CN102937438B - 基于最优化方法的红外弱小目标距离探测方法 - Google Patents

Abstract

本发明公开了一种基于最优化方法的红外弱小目标距离探测方法，将源图像利用中值滤波进行预处理，然后用罗宾逊滤波进行奇异点探测，并自适应调整阈值进行图像分割，再用提取的目标做航迹关联，最终得到目标的角度信息，利用构造的最优化方程通过最梯度法求解出目标距离信息。本发明通过一个探测器完成目标的距离结算，同时控制了收敛速度。

Description

基于最优化方法的红外弱小目标距离探测方法

技术领域

本发明属于距离探测检测技术，特别是一种基于最优化方法的红外弱小目标距离探测方法。

背景技术

从红外图像序列中检测弱小目标并探测其距离一直是目标探测领域中的难题之一。目标与场景的运动都会体现在图像序列中，根据目标的图像与运动特性，分析检测提取目标。对图像中的目标进行测距，被动测距在工业和军事应用领域具有重要意义，诸如机器人视觉系统、基于运动分析的空间卫星跟踪系统、导弹火控系统、自动飞行器着陆与精确导航系统，军事侦察的航空或卫星照片的自动分析系统等领域均有广泛的应用。通常测距的方法有单站式和多站式两类，多站式要求多个平台同时对目标进行定位，这种方法是目前常用的被动测距方法，其原理较简单，但是对各平台之间保持数据通信以及各平台之间的位置有较高的要求，这对于对系统体积，工作精度要求较高的应用是不适合的。故一般选择单站被动测距方案。

单站被动定位方法是利用测量平台上的单一红外探测器对目标进行探测和定位，这一方面一直是国内外众多学者研究的热点，由于这种定位体制难度大，目前国内大多数的研究都是基于匀速直线运动这一基本运动模型的(文献1:钱铮铁.一种用于红外警戒系统的被动测距方法.红外与毫米波学报,2001,20(4):311～314)。文献2基于目标运动模型，利用系统测量得到的目标信息估算其距离(殷世民,付小宁,刘上乾.对固定平台红外单站被动定位技术研究,光子学报,2004,33(2):237～239)。文献3基于目标与背景的辐照度差，在单站单波段条件下对地面目标被动测距进行了研究(路远,凌永顺,吴汉平,李晓诬.地面目标的红外被动测距研究,红外与毫米波学报2004,23(1):77～80)。但这里的目标是较大的目标，就可以利用其尺寸的变化，辐照度变化的情况完成定位的估计。但是对于小目标的单站定位技术，目前还没有报道。

发明内容

本发明的目的在于提供一种基于最优化方法的红外弱小目标距离探测方法,对红外弱小目标图像进行探测检测小目标并利用构造最优化方程达到快速目标距离探测的目的。

实现本发明目的的技术解决方案为：一种基于最优化方法的红外弱小目标距离探测方法，将源图像利用中值滤波进行预处理，然后用罗宾逊滤波进行奇异点探测，并自适应调整阈值进行图像分割，再用提取的目标做航迹关联，最终得到目标的角度信息，利用构造的最优化方程通过最梯度法求解出目标距离信息。

本发明与现有技术相比，其显著优点：利用背景抑制和航迹关联的算法提取出目标，由图3图4的实验对比，发现通过背景抑制，去除了大量的背景杂波点的干扰，滤除了部分虚警，再通过航迹关联最终锁定目标。再利用角度测量计算目标距离，构造的最优化方程较传统最小二乘的方法，可以通过一个探测器完成目标的距离结算，同时控制了收敛速度，保证其在15s内完成距离收敛。而且仅运用了目标的运动信息使得可观测性的观测条件也放宽了不少。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的流程图。

图2是视屏中截取的两帧带有弱小目标的红外图像。

图3是传统方法分割的结果。

图4是利用自适应图像分割法分割的结果。

图5是数据关联后提取目标的结果。

图6是距离评估的结果。

具体实施方式

本发明基于最优化方法的红外弱小目标距离探测方法是将源图像利用中值滤波进行预处理，然后用罗宾逊滤波进行奇异点探测，并自适应调整阈值进行图像分割，再用提取的目标做航迹关联，最终得到目标的角度信息，利用构造的最优化方程通过最梯度法求解出目标距离信息。对于点阵M×N大小的图像f(x,y)，其步骤如下：

步骤1：红外图像的预处理

由于红外探测器的材料以及工艺等原因，红外图像存在不可避免的非均匀性、盲元。本文采用最大中值滤波这一非线性统计排序滤波方法，公式如下，滤波器的窗口选择与目标尺寸相当，尽可能保留目标的能量和背景的边缘。

f_m＝max(z₁,z₂,z₃,z₄)       3＜i≤M-3,3＜j≤N-3,W＝3

z₁＝med[f(i,j-W),…f(i,j),…f(i,j+W)],

z₂＝med[f(i-W,j),…f(i,j),…f(i+W,j)],

z₃＝med[f(i+W,j-W),…f(i,j),…f(i-W,j+W)],

z₄＝med[f(i-W,j-W),…f(i,j),…f(i+W,j+W)],

f为输入图像，其中f(i,j)为图像中点(i,j)处灰度，z₁、z₂、z₃、z₄为横向、纵向以及两个对角线方向的中值。max为取最大值，med为取集合的中间值。W为窗大小。f_m为预处理输出图像。

步骤2：潜在目标的提取

为了检测和识别红外序列图像中的运动目标，对红外图像进行奇异点预处理，提取出可能的目标，尽量减少图像中噪声点，对于弱小点目标检测，用非线性非参数型罗宾逊滤波器完成背景杂波的抑制。公式如下

$f_R(x,y)=\left\{\begin{array}{c}{f}_m(i,j)-\max (z_1,z_2,z_3,z_4),\\ f_m(i,j)>\max (z_1,z_2,z_3,z_4)\\ f_m(i,j)-\min (z_1,z_2,z_3,z_4),\\ f_m(i,j)<\max (z_1,z_2,z_3,z_4)\\ 0,\mathrm{else}\end{array}\right.$

z₁＝mean(f_m(i-W:i+W,j-W))

z₂＝mean(f_m(i-W:i+W,j+W))   3＜i≤M-3,3＜j≤N-3,W＝3

z₃＝mean(f_m(i-W,j-W:j+W))

z₄＝mean(f_m(i+W,j-W:j+W))

罗宾逊滤波器通过比较中心像素与其邻域像素极值间的差异来抑制背景，对缓变的平坦背景以及空间相关性强的边缘背景区域都有很好的抑制作用。同时它还具有保护带，可以保护弱小目标的完整信息不丢失。

步骤3：自适应的图像分割

图像分为高频区域和低频区域，通过罗宾逊滤波会将高频区域的目标点、噪声点、边缘点提取出来，自然高频区域的探测率会不同于低频区域，为使目标探测概率为均匀分布,减少复杂背景引起的探测率降低的问题,就应当使不同的背景下的目标的探测率相同。

根据之前的算法分析，背景因子图像每个点的值代表该像素所在领域背景的复杂程度。用背景因子构造自适应的阈值，使分割目标时各处的探测率趋于相等，从而达到自适应地抑制复杂背景的目的。

这里自适应的阈值利用之前描述的背景因子图像，按照下式选取：

Tval(i,j)＝mean(f(i-a:i+a,j-a:j+a))+γ×sqrt(var(f(1:M,1:N)))

a为求取均值的小窗口的尺寸，γ为系数，是为了平均各种不同场景复杂度下的阈值，根据经验选取，一般为3-10。sqrt为开根号运算，var为求方差运算。从而可以提取点目标。

步骤4：航迹关联

利用多假设的方法对上一步骤提取出的点目标进行关联，只有在关联波门范围内的才能进入该航迹。然后对滤波后的航迹进行筛选，挑选出符合目标航迹规律的航迹。从而为最终确定的目标坐标。

步骤5：构造最优化方程：

最优化方法的核心是构造最优化方程，也是最难的一点，该方程需要具有一阶连续偏导数，并且存在极小值点，且极小值点出现的位置即为所需求变量的准确值。

设目标高度为h，则n时刻的目标的坐标为

x_m(n,h)＝(h-z_c(n))*cot(b(n))*cos(a(n))+x_c(n)

y_m(n,h)＝(h-z_c(n))*cot(b(n))*sin(a(n))+y_c(n)

z_m(n,h)＝h

x_c(n)、y_c(n)、z_c(n)为n时刻探测器的坐标。b(n)为n时刻的俯仰角，a(n)为n时刻的方位角。

最优化方程为隔帧的坐标差。

d(n,h)＝(x_m(n,h)-x_m(n-1,h))*(x_m(n,h)-x_m(n-1,h))+(y_m(n,h)-y_m(n-1,h))²

l为隔帧的帧数。

步骤6：最速梯度法求解距离：

利用最优化方法迭代求解目标的高度信息，这里选择用是最速梯度法进行迭代，因为该方法计算量小，收敛速度快，尽管收敛到最后会有锯齿，但因为是测量较远的天空中的小目标的距离，所以目标高度往往都较高，允许存在锯齿状较小的误差。

最后的迭代方程为。

h(n)＝h(n-1)+k*d(n,h(n-1))

迭代中未知量高度的初始量h(0)设为0。

实施例

下面对带有弱小目标的红外视频进行目标的距离探测，图2为截取的两帧图像，大小256×320，图像中有弱小目标在复杂的云背景中，先用传统的tophat算法分割图像，提取目标，得到的结果如图3所示。再用本发明的方法，按照步骤1进行预处理，再按步骤2求的奇异点图像，然后通过步骤3，通过自适应图像分割的方法得到图4，对比图3可以发现背景云杂波已经得到很大程度的抑制，虚警得到控制，再按照步骤4航迹关联方法，对目标进行二次检测，最终得到目标的位置，如图5所示，这时背景杂波点已完全滤除。然后再用上述方法同样对带有弱小目标的红外视频，进行目标提取，将提取的点的坐标按照步骤5、6通过构造的最优化方程利用最速梯度方法求得目标的距离，在迭代过程中，假设目标的初始高度为0km，距离收敛的结果如图6，从实验的结果可以看到，虽然起始假设的高度离真实值相差甚远，但在5秒左右的时间内，目标高度通过迭代基本已保持在了6km附近，保证了收敛速度，估计的结果基本准确。尽管收敛到最后会有较小的锯齿状的波动，但因为这里主要是测量到的是远处飞机等小目标的距离，目标的高度往往都较高，所以允许存在锯齿状较小的误差。而且方法每帧只需要迭代一次，计算量较小。

Claims (6)

1.一种基于最优化方法的红外弱小目标距离探测方法，其特征在于将源图像利用中值滤波进行预处理，然后用罗宾逊滤波进行奇异点探测，并自适应调整阈值进行图像分割，再用提取的目标做航迹关联，最终得到目标的角度信息，利用构造的最优化方程通过最梯度法求解出目标距离信息；

其中构造最优化方程的过程为：

设目标高度为h，则n时刻的目标的坐标为

x_m(n,h)＝(h-z_c(n))*cot(b(n))*cos(a(n))+x_c(n)

y_m(n,h)＝(h-z_c(n))*cot(b(n))*sin(a(n))+y_c(n)

z_m(n,h)＝h

x_c(n)、y_c(n)、z_c(n)为n时刻探测器的坐标，b(n)为n时刻的俯仰角，a(n)为n时刻的方位角；

最优化方程为隔帧的坐标差：

d(n,h)＝(x_m(n,h)-x_m(n-1,h))*(x_m(n,h)-x_m(n-1,h))+(y_m(n,h)-y_m(n-1,h))²

l为隔帧的帧数。

2.根据权利要求1所述的基于最优化方法的红外弱小目标距离探测方法，其特征在于对于M×N大小的图像f(x,y)，对每帧红外图像的进行预处理：

f_m＝max(z₁,z₂,z₃,z₄)     3＜i≤M-3,3＜j≤N-3,W＝3

z₁＝med[f(i,j-W),…f(i,j),…f(i,j+W)],

z₂＝med[f(i-W,j),…f(i,j),…f(i+W,j)],

z₃＝med[f(i+W,j-W),…f(i,j),…f(i-W,j+W)],

z₄＝med[f(i-W,j-W),…f(i,j),…f(i+W,j+W)],

f为输入图像，其中f(i,j)为图像中点(i,j)处灰度，z₁、z₂、z₃、z₄为横向、纵向以及两个对角线方向的中值，max为取最大值，med为取集合的中间值，W为窗大小，f_m为预处理输出图像。

3.根据权利要求1所述的基于最优化方法的红外弱小目标距离探测方法，其特征在于对预处理图像进行奇异点处理：

$f_R(x,y)=\left\{\begin{array}{cc}{f}_m(i,j)-\max (z_1,z_2,z_3,z_4),& \\ f_m(i,j)>\max (z_1,z_2,z_3,z_4)& \\ f_m(i,j)-\min (z_1,z_2,z_3,z_4),& \\ f_m(i,j)<\max (z_1,z_2,z_3,z_4)& \\ 0,& \mathrm{else}\end{array}\right.$

z₁＝mean(f_m(i-W:i+W,j-W))

z₂＝mean(f_m(i-W:i+W,j+W))  3＜i≤M-3,3＜j≤N-3,W＝3

z₃＝mean(f_m(i-W,j-W:j+W))

z₄＝mean(f_m(i+W,j-W:j+W))

mean为取均值，f_m为奇异点处理输出图像。

4.根据权利要求1所述的基于最优化方法的红外弱小目标距离探测方法，其特征在于图像分割是对奇异点处理的结果进行自适应的阈值分割，分割的阈值为：

Tval(i,j)＝mean(f(i-a:i+a,j-a:j+a))+γ×sqrt(var(f(1:M,1:N)))

a为求取均值的小窗口的尺寸，γ为系数，是为了平均各种不同场景复杂度下的阈值，sqrt为开根号运算，var为求方差运算，从而提取点目标。

5.根据权利要求1所述的基于最优化方法的红外弱小目标距离探测方法，其特征在于航迹关联是利用多假设的方法对提取出的点目标进行关联，只有在关联波门范围内的才能进入该航迹，然后对滤波后的航迹进行筛选，挑选出符合目标航迹规律的航迹，从而为最终确定的目标坐标。

6.根据权利要求1所述的基于最优化方法的红外弱小目标距离探测方法，其特征在于用最优化方程通过最速梯度法求解距离，得到迭代距离为：h(n)＝h(n-1)+k*d(n,h(n-1))，迭代中未知量高度的初始量h(0)设为0。