于序贯显著性特征的目标识别算法，该算法根据人眼显著性注意机制，把复杂背景下的目标识别问题转化为多特征的融合识别，将目标识别过程分成感兴趣区检测和感兴趣目标检测两个子过程，并建立序贯显著性特征目标识别算法模型，序贯提取复杂图像区域的显著性特征，逐步缩小感兴趣区域范围，然后建立以基于D-S证据理论的多特征综合置信度的估计与分析，完成可靠的目标识别。该方法中采用的分割方法鲁棒性不强，不适合用于复杂图像，在目标识别过程中考虑的特征量不够全面，难以适应存在船只、岛礁等干扰的复杂海面环境下目标检测，并且总体流程未考虑目标兴趣点的识别与定位。

发明内容

本发明的目的在于提供一种红外图像海面目标检测识别定位方法，实现远距离的目标位置检测和近距离的目标兴趣点识别，具有较高的定位精度。

一种红外图像海面目标检测识别定位方法，包括以下两个阶段：

A远距离的目标位置检测阶段：

(A1)对远距离实时图像作抑制背景和噪声预处理；

(A2)对预处理后的远距离实时图像分割以提取一个以上的疑似目标区域，此处分割阈值为远距离实时实时图像的灰度直方图中首次出现拐点的灰度值；

(A3)分别在各疑似目标区域内作分割以提取疑似目标；

(A4)分别计算各疑似目标的形状特征因子，将其与对应的目标模板形状特征因子比较从而筛选出真正目标；

B近距离的目标兴趣点定位阶段：

(B1)对近距离实时图像分割以提取目标，获取目标的形心位置；

(B2)利用目标的标准化中心矩信息获取目标定位轴；

(B3)通过识别目标定位轴的首、尾端确认目标定位轴向，进而计算目标定位轴向与目标模板定位轴向的夹角；

(B4)根据目标形心位置、目标相对目标模板的缩放尺度、目标定位轴向与目标模板定位轴向的夹角以及目标模板形心与目标模板兴趣点的参考位置关系，定位目标兴趣点。

所述形状特征因子包括面积、长轴长度、短轴长度和实心度。

本发明的技术效果体现在：本发明适用于对海面目标进行逐渐逼近过程中检测识别定位。在远距离观察下，通过抑制背景和噪声预处理消除复杂背景下其他热源的干扰；为了克服目标出现的块状效应，利用本发明提出的单峰分割方法提取目标疑似区域，接着再在疑似区域上提取出完整的疑似目标，最后利用完备的形状特征因子筛选出真正的目标；在近距离观察下，目标充满大部分视场，针对实时图进行分割提取出目标，利用标准化中心矩找到目标的定位轴，通过识别目标的首尾方向确认目标的定位轴向，进而定位出目标兴趣点。本发明可运用于在复杂海面环境下及大俯仰角成像姿态下的逐渐靠近具有面特性物体过程中的自主图像导航，如：海面背景下具有特定形状特征的船舶检测与定位；海面石油平台等的定位；地面背景下显著几何形状特征的目标检测与定位等等。

附图说明

图1是本发明整体流程示意图；

图2是目标模板图像数据0°方向示意图；

图3是目标模板图像数据180°方向示意图；

图4是目标沿长轴向投影示意图；

图5是本发明远距离实时图像的疑似目标区域分割流程图；

图6是海面背景下近距离成像下目标背景灰度统计特性示意图；

图7是本发明近距离实时图像的目标分割流程图；

图8是简单背景下目标与模板两端面积比特征量接近程度关系曲线图；

图9是复杂背景下目标与模板两端面积比特征量接近程度关系曲线图；

图10是简单背景下实时图帧号与目标首尾向判别决策量d的关系曲线图；

图11是复杂背景下实时图帧号与目标首尾向判别决策量d的关系曲线图；

图12是本发明实例一示意图，图12(a)为实例一采用的简单背景实时图，图12(b)为实例一的同质变换结果图，图12(c)为实例一的海面目标单峰分割图，图12(d)为实例一的局部区域Otsu分割图，图12(e)为实例一的检测结果图；

图13是本发明实例二示意图，其中图13(a)为实例二采用的复杂背景实时图，图13(b)为实例二的同质变换结果图，图13(c)为实例二的海面目标单峰分割图，图13(d)为实例二的局部区域Otsu分割图，图13(e)为实例二的检测结果图；

图14是本发明实例三示意图，图14(a)为实例三采用的简单背景实时图，图14(b)为实例三的同质变换结果图，图14(c)为实例三的单峰分割结果图，图14(d)为实例三的最终识别结果。

具体实施方式

本发明对红外海面目标物体进行远近距离的检测识别定位，具体处理流程如图1所示：

(1)地面保障数据准备阶段：

(1.1)利用仿真软件制作目标模板(二值图像)，并标识出目标模板兴趣点坐标；

(1.2)计算目标模板几何特征，为目标检测和目标兴趣点识别提供参考数据；

(1.2.1)计算目标模板面积、长短轴比值，为目标检测提供参考数据；

(1.2.2)指定目标模板长轴的首端和尾端，计算目标模板这两端的面积比r_m(0)和r_m(π)。

指定定位轴为目标长轴，长轴向为目标模板长轴的首端指向尾端的方向，图2为目标模板长轴向在0度方向的示意图，图3为目标模板长轴向在180度方向的示意图。r_m(0)的计算方法如图4所示，r_m(0)等于目标模板长轴向的头部矩形区域W₂与尾部矩形区域W₁的像素数比，反之，r_m(π)则等于目标模板长轴向的尾部矩形区域与头部矩形区域的像素数比。

(1.2.3)获取目标模板兴趣点和目标模板形心相对几何位置关系，由极坐标(ρ₀，θ₀)表示，并得到目标面积像素数A₀，为目标兴趣点识别提供数据保障。

(2)远距离目标位置检测，远距离定义为成像系统与目标距离大于2000m：

(2.1)对远距离实时图像作抑制背景和噪声预处理；

在远距离范围内，目标物体在成像系统的成像平面上成像尺寸小，即像素数少，目标成像的分辨率低，呈现出斑状特性。在远距离成像条件下，提出在分割前首先对远距离实时图像作基于抑制背景、噪声的预处理。实际红外海面成像过程中，由于光照不均匀以及由于平台大机动，成像传感器积分时间长，导致成像运动模糊，而且还存在岛屿、周围船舶以及噪声的干扰，致使目标难以从复杂的背景中提取出来，然而图像中的局部区域却是相对均匀的，利用此特点，我们提出基于同质变换的图像预处理方法。若同为背景或目标的区域范围内，邻近的模板图像标准差呈现低数值特点，且比较一致，而对于海背景与目标的过渡区域，模板的标准差就呈现出高数值特点，这样我们就能很容易地提取出目标与背景过渡区域。

(2.2)对预处理后的远距离实时图像作分割以提取疑似目标区域。

现有分割技术中，张天序教授等人考虑到人眼视觉的特点，提出了一种基于视觉非线性的适应性的图像分割法。首先把图像划分为均匀的子块，以子块的方差作为判别准则，计算每个子块的方差，当小于某个门限时，说明这子块不满足分割的条件，就合并邻域子块，直到所有的子块满足分割条件，然后对每个子块用视觉非线性的聚类准则得到分割门限。这种方法在用于复杂背景的少像素目标图像得到了较好的分割结果。然而这种方法依旧存在可能把目标划分在不同子块的问题，这样还是不能解决分割结果中目标可能出现的块状效应。

本发明为解决分割结果中目标出现的块状效应，提出一种单峰分割方法，具体为：同质变换后的实时图的直方图总体呈现出单峰特性，如图6所示，远距离海面背景下目标成像像素数少，背景像素远远多于目标，且背景灰度分布相对集中，统计图像灰度直方图为{p_i，i＝0，1，...255}，对其按照灰度等级f求导，得到dp_i，在首次出现的拐点处，其导数dp_i往往处于极低值，即：

$T_p^{*}=\arg \underset{i}{\min }\left(d{p}_i\right);$

因此，单峰分割的核心就在于将分割阈值取值为实时图像的灰度直方图的拐点对应灰度值。单峰分割后，图中突现出多个疑似目标与背景过渡边界，对于每一个过渡边界，选取过渡边界的外接矩形区域，作为疑似目标区域。

分割具体流程参见图5，具体过程为：

(2.2.1)提取出目标与背景之间的过渡区域；

(2.2.2)同质变换后的实时图直方图总体呈现出单峰特性，采用海面亮目标单峰分割方法将目标疑似区提取出来；

(2.2.3)再在找到的若干目标疑似区域上采取最大类间方差准则分割，将目标从复杂背景中提取出来。

用这种聚类准则分割图像，当目标在图像中占有适当的比例时，分割结果比较好，而且算法比较简单，有利于实时处理。然而对少像素目标图像却不能把目标从背景中分割出来，经常会把很多背景错分为目标。

(2.3)在各疑似目标区域内作分割以提取疑似目标。

在找到的若干目标疑似区域中，疑似目标所占比例远大于背景所占比例，因此优选最大类间方差准则分割，用这种聚类准则分割图像，当目标在图像中占有适当的比例时，分割结果比较好，而且算法比较简单，有利于实时处理。

为了更好地识别，对分割后的二值图像进行数学形态学去噪，接着做图像标记处理；

(2.4)分别计算各疑似目标的形状特征因子，筛选出真正目标。

采用的模式特征量是形状特征因子，如果某区域的该度量最符合目标模板则被判定为目标，最后通过物体质心计算公式得到该区域的形心坐标，因为此阶段的目标像素数少，只需要找到该目标的形心位置。

形状特征主要依据的是几何相似性原理，采用的是多维向量互相关的贴近度，利用该特征描述向量之间的距离；通过图像的预处理得到各疑似目标的椭圆特征信息，包括长短轴、区域的实心度、区域面积等几何特征度量，结合当前成像姿态下的目标在视场中的几何信息，包括目标的长宽像素数、目标区域的面积等几何特征，于是我们定义形状特征因子，它由长短轴相似性程度和面积相似性程度加权表征，而长短轴相似性程度是通过计算由疑似目标的长轴轴长和短轴轴长构成的向量与同样成像姿态参数下目标模板长轴轴长和短轴轴长构成的向量的欧式距离得到的；面积相似程度则用面积似然比系数来表征，即疑似区域像素数与目标模板像素数之间的兰氏距离，其中兰氏距离是一个无量纲的量，克服了距离度量与各指标的量纲有关的缺点，且该距离对大的奇异值不敏感，这样使得兰氏距离特别适合高度偏倚的数据，最后再通过知识学习的途径找到合适的加权系数，使得该形状因子能适应识别目标的需求。

(3)近距离目标兴趣点识别定位处理步骤，近距离定义为成像系统与目标距离小于2000m且大于500m：

在近距离范围内，目标物体在成像系统的成像平面上成像尺寸大，目标成像分辨率高，此时目标整体明显突出，目标兴趣点位置也比较明显。由于目标区形心(x_c，y_c)具有旋转和尺度不变性，因此，利用目标模板兴趣点与目标模板形心之间的相对空间几何关系，可计算目标兴趣点在目标中的精确位置。具体步骤包括：目标分割提取，目标区域形心与轴向估计，目标首尾方向确认，目标兴趣点位置的精确估计。

(3.1)对近距离实时图像作分割以提取目标，获取目标的形心位置。在近距离成像条件下，可以采用本发明提出的单峰分割，也可采用最大类间方差分割，同时记录分割得到的目标形心位置，图7给出了分割流程示意图。

(3.2)利用基于标准化中心矩的方法进行目标轴向估计，找到目标长轴。

基于标准化中心矩的目标轴向估计基本原理如下：

对前述分割结果图像中提取出的候选目标区，假定目标轴向相对于目标模板轴向旋转角度为

其标准化中心矩为

p，q∈{0，1，2，3}，可利用检测的目标区与目标模板之间的标准化中心矩特征变化关系，估计目标区相对模板的旋转角度

构造以下矩特征量和

$u_{00}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}g(i,j)$

$I_{\mathrm{pq}}=u_{\mathrm{pq}}/u_{00}^{1+(p+q)/2}$

其中g(i，j)为候选目标区分割结果图像，(i，j)为目标在最终分割图中的像素坐标，(i₀，j₀)为目标在最终分割图中的形心坐标。

利用其估计旋转角度的表达式为或

其中r₁(0)为由目标模板根据公式(1)计算的矩特征量。

利用其估计旋转角度的表达式为：

其中

r₂(0)为由目标模板根据公式(3)计算的矩特征量。

利用式(1)估计旋转角度

根据

确定旋转角度的象限，并利用式(2)确定旋转角度的估计值为

综合

和

得到目标长轴与目标模板长轴间夹角的最优估计值为：

(3.3)通过识别目标长轴的头尾端确定目标的长轴向。

依据长轴向投影面积比定位基本原理如下：

海面目标总体上都具有轴向性，找出对称性弱的轴向，因此沿着该轴向容易找到相关特征量区分出目标的头尾，根据此特点，我们先通过二阶标准化中心矩计算出长短轴向，得到长轴与水平方向(目标模板长轴)的夹角，将实时图中的目标旋转，使得目标长轴与水平方向平行，并计算出目标两端面积比r_f(θ)＝A₁/A₂，其中r_f(θ)表示实时图中目标长轴的两端矩形区域面积比，A₁和A₂分别对应为Ω₁和Ω₂两区域内目标像素数，Ω₁和Ω₂分别为目标左右两端W₁和W₂长，宽为H的虚线矩形框区域(见图4)，这里W₁＝W₂＝W/5，W为目标长轴长度；类似地，计算出目标模板图(0°方向)左右两端面积比系数r_m(0)，再利用r_m(0)和r_m(π)互为倒数的关系计算出目标模板图(180°方向)左右两端面积比系数r_m(π)；进一步需要计算出实时图中目标两端面积比r_f(θ)分别与r_m(0)以及r_m(π)的距离(见图8和9)，我们用兰氏距离d_fm(0)和d_fm(π)来表征它们之间的接近程度，其中 $d_{\mathrm{fm}}\left(0\right)=\frac{|r_f\left(\mathrm{\θ}\right)-r_m\left(0\right)|}{r_f\left(\mathrm{\θ}\right)+r_m\left(0\right)},$ 表示r_f(θ)与r_m(0)之间兰氏距离度量， $d_{\mathrm{fm}}\left(\mathrm{\π}\right)=\frac{|r_f\left(\mathrm{\θ}\right)-r_m\left(\mathrm{\π}\right)|}{r_f\left(\mathrm{\θ}\right)+r_m\left(\mathrm{\π}\right)},$ 表示r_f(θ)与r_m(π)兰氏距离度量，通过比较d_fm(0)和d_fm(π)大小关系来最终确定旋转角度θ^*，为此我们定义 $d={\log }_{10}\frac{d_{\mathrm{fm}}\left(0\right)}{d_{\mathrm{fm}}\left(\mathrm{\π}\right)},$ 即表示判断目标首尾向的决策量，依据条件d与0的大小关系，即：如果d＞0表明d_fm(0＞d_fm(π)，此时与模型经过旋转后的方向最为相似(见图10)，我们需要判定：计算所得的旋转角度为θ^*加上180°；如果d＜0表明d_fm(0)＜d_fm(π)，此时与模型本身的方向最为相似，我们就判定：计算所得的θ^*为旋转角度(见图11)。该方法是通过目标两端面积比特征量的相似性程度间接判断出海面目标的头部方向，此特征量比较稳定，能够适应一定分割不足或过分割的误差。

(3.4)根据目标形心位置、目标相对目标模板的缩放尺度、目标长轴向与目标模板长轴向的夹角以及目标模板形心与目标模板兴趣点的参考位置关系，定位目标兴趣点。

为了更好的说明本发明，列举三个实例。实例一为在远距离成像下，基于简单背景的海面船只检测，其流程效果图如图12所示；实例二为在远距离成像下，基于复杂背景的海面船只检测，其流程效果图如图13所示；实例三为在近距离成像下，基于简单背景的石油平台兴趣点识别，其流程效果图如图14所示。本发明随着观测者与目标物体的逐步逼近，目标检测识别的可靠性与兴趣点的定位精度逐渐增加，对320*256图像，在单个TMSC6414DSP处理器上处理时间小于20ms，方法运算量小，实时性好，检测率高，具有抗成像模糊以及海面岛屿等其它人造目标干扰的能力。

Claims (2)

1、一种红外图像海面目标检测识别定位方法，包括以下两个阶段：

A远距离的目标位置检测阶段：

(A1)对远距离实时图像作抑制背景和噪声预处理；

(A2)对预处理后的远距离实时图像分割以提取一个以上的疑似目标区域，此处分割阈值为远距离实时实时图像的灰度直方图中首次出现拐点的灰度值；

(A3)分别在各疑似目标区域内作分割以提取疑似目标；

(A4)分别计算各疑似目标的形状特征因子，将其与对应的目标模板形状特征因子比较从而筛选出真正目标；

B近距离的目标兴趣点定位阶段：

(B1)对近距离实时图像分割以提取目标，获取目标的形心位置；

(B2)利用目标的标准化中心矩信息获取目标定位轴；

(B3)通过识别目标定位轴的首、尾端确认目标定位轴向，进而计算目标定位轴向与目标模板定位轴向的夹角；

(B4)根据目标形心位置、目标相对目标模板的缩放尺度、目标定位轴向与目标模板定位轴向的夹角以及目标模板形心与目标模板兴趣点的参考位置关系，定位目标兴趣点。

2、根据权利要求1所述的红外图像海面目标识别定位方法，其特征在于，所述形状特征因子包括面积、长轴长度、短轴长度和实心度。

Images