CN101719280A - 红外弱小目标检测方法 - Google Patents

Abstract

一种视频图像处理技术领域的红外弱小目标检测方法，包括：采集原始红外图像，并将原始红外图像转化为若干帧灰度图像；计算每一帧灰度图像中每一个像素点的稠密DAISY描述子；根据相邻两帧灰度图像之间每一个像素的稠密DAISY描述子经过DAISY流处理得到混合流场；消除混合流场中具有平台特性的区域，在得到结果图像中进行阈值判断，当阈值判断成功时即检测到红外弱小目标的坐标。

Description

红外弱小目标检测方法

技术领域

本发明涉及的是一种视频图像处理技术领域的方法，具体是一种红外弱小目标检测方法。

背景技术

弱小目标的检测与提取算法可以分为单帧检测与提取算法和多帧检测与提取算法两大类。单帧小目标的检测与提取算法主要依靠对目标和背景在各单帧图像中的灰度差异来实现对弱小目标对象的检测与提取和分割。该类算法通常并不考虑序列图像的帧间信息，在实际应用中通常还要结合后续的目标航迹关联或目标识别模块来实现对实际红外弱小目标对象的确定。多帧弱小目标检测与提取算法主要利用序列图像中目标运动的连续性和轨迹的一致性来实施目标检测与提取任务。从多帧图像序列中检测运动目标的方法主要有差图像法和光流法。差图像法是检测序列图像中运动目标的最简单的方法。这种方法速度快，易于硬件实现，已得到广泛应用，不足之处是在跟踪过程中需要停顿，不能精确定位目标(其解算出的目标位置其实是两帧图像中目标的平均位置)，很难求出运动物体的速度且当运动物体在成像平面有重叠时，差图像法难以检测出有重叠的运动物体。光流法是分析序列图像中运动目标的重要方法，不需要建立特征之间的对应而是利用图像的灰度信息来计算目标的运动与结构参数。但是光流的计算以及从光流中恢复结构与运动参数需要计算图像亮度与光流的一阶或二阶导数，一般来说实际的图像会受到噪声的污染，而计算导数的过程是一个放大噪声的过程，阶数越高导数对噪声越敏感。

经对现有技术的文献检索发现，Alexander Borghgraef和Marc Acheroy发表在《Proceedings of SPIE Optics and Photonics in Security and Defence 2006》第6395卷的“Using optical flow for the detection of floating mines in IR”(“在红外图像中使用光流法实现漂雷的检测”)中通过计算红外弱小目标图像序列的光流场实现小目标运动特性的检测和跟踪，但是也发现了光流法的不足，包括：当背景复杂时噪声比较大可能淹没目标点，检测到的目标与背景的对比度较弱，并且当有海杂波时，算法的虚警较多。故传统的光流法应用于实际检测器时还需要结合基于像素强度和运动的方法才能提高光流的性能。Ce Liu和Jenny Yuen在《European Conference on Computer Vision(ECCV)2008》上发表的文章“SIFT flow：dense correspondence across different scenes”(“尺度不变特征变换流：不同场景中的稠密度对应关系”，SIFT：Scale-invariant featuretransform)中提出了一种SIFT流方法，对每个像素提取稠密SIFT描述子，生成图像的局部结构，然后通过应用光流算法匹配两幅图像之间的SIFT描述子，实现查询图像与数据库图像的配准。但是该现有技术具有如下不足：1)该算法仅提出了一种图像之间的稠密对应关系，缺乏必要的分割技术，不适用于更广泛的视频目标的检测和跟踪。2)SIFT描述子本身计算量较大大，而该方法要求对每一个像素计算其SIFT描述子，在实际的流场的生成过程中非常费时。3)生成的流场图为由RGB的不同颜色块组成，无法根据流场强度和方向进一步处理得到目标位置。瑞士洛桑联邦理工学院的E.Tola和V.Lepetit等人在《IEEE Conference onComputer Vision and Pattern Recognition(2008)》发表的文章“A fast localdescriptor for dense matching”(“一种适用于稠密度匹配的快速局部描述子”)中提出了一种DAISY(“菊花描述子”)，这种描述子具有尺度、旋转、仿射变换不变性、亮度无关等特性。该算法相对于SIFT描述子具有在描述效果基本不变的情况下，大幅减少计算时间的特征。

发明内容

本发明针对现有技术存在的上述不足，提出了一种红外弱小目标检测方法，避免了传统光流法对于运动目标亮度一致性和光滑性这两点在实际系统中较难满足条件的假设，通过使用DAISY描述子来描述图像中的稠密度，并从流场的角度来获取相邻帧图像的稠密度的差别，并提出相应的分割算法获得弱小目标的准确位置。该方法可用于宽基线情况下的目标匹配，具有对噪声和亮度不敏感等特性。这种方法相比传统光流法检测红外弱小目标，大大提高了系统检测效率和降低虚警率。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步、采集原始红外图像，并将原始红外图像转化为若干帧灰度图像；

第二步、计算每一帧灰度图像中每一个像素点的稠密DAISY描述子，具体步骤包括：

2.1)灰度图上每一个像素采用高斯滤波器获得高斯卷积方向图；

2.2)将每一个像素的高斯卷积方向图及其标准方差的高斯核求卷积，获得该像素对应的标准差下的描述向量；

2.3)将描述向量归一化后替换为每一个像素的对应数值，稠密DAISY描述子；

第三步、根据相邻两帧灰度图像之间每一个像素的稠密DAISY描述子经过DAISY流处理得到混合流场。

所述的DAISY流处理是指：首先提取灰度图像中的点特征，然后对每一个提取的点特征计算DAISY描述子及其对应相邻两帧间像素点的匹配，从而生成混合流场。

所述的混合流场包括：背景水平混合流场、背景垂直混合流场、弱小目标水平混合流场和弱小目标垂直混合流场。

第四步、消除混合流场中具有平台特性的区域，在得到结果图像中进行阈值判断，当阈值判断成功时即检测到红外弱小目标的坐标。

所述的消除混合流场中具有平台特性的区域是指：对检测到的块状区域灰度值减去其平均值，即消除混合流场中的具有平台特性的区域。

所述的阈值判断是指：对经过消除平台特性的图像，进行阈值分割，得到包含小目标和干扰背景区域的二值图像，通过检测其灰度值为1的且满足弱小目标面积条件的区域，即为弱小目标的位置。

本发明通过使用DAISY描述子描述相邻帧图像的稠密特征，受噪声影响小，局部描述效果优于光流法；提出基于DAISY描述子的流场计算公式，可以得到水平和垂直方向的包含弱小目标的混合流场。该流场灰度值平滑，可有效体现出流场异常处情况；根据DAISY流场特性，创造性的提出平台-阶梯特性弱小目标分割方法，并可利用水平和垂直流场进行佐证。经过后面的试验对比，可以看到DAISY流方法可以大大降低虚警率。将检测结果结合目标的航迹关联，可实现红外弱小目标的跟踪。

附图说明

图1为DAISY描述子的计算过程。

图2为DAISY描述子组成示意图。

图3为DAISY流由粗到精计算过程示意。

图4为DAISY流方法检测初步结果。

图5为三维表面图。

图6为红外小目标位置图。

图7为三种传统的光流法检测弱小目标图像的流场图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例包括以下步骤：

计算图像中的DAISY描述子

，下同。其中：Lambda参数设为100，以前输入的速度域为1)，此列中，上面为水平光流场，下面为垂直光流场，后面相同；第二列为使用Lucas和Kanade的光流法检测结果(其中，用于归类像素的平均窗口尺寸为5×5像素)；第三列为使用块匹配的方法计算光流(其中：比较的基本块尺寸为15×15像素，块坐标的增量为3×3像素，块周围像素的扫描邻域的尺寸为5×5像素)；第四列为前述文章“Using optical flow for the detection of floatingmines in IR”中的实验结果图(采用Horn和Schunck的光流法)，其作者采用了较大的目标(25像素×30像素)。

将采用光流法生成的水平和垂直流场图和按照本实施例算法生成的流场图(图4下面两行)进行对比可以清晰的看出：光流法流场图当检测目标较小时，过于复杂，无法检测到小目标(图4中的测试图像包括2×2像素的小目标)，而本实施例算法得到的流场图明晰的表现出平台-阶梯特性，目视小目标位置也可以发现较明显的异常。即：对于弱小的目标(2像素×2像素)，传统的光流法无法很好的检测到，较大的目标(25像素×30像素)得到的流场图也由于流场较复杂无法很好的分割出目标位置。

综上所述，本实施例由于采用了DAISY这种高效、快速、仿射不变描述子，使得局部描述不同于传统光流法，受噪声影响小并且可以检测远小于传统光流法可检测目标的图像。利用本实施例提出的流场计算方法得到的流场，流场平滑且目标位置明显，利用本实施例提出的平台-阶梯特性分割算法可以很容易的确定红外弱小目标位置。

Claims (6)

1.一种红外弱小目标检测方法，其特征在于，包括以下步骤：

第一步、采集原始红外图像，并将原始红外图像转化为若干帧灰度图像；

第二步、计算每一帧灰度图像中每一个像素点的稠密DAISY描述子；

第三步、根据相邻两帧灰度图像之间每一个像素的稠密DAISY描述子经过DAISY流处理得到混合流场；

第四步、消除混合流场中具有平台特性的区域，在得到结果图像中进行阈值判断，当阈值判断成功时即检测到红外弱小目标的坐标。

2.根据权利要求1所述的红外弱小目标检测方法，其特征是，所述的计算每一帧灰度图像中每一个像素点的稠密DAISY描述子，包括如下步骤：

2.1)灰度图上每一个像素采用高斯滤波器获得高斯卷积方向图；

2.2)将每一个像素的高斯卷积方向图及其标准方差的高斯核求卷积，获得该像素对应的标准差下的描述向量；

2.3)将描述向量归一化后替换为每一个像素的对应数值，稠密DAISY描述子。

3.根据权利要求1所述的红外弱小目标检测方法，其特征是，所述的所述的DAISY流处理是指：首先提取灰度图像中的点特征，然后对每一个提取的点特征计算DAISY描述子及其对应相邻两帧间像素点的匹配，从而生成混合流场。

4.根据权利要求1所述的红外弱小目标检测方法，其特征是，所述的混合流场包括：背景水平混合流场、背景垂直混合流场、弱小目标水平混合流场和弱小目标垂直混合流场。

5.根据权利要求1所述的红外弱小目标检测方法，其特征是，所述的消除混合流场中具有平台特性的区域是指：对检测到的块状区域灰度值减去其平均值，即消除混合流场中的具有平台特性的区域。

6.根据权利要求1所述的红外弱小目标检测方法，其特征是，所述的阈值判断是指：对经过消除平台特性的图像，进行阈值分割，得到包含小目标和干扰背景区域的二值图像，通过检测其灰度值为1的且满足弱小目标面积条件的区域，即为弱小目标的位置。

Images