CN102521591A - 一种复杂背景下小目标快速识别方法 - Google Patents

Abstract

本发明提供了一种复杂背景下小目标快速识别方法，目的在于能够对在复杂背景的图像中，显示像素大于10×10小于40×40的目标进行高准确率的识别，并将识别结果(目标位置)实时反馈给系统。本发明所述方法包括：本发明首先计算目标模板图像的信息熵矩阵，然后对待识别图像进行小波变换并软阈值去噪，得到一系列的采样点，通过采样点来确定待识别区域，其次对所有的待识别区域计算信息熵矩阵，最后计算所有的待识别区域的信息熵矩阵与目标模板图像的信息熵矩阵的欧氏距离，小于判定阈值中欧氏距离最小的待识别区域所对应的点的位置，就是目标所在的位置。本发明与已有的相应技术相比，具有在复杂背景下对小目标高准确识别的能力，对识别速度进行了一定的改善。

Description

一种复杂背景下小目标快速识别方法

技术领域

本发明涉及图像信息处理技术领域，具体为一种复杂背景下小目标快速识别方法。 

背景技术

在本发明中，小目标是指出现在待识别图像中显示像素大于10×10像素小于40×40像素的目标。 

传统的基于点特征的算法无法提取从10×10像素到40×40像素之间尺寸的目标足够多的特征点；基于多帧序列和基于信息融合的识别算法，只能识别在背景简单的运动点状目标，并且由于使用多帧序列，导致该算法的实时性很差；基于人工神经网络、支持向量机等一类非线性识别算法，由于识别时计算量大，实时性很差，同时要识别新的目标，必须进行一次新的训练，造成应用价值不高。并且，上述算法都只能应用于红外背景、海面背景、天空背景等简单背景的画面中进行识别，如果应用在可见光复杂背景中，算法计算量将大大的提高，同时识别率将降低，虚警率上升。 

目前，公知的小目标识别算法识别的目标是小于10×10像素的点状目标，这类目标识别方法主要是在背景中检测点目标，但不能对其形状、纹理等特征与已有目标模板进行识别。对于10×10像素到40×40像素的目标识别，由于目标已经没有明显的结构特征，并且很容易受到噪点的影响，现有这类小目标识别方法都不适用。 

发明内容

本发明提供了一种复杂背景下小目标快速识别方法，以解决现有方法无法对复杂背景下大于10×10像素小于40×40像素尺寸的小目标的进行识别问题。 

本发明涉及图像信息处理领域，提供了一种复杂背景下小目标快速识别方法，目的在于能够对在复杂背景的图像中，显示像素大于10×10小于40×40的目标进行高准确率的识别，并将识别结果(目标位置)实时反馈给系统。本发明所述方法包括：本发明首先计算目标模板图像的信息熵矩阵，然后对待识别图像进行小波变换并软阈值去噪，得到一系列的采样点，通过采样点来确定待识别区域，其次对所有的待识别区域计算信息熵矩阵，最后计算所有的待识别区域的信息熵矩阵与目标模板图的信息熵矩阵的欧氏距离，在小于判定阈值中最小的欧氏距离的待识别区域所对应的点的位置，就是目标所在的位置。本发明与已有的相应技术 相比，具有在复杂背景下对小目标高准确识别的能力，对识别速度进行了一定的改善。 

本发明采用的技术方案为：首先计算目标模板图像的信息熵矩阵，然后对待识别图像进行小波变换并软阈值去噪，得到一系列的采样点，通过采样点来确定待识别区域，其次对所有的待识别区域计算信息熵矩阵，最后计算所有的待识别区域的信息熵矩阵与目标模板图的信息熵矩阵的欧氏距离，在小于判定阈值中最小的欧氏距离的待识别区域所对应的点的位置，就是目标模板所在的位置。本发明的技术方案总流程图如图1所示。 

步骤1：用户输入。 

用户由人机接口提供目标模板图像、待识别图像，待识别图像可以是静止图像或视频流中的一帧图像，根据用户输入设定信息熵矩阵的宽度m_w和高度m_h，设定信息熵矩阵欧氏距离判定阈值d，小波去噪窗口大小的宽度S_w和高度S_h。 

步骤2：提取目标模板图像的信息熵矩阵。 

1.1、提取一副图像的信息熵矩阵流程图如图2所示。 

(1)计算单元块的宽、高。 

读取一副输入图像，得到这幅图像宽W像素，高H像素。根据用户输入的信息熵矩阵的阶数m_w×m_h，将该图像分成m_w×m_h个单元块对其进行描述。计算每个单元块的宽度W_t和高H_t，由于像素点为整数，所以必须取整。计算公式如下： 

其中 

表示对小数向下取整数，例如： 

(2)将该图像转换成灰度图像，在灰度图像上进行分块，然后计算每个单元块的灰度值。 

不论输入图像是黑白图像或是彩色图像，都将输入图像转换成灰度图像。根据用户输入的信息熵矩阵的阶数m_w×m_h将灰度图像分块成m_w×m_h个，每个单元块大小是宽度为W_t像素高度为H_t像素。分块的作用是体现图像局部的统计特征，使得图像局部统计特性不因个别点的变化而变化。使用这些单元块组成的矩阵对该图像进行一个整体性的描述。 

将灰度图像分块后的单元块组成一个灰度矩阵G，即： 

$G=\left[\begin{array}{cccc}{G}_{\mathrm{0,0}}& G_{\mathrm{0,1}}& \·\·\·\·& G_{0,m_w-1}\\ G_{\mathrm{1,0}}& G_{\mathrm{1,0}}& \·\·\·\·& G_{1,m_w-1}\\ \·\·\·\·& \·\·\·\·& \·\·\·\·& \·\·\·\·\\ G_{m_h-\mathrm{1,0}}& G_{m_h-\mathrm{1,1}}& \·\·\·\·& G_{m_h-1,m_w-1}\end{array}\right]$

简写成： 

G＝[G_j，i] 

其中j＝0，1，2，...m_h-1；i＝0，1，2，...m_w-1。 

目标模板图像灰度矩阵G中每个元素G_j，i，等于这个元素所代表的单元块内所有点的灰度总值。 

所以： 

$G_{j,i}=\underset{y=y_j}{\overset{y_j+H_t-1}{\mathrm{\Σ}}}\underset{x=x_i}{\overset{x_i+W_t-1}{\mathrm{\Σ}}}f(x,y)---\left(3\right)$

其中f(x，y)为取点(x，y)在灰度图像中的值。x_i、y_j为单元块G_j，i的左上角点的坐标，计算公式如下： 

x_i＝i×W_t                            (4) 

y_j＝j×H_t                            (5) 

将公式(4)(5)代入(3)，得到： 

$G_{j,i}=\underset{y=j\×H_t}{\overset{j\×H_t+H_t-1}{\mathrm{\Σ}}}\underset{x=i\×W_t}{\overset{i\×W_t+W_t-1}{\mathrm{\Σ}}}f(x,y)---\left(6\right)$

(3)计算图像的灰度总值。 

计算图像灰度总值SG，公式如下： 

$\mathrm{SG}=\underset{j=0}{\overset{m_h-1}{\mathrm{\Σ}}}\underset{x=0_t}{\overset{m_w-1}{\mathrm{\Σ}}}{G}_{j,i}---\left(7\right)$

(4)计算每个单元块G_j，i在G中出现的概率P_j，i，公式如下： 

$P_{j,i}=\frac{G_{j,i}}{\mathrm{SG}}---\left(8\right)$

其中j＝0，1，2，...m_h-1；i＝0，1，2，...m_w-1。 

(5)计算每个单元块G_j，i的信息熵H_j，i，公式如下： 

H_j，i＝-P_j，ilog₂P_j，i                (9) 

其中j＝0，1，2，...m_h-1，i＝0，1，2，...m_w-1。 

(6)得到图像信息熵矩阵H。 

$H=\left[\begin{array}{cccc}{H}_{\mathrm{0,0}}& H_{\mathrm{0,1}}& \·\·\·\·& H_{0,m_w-1}\\ H_{\mathrm{1,0}}& H_{\mathrm{1,0}}& \·\·\·\·& H_{1,m_w-1}\\ \·\·\·\·& \·\·\·\·& \·\·\·\·& \·\·\·\·\\ H_{m_h-\mathrm{1,0}}& H_{m_h-\mathrm{1,1}}& \·\·\·\·& H_{m_h-1,m_w-1}\end{array}\right]---\left(10\right)$

该矩阵即为图像的信息熵矩阵特征。 

2.2、根据以上信息熵矩阵提取方法，可以提取到目标模板图像的信息熵矩阵H_t。 

步骤3：确定待识别图像的采样点。 

根据物体与背景灰度差异特别大的原理。从待识别图像中局部区域提取灰度变化剧烈的点，以此代表在该局部区域中存在物体。该步骤可以避免对在局部区域中大范围近似图像的重复识别。在本步骤中根据用户输入的参数，通过读取图像或视频帧得到待识别图像，使用小波变换，得到细节子图HH。HH细节子图中包含待识别图像中物体的边缘点以及噪声。然后对HH细节子图进行去噪处理。剩余的点就是待识别图像的采样点。确定待识别图像的采样点的流程图如图3所示。 

3.1对待识别图像进行小波变换 

对待识别图像进行小波变换，仅计算HH细节子图。 

(1)将待识别图像从RGB图像转换成灰度图像GF。 

(2)对待识别灰度图像GF进行小波变换，只计算HH细节子图。 

根据Mallat小波快速变换算法，采用可分离二维小波变换，即将二维小波变换用两次一维小波变换代替。HH细节子图的计算方法为先在水平方向上计算灰度图像GF与小波高频滤波器H(i)的内积，得到第一次变换图像WH，再在竖直方向上计算WH与小波高频滤波器H(i)的内积，得到HH细节子图WHH。 

计算公式如下： 

其中函数GF(x，y)表示取点(x，y)在待识别图像的灰度图像中的值，WH(x，y)表示取点(x，y)在第一次变换图像WH中的值，WHH(x，y)表示取点(x，y)在HH细节子图WHH中的值。H(i)表 示取小波高频滤波器系数数组中的第i个数的值。Hlength表示小波高频滤波器H的长度。Sample表示在待识别图像中的向下采样数，即每Sample个点取一个点进行计算，Sample为自然数。WHH就是待识别图像经过小波变换后的HH细节子图。 

WHH的宽度WHH_w与GF的宽度GF_w，的转换公式： 

WHH_w＝GF_w/Sample                                (13) 

WHH的高度WHH_h与GF的高度GF_h的转换公式： 

WHH_h＝GF_h/Sample                                (14) 

3.2软阈值去噪 

因为在HH细节子图WHH中，包含了物体的边缘点以及噪声，所以需要在HH细节子图WHH中进行滑动窗口去噪。计算去噪窗口的去噪阈值，并去噪。去噪之后剩余的点就是待识别图像的采样点。 

(1)计算HH细节子图中滑动窗口的去噪阈值。 

在HH细节子图WHH中以用户输入的S_w个像素为长度和S_h个像素为宽度进行遍历，得到一个滑动去噪窗口FWHH。计算滑动窗口的去噪阈值。 

本发明采用了Donoho和Johnstone的统一阈值，公式如下： 

$\mathrm{\δ}=\mathrm{\σ}\sqrt{2\log N}---\left(15\right)$

其中，δ为去噪阈值，σ为噪声标准方差，N为信号的尺寸。 

N＝S_w×S_h                                (16) 

σ从HH细节子图WHH的去噪窗口中估计，估计公式如下： 

$\mathrm{\σ}=\frac{1}{{0.6745S}_w{S}_h}\mathrm{\Σ\Σ}\left|\mathrm{FWHH}(i,j)\right|---\left(17\right)$

其中FWHH(i，j)表示取点(i，j)在FWHH中的值，点(i，j)属于FWHH。 

(2)对HH细节子图WHH滑动窗口进行去噪。去噪公式如下： 

$\mathrm{FWHH}(i,j)=\left\{\begin{array}{cc}\left|\mathrm{FWHH}(i,j)\right|& \left|\mathrm{FWHH}(i,j)\right|>\mathrm{\&delta;}\\ 0& \left|\mathrm{FWHH}(i,j)\right|<\mathrm{\&delta;}\end{array}\right.---\left(18\right)$

(3)如果HH细节子图WHH没有遍历完毕，将回到步骤(1)。如果HH细节子图WHH遍历完毕，去噪结束。 

步骤4：确定待识别区域。 

利用HH细节子图中只包含物体的边缘点和噪声的特点，对去噪后的HH细节子图WHH中大于0的点，认为是图像中物体的边缘点，边缘点所在矩形区域，称为物体存在的区域。 对物体存在的区域的每一个点所在的矩形区域，称为待识别区域。确定待识别区域的流程图如图4所示。 

在本发明中，图像中点的坐标系采用图像像素坐标系，即坐标原点在图像的左上角，原点从(0，0)开始，x轴正方形从左到右，y轴正方形从上到下。这样的好处是图像运算的坐标系与矩阵相同，同时使编程中数组的偏移计算简单、一致。图像像素坐标系与欧式空间坐标如图7所示。 

在本发明中，对于一个灰度图像G，在图像像素坐标系中，以点(x₀，y₀)为左上角，宽度为w，高度为h的矩形区域的点的集合，以Rect(G，x₀，y₁，w，h)来描述。 

Rect(G，x₀，y₁，w，h)＝{G(y，x)|x₀≤x≤x₀+w-1，y₀≤y≤y₀+h-1}             (19) 

其中G(y，x)表示(x，y)在灰度图像G中的值。 

矩形区域在图像像素坐标系中的表示情况如图8所示。 

(1)确定物体存在区域 

对HH细节子图进行点遍历，寻找物体的边缘点，确定物体存在区域。对HH细节子图进行点遍历，如果该点值不为0，则认为该点为物体的边缘点。 

设一个边缘点为MP(MP_x，MP_y)，设该边缘点所在的一个矩形区域的宽度为Z_w，高度为Z_h，则该矩形区域称为物体存在区域RO，根据公式(20)， 

RO＝Rect(WHH，MP_x，MP_y，Z_w，Z_h)                           (20) 

(2)确定待识别区域 

设物体存在区域RO中的一个点P为(P_x，P_y)，以点P为中心点，长度等于目标模板图像的长度、宽度等于目标模板图像的宽度的在待识别图像G的矩形区域，称为RO中的一个待识别区域R，根据公式(21)，得到： 

R＝Rect(G，P_x×Sample，P_y×Sample，W_t，H_t)                (21) 

其中Sample为小波采用数。进行信息熵矩阵计算，方法同步骤2。 

对所有的物体存在区域RO中的点进行遍历，确定在RO中的每一个待识别区域R。 

物体存在区域RO与待识别区域R关系如图9所示。 

步骤5：提取所有待识别区域R的信息熵矩阵H_R。 

方法同步骤2。 

步骤6：衡量目标模板图像的信息熵矩阵与所有的待识别区域图像的信息熵矩阵之间的差异度。 

在本发明中，使用欧式距离来衡量所有的待识别区域的信息熵矩阵与目标模板图的信息 熵矩阵的差异度，欧氏距离越大说明两者的差异度越大。衡量目标模板图像与所有待识别区域图像的信息熵矩阵之间的差异度的流程图如图5所示。 

计算待识别区域的信息熵矩阵H_R与目标模板图的信息熵矩阵H_t的信息熵矩阵欧氏距离D＝D(H_t，H_R)。计算公式如下： 

$D(H_t,H_R)=\sqrt{\underset{j=0}{\overset{m_h-1}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{m_w-1}{\mathrm{\&Sigma;}}}{(H_t(i,j)-H_R(i,j))}^2}---\left(22\right)$

其中H_R(i，j)、H_t(i，j)表示取列号为i，行号为h的在矩阵中的元素，i＝0，1，2...m_w-1，j＝0，1，2...m_h-1。 

步骤7：识别结果判定。 

根据用户输入的参数，在所有边缘点与目标模板图的信息熵矩阵的欧氏距离中取最小值D_min，然后通过用户输入的信息熵矩阵欧氏距离判定阈值d来判定在待识别图像中是否存在目标。识别结果判定的流程图如图6所示。 

如果D_min＜＝d，则目标存在，D_min所对应的点即为目标所在坐标。 

如果D_min＞d，则判定目标不存在。 

目标识别结果如图12所示。 

本发明与已有的相应技术相比，传统算法不能在复杂背景中识别尺度为30×30像素以下目标的缺陷，同时兼顾了识别速度，对识别速度进行了一定的改善。 

本发明具有以下优点： 

1、能够在复杂背景中识别目标，即根据已有目标模板在背景中识别目标。 

2、识别目标在待识别画面中尺寸大小为40×40像素～10×10像素。 

3、与目前现有的基于形状与纹理特征的识别算法相比，本方法具有去除无用的待识别点、噪声的特点，大大减少了计算量，识别速度快，识别率高，具有抗噪点、抗光照变化的特点。 

4、耗时对比。 

信息熵矩阵算法：假设待识别图像大小m×n像素，单元分块为mw×mh个分块，目标模板图像大小为nw×nh像素，通常mw＞8，mh＞8，nw＞10，nh＞10，则对每个点所对应的矩形区域，需要计算一次图像灰度总值G，即需要nw×nh次加法；每一个单元块需要计算单元块灰度总值GU，需要nw×nh/(mw×mh)次加法，每一个单元块计算一次归一化灰度总值Gp＝GU/G，信息熵P＝Gp(1-Gp)，需要分别计算一次乘法、除法、减法，因此计算一个矩形区域的信息熵矩阵总共需要2×nw×nh次加法，mw×mh次减法，mw×mh次乘法，2×mw×mh次除法；进行 一次识别，计算两个信息熵矩阵的欧氏距离的时候，需要mw×mh次加法，mw×mh次减法，mw×mh次乘法，一次开方计算。则对一副尺寸为m×n像素的图像进行识别的时候，要对每一个点所在矩形区域进行计算一次信息熵，并且识别，总共需要m×n×(nw×nh+mw×mh)次加法，2×m×n×mw×mh次减法，3×m×n×mw×mh次乘法，2×m×n×mw×mh次除法，m×n次开方计算。 

本发明的时间复杂度为：设待识别图像大小为m×n像素，单元分块mw×mh个分块，目标模板图像大小nw×nh像素。对于小波变换，L为小波滤波器长度，通常2＜L＜10，小波变换相当于图像与小波滤波器的卷积，在本发明中，只需要计算一层小波变换，同时只需要计算HH细节子图，需要2L×m×n次加法、乘法；去噪遍历窗口大小为Sw×Sh像素，Si通常大小为3＜Sw、Sh＜10，则总计算量为：m×n次加法，m×n/(Sw×Sh)次乘法、除法、开方。小波变换加上去噪的总计算量为(2L+1)×m×n次加法，2L×m×n+m×n/(Sw×Sh)次乘法，m×n/(Sw×Sh)次除法，m×n/(Sw×Sh)次开方。小波变换后的图像为稀疏的，经过去噪后剩余的识别点仅为源图像的2％，即之后再进行信息熵算法识别时的计算量为原来的2％左右，总共的计算量仅为原来的10％左右。因此，经过小波变换，然后去噪，再进行信息熵识别的计算量远远小于对全图进行遍历的信息熵矩阵识别算法。 

在实际应用中，在操作系统为WINDOWS XP SP3，硬件为奔腾双核3G，内存为DDR21G的计算机上，对一副720×576像素的图片，进行识别一个13×13像素的目标，使用信息熵矩阵算法识别时间需要5891ms，而本发明提供的方法，只需要436ms。识别速度的提升显而易见。 

附图说明

图1是本发明总流程图； 

图2是步骤2信息熵矩阵计算流程图； 

图3A是步骤3确定待识别图像的采样点的流程图；图3B是步骤3中对待识别图像进行小波变换的流程图；图3C是步骤3中软阈值去噪的流程图； 

图4是步骤4确定待识别区域流程图； 

图5是步骤6衡量目标模板图像与所有的待识别区域图像的信息熵矩阵之间的差异度流程图； 

图6是步骤7识别结果判定流程图； 

图7是图像像素坐标系示意图； 

图8是矩形区域在图像像素坐标系中的示意图； 

图9是物体存在区域与目标可能存在区域关系的示意图； 

图10是对目标模板图像进行单元分块的示意图； 

图11是一个待识别图像示意图； 

图12是识别结果示意图； 

图13是目标在待识别图像上的原图与它的放大图。 

具体实施方式

下面结合具体实施例，进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明要求保护的范围。 

一种复杂背景下小目标快速识别方法，其特征在于它包含下列步骤： 

步骤1：用户输入 

用户由人机接口提供目标模板图像，待识别图像或视频帧图像，设定信息熵矩阵的单元分块数目m_w×m_h个分块，设定信息熵矩阵欧氏距离判定阈值d，小波去噪窗口大小S_w×S_h。 

在本发明的一个优选方案中，对小目标的信息熵矩阵分块采用10×10块，信息熵欧氏距离判定阈值d＝0.03，小波去噪窗口大小10×10像素。 

步骤2：提取目标模板图像信息熵矩阵 

提取目标模板图像信息熵矩阵的流程图如图2所示。 

(1)读取目标模板图像，得到目标模板图像宽W_t＝24像素，高H_t＝24像素。根据信息熵矩阵单元分块m_w×n_h块，在本发明的一个优选方案中，对小目标的信息熵分块采用10×10块。计算得到每个单元宽度W_u，高H_u，单位为像素。根据计算公式(1)、(2)，结果： 

由于分块不能覆盖目标模板图像全图，在本实施例中采用从目标模板图左上角开始分块。单元分块如图10所示。 

(2)将目标模版图像转换成灰度图像，将灰度图像转换成分块矩阵G，G根据用户输入参数分块为10×10块的矩阵，则每个单元块大小是2×2像素。计算分块矩阵中每个元素的值，即每个单元块的灰度总值G_j，i(j＝0，1，2...9；i＝0，1，2...9)，将上述数值代入计算公式(6)中，结果如下： 

$G_{j,i}=\underset{y=j\&times;2}{\overset{j\&times;2+1}{\mathrm{\&Sigma;}}}\underset{x=i\&times;2}{\overset{i\&times;2+1}{\mathrm{\&Sigma;}}}f(x,y)$

(3)使用公式(7)计算目标模板图灰度总值SG，结果如下： 

$\mathrm{SG}=\underset{j=0}{\overset{9}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{9}{\mathrm{\&Sigma;}}}{G}_{j,i}$

(4)使用公式(8)计算每个单元块的归一化出现概率P_j，i(h＝0，1，2...9；w＝0，1，2...9)。 

(5)使用公式(9)计算每个块的信息熵H_j，i(j＝0，1，2...9；i＝0，1，2...9)。计算结果如下： 

H_j，i≈P_j，i(1-P_j，i) 

(6)使用公式(10)得到目标模板图像信息熵矩阵Ht，该矩阵即为目标模板图象的信息熵矩阵特征，在本实施例中，结果如下： 

$\mathrm{Ht}=\left[\begin{array}{cccc}{\mathrm{Ht}}_{\mathrm{0,1}}& {\mathrm{Ht}}_{\mathrm{0,1}}& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{Ht}}_{\mathrm{0,9}}\\ {\mathrm{Ht}}_{\mathrm{1,0}}& {\mathrm{Ht}}_{\mathrm{1,1}}& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{Ht}}_{\mathrm{1,9}}\\ \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\\ {\mathrm{Ht}}_{\mathrm{9,0}}& {\mathrm{Ht}}_{\mathrm{9,1}}& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{Ht}}_{\mathrm{9,9}}\end{array}\right]$

该矩阵内元素Ht_j，i为(5)中的H_j，i。 

步骤3：确定采样点。 

3.1对待识别图像进行小波变换 

(1)将待识别图像从RGB图像转换成灰度图像数组GF。 

(2)灰度图像数组GF进行小波变换，只计算HH细节子图。 

在本实施例中，为方便计算，采用Sample＝1。 

在本实施例中，为方便计算，采用DB4小波进行小波变换。DB4小波的高频滤波器系数组H＝{H(0)，H(1)，H(2)，H(3)}＝{0.0915，0.15849，-0.59151，0.34151}，Hlength＝4。 

对GF每一个点GF(x，y)进行遍历，依据公式(11)得到W_H(x，y)。 

在本实施例中，结果如下： 

$W_H(x,y)=\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\mathrm{GF}(x-(2-i),y)H\left(i\right)$

对W_H中每个点W_H(x，y)遍历，依据公式(12)得到W_HH(x，y)。 

在本实施例中，结果如下： 

$W_{\mathrm{HH}}(x,y)=\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{W}_H(x,y-(2-i))H\left(i\right)$

假设求W_HH(200，100)。则： 

W_H(200，100)＝GF(198，100)×0.0915+GF(199，100)×0.15849+GF(200，100)×(-0.59151)+GF(201，100)×0.34151 

W_HH(200，100)＝W_H(200，98)×0.0915+W_H(200，99)×0.15849+W_H(200，100)×(-0.59151)+W_H(200，101)×0.34151 

3.2软阈值去噪 

(1)在HH细节子图数组WHH中以S_w为长度，S_h宽度的窗口进行遍历，计算去噪阈值。在本发明的一个优选方案中，S_w＝S_h＝10像素。 

应用公式(18)，对于在WHH中，以点(WHHx，WHHy)为中心的滑动去噪窗口用FWHH＝Rect(WHH，x，y，w，h)描述，即在WHH图中以x、y为滑动去噪窗口的左上角顶点，以w，h为宽度的矩形区域。在本实施例，左上角点(x，y)相对于点(WHHx，WHHy)偏移了(-S_w/2，-S_h/2)，所以： 

x＝WHHx-S_w/2＝WHHx-5 

y＝WHHy-S_y/2＝WHHy-5 

所以FWHH＝Rect(WHH，WHHx-5，WHHy-5，10，10)。 

使用公式(15)计算在滑动去噪窗口中的σ，在本实施例中，计算结果如下： 

$\mathrm{\&sigma;}=\frac{1}{0.6745\&times;100}\underset{j=\mathrm{WHHy}-2}{\overset{j+9}{\mathrm{\&Sigma;}}}\underset{i=\mathrm{WHHx}-5}{\overset{i+9}{\mathrm{\&Sigma;}}}\left|\mathrm{FWHH}(i,j)\right|$

使用公式(16)(17)计算去噪窗口中去噪阈值δ，在本实施例中，N＝S_w×S_h＝10×10＝100。计算结果如下： 

$\mathrm{\&delta;}=\mathrm{\&sigma;}\sqrt{2\log 100}=2\mathrm{\&sigma;}$

(2)使用公式(18)对HH细节子图WHH遍历窗口进行去噪。 

(3)如果HH细节子图WHH没有遍历完毕，将回到步骤(2)。 

(4)如果HH细节子图WHH遍历完毕，退出去噪。 

步骤4：确定待识别区域 

确定待识别区域的流程图如图4所示。 

(1)确定物体存在区域 

对去噪后HH细节子图进行点遍历，如果该点值不为0，则认为该点为物体的边缘点，以该边缘点所在的一个宽度为Z_w，高度为Z_h的矩形区域，为物体存在区域。在本实施例中，一个优化的方案为物体存在区域d的宽度和高度为目标模板图的一半，即Z_w＝W_t/2＝24/2＝12，Z_h＝H_t/2＝24/2＝12。 

在本实施例中，对于一个边缘点MP(MP_x，MP_y)，应用公式(20)，它在HH细节子图WHH中的物体存在区域RO＝Rect(WHH，x，y，Z_w，Z_h)，左上角点(x，y)相对于MP偏移了(-Z_w/2，-Z_h/2)，所以： 

x＝MP_x-Z_w/2＝MP_x-12/2＝MP_x-6 

y＝MP_y-Z_h/2＝MP_y-12/2＝MP_y-6 

所以RO＝Rect(WHH，MP_x-6，MP_y-6，12，12)。 

假设边缘点为(54，63)，则物体存在区域RO为Rect(WHH，48，57，12，12)，即： 

$\mathrm{RO}=\left[\begin{array}{cccc}\mathrm{WHH}\left(\mathrm{48,57}\right)& \mathrm{WHH}\left(\mathrm{49,57}\right)& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{WHH}\left(\mathrm{59,57}\right)\\ \mathrm{WHH}\left(\mathrm{48,58}\right)& \mathrm{WHH}\left(\mathrm{49,58}\right)& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{WHH}\left(\mathrm{59,58}\right)\\ \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\\ \mathrm{WHH}\left(\mathrm{48,68}\right)& \mathrm{WHH}\left(\mathrm{49,68}\right)& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{WHH}\left(\mathrm{59,68}\right)\end{array}\right]$

其中，WHH(x，y)表示取WHH图像上坐标为(x，y)的点的值。 

(2)确定待识别区域 

对物体存在区域RO中所有的点进行遍历，以遍历点为中心点，宽度为W_t高度为H_t的矩形区域，为待识别区域R。 

在本实施例中，对于RO中的一个点P(P_x，P_y)，应用公式(21)，它所对应在待识别图像GF中的待识别区域以R＝Rect(GF，X×Sample，Y×Sample，W_t，H_t)描述，采用左上角点(X，Y)相对于P偏移了(-W_t/2，-H_t/2)，其中Sample为小波变换中采样率，在本实施例中，为方便计算Sample＝1，所以： 

X＝P_x-W_t/2＝P_x-12 

Y＝P_y-H_t/2＝P_y-12 

所以R＝Rect(GF，P_x-12，P_y-12，24，24)。 

以边缘点P(54，63)为例，其物体存在区域为RO＝Rect(WHH，48，57，12，12)，则其所有的待识别区域PR为： 

$\mathrm{PR}=\left[\begin{array}{cccc}\mathrm{Rect}(\mathrm{GF},\mathrm{36,45,24,24})& \mathrm{Rect}(\mathrm{GF},\mathrm{37,45,24,24})& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{Rect}(\mathrm{GF},\mathrm{47,45,24,24})\\ \mathrm{Rect}(\mathrm{GF},\mathrm{36,46,24,24})& \mathrm{Rect}(\mathrm{GF},\mathrm{36,46,24,24})& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{Rect}(\mathrm{GF},\mathrm{47,46,24,24})\\ \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\\ \mathrm{Rect}(\mathrm{GF},\mathrm{36,56,24,24})& \mathrm{Rect}(\mathrm{GF},\mathrm{37,56,24,24})& \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{Rect}(\mathrm{GF},\mathrm{47,56,24,24})\end{array}\right]$

步骤5：提取所有的待识别区域图像的信息熵矩阵。 

计算所有的待识别区域R＝Rect(GF，x，y，W_t，H_t)的信息熵矩阵H_R，同步骤2。 

步骤6：衡量目标模板图像的信息熵矩阵H_t与所有的待识别区域图像的信息熵矩阵H_R之间的差异度。 

(1)遍历所有的待识别区域R，计算待识别区域R的信息熵矩阵H_R与目标模板图的信息熵H_t的欧氏距离D＝D(H_t，H_R)，使用公式(22)计算，在本实施例中，计算结果如下： 

$D(H_t,H_R)=\sqrt{\underset{j=0}{\overset{9}{\mathrm{\&Sigma;}}}\underset{i=0}{\overset{9}{\mathrm{\&Sigma;}}}{(H_R(j,i)-H_t(j,i))}^2}$

其中H_t(j，i)，H_R(j，i)表示取列号为i，行号为j的矩阵元素，j＝0，1，2...9，i＝0，1，2...9。 

(2)设置一个全局变量D_min，在本实施例中，设定初始值为1000，如果D＜D_min，则D_min＝D，并将该点坐标记录下来D_x＝x，D_y＝y。x、y为该信息熵矩阵的左上角点。 

(3)待识别区域遍历如果没有完毕，回到(3)，遍历完毕，则回到(2)。 

(4)如果遍历完毕，退出。 

步骤7：识别结果判定 

根据用户输入的参数，在所有边缘点与目标模板图的信息熵欧氏距离中取最小值D_min，然后通过用户设定的信息熵欧氏距离判定阈值d来判定在待识别图像中是否存在目标。如图6所示。 

如果D_min＜＝d，则目标存在，D_min所对应的点即为目标所在坐标。 

如果D_min＞d，则判定目标不存在。 

以上所述实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范围，即凡依本发明所揭示的精神所做的同等变化或修饰，仍落在本发明的专利范围内。 

Claims (7)

1.一种复杂背景下小目标快速识别方法，其特征在于如下步骤：

第一步，确定目标模板图像的第一参数，所述第一参数是用于描述目标模板图像的形状与颜色特征；

第二步，确定待识别图像的若干采样点；

第三步，确定一系列采样点所对应的待识别区域；

第四步，确定所述一系列采样点对应的待识别区域的图像的第二参数，所述第二参数是用于描述采样点对应识别区域的图像的形状、颜色的特征；

第五步，计算第一参数与每一个第二参数的差异度；

第六步，根据差异度进行判定识别结果。

2.根据权利1所述的复杂背景下小目标快速识别方法，其特征在于，所述这种确定目标模板图像的第一参数的方法包括：

将目标模板图像转换成灰度图像；

将目标模板灰度图像进行分块，这些分块组成一个图像分块矩阵；

计算矩阵中每个分块的信息熵；

将每个分块的信息熵组成一个信息熵矩阵，该信息熵矩阵即为目标模板图的第一参数。

3.根据权利1所述的复杂背景下小目标快速识别方法，其特征在于，所述确定待识别图像若干采样点的方法包括：

将待识别图像转换成灰度图像；

对转换后的灰度图像进行小波变换，得到LL，LH，HL，HH四个细节子图，选取HH细节子图；

将HH细节子图进行滑动窗口去噪；

滑动窗口去噪后的HH细节子图中所有数值的绝对值大于0的点都为采样点。

4.根据权利1所述的复杂背景下小目标快速识别方法，其特征在于，所述确定一系列采样点对应的识别区域的方法包括：

根据采样点的位置确定一个物体存在区域；

根据物体存在区域中的每一个点，确定一系列的待识别区域。

5.根据权利1所述的复杂背景下小目标快速识别方法，其特征在于，所述确定所述一系列采样点对应的识别区域的图像第二参数的方法包括：

将一系列的待识别区域的图像转换成灰度图像；

将灰度图像进行分块，这些分块组成一个图像分块矩阵；

计算矩阵中每个分块的信息熵；

将每个分块的信息熵组成一个信息熵矩阵；该信息熵矩阵即为待识别区域的图像的第二参数。

6.根据权利1所述的复杂背景下小目标快速识别方法，其特征在于，所述这种确定第一参数与第二参数的差异度的方法包括：

计算每一个待识别区域的图像的第二参数与目标模板图像的第一参数的欧氏距离，并选取最小的欧氏距离，以及其所对应的待识别区域。

7.根据权利1所述的复杂背景下小目标快速识别方法，其特征在于，所述这种确定根据第一参数与第二参数的比较结果确定待识别区域的方法包括：

选取与目标模板图像的第一参数的欧氏距离最小的欧氏距离，比较是否小于判定阈值，如果小于判定阈值，则判定该欧氏距离所对应的识别区域的图像与目标模板图像最相似，该待识别区域就为目标所在区域。

Images