CN103335636B - 对地面弱小目标的检测方法 - Google Patents

Abstract

本发明公开了一种对地面弱小目标的检测方法，首先利用角点检测算法，在图像序列中检测出各图像的角点；根据距离及灰度信息对图像中的角点进行删减，使得前后帧图像中的角点一一对应；由前后帧的角点的位移信息，将前后帧相减得到前后帧间的残差图；然后，根据序列残差图中弱小目标的连续性及虚警率的随机性等性质，剔除残差图中的虚警，从而检测出弱小目标。

Description

对地面弱小目标的检测方法

技术领域

本发明属于目标检测跟踪系统，特别是一种对地面弱小目标的检测方法。

背景技术

地面弱小目标具有探测距离远、信噪比低（Mina Farajzadeh,Ali Mahmoodi and Mohammad Reza Arvan. Detection of Small Target Based on Morphological Filters.20th Iranian Conference on Electrical Engineering,(ICEE2012),May 15-17,2012,Tehran,Iran）、杂波干扰强、目标像素少、缺乏结构纹理信息等特点(刘建华，毕笃彦和刘亲社.一种红外弱小目标的检测方法。激光与红外，2008，7，38卷，7期，733-736)，在弱小目标的检测算法中，遗传算法、递归算法、动态规划法、匹配滤波法、最优投影和Hoff变换法、光流场法，及新近的神经网络等都有计算量大、计算复杂、不易实现的缺点，无法满足实时处理的需求，实用性还有待提高。

在目标检测与跟踪领域，常用的算法一般是混合高斯算法进行背景更新将大运动目标提取出来，但是算法量较大，更新效果差。常用角点检测算法对于图像上的特征点的检测，如Harris、Sift、Surf等。由于视频抖动、成像质量差等因素影响，这些角点检测算法还无法进一步对地面弱小目标进行检测。

发明内容

本发明的目的在于提供一种对地面弱小目标的检测方法，对复杂地面背景在微光情况下抖动视频进行处理，检测得到地面弱小目标。

实现本发明目的的技术解决方案为：一种对地面弱小目标的检测方法，步骤如下：

第一步，在一段地面弱小运动目标的视频上，采用Surf角点检测算法，分别在每帧图像上检测出角点；

第二步，根据每帧图像上角点的位置计算前后两帧图像的位移值(Δx,Δy)，再根据(Δx,Δy)将相邻两帧图像间的做差分，得到前后两者的残差图img，即img=img_n-img_n-1，n为当前帧号；对残差图进行目标的一次提取，即将残差图 中灰度值大于阈值Th的像素信息提取出来作为预目标，阈值Th=10-20；

第三步，由于残差图中预目标点周围与其背景相比亮度较为突出，并且在连续几帧内预目标都是存在的，根据这两特点将预目标进行二次提取。

本发明与现有技术相比，其显著优点：（1）本发明克服了视频抖动，成像质量差等一系列因素，能够检测得到地面弱小目标。（2）本发明在时间上具有连续性，同时稳定性高，精度较高，实时性好。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明流程图。

图2为当前帧图像。

图3为目标一次提取图。

图4为目标二次提取图。

图5（a）为f随帧数1~120变化图。

图5（b）为f随帧数1~900变化图。

图6(a)、(b)、(c)为视频中连续3帧抖动图片。

具体实施方式

本发明对地面弱小目标的检测方法的基本原理是：首先，利用Surf角点检测算法，在图像序列中检测出各图像的角点。根据距离及灰度信息对图像中的角点进行删减，使得前后帧图像中的角点一一对应。由前后帧的角点的位移信息，将前后帧相减得到前后帧间的残差图。然后，根据序列残差图中弱小目标的连续性及虚警率的随机性等性质，剔除残差图中的虚警，从而检测出弱小目标。具体流程如图1所示。

首先，在一段地面弱小运动目标的视频上，如图6（a）、图6（b）、图6（c）为视频中连续3帧抖动图片，采用Surf角点检测算法，分别在每帧图像上检测出角点。

其次，根据每帧图像上角点的位置计算前后两帧图像的位移值(Δx,Δy)（根 据前后两帧图像对应角点的坐标值x，y相减得到所有的值，然后根据直方图统计得到相应的均值即为位移值(Δx,Δy)），再根据(Δx,Δy)将相邻两帧图像间的做差分，得到前后两者的残差图img，即img=img_n-img_n-1，n为当前帧号；对残差图进行目标的一次提取，即将残差图中灰度值大于阈值Th的像素信息提取出来作为预目标，阈值Th=10-20（灰度值：黑色为0，最亮为256）。

最后，由于残差图中预目标点周围与其背景相比亮度较为突出，并且在连续几帧内预目标都是存在的，根据这两特点将预目标进行二次提取。其中二次提取的步骤为：

（1）分别取以预目标点为中心的k×k pixels²的点域，求取其平均值为mean₁(x,y,n)，取以该点为中心的w×w pixels²的点域，求取其平均值mean₂(x,y,n)，其中k<w，k,w是指预目标点窗口大小，求比例因子Q₁(x,y,n),

$Q_1(x,y,n)=\frac{{\mathrm{mean}}_1\left({x,y,n}_{}\right)}{{\mathrm{mean}}_2(x,y,n)};$ ；

（2）根据残差图中目标点处梯度的性质，取G_x(x,y,n)，G_y(x,y,n)分别为残差图中预目标点(x,y)处的水平和垂直方向上的梯度值，求中间结果Q₂(x,y,n)，Q₂(x,y,n)=| G_x(x,y,n)|+| G_y(x,y,n)|；

（3）计算Q(x,y,n)=Q₁(x,y,n)+Q₂(x,y,n)，取J_n=max(max(Q(x,y,n)))，J_n为所有Q(x,y,n)中的最大值；

（4）根据目标点在时间上的连续性计算分值M(x,y,n)及比较值f(x,y,n)， $M(x,y,n)=M(x,y,n-1)+\frac{Q(x,y,n)\&times;\mathrm{\&alpha;}}{J_n}$  ，f(x,y,n)=e^M(x,y,n)，其中α为系数，α>1；

（5）目标的二次提取，首先初始化， ，f(x,y,n)=1； 第一帧， ，f(x,y,1)=e^M(x,y,1)，取前20个最大的f(x,y,1)保存，其余的f(x,y,1)=1,M(x,y,1)=0；然后，从第二帧开始，若M(x,y,n-1)=0，则f(x,y,n)=f(x,y,n-1)×β， ，否则 ，保存前20个最大的，其余的f(x,y,n)=1,M(x,y,n)=0；其中β为系数，1＞β＞0，前后连续的几帧在残差图中都存在的点即为二次提取的目标点。

实施例

在前后帧图像序列中取两幅图像img1，img2，分别对两幅图像进行角点检测，然后通过两幅图像间的距离及灰度信息将两幅图像中的角点进行删减，使其一一对应。根据两幅图像间的位移信息将两幅图像相减得到残差图img，即img=img2-img1。

根据残差图中的信息适当选取阈值Th，跟本发明中使用的视频图像的残差图，如取Th=20，将残差图中灰度值大于Th的点作为预目标。图2为当前帧图像，其中方框1中的白色亮点为我们所要检测的弱小目标。如图3所示，图中的白色亮点是提取的阈值高于Th的点，其中包括了用方框1和2框出来的弱小目标及较多的虚警，显然，在图中方框1中的白色亮点代表弱小目标，方框2中的白色亮点代表虚警。

如图2、3所示，可见目标一次提取图中虚警率较高，对于弱小目标的检测影响较大。

当img(x,y,n)>Th时，点(x,y)为预目标点,n代表第n帧。根据目标点与周围点灰度巨大差别，可以将预目标点与周围点做比较。取以该预目标点为中心的3×3 pixels²的点域，求其平均值为 。

取周围点为以该点为中心的41×41的点域，除去以该点所在行、列的像素点，并且求其均值为

${\mathrm{mean}}_2(x,y,n)=\frac{\underset{i=x-20}{\overset{x-1}{\mathrm{\&Sigma;}}}\underset{j=y-20}{\overset{y-1}{\mathrm{\&Sigma;}}}\mathrm{img}(i,j,n)+\underset{i=x+1}{\overset{x+20}{\mathrm{\&Sigma;}}}\underset{j=y-20}{\overset{y-1}{\mathrm{\&Sigma;}}}\mathrm{img}(i,j,n)+\underset{i=x-20}{\overset{x-1}{\mathrm{\&Sigma;}}}\underset{j=y+1}{\overset{y+20}{\mathrm{\&Sigma;}}}\mathrm{img}(i,j,n)+\underset{i=x+1}{\overset{x+20}{\mathrm{\&Sigma;}}}\underset{j=y+1}{\overset{y+20}{\mathrm{\&Sigma;}}}\mathrm{img}(i,j,n)}{40\&times;40}$

根据残差图中目标点处梯度的性质，取G_x(x,y,n)，G_y(x,y,n)分别为残差图中点(x,y)处的水平和垂直方向上的梯度值。现在将这两个特性结合在一起考虑，运用于本算法。计算比例因子 ，中间结果Q₂(x,y,n)=| G_x(x,y,n)|+| G_y(x,y,n)|，Q(x,y,n)=Q₁(x,y,n)+Q₂(x,y,n) J_n=max(max(Q(x,y,n)))。取J_n=max(max(Q(x,y,n)))，J_n为所有Q(x,y,n)中的最大值。

令 , f(x,y,n)=e^M(x,y,n)。其中α的取值视情况而定，一般取值α>1，如本发明取α=2。初始时，M(x,y,1)=0，f(x,y,1)=1。

第一帧， ，f(x,y,1)=e^M(x,y,1)。取前20个最大的f(x,y,1)保存，其余的值变为f(x,y,1)=1,M(x,y,1)=0。之后，从第二帧开始，若M(x,y,n-1)=0，则f(x,y,n)=f(x,y,n-1)×β， ；否则 。保存前20个最大的f(x,y,n)，其余的f(x,y,n)=1,M(x,y,n)=0。其中β适当取值，一般取0~1之间，本文取β=0.3。β越小，f(x,y,n)在点(x,y)处降得越快，越能凸显f((x,y,n)在不同点处的巨大差异。

f(x,y,n)的值随着序列图的变化而变化。根据残差图序列中弱小目标短时间 内的连续性及虚警率的随机性（即不连续），可以得到f(x,y,n)的值在弱小目标处在短时间内随着帧数的增加而指数增加，在虚警处该值先是增加接着很快减小。如图4为经过第一、二次提取（优化算法）处理之后的弱小目标检测图。方框1框住部分为所要检测的弱小目标。

如图5所示，图中3条线显示的是在目标点域内3点f值的变化，其中线a代表了点(236,240),线b代表了点(236,241),线c代表了点(236,242)。图5(b)显示的是1∽824帧内f值随时间的变化，在103帧左右f值陡然降到接近于0。为了较好的分析，将1∽120帧内的f值的显示放大，如图5(a)显示的那样。

Claims (1)

1.一种对地面弱小目标的检测方法，其特征在于步骤如下：

第一步，在一段地面弱小运动目标的视频上，采用Surf角点检测算法，分别在每帧图像上检测出角点；

第二步，根据每帧图像上角点的位置计算前后两帧图像的位移值(Δx,Δy)，再根据(Δx,Δy)将相邻两帧图像间的做差分，得到前后两者的残差图img，即img＝img_n-img_n-1，n为当前帧号；对残差图进行目标的一次提取，即将残差图中灰度值大于阈值Th的像素信息提取出来作为预目标，阈值Th＝10-20；

第三步，由于残差图中预目标点周围与其背景相比亮度较为突出，并且在连续几帧内预目标都是存在的，根据这两特点将目标进行二次提取；

所述二次提取的步骤为：

(1)分别取以预目标点为中心的k×k pixels²的点域，求取其平均值为mean₁(x,y,n)，取以该点为中心的w×wpixels²的点域，求取其平均值mean₂(x,y,n)，其中k＜w，k，w是指预目标点窗口大小，求比例因子Q₁(x,y,n),

$Q_1(x,y,n)=\frac{{\mathrm{mean}}_1(x,y,n)}{{\mathrm{mean}}_2(x,y,n)};$

(2)根据残差图中目标点处梯度的性质，取G_x(x,y,n)，G_y(x,y,n)分别为残差图中预目标点(x,y)处的水平和垂直方向上的梯度值，求中间结果Q₂(x,y,n)，Q₂(x,y,n)＝|G_x(x,y,n)|+|G_y(x,y,n)|；

(3)计算Q(x,y,n)＝Q₁(x,y,n)+Q₂(x,y,n)，取J_n＝max(max(Q(x,y,n)))，J_n为所有Q(x,y,n)中的最大值；

(4)根据目标点在时间上的连续性计算分值M(x,y,n)及比较值f(x,y,n)， $M(x,y,n)=M(x,y,n-1)+\frac{Q(x,y,n)\&times;\mathrm{\&alpha;}}{J_n},$ f(x,y,n)＝e^M(x,y,n)，其中α为系数，α＞1；

(5)目标的二次提取，首先初始化，f(x,y,n)＝1；第一帧，f(x,y,1)＝e^M(x,y,1)，取前20个最大的f(x,y,1)保存，其余的f(x,y,1)＝1,M(x,y,1)＝0；然后，从第二帧开始，若M(x,y,n-1)＝0，则f(x,y,n)＝f(x,y,n-1)×β，否则 $M(x,y,n)=M(x,y,n-1)+\frac{Q(x,y,n)\&times;\mathrm{\&alpha;}}{J_n},$ 保存前20个最大的，其余的f(x,y,n)＝1,M(x,y,n)＝0；其中β为系数，1＞β＞0，前后连续的几帧在残差图中都存在的点即为二次提取的目标点。