CN103530629B - 红外小信号目标增程检测方法及系统 - Google Patents
红外小信号目标增程检测方法及系统 Download PDFInfo
- Publication number
- CN103530629B CN103530629B CN201310533521.9A CN201310533521A CN103530629B CN 103530629 B CN103530629 B CN 103530629B CN 201310533521 A CN201310533521 A CN 201310533521A CN 103530629 B CN103530629 B CN 103530629B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- detection
- background
- algorithm
- 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.)
- Active
Links
Abstract
本发明涉及光电探测技术领域,公开了一种红外小信号目标增程检测方法及系统。该方法包括:采集步骤,实时采集探测区域的动态图像;搜索步骤,采用多种单帧目标检测算法同时对所述动态图像中相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点;跟踪步骤,采用动态规划算法对所述待测目标点进行检测,通过对所述动态图像中的多个连续检测帧进行累积计算和图像分割,从所述待测目标点中确认真正的目标点并剔除虚警点。本发明利用多模式融合算法实现了快速精确的红外小信号目标的检测,在前端传感器输入信号不变的条件下,可有效提高小弱信号目标的探测距离,且大幅减少运算时间。
Description
技术领域
本发明涉及光电检测技术领域,特别涉及一种红外小信号目标增程检测方法及系统。
背景技术
相对于雷达探测,光电探测因其不易受电磁干扰影响而日益受到重视,已成为雷达探测之外必不可少的一种探测手段。光电探测在军用和民用的各个领域均有广泛用途,比如在可见光或近红外波段主要用于射线测量和探测、工业自动控制、光度计量等;在红外波段主要用于导弹制导、红外热成像、红外遥感等。其中,红外弱小目标的探测在远距离遥感或预警领域有着重要的意义。
现有的光电探测技术主要接收光学信号进行探测,其虽然不易受电磁干扰的影响,但仍会受到传感器分辨率和传感方式的限制。比如目标检测有最低信号强度要求,在遇到强光照射或反射、高亮云层背景时,很容易影响检测结果甚至报出虚警。尤其是针对红外小信号目标的检测,首先需要利用检测算法将目标从背景中分离,目前检测算法的实现多借助于DSP模块,运算复杂耗时多、效率低下,且极容易增大光闭环的时间延迟,检测能力较弱且实时跟踪精度有较大误差。采用现有技术的方式,检测信号的最低强度需不小于6个图像信噪比(小区域峰值信噪比),对信号强度有一定要求,小信号目标很难被检测出。
发明内容
针对现有技术中存在的不足,本发明所要解决的技术问题是如何实现快速精确的红外小信号目标的检测。
为解决上述技术问题,一方面,本发明提供了一种红外小信号目标增程检测方法,所述方法包括步骤:
采集步骤,实时采集探测区域的动态图像;
搜索步骤,采用多种单帧目标检测算法同时对所述动态图像中相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点;
跟踪步骤,采用动态规划算法对所述待测目标点进行检测,通过对所述动态图像中的多个连续检测帧进行累积计算和图像分割,从所述待测目标点中确认真正的目标点并剔除虚警点。
优选地,所述搜索步骤中,同时采用从目标出发和从背景出发两种检测算法对相同的检测帧进行处理。
优选地,所述从目标出发的检测算法通过空间匹配滤波模板滤波之后,直接从图像中寻找阈值,大于阈值即为目标点;
所述从背景出发的检测算法通过空域模板滤除背景,然后和原图像进行减差,得到目标和少量背景,再利用点源目标辐射特性进行假目标删除。
优选地,所述从目标出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用高通滤波滤除大部分背景和采用图像对比度增强使目标信号放大,最后采用阈值分割求取目标灰度质心;
所述从背景出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用形态滤波滤除大部分背景和其次采用均值逼近技术使不同场景下的图像趋同,然后自适应选取阈值进行图像分割,最后求取目标灰度质心。
优选地,所述利用点源目标辐射特性包括利用长宽比、占空比及分割区域外的较大值来进行特征提取。
优选地,所述搜索步骤中,还利用整机系统的自身参数量,计算视场空间中的天际线、海天线,进而计算出图像视场所处的背景信息,提取出小信号。
优选地,所述跟踪步骤包括:
输入多个连续检测帧中的第k帧图像;
对第k帧图像进行预处理;
预设动态规划管道长度为m,对目标灰度值进行累积能量计算;
利用图像中像素灰度值进行图像的阈值分割并区域标记;
在标记后的图像中进行聚类得到目标,从中删除假目标而得到真正小信号目标。
另一方面,本发明还同时提供了一种红外小信号目标增程检测系统,所述系统包括:
采集模块,用于实时采集探测区域的动态图像;
搜索模块,用于采用多种单帧目标检测算法同时对所述动态图像中相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点;
跟踪模块,用于采用动态规划算法对所述待测目标点进行检测,通过对所述动态图像中的多个连续检测帧进行累积计算和图像分割,从所述待测目标点中确认真正的目标点并剔除虚警点。
优选地,所述采集模块使用LVDS方式进行图像传输。
优选地,所述搜索模块和所述跟踪模块在FPGA器件和DSP器件中实现。
与现有技术相比,本发明所提供的红外小信号目标增程检测方法及系统利用多模式融合算法实现了快速精确的红外小信号目标的检测。本发明的技术方案在前端传感器输入信号不变的条件下,可有效提高小弱信号目标的探测距离,且运算时间大幅减少,有效改善对因光闭环时间延迟较多造成的跟踪精度误差的问题。
附图说明
图1为本发明的一个实施例中红外小信号目标增程检测方法的流程示意图;
图2为本发明的一个实施例中分割后目标图像的灰度信息示意图;
图3为本发明的应用场景中各种复杂背景下小目标的示意图;
图4为本发明的一个实施例中进行形态学变化后的滤波处理效果示意图;
图5为本发明的一个实施例中虚假目标滤除后的效果示意图;
图6为本发明的一个实施例中跟踪步骤的流程示意图;
图7为本发明的一个实施例中红外小信号目标增程检测系统的模块结构示意图;
图8为本发明的一个实施例中系统整体的硬件配置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例为实施本发明的较佳实施方式,所述描述是以说明本发明的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围应当以权利要求所界定者为准,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
为在各种复杂场景(对空、对地、对海面等)中实现对小信号目标的光电检测,本发明利用多模式融合算法,在前端传感器输入信号不变的条件下,可提高15%到20%的小弱目标探测距离,且运算时间大幅减少,有效改善对因光闭环时间延迟较多造成的跟踪精度误差的问题。
在本发明的一个实施例中,红外小信号目标增程检测的实现过程包括两种工作模式:搜索单帧多模目标检测模式和跟踪多帧目标检测模式。具体地,如图1所示,在本发明中所述红外小信号目标增程检测方法包括:
采集步骤,实时采集探测区域的动态图像;
搜索步骤,采用多种单帧目标检测算法同时对所述动态图像中相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点;
跟踪步骤,采用动态规划算法对所述待测目标点进行检测,通过对所述动态图像中的多个连续检测帧进行累积计算和图像分割,从所述待测目标点中确认真正的目标点并剔除虚警点。
其中,在搜索步骤中,由于通常是进行动态扫描搜索(在未发现目标之前需进行全方位扫描,探测设备也可能由于机载、车载或船载而随时处于运动状态),整机处于非稳定状态,相邻检测帧图像所显示物空间没有关联性,故只能采用单帧目标检测算法。但是任何一种单帧检测算法都不具备最佳的普适性、检测概率和虚警概率,因此,考虑采用两种或者更多的检测算法同时对相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点,上报给整机。在跟踪步骤中,实现方式采用序列多帧相关联算法,可以检测出更弱小的红外目标。
针对红外弱小目标图像的特点,搜索阶段最需要考虑的事情就是提高检测概率,所以检测过程需要对不同的采集图像进行不同的处理算法。本实现方式同时使用两种检测算法:(1)从目标出发来检测,即通过空间匹配滤波模板滤波之后,直接从图像中寻找阈值,大于阈值即为目标点;(2)从背景出发来检测,即通过空域滤波模板滤除背景,然后和原图像进行减差,得到目标和少量背景,再利用点源目标辐射特性进行假目标(背景或噪声等)删除。最后根据两种算法模式下求得的结果,进行融合比较,进一步确定目标信息状态。
其中,空间匹配滤波算法(改进算法详见“基于空间匹配滤波的红外背景抑制技术”,孙翠娟等,红外技术,第23卷第1期,第36~39页,2003年1月)和空域滤波算法是图像处理领域中两种不同的滤波处理算法,空间匹配滤波模板(又称空间匹配滤波器)和空域滤波模板(又称空域滤波器)是各自算法中根据实际情况指定的滤波参数。在本发明的优选实施例中,空间匹配滤波模板采用进行;空域滤波模板则采用如形态学模板或自适应模板等进行。
在本发明的一个优选实施例中,所述搜索步骤中,从目标出发来检测的具体流程采用图像高通滤波、自适应阈值分割、目标灰度质心求取等方式共同实现。即从目标出发来检测的步骤包括:首先多级滤波改善图像成像质量,其次采用高通滤波滤除大部分背景和采用图像对比度增强,使目标信号放大,最后采用阈值分割求取目标灰度质心。
其中,对动态图像中的单个检测帧进行多级滤波之后,采用高通滤波,使得检测帧的图像中只剩下目标和部分噪声信号。
图像分割:自适应选取阈值T1,本优选实施例中选用T1=a+ub,其中a为图像均值,b为图像方差,u为显示图像信噪比。根据阈值T1进行图像分割。设原始图像为f(x,y),分割后的图像为g(x,y),则:
区域标记:当红外图像中存在多个目标时,此方法可记录目标的个数,并将每个目标单独标记出来。区域标记法主要是将阈值分割后的图像按区域依次修改为对应的计数值,这一步骤对后续的目标跟踪非常有用。比如有如下阈值分割后的图像I,区域标记后的图像为L:
目标特征值提取:根据分割出的目标图像的灰度信息,计算出目标特征点(灰度质心),其中目标图像通常如图2所示,其目标灰度质心的坐标(X0,Y0)的计算公式为:
其中,L、W分别为目标图像区域在X、Y轴的取值范围,函数Gx(x)表示图像x位置处的灰度值大小,即可输出初步的目标特征值。
在现实的应用场景中,必须应对各种复杂背景带来的影响,图3具体给出了几种复杂背景下小目标的示例。其中,图3上左为多云层的背景下飞机起飞的情况示意,图3上右为远距离小飞机目标的情况示意,图3下为复杂背景(杂草)、远距离条件下的民航机目标。为针对这些情况进行有效的检测,必须对背景进行抑制和过滤。
在本发明的优选实施例中,所述搜索步骤中,从背景出发来检测的具体流程采用背景抑制、均值逼近、自适应阈值分割、目标灰度质心求取等方式共同实现。即从背景出发来检测的步骤包括:首先多级滤波改善图像成像质量,其次采用形态滤波滤除大部分背景和其次采用均值逼近技术使不同场景下的图像趋同,然后自适应选取阈值进行图像分割,最后求取目标灰度质心。
为了更好地实现后面的目标分割算法,这里需要采用形态学中的top-hat变换(线性非线性混合滤波器,即前文所说的形态学模板)进行背景抑制。形态学中的top-hat算子是一种极好的滤波算子,利用该算子通过选择合适的结构元,就可以将需要的目标从复杂的背景中提取出来。本发明的一个优选实施例中,滤波处理采用开top-hat算子,处理结果如图4所示。
数学形态学在很多图象处理文献上都有详细的介绍。设f(x)和b(x)是定义在二维离散空间F和B上的两个离散函数,其中,f(x)为灰度图象,b(x)为结构元素,则基本形态变换定义如下:
f(x)关于b(x)的膨胀和腐蚀分别定义为:
(f⊙b)(x)=min{f(x+y)-b(y)}y包含于B (2)
形态开为对图像先腐蚀后膨胀而得到,形态闭为对图像先膨胀后腐蚀而得到。开top-hat运算为图像先闭合后开启操作,闭top-hat运算为对图像先开启后闭合操作。由于开top-hat算子是一种非扩展运算,其处理过程处在原图象的下方,故开top-hat算子总是非负的;而闭top-hat算子是一种扩展运算,其处理过程处在原图象的上方,故闭top-hat算子总是非负的。top-hat运算具有高通滤波的某些特性,即开top-hat算子能检测图象中的峰,而闭top-hat算于则能检测图象中的谷。本发明中优选采用开top-hat算子。
随后,均值逼近是从背景出发的检测算法中非常重要一环,均值逼近具有使不同场景图像趋同的特性。均值逼近实现流程:先计算出整幅图像的均值mean_image,然后遍历整幅图像(遍历规模由采集设备的分辨率决定,比如320×256),凡是小于mean_image的点让其等于mean_image,循环操作几次,形成均值逼近后图像。均值逼近后的图像,需要确定采用的分割阈值,本步骤中同样采用自适应方式选取,即T1=a+ub。分割和求取目标灰度质心与前述从目标出发来检测的步骤中描述的方式相同。
滤波后图像和原图像减差,得到只有目标、虚假目标和极少背景信息的结果。
虚假目标剔除:在上述步骤中,提取阈值和图像分割算法有多种方式,但是阈值不能选取的过大,过大会把目标(小信号)给剔出掉。但另一方面,小阈值分割后的目标会比较多,如小信号、云层边缘和其他假目标等。因此必须对聚类后的目标进行一个筛选。小信号目标一般较为孤立的点扩展函数,而云层边缘等假目标利用长宽比、占空比及分割区域外还存在较大的值等特征来聚类进行滤除。虚假目标滤除效果见图5。
多模融合检测:根据多种算法模式下求得的结果,进行融合比较,确定目标信息状态。在本发明的一个优选实施例中,接收到上述两种检测算法同时对相同的检测帧进行处理的结果,根据一定的准则进行综合评估,筛选出最具可信度的待测目标点,上报给整机系统。例如,在侧重探测概率的前提下,将各个算法流程检测结果全部上报;在侧重虚警概率的前提下,将各个算法流程检测结果的交集上报。
地平线、海平线筛选目标:由于地面背景或海面背景存在强烈的起伏,灰度梯度差异非常明显,如高山顶角处等,对检测带来很大挑战。此时可利用整机系统的自身参数量(姿态角、海拔高度等),计算视场空间中的天际线、海天线,进而计算出图像视场所处的背景信息,提取出小信号。
在本发明的一个优选实施例中,跟踪步骤采用动态规划算法进行目标检测。动态规划可以先对分割的门限放宽要求,避免产生漏检;通过后续处理将分割后产生的虚警点去掉。只有完全满足震中状态范围都出现的点才认定为真正的目标,其余的全部视为虚警点进行剔除。
动态规划算法是一种通过最优化理论得到图像的累计值的最大值,从而得到小目标的运动的轨迹。该方法的鲁棒性好,计算量也不大,便于硬件实现。动态规划算法是低信噪比下红外弱小目标检测可行的方法。但是,在使用动态规划算法的时候必须知道目标的运行速度,否则计算时所需要的速度窗参数无法确定。在更优选的实施例中,如图6所示,跟踪步骤的全过程包括:
输入多个连续检测帧中的第k帧图像;
对第k帧图像进行预处理;
预设动态规划管道长度为m,对目标灰度值进行累积能量计算;其中,设Xs为第s帧图像中的目标点,(Xs,Xs-1,…,X1)表示从第1帧到第s帧中目标点的运动轨迹,判断k是否大于m,若是,则计算目标灰度值的累积能量为
否则计算目标灰度值的累积能量为 采用上述方式,小信号目标的灰度值可以通过多帧图像能量的积累而增强信号强度,而背景和噪声则不会如此;
进行图像分割,若图像中像素灰度值大于经验阈值T,设置为1,否则为0,区域标记;
图像标记后,聚类得到目标,同时运用点扩展函数目标特性,如长宽比、梯度下降比率、占空比及周围背景信息等,删除假目标,得到真正小信号目标。
此外,由于后续图像帧中可能还存在其他小信号目标,记录本次得到的小信号目标后仍需对图像帧继续跟踪直到全部图像帧均处理完毕。亦即删除多个连续检测帧中的第k-m帧图像,同时输入下一帧(即第k+1帧)图像重复上述步骤直到全部图像帧均输入完毕。
本领域相关技术人员应能理解,与本发明的方法相对应的,本发明还同时包括一种红外小信号目标增程检测系统,与上述方法步骤一一对应地,如图7所示,该系统包括:
采集模块,用于实时采集探测区域的动态图像;
搜索模块,用于采用多种单帧目标检测算法同时对所述动态图像中相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点;
跟踪模块,用于采用动态规划算法对所述待测目标点进行检测,通过对所述动态图像中的多个连续检测帧进行累积计算和图像分割,从所述待测目标点中确认真正的目标点并剔除虚警点;
所述搜索模块具体用于,同时采用从目标出发和从背景出发两种检测算法对相同的检测帧进行处理;
其中,所述从目标出发的检测算法通过空间匹配滤波模板滤波之后,直接从图像中寻找阈值,大于阈值即为目标点;
所述从背景出发的检测算法通过空域模板滤除背景,然后和原图像进行减差,得到目标和少量背景,再利用点源目标辐射特性进行假目标删除;
所述从目标出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用高通滤波滤除大部分背景和采用图像对比度增强使目标信号放大,最后采用阈值分割求取目标灰度质心;
所述从背景出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用形态滤波滤除大部分背景和其次采用均值逼近技术使不同场景下的图像趋同,然后自适应选取阈值进行图像分割,最后求取目标灰度质心。
在本发明的优选实施例中,该系统主要由一片FPGA和两块DSP构成,输入为8位pal和16位lvds信号,输出为目标基于图像坐标系内具体信息。更进一步地,如图8所示,该系统包括FPGA、DSP、SRAM、FLASH、串行配置器件(如EPCS64)、DC-DC供电模块、接口电路等。
其中图像输入使用LVDS方式进行,主要实现视频图像数据的传输,系统中优选采用与前级配对的LVDS接收芯片(DS90CR216AMTD)。数字图像传输系统使用4对双绞线和4根地线进行21个CMOS/LVTTL信号的传输。21个CMOS/LVTTL信号中,16个为图像数据信号、1个为场同步信号、1个为行同步信号、1个为像素时钟信号、1个为图像数据有效信号、1个为备用信号。
在本发明的一个优选实施例中,选用的DSP芯片是ADI公司的TS201。该芯片的4个链路口提高额外的4位全双向I/O能力,以双倍速率(最高位CLK核时钟的上升沿和下降沿)锁存数据,当内核时钟为500MHz时,即单方向速率可高达500MB/s。如此高效的接口在本设计中大大降低了传输数据所花费的时间,提高了处理效率。本实现方式中链路口的作用主要是负责FPGA和DPS之间的数据通信、DSP之间的数据通信以及代码加载。
由于本发明对于图像信号处理的实时性和存储空间都有很高的要求,在更优选的实施例中,主要电子元器件选择如下:FPGA选用Altera公司的StratixⅢEP3SE110F780I3。DSP选用ADI公司的Tiger SHARC ADSP-TS201SABPZ060。SRAM选用Cypress公司的CY7C1413AV18-167BZXI。SDRAM选用Micron公司的MT48LC4M32B2TG-6IT。LVDS接收芯片选用NI公司的DS90CR216AMTD,与前级系统的DS90CR215MTD配对,满足LVDS图像数据传输的要求。
数字电路的印刷电路板用多层板,用大面积地线层保证可靠的接地,用大面积的电源层保证电源供电路的引线电感减至最小。在电路板上,元器件进行合理的布局和布线,避免信号之间的相互串扰。对板上的微处理器要按照使用规范做相应的处理,例如,尽量使用片上时钟,避免使用其他时钟驱动电路,I/O口引脚、IRQ引脚、RESET引脚等都要连接相应的电平或连接相应的元件以免遭受干扰使系统不能正常工作。为保证视频信号远距离传送,采用具有很强驱动能力的差分视频输出电路。数字视频采用LVDS模式输出;串口通讯输出端接入平板式滤波器,降低了信号线传导敏感度。
采用上述方式,本发明实现了快速精确的红外小信号目标的检测,本发明的技术方案相对于现有技术具有以下明显优势:
a)进行检测算法前,先对图像信号进行灰度拉伸,使小信号所处数据位处的数据得到拉伸,可提高后端检测能力,相对于传统检测系统,在前端传感器输入信号不变的情况下,系统探测距离可提供15%到20%。
b)算法全FPGA设计实现,运算时间≤5ms。
c)检测信号最低强度要求低:单帧检测≤3个图像信噪比(小区域峰值信噪比),序列多帧检测≤1个图像信噪比(小区域峰值信噪比);小信号目标检测能力强。
d)适用性强,机载、舰载、车载平台均可适用,面对不同平台,只需要调整接口和部分参数即可。
e)多模组合检测算法,提取小信号能力强,虚警少:本实现方式可对强光照射或反射、厚云层边缘或边角、探测器自身噪声、自然天体物(太阳、月亮等)等带来的虚假目标进行有效滤除,极大提高了整机设备的低虚警条件下的远距离探测目标能力。
f)受复杂背景干扰少:利用整机载体自身参数量(姿态角、海拔高度等),计算视场空间中的天际线、海天线,进而计算出图像视场所处的背景信息,提取出小信号,明显降低了背景图像对检测结果的影响。
虽然以上结合优选实施例对本发明进行了描述,但本领域的技术人员应该理解,本发明所述的方法和系统并不限于具体实施方式中所述的实施例,在不背离由所附权利要求书限定的本发明精神和范围的情况下,可对本发明作出各种修改、增加、以及替换。
Claims (7)
1.一种红外小信号目标增程检测方法,其特征在于,所述方法包括:
采集步骤,实时采集探测区域的动态图像;
搜索步骤,采用多种单帧目标检测算法同时对所述动态图像中相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点;
跟踪步骤,采用动态规划算法对所述待测目标点进行检测,通过对所述动态图像中的多个连续检测帧进行累积计算和图像分割,从所述待测目标点中确认真正的目标点并剔除虚警点;
所述搜索步骤中,同时采用从目标出发和从背景出发两种检测算法对相同的检测帧进行处理;
所述从目标出发的检测算法通过空间匹配滤波模板滤波之后,直接从图像中寻找阈值,大于阈值即为目标点;
所述从背景出发的检测算法通过空域模板滤除背景,然后和原图像进行减差,得到目标和少量背景,再利用点源目标辐射特性进行假目标删除;
所述从目标出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用高通滤波滤除大部分背景和采用图像对比度增强使目标信号放大,最后采用阈值分割求取目标灰度质心;
所述从背景出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用形态滤波滤除大部分背景和其次采用均值逼近技术使不同场景下的图像趋同,然后自适应选取阈值进行图像分割,最后求取目标灰度质心。
2.根据权利要求1所述的方法,其特征在于,所述利用点源目标辐射特性包括利用长宽比、占空比及分割区域外的较大值来进行特征提取。
3.根据权利要求1所述的方法,其特征在于,所述搜索步骤中,还利用整机系统的自身参数量,计算视场空间中的天际线、海天线,进而计算出图像视场所处的背景信息,提取出小信号。
4.根据权利要求1所述的方法,其特征在于,所述跟踪步骤包括:
输入多个连续检测帧中的第k帧图像;
对第k帧图像进行预处理;
预设动态规划管道长度为m,对目标灰度值进行累积能量计算;
利用图像中像素灰度值进行图像的阈值分割并区域标记;
在标记后的图像中进行聚类得到目标,从中删除假目标而得到真正小信号目标。
5.一种红外小信号目标增程检测系统,其特征在于,所述系统包括:
采集模块,用于实时采集探测区域的动态图像;
搜索模块,用于采用多种单帧目标检测算法同时对所述动态图像中相同的检测帧进行处理,将处理的结果进行综合评估,筛选出最具可信度的待测目标点;
跟踪模块,用于采用动态规划算法对所述待测目标点进行检测,通过对所述动态图像中的多个连续检测帧进行累积计算和图像分割,从所述待测目标点中确认真正的目标点并剔除虚警点;
所述搜索模块具体用于,同时采用从目标出发和从背景出发两种检测算法对相同的检测帧进行处理;
其中,所述从目标出发的检测算法通过空间匹配滤波模板滤波之后,直接从图像中寻找阈值,大于阈值即为目标点;
所述从背景出发的检测算法通过空域模板滤除背景,然后和原图像进行减差,得到目标和少量背景,再利用点源目标辐射特性进行假目标删除;
所述从目标出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用高通滤波滤除大部分背景和采用图像对比度增强使目标信号放大,最后采用阈值分割求取目标灰度质心;
所述从背景出发的检测算法包括步骤:首先多级滤波改善图像成像质量,其次采用形态滤波滤除大部分背景和其次采用均值逼近技术使不同场景下的图像趋同,然后自适应选取阈值进行图像分割,最后求取目标灰度质心。
6.根据权利要求5所述的系统,其特征在于,所述采集模块使用LVDS方式进行图像传输。
7.根据权利要求5所述的系统,其特征在于,所述搜索模块和所述跟踪模块在FPGA器件和DSP器件中实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310533521.9A CN103530629B (zh) | 2013-11-01 | 2013-11-01 | 红外小信号目标增程检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310533521.9A CN103530629B (zh) | 2013-11-01 | 2013-11-01 | 红外小信号目标增程检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530629A CN103530629A (zh) | 2014-01-22 |
CN103530629B true CN103530629B (zh) | 2016-08-31 |
Family
ID=49932628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310533521.9A Active CN103530629B (zh) | 2013-11-01 | 2013-11-01 | 红外小信号目标增程检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530629B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240240B (zh) * | 2014-09-04 | 2017-03-15 | 南京理工大学 | 一种基于fpga的红外小目标检测方法及系统 |
JP6757007B2 (ja) * | 2016-10-31 | 2020-09-16 | 国立大学法人佐賀大学 | 変位計測方法、及び変位計測装置 |
CN107123129A (zh) * | 2017-04-28 | 2017-09-01 | 中国工程物理研究院应用电子学研究所 | 一种图像处理装置及方法 |
CN107516320A (zh) * | 2017-07-04 | 2017-12-26 | 昆明理工大学 | 一种适用于高动态光照条件的运动工件目标无监督分割方法 |
CN110020647B (zh) * | 2018-01-09 | 2021-03-02 | 杭州海康威视数字技术股份有限公司 | 一种违禁品目标检测方法、装置及计算机设备 |
CN108305265B (zh) * | 2018-01-15 | 2020-06-30 | 清华大学 | 微弱小目标图像实时处理方法及系统 |
CN109740445B (zh) * | 2018-12-13 | 2023-05-23 | 天津津航技术物理研究所 | 一种变尺寸的红外弱小目标检测方法 |
CN112612064B (zh) * | 2020-11-20 | 2024-02-23 | 中国人民解放军91776部队 | 一种天基探测与跟踪红外动态飞行目标的方法 |
CN112802020B (zh) * | 2021-04-06 | 2021-06-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图像修补和背景估计的红外弱小目标检测方法 |
CN112994738B (zh) * | 2021-05-06 | 2021-08-03 | 成都瀚德科技有限公司 | 一种基于多站协同的小信号探测方法 |
CN115631477B (zh) * | 2022-11-29 | 2023-03-14 | 天津所托瑞安汽车科技有限公司 | 目标识别方法及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1514408A (zh) * | 2002-09-12 | 2004-07-21 | 上海交通大学 | 复杂背景条件下红外弱小目标的检测与跟踪方法 |
CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8970706B2 (en) * | 2011-09-22 | 2015-03-03 | Basil Henry Scott | Dual pixel pitch imaging array with extended dynamic range |
-
2013
- 2013-11-01 CN CN201310533521.9A patent/CN103530629B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1514408A (zh) * | 2002-09-12 | 2004-07-21 | 上海交通大学 | 复杂背景条件下红外弱小目标的检测与跟踪方法 |
CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
Non-Patent Citations (2)
Title |
---|
"基于空间匹配滤波的红外背景抑制技术";王伞,等;《应用科技》;20060131;第33卷(第1期);第26-33页 * |
"复杂背景下红外小目标实时检测与跟踪";周晓玮;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20090515(第05期);第1.2节、第2.1.1节、第4.2.1节、第4.2.2节、第4.2.3节、第5.3节,附图4.2 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530629A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530629B (zh) | 红外小信号目标增程检测方法及系统 | |
CN107253485B (zh) | 异物侵入检测方法及异物侵入检测装置 | |
Wei et al. | HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN109146929A (zh) | 一种基于事件触发相机与三维激光雷达融合系统下的物体识别与配准方法 | |
CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN102023045B (zh) | 一种非接触式煤仓煤位光电测量方法 | |
CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN107990878B (zh) | 基于微光双目相机的测距系统和测距方法 | |
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
CN105225251B (zh) | 基于机器视觉的超视距海上运动目标快速识别与定位装置及方法 | |
CN107480727A (zh) | 一种sift和orb相结合的无人机影像快速匹配方法 | |
CN103116746A (zh) | 一种基于多特征融合技术的视频火焰探测方法 | |
CN104318544B (zh) | 基于夜间灯光卫星遥感数据光诱捕作业渔船数量估算方法 | |
CN103295221B (zh) | 模拟复眼视觉机制和偏振成像的水面目标运动检测方法 | |
CN103065307B (zh) | 非精确配准下sar/spot图像的区域融合检测方法 | |
Fytsilis et al. | A methodology for near real-time change detection between Unmanned Aerial Vehicle and wide area satellite images | |
CN105844587A (zh) | 一种低空无人机载高光谱遥感影像自动拼接方法 | |
CN110147778B (zh) | 稀土矿开采识别方法、装置、设备及存储介质 | |
CN103914692A (zh) | 一种用于煤矿周围地表水系的遥感识别方法 | |
CN104182992B (zh) | 一种基于全景视觉的海上弱小目标检测方法 | |
CN110889327A (zh) | 一种基于热红外图像的水域周边排污口智能检测方法 | |
CN105590316A (zh) | 面向对象的高分辨率遥感影像阴影提取方法 | |
CN106886988A (zh) | 一种基于无人机遥感的线性目标检测方法及系统 | |
CN110134148A (zh) | 一种输电线路直升机巡视中输电线路沿线跟踪方法 |
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 |