CN102081800B - 空间微弱运动目标检测方法 - Google Patents

Abstract

本发明公开了一种空间微弱运动目标检测方法，用于解决现有的空间微弱运动目标检测方法检测率低的技术问题。技术方案是利用目标的灰度、背景的结构性等特性与目标轨迹连续性相结合的方法进行运动目标的检测，图像预处理阶段采用了基于灰度与基于区域的分割，有效地去除了噪声的影响，在检测阶段利用两帧间目标运动连续性特征，有效剔除了恒星干扰，避免了使用多帧累加剔除恒星造成的处理效率的降低，以及背景光照、噪声影响下不能去除恒星背景的问题，并且对整个目标轨迹进行后处理，剔除虚假目标；并对丢失目标进行填补，在信噪比小3时，检测率由现有技术的不足90％提高到95％以上。

Description

空间微弱运动目标检测方法

技术领域

本发明涉及一种空间目标检测方法，特别是一种空间微弱运动目标检测方法。

背景技术

文献“深空背景弱小运动目标检测算法研究，光学技术，2010，Vol36(2)，p209-212”公开了一种基于序列图像多帧累加并提取特征的深空背景下弱小运动目标的检测算法。该方法先进行背景抑制；采用序列图像多帧累加增强目标与恒星的对比度，提取局部星图并剔除恒星干扰；最后结合候选目标的特征完成目标检测。由于在剔除恒星时需要使用多于5帧图像进行累加，降低了算法处理的效率，并且在背景光照、噪声有剧烈变化时，多帧累加并不能增强目标与恒星的对比度；在获取候选目标之后，只是了采用基于逻辑的最近邻关联方法在相邻两帧间对目标进行关联，并未完全利用序列图像整个目标轨迹信息，因此不能有效的剔除虚假目标，在目标局部信噪比小于3时，检测率不足90％，且不能解决目标被恒星遮挡问题。

发明内容

为了克服现有的空间微弱运动目标检测方法检测率低的不足，本发明提供一种空间微弱运动目标检测方法。该方法依据目标灰度及背景的结构性特征用2帧图像去除恒星，提取目标，并利用整个目标运动轨迹剔除虚假目标，实现真实微弱运动目标的检测，可以提高空间微弱运动目标检测方法的检测率。

本发明解决其技术问题所采用的技术方案：一种空间微弱运动目标检测方法，其特点是包括下述步骤：

(a)将空间微弱运动目标及恒星成像后的图像分割出星点，把图像分为S×S区域，在每个S×S区域内设定自适应阈值μ+3σ，并用阈值μ+3σ对图像进行二值化处理，根据二值分割结果，建立无向图G(V，E)，将目标连通性的问题转化为求无向图G(V，E)的强连通森林问题，使用广度优先搜索策略提取连通分量做为后继处理的星点集合C(t)；式中，μ是区域背景灰度均值，σ是区域背景灰度标准差，V是所有像素点，E是结点之间的边，t表示第t帧图像，C_i(t)，i＝1，2，…，K，表示星点集合中的第i个星点，K表示集合C(t)中共有K个星点；S是区域大小；

获得星点集合之后，根据分割出的亮斑的空间连通性搜索出星点区域为Ω(C_k(t))，用N[Ω(C_k(t))]表示C_k(t)内像素的个数，即星点面积；并通过(1)式求得星点质心z_k(t)＝(x_c，y_c)；C_k(t)表示第t帧的第k个星点；

$x_c=\frac{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}x\·I(x,y,t)}{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}I(x,y,t)}$ $y_c=\frac{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}y\·I(x,y,t)}{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}I(x,y,t)}---\left(1\right)$

式中，(x_c，y_c)表示星点C_k(t)质心在x，y方向的坐标，(m，n)星点区域的长宽，I(x，y，t)是第t帧(x，y)坐标处的灰度值；

(b)定义两帧图像间两个星点的距离：

$d(C_i\left(t\right),C_j(t+1))=\sqrt{{({\left[z_i\left(t\right)\right]}_x-{\left[z_j(t+1)\right]}_x)}^2+{({\left[z_i\left(t\right)\right]}_y-{\left[z_j(t+1)\right]}_y)}^2}---\left(2\right)$

式中，[z_i(t)]_x表示第t帧星点C_i(t)质心在x方向的坐标，[z_i(t)]_y表示第t帧星点C_i(t)质心在y方向的坐标；

对相邻两帧图像的星点集合C(t)，C(t+1)中的每个星点进行配对，并且两个星点的区域大小之差满足条件：

N[Ω(C_i(t))]-N[Ω(C_j(t+1))]＜λ·N[Ω(C_i(t))]    (3)

式中，λ是系数；

通过计算配对星点之间的距离，区分出恒星与非恒星点；第t，t+1，t+2帧图像各得到一个候选目标集合，其中前两帧得到的候选配对星点的集合为TP_t(C_i(t)，C_j(t+1))、后两帧得到的候选配对星点的集合为TP_t+1(C_j(t+1)，C_k(t+2))，两个集合中的C_j(t+1)是它们公共的元素，通过两个配对星点的公共元素建立目标轨迹；其中C_j(t+1)为第t+1帧图像中星点集合的第j个星点，C_k(t+2)为第t+2帧图像中星点集合的第k个星点；

(c)①遍历目标轨迹列表中的每个目标轨迹TC(i)，式中，i＝1，2，…，T，T是检测到的目标轨迹总数，对其处理；

②若目标轨迹中目标出现的帧数小于设定阈值β，将其删除；

③从目标轨迹列表中取出TC(j)，式中，j＝1，2，…，T且j≠i，若TC(j)的第一个目标出现的帧序号K_pre与TC(i)的最后一个目标出现的帧序号K_next不满足条件K_pre-K_next＜2，两条目标链不合并，取出另一条目标轨迹进行对比；若满足条件，继续向下执行；

④计算两条目标链轨迹之间的夹角，即TC(i)的后两个目标点构成向量a，TC(j)的前两个目标点构成向量b，若a与b之间的夹角大于30°，不合并目标轨迹，转步骤③；否则，继续向下执行；

⑤计算轨迹TC(i)的最后一个目标与轨迹TC(j)的第一个目标之间的距离DistChain_i，j，并计算TC(i)的目标平均运动速度AvgDist_i，如果

$\sqrt{{\mathrm{DistChain}}_{i,j}}>(K_{\mathrm{next}}-K_{\mathrm{pre}}+k)\·{\mathrm{AvgDist}}_i---\left(4\right)$

不合并目标轨迹，转步骤③；否则，继续向下执行；式中，k等于2；

⑥如果上述条件均满足，合并TC(i)和TC(j)，直至所有的轨迹遍历完成；

在目标轨迹合并之后，对由于恒星遮挡造成的丢失目标进行填补。

所述S×S区域的大小是100×100。

本发明的有益效果是：由于利用目标的灰度、背景的结构性等特性与目标轨迹连续性相结合的方法进行运动目标的检测，图像预处理阶段采用了基于灰度与基于区域的分割，有效地去除了噪声的影响，在检测阶段利用两帧间目标运动连续性特征，有效剔除了恒星干扰，避免了使用多帧累加剔除恒星造成的处理效率的降低，以及背景光照、噪声影响下不能去除恒星背景的问题，并且对整个目标轨迹进行后处理，剔除虚假目标；并对丢失目标进行填补，在信噪比小3时，检测率由现有技术的不足90％提高到95％以上。

下面结合具体实施方式对本发明作详细说明。

具体实施方式

1、单帧图像预处理。

目标及恒星成像后在图像中都表现为星点，首先分割出星点，把图像分为S×S区域，S是区域大小，设定为100，对每个区域统计直方图，找出直方图最大值时的灰度作为区域的背景均值μ，然后迭代求出背景噪声的3倍方差3σ，以μ+3σ做为分割阈值，按此阈值对小块区域进行0和1的二值化处理。根据二值分割的结果建立一个无向图G(V，E)，其中，V为所有像素点，E为结点之间的边，在该无向图中，如果灰度阈值分割得到的二值图中，如果有两个像素点(x₁，y₁)和(x₂，y₂)相邻，且两个像素点在该二值图上均为1，那么在建立的无向图中则存在一条边E((x₁，y₁)，(x₂，y₂))，其权值为1。在该无向图建立之后，将目标连通性的问题转化为求无向图G(V，E)的强连通森林问题，使用广度优先搜索策略求出图的强联通森林作为后继处理的星点集合C(t)，t表示第t帧图像，C_i(t)，i＝1，2，…，K表示星点集合中的第i个星点，K表示集合C(t)中共有K个星点。

获得星点集合之后，提取星点特征，做为后继处理分离目标与干扰的依据。

(1)星点面积：根据分割出的亮斑的空间连通性搜索出星点区域为Ω(C_k(t))，用N[Ω(C_k(t))]表示C_k(t)内像素的个数，即星点面积。

(2)星点质心位置：星点图像的质心通过图像灰度函数的平衡点来计算，星点的质心z_k(t)＝(x_c y_c)(即星点类别C_k(t)的聚类中心)通过下式求得：

$x_c=\frac{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}x\·I(x,y,t)}{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}I(x,y,t)}$ $y_c=\frac{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}y\·I(x,y,t)}{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}I(x,y,t)}---\left(5\right)$

式中，(x_c，y_c)表示星点C_k(t)质心在x，y方向的坐标，(m，n)星点区域的长宽，I(x，y，t)是第t帧(x，y)坐标处的灰度值。

2、候选目标检测与轨迹关联。

对两帧图像中的星点的集合C(t)，C(t+1)做帧间星点的匹配。定义两帧间两个星点的距离为它们质心位置的欧氏距离，即：

$d(C_i\left(t\right),C_j(t+1))=\sqrt{{({\left[z_i\left(t\right)\right]}_x-{\left[z_j(t+1)\right]}_x)}^2+{({\left[z_i\left(t\right)\right]}_y-{\left[z_j(t+1)\right]}_y)}^2}---\left(6\right)$

式中，[z_i(t)]_x表示第t帧星点C_i(t)质心在x方向的坐标，[z_i(t)]_y表示第t帧星点C_i(t)质心在y方向的坐标。

首先前一帧中的星点C_i(t)在后帧的对应质心位置寻找候选星点，并计算与候选星点之间的欧氏距离，找到距离最小的候选星点，并且如果两个星点的区域大小之差满足以下条件：

N[Ω(C_i(t))]-N[Ω(C_j(t+1))]＜λ·N[Ω(C_i(t))]    (7)

则认为两个星点配对成功，否则跳过该星点，与其他星点继续判定；按照这个步骤依次进行，直至两帧内的所有星体全部配对完成。星点配对完成之后，得到的是一个包含配对点之间距离的一维向量，正常情况下，相邻两帧图像对应位置的恒星之间的距离为0或一个小于1的数，目标具有与恒星不同的运动方向和速度，它们的运动距离通常会较大。根据序列图像目标运动的特性，设定阈值为1，过滤掉两帧中运动距离大于阈值的星点，经过过滤后剩余的星点即为候选目标。式中，λ是系数，取值为0.5。

通过连续三帧图像中前两帧和后两帧目标对的公共元素建立目标轨迹。具体如下：

(1)设当前帧为第t+2帧，得到的候选目标对集合为TP_t+1(C_j(t+1)，C_k(t+2))，其中C_j(t+1)为第t+1帧图像中星点集合的第j个星点，C_k(t+2)为第t+2帧图像中星点集合的第k个星点，对集合中的每个星点C_j(t+1)与已有目标轨迹列表TC(i)中的每个轨迹TC(i)的最后一个目标星点做匹配，如果都匹配不上，认为是新目标，对TP_t+1(C_j(t+1)，C_k(t+2))建立新的目标轨迹；如果有匹配的轨迹，转入(2)继续执行；

(2)判断C_j(t+1)，C_k(t+2)之间的距离是否与匹配的目标轨迹中目标的平均运动位移(即目标轨迹中相邻两个目标运动距离之和的均值)一致，并且判断C_j(t+1)，C_k(t+2)形成的向量与轨迹TC(i)之间的夹角是否小于30°，如果满足条件，把TP_t+1(C_j(t+1)，C_k(t+2))加入轨迹TC(i)，否则建立新链。

3、目标轨迹后处理。

在图像序列中的所有帧进行检测处理完成之后，对得到的目标轨迹进行后处理，对由于恒星遮挡造成的丢失目标进行填补。算法如下：

(1)遍历目标轨迹列表中的每个目标轨迹TC(i)，其中i＝1，2，…，T，T为检测到的目标轨迹总数，对其处理；

(2)若目标轨迹中目标出现的帧数小于设定阈值3，则认为是由于噪声产生的链，将其删除；

(3)从目标轨迹列表中取出TC(j)，j＝1，2，…，T且j≠i，若TC(j)的第一个目标出现的帧序号K_pre与TC(i)的最后一个目标出现的帧序号K_next不满足条件K_pre-K_next＜2，认为两条目标链不可合并，取出另一条目标轨迹进行对比；若满足条件，继续向下执行；

(4)计算两条目标链轨迹之间的夹角，即TC(i)的后两个目标点构成向量a，TC(j)的前两个目标点构成向量b，若a与b之间的夹角大于30°，则不合并，转(3)；否则，继续向下执行；

(5)计算轨迹TC(i)的最后一个目标与轨迹TC(j)的第一个目标之间的距离DistChain_i，j，并计算TC(i)的目标平均运动速度AvgDist_i，如果

$\sqrt{{\mathrm{DistChain}}_{i,j}}>(K_{\mathrm{next}}-K_{\mathrm{pre}}+\mathrm{\λ})\·{\mathrm{AvgDist}}_i---\left(8\right)$

式中，λ取2，则不合并目标轨迹，转(3)；否则，继续向下执行；

(6)如果上述条件均满足，合并TC(i)和TC(j)，直至所有的轨迹遍历完成。

在目标轨迹合并之后，对丢失的目标进行填充，填补过程如下：

(1)遍历目标轨迹列表中的所有目标轨迹；

(2)找到目标轨迹中间断的帧，假设为第k帧，根据目标轨迹中目标的平均运动距离预测目标在中断帧中的位置，并根据预测的位置设置搜索框到该帧的星点集合C(k)中寻找目标星点，如果找到，则认为找到的目标即为丢失的目标，定位目标插入位置，加入到目标轨迹中，否则把预测的目标加入到目标轨迹中；直到所有的目标轨迹处理完成。

Claims (2)

1.一种空间微弱运动目标检测方法，其特征在于包括下述步骤：

(a)将空间微弱运动目标及恒星成像后的图像分割出星点，把图像分为S×S区域，在每个S×S区域内设定自适应阈值μ+3σ，并用阈值μ+3σ对图像进行二值化处理，根据二值分割结果，建立无向图G(V，E)，将目标连通性的问题转化为求无向图G(V，E)的强连通森林问题，使用广度优先搜索策略提取连通分量做为后继处理的星点集合C(t)；式中，μ是区域背景灰度均值，σ是区域背景灰度标准差，V是所有像素点，E是结点之间的边，t表示第t帧图像，C_i(t)，i＝1，2，…，K，表示星点集合中的第i个星点，K表示集合C(t)中共有K个星点；S是区域大小；

获得星点集合之后，根据分割出的亮斑的空间连通性搜索出星点区域为Ω(C_k(t))，用N[Ω(C_k(t))]表示C_k(t)内像素的个数，即星点面积；并通过(1)式求得星点质心z_k(t)＝(x_c，y_c)；C_k(t)表示第t帧的第k个星点；

$x_c=\frac{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}x\·I(x,y,t)}{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}I(x,y,t)}$ $y_c=\frac{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}y\·I(x,y,t)}{\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}I(x,y,t)}---\left(1\right)$

式中，(x_c，y_c)表示星点C_k(t)质心在x，y方向的坐标，(m，n)星点区域的长宽，I(x，y，t)是第t帧(x，y)坐标处的灰度值；

(b)定义两帧图像间两个星点的距离：

$d(C_i\left(t\right),C_j(t+1))=\sqrt{{({\left[z_i\left(t\right)\right]}_x-{\left[z_j(t+1)\right]}_x)}^2+{({\left[z_i\left(t\right)\right]}_y-{\left[z_j(t+1)\right]}_y)}^2}---\left(2\right)$

式中，[z_i(t)]_x表示第t帧星点C_i(t)质心在x方向的坐标，[z_i(t)]_y表示第t帧星点C_i(t)质心在y方向的坐标；

对相邻两帧图像的星点集合C(t)，C(t+1)中的每个星点进行配对，并且两个星点的区域大小之差满足条件：

N[Ω(C_i(t))]-N[Ω(C_j(t+1))]＜λ·N[Ω(C_i(t))]    (3)

式中，λ是系数；

通过计算配对星点之间的距离，区分出恒星与非恒星点；第t，t+1，t+2帧图像各得到一个候选目标集合，其中前两帧得到的候选配对星点的集合为TP_t(C_i(t)，C_j(t+1))、后两帧得到的候选配对星点的集合为TP_t+1(C_j(t+1)，C_k(t+2))，两个集合中的C_j(t+1)是它们公共的元素，通过两个配对星点的公共元素建立目标轨迹；其中C_j(t+1)为第t+1帧图像中星点集合的第j个星点，C_k(t+2)为第t+2帧图像中星点集合的第k个星点；

(c)①遍历目标轨迹列表中的每个目标轨迹TC(i)，式中，i＝1，2，…，T，T是检测到的目标轨迹总数，对其处理；

②若目标轨迹中目标出现的帧数小于设定阈值β，将其删除；

③从目标轨迹列表中取出TC(j)，式中，j＝1，2，…，T且j≠i，若TC(j)的第一个目标出现的帧序号K_pre与TC(i)的最后一个目标出现的帧序号K_next不满足条件K_pre-K_next＜2，两条目标链不合并，取出另一条目标轨迹进行对比；若满足条件，继续向下执行；

④计算两条目标链轨迹之间的夹角，即TC(i)的后两个目标点构成向量a，TC(j)的前两个目标点构成向量b，若a与b之间的夹角大于30°，不合并目标轨迹，转步骤③；否则，继续向下执行；

⑤计算轨迹TC(i)的最后一个目标与轨迹TC(j)的第一个目标之间的距离DistChain_i，j，并计算TC(i)的目标平均运动速度AvgDist_i，如果

$\sqrt{{\mathrm{DistChain}}_{i,j}}>(K_{\mathrm{next}}-K_{\mathrm{pre}}+k)\·{\mathrm{AvgDist}}_i---\left(4\right)$

不合并目标轨迹，转步骤③；否则，继续向下执行；式中，k等于2；

⑥如果上述条件均满足，合并TC(i)和TC(j)，直至所有的轨迹遍历完成；

在目标轨迹合并之后，对由于恒星遮挡造成的丢失目标进行填补。

2.一种权利要求1所述的空间微弱运动目标检测方法，其特征在于：所述S×S区域的大小是100×100。