CN102201057B - 一种多尺度空中运动目标检测方法 - Google Patents
一种多尺度空中运动目标检测方法 Download PDFInfo
- Publication number
- CN102201057B CN102201057B CN2011101145678A CN201110114567A CN102201057B CN 102201057 B CN102201057 B CN 102201057B CN 2011101145678 A CN2011101145678 A CN 2011101145678A CN 201110114567 A CN201110114567 A CN 201110114567A CN 102201057 B CN102201057 B CN 102201057B
- Authority
- CN
- China
- Prior art keywords
- target
- template
- filtering
- carried out
- chained list
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 206010038743 Restlessness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种多尺度空中运动目标检测方法，包括(1)读入待处理的图像序列中的任一帧图像(2)建立目标链表，初始化值为全零(3)对读入的图像降n倍采样率，再利用三个不同尺寸的滤波模板进行多级滤波(4)依次对三个尺寸的滤波模板的滤波结果进行目标特征检测，则将检测到的目标信息添加到目标链表中(5)令n＝n-1，若n＜0，则转步骤(6)，否则转步骤(3)；(6)根据目标链中的目标位置信息，在原始图像中进行标记并显示。本发明通过对原图像进行降采样率以及模板变化的多级滤波，从而使得算法能够对更大尺度变化范围内的目标进行检测，算法从最大尺度开始进行目标检测，逐级定位目标所在的确切尺度，以精确定位不同大小的目标。
Description
技术领域
本发明属于数字图像处理与航天航空技术的交叉领域，具体涉及一种多尺度空中运动目标检测方法。该方法可以解决动平台与复杂天空背景下未知大小的点状、斑状或面状的飞行器目标自动检测定位难题。
背景技术
低信噪比的点目标或小目标的检测与识别是目标自动识别(AutomaticTarget Recognition，简称ATR)中的一个难题。其中一个重要的困难在于目标成像面积小，往往只有一个或十几个像素，缺乏足够信息(无形状、尺寸、纹理特征可利用)。
传统的弱小目标检测一般有两类算法从不同角度来实现小目标检测。一种是抑制背景，增强目标。对图像进行预处理，滤除背景噪声，突出目标，从而为检测出目标或为后续检测提供了较好的基础。常用的背景抑制方法有：线性白化滤波器、统计滤波器、峰值检测法、形态滤波器、神经网络法等。通常目标检测算法决定每帧图像中目标存在或不存在，而目标跟踪算法决定与跟踪相关联的目标观测。另外一种是当目标能量很低，检测错误概率非常高时，需要对多帧图像进行处理。这时，利用目标的速度、运动方向等先验信息，通过积累目标能量来提高检测概率。常用的小目标多帧检测方法有：三维匹配滤波器法、多级假设检验法、最优原理的动态规划法、高阶相关检测法、投影变换法、时间差分法、空间差分法、多级门限检测法、细胞神经网络法等等。
王岳环、程圣莲、周晓玮、张天序提出的基于多级滤波的复杂背景下多尺度小目标检测方法(见文献王岳环，程圣莲，周晓玮，张天序.基于多级滤波的复杂背景下多尺度小目标检测.红外与激光工程INFRARED ANDLASER ENGINEERING，2006，第03期)，虽然也能够在没有目标尺度先验知识信息的情况下自适应地检测多个小目标，但其检测的尺度范围有限，局限在9*9大小以下的小目标，当目标尺度变化超过该范围时，其检测就会失效。另外，该文献提到的方法，无法判断有无特定尺度范围目标的情况。
发明内容
本发明的目的在于提供一种多尺度空中运动目标检测方法，该方法能在目标大小未知或者连续变化的条件下，以单帧图像为基础，自适应判断目标尺寸大小，进而快速有效地检测识别图像序列中的运动目标，还可判断有无特定尺度范围目标。
本发明提供的多尺度空中运动目标检测方法，其步骤包括：
(1)读入待处理的原始图像；如果没有图像输入，则转步骤(9)；
(2)建立目标链表，初始化值为全零；
(3)对原始图像降n倍(n为正整数)采样率，分别对降采样率后的图像进行模板大小为7×7、5×5和3×3的三个滤波模板进行多级滤波，其模板元素都为1；
(4)对滤波后的图像从最大尺寸，即最大的滤波模板7×7结果图进行目标特征检测，如果检测到目标，则将目标相关信息添加到目标链表中；具体的特征检测过程为在对滤波结果进行二值分割和标记，得到全部的疑似目标。接着在标记图中疑似目标进行特征提取，即计算各标记区域的平均灰度、长宽比、面积与模板大小比。再结合以上特征，通过判断疑似目标与该模板是否有响应，来决定该尺度空间下是否存在真实目标；
(5)对5×5滤波模板的滤波结果进行特征检测，检测目标链中所保存的目标区域外是否还存在目标，若有则将目标相关信息添加到目标链中；
(6)对3×3滤波模板的滤波结果进行特征检测，检测目标链中所保存的目标区域外是否还存在目标，若有则将目标相关信息添加到目标链中；
(7)令n＝n-1，若n＜0，则转步骤(8)，否则转步骤(3)；
(8)根据目标链中的目标位置信息，在原图中进行标记并显示。再清空目标链，转步骤(1)进行下一幅待处理图像；
(9)结束。
本发明的核心思想为通过对原图像进行降采样率以及模板变化的多级滤波，使得仅仅通过三个尺寸的滤波模板就能处理3n个尺度变化范围内的目标大小，从而使得算法能够对更大尺度变化范围内的目标进行检测。算法从最大尺度开始进行目标检测，逐级定位目标所在的确切尺度，以精确定位不同大小的目标。
为了提高目标检测的稳定性和鲁棒性，本发明在目标尺度范围的选取以及目标特征提取做出了考虑。
首先，通过对原图像进行降n倍采样率，并结合3×3、5×5和7×7三级多级滤波模板，可以检测原图中目标尺度为(3·2n)×(3·2n)、(5·2n)×(5·2n)以及(7·2n)×(7·2n)的大尺度目标，其中n＝0，1，2，3，…，n，n为正整数。
其次，在目标尺度选择方面，算法通过从大尺度到小尺度的顺序，逐级定位目标的确切尺度大小。优先在大尺度范围内查找目标，可以有效的去除干扰，并能够防止由于模板小而目标大，从而导致目标被模板割裂的情况。
另外，通过遍历整个采样及滤波级别，能够将每一级中的符合该级尺度大小的目标检测出来，从而达到多目标检测的目的。
最后，在目标特征判决方面，通过比较目标大小与不同尺度模板之间的响应关系，来确定目标的实际尺度。同时结合目标的位置、长宽比、平均灰度等信息，以及目标形状和其他特性等先验知识来确定最终的检测目标。
附图说明
图1是本发明基于多级滤波的多尺度目标检测方法的流程图；
图2是图1中目标检测模块的详细流程图；
图(3a)是序列图中某一帧图像；
图(3b)是图(3a)进行量化后而成的图像；
图(4a)是图(3b)的降0倍采样率后的成像图，也就是图(3b)本身；
图(4b)、图(4c)和图(4d)分别是对图(4a)进行模块大小为3×3、5×5和7×7的多级滤波结果图；
图(4e)是图(3b)的降1倍采样率后的成像图；
图(4f)、图(4g)和图(4h)分别是对图(4e)进行模块大小为3×3、5×5和7×7的多级滤波结果图；
图(4i)是图(3b)的降2倍采样率后的成像图；
图(4j)、图(4k)和图(4l)分别是对图(4i)进行模块大小为3×3、5×5和7×7的多级滤波结果图；
图(5a)～图(5c)分别是图(4b)～图(4d)的二值分割图，该尺度下目标模板响应过大，模板尺度过小，导致目标被分裂，不可取；
图(6a)～图(6c)分别是图(4f)～图(4h)的二值分割图，该尺度下目标模板响应强烈，模板尺度合适，结果可取；
图(7a)～图(7c)分别是图(4j)～图(4l)的二值分割图，该尺度下目标模板响应很小，模板尺度过大，不可取；
图(8a)即(6b)，为最后定位目标所在的尺度空间；
图(8b)是最后的输出结果，在目标上进行标记；
具体实施方式
下面结合附图和实例对本发明作进一步详细的说明。本例中n＝2。
(1)读入待处理的原始图像；如果没有图像输入，则转步骤(9)；
如序列图(3a)为读入的待处理原图像。在本试验中为处理方便，我们对其进行量化处理，图(3b)即为量化后的成像图。
(2)建立目标链表，初始化值为全零；
(3)对原始图像降n倍(n为正整数)采样率，分别对降采样率后的图像进行模板大小为7×7、5×5和3×3的三个滤波模板进行多级滤波，其模板元素都为1；
图(4i)为原图降2倍采样率后的图像，而图(4j)、图(4k)和图(4l)则分别为图(4i)用大小为7×7、5×5和3×3的3个滤波模板进行多级滤波的结果图。
(4)对滤波后的图像从最大尺寸，即最大的滤波模板7×7结果图进行目标特征检测，如果检测到目标，则将目标相关信息添加到目标链中；具体的特征检测过程为在对滤波结果进行二值分割和标记，得到全部的疑似目标。接着在标记图中对疑似目标进行特征提取，即计算各标记区域的平均灰度、长宽比、面积与模板大小比。再结合以上特征，通过判断疑似目标与该模板是否有响应，来决定该尺度空间下是否存在真实目标；
图(7c)即为滤波模板7×7结果图(4l)的二值分割图，算法对图(7c)进行特征检测，判断该尺度内没有符合要求的目标。
(5)对5×5滤波模板的滤波结果进行特征检测，检测目标链中所保存的目标区域外是否还存在目标，若有则将目标相关信息添加到目标链中；
图(7b)即为滤波模板5×5结果图(4k)的二值分割图。算法对图(7b)进行特征检测，判断该尺度内没有符合要求的目标。
(6)对3×3滤波模板的滤波结果进行特征检测，检测目标链中所保存的目标区域外是否还存在目标，若有则将目标相关信息添加到目标链中；
图(7a)即为滤波模板3×3结果图(4j)的二值分割图。算法对图(7a)进行特征检测，判断该尺度内没有符合要求的目标。
(7)令n＝n-1，若n＜0，则转步骤(8)；否则转步骤(3)；
(8)根据目标链中的目标位置信息，在原图中进行标记并显示。再清空目标链，转步骤(1)；
(9)算法结束。
在分割图中，图(5a)～图(5c)都为降2倍采样率后的二值分割图，该尺度下目标模板响应过大，模板尺度过小，导致目标被分裂，不可取；图(6a)～图(6c)都为降一倍采样率后的二值分割图，该尺度下目标模板响应强烈，模板尺度合适，结果可取；图(7a)～图(7c)都为不降采样率后的二值分割图，该尺度下目标模板响应很小，模板尺度过大，不可取。
综合以上结果，定位目标尺度范围为降一倍采样率。并综合该采样率下个不同大小模板的滤波结果，确定5×5滤波模板大小下目标响应最大，故目标最后所在尺度范围为10×10。
图(8b)即为图(3a)的检测结果图，而图(8a)即为目标所在的尺度范围，图(6a)为图(3a)进行降1倍采样率且用5×5滤波模板滤波后的二值分割图，故图(3a)中目标所在的尺度空间为10×10。
附图3～6所示的内容反映了本发明在典型实施例中使用上述方法的有效性，通过对检测图进行降采样率以及模板变化的多级滤波，形成连续变化的尺度空间，通过这种类似金字塔的空间结构，来实现对未知尺度或者尺度连续变化的目标进行检测和定位。对相较于普通的基于知识和形状特征的小目标检测算法，本发明的适用范围更加广泛。降采样率并在相应尺度空间对多级滤波后的响应进行判断，以决定目标尺寸的范围与有无，这是本发明的重要组成部分。多级滤波和降采样率，这两者分别扮演着不同的作用。指定模板大小的多级滤波，可以将图像中与该模板大小类似的目标进行增强，同时抑制背景噪声。通过多级滤波响应特性的判断，达到定位未知目标的所在尺度的目的；而通过对滤波前的图像进行降采样率，可以变相的增加算法检测的尺度范围。虽然通过增加多级滤波模板大小的种类也可以达到增加尺度范围的目标，但降采样率效率更高，更精确。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。
Claims (3)
1.一种多尺度空中运动目标检测方法，通过对运动目标的图像序列进行检测处理，从而识别出目标，该方法具体步骤包括：
（1）读入待处理的图像序列中的任一帧图像；
（2）建立目标链表，初始化值为全零；
（3）对读入的图像降n倍采样率，分别对降采样率后的图像利用三个不同尺寸的滤波模板进行多级滤波,其中n为正整数；
（4）对其中最大尺寸的滤波模板的滤波结果进行目标特征检测，如果检测到目标，则将目标信息添加到目标链表中；
（5）对第二大尺寸的滤波模板的滤波结果进行特征检测，检测目标链表中所保存的目标区域外是否还存在目标，若有则将目标信息添加到目标链表中；
（6）对最小尺寸的滤波模板的滤波结果进行特征检测，检测目标链表中所保存的目标区域外是否还存在目标，若有则将目标信息添加到目标链表中；
（7）令n＝n-1，若n＜0，则转步骤（8），否则转步骤（3）；
（8）根据目标链表中的目标位置信息，在原始图像中进行标记并显示，再清空目标链表，转步骤（1）进行下一幅待处理图像，直至完成所有图像处理，即完成目标识别。
2.根据权利要求1所述的方法，其特征在于，所述的三个不同尺寸的滤波模板大小分别为7×7、5×5和3×3，模板元素均为1。
3.根据权利要求1或2所述的方法，其特征在于，所述的目标特征检测的具体过程为：
首先，对滤波结果进行二值分割和标记；再对标记图进行特征提取，即计算各标记区域的长宽比、模板大小比、平均灰度与面积；最后，结合目标特征判断标记区域在该模板下是否有响应，从而确定出该尺度下是否存在目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011101145678A CN102201057B (zh) | 2011-05-04 | 2011-05-04 | 一种多尺度空中运动目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011101145678A CN102201057B (zh) | 2011-05-04 | 2011-05-04 | 一种多尺度空中运动目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102201057A CN102201057A (zh) | 2011-09-28 |
| CN102201057B true CN102201057B (zh) | 2012-11-21 |
Family
ID=44661720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011101145678A Expired - Fee Related CN102201057B (zh) | 2011-05-04 | 2011-05-04 | 一种多尺度空中运动目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102201057B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473787B (zh) * | 2013-07-29 | 2015-08-26 | 华中科技大学 | 一种基于空间几何关系的桥梁上运动目标检测方法 |
| CN108230292B (zh) * | 2017-04-11 | 2021-04-02 | 北京市商汤科技开发有限公司 | 物体检测方法和神经网络的训练方法、装置及电子设备 |
| CN107705319B (zh) * | 2017-10-16 | 2020-04-17 | 中国电子科技集团公司第二十八研究所 | 一种基于空天背景小目标实时检测跟踪方法 |
-
2011
- 2011-05-04 CN CN2011101145678A patent/CN102201057B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
| Title |
|---|
| 张振军等.红外图像小目标实时检测系统的设计与实现.《计算机应用研究》.2008,第25卷(第03期),789-790、794. * |
| 张聪等.运动目标检测与识别方法研究.《红外与激光工程》.2004,第33卷(第02期),164-168. * |
| 王岳环等.基于多级滤波的复杂背景下多尺度小目标检测.《红外与激光工程》.2006,第35卷(第03期),362-366、377. * |
| 陈朝阳等.一种红外海面小目标检测算法的ASIC结构实现.《微电子学与计算机》.2004,第21卷(第05期),108-110、113. * |
| 陈朝阳等.多级滤波算法的ASIC实现.《华中科技大学学报(自然科学版)》.2006,第34卷(第02期),4-7. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102201057A (zh) | 2011-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| JP5464244B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
| US20140064626A1 (en) | Adaptive image processing apparatus and method based in image pyramid | |
| WO2014014686A1 (en) | Parameter selection and coarse localization of regions of interest for mser|processing | |
| CN106295498B (zh) | 光学遥感图像目标区域检测装置与方法 | |
| CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN104408482A (zh) | 一种高分辨率sar图像目标检测方法 | |
| CN111275040B (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
| CN102201057B (zh) | 一种多尺度空中运动目标检测方法 | |
| CN104156929A (zh) | 基于全局滤波的红外弱小目标背景抑制方法及其装置 | |
| CN104951765A (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
| KR20180020421A (ko) | 대용량 고해상도 위성 영상을 이용한 해안선 추출 방법 및 시스템 | |
| CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
| KR101770742B1 (ko) | 클러터를 억제하는 표적 탐지 장치 및 그 방법 | |
| CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
| CN104268852B (zh) | 红外序列图像中弱小目标的检测方法及其检测装置 | |
| CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
| CN111815677A (zh) | 目标追踪方法、装置、终端设备和可读存储介质 | |
| US10909689B2 (en) | Target detection and tracking method | |
| WO2022247684A1 (zh) | 基站馈线检测方法、系统及相关装置 | |
| Molloy et al. | Looming aircraft threats: shape-based passive ranging of aircraft from monocular vision | |
| CN104182731B (zh) | 一种基于十字检测的栅格状雷达检测方法 | |
| CN111339985A (zh) | 基于混合卷积的手势检测方法 | |
| CN108876853B (zh) | 图像定位方法、装置、系统和存储介质 | |
| CN110488279B (zh) | 一种基于雷达的行人与树木区分方法与装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121121 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |