CN104103080A - 一种复杂背景下弱小目标检测的方法 - Google Patents

Abstract

本发明公开了一种复杂背景下弱小目标检测的方法，包括：对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF；对上述3帧运动目标图像中的第二帧运动目标图像，进行经验模态分解，得到固有模态函数IMF1；对时域差分滤波增强图像DIF和固有模态函数IMF1进行时空域融合增强处理，得到时空域融合增强图像FuisonI；对时空域融合增强图像FuisonI进行基于统计的阈值分割处理，得到阈值分割后的图像BW；对阈值分割后的图像BW进行虚警目标去除，得到最终的目标检测结果。本发明方法能够针对不同类型的小目标图像都能够很好的处理，检测效果和算法自适应性都得到很大的提高，在小目标检测的相关领域，具有很好的运用前景。

Description

一种复杂背景下弱小目标检测的方法

技术领域

本发明属于目标检测技术领域，更具体地，涉及一种复杂背景下弱小目标检测的方法，主要用于复杂背景下低信噪比图像弱小运动目标检测，可提高复杂背景下低信噪比的弱小目标检测的自适应性与准确性，适用于早期预警系统以及远程打击应用中的小目标检测识别。 

背景技术

小目标检测是早期预警系统以及制导系统的核心技术之一，针对这一课题目前已经有很多技术方法，归纳起来可以分为以下几类： 

1、空域背景预测法 

空域背景预测法也称为背景抑制法，该方法利用图像背景区域的红外辐射在空间分布上存在较强的相关性，而弱小目标区域则没有，对弱小目标图像进行预测得到背景预测图像，将原图像与背景预测图像做差，得到残差图像，在残差图像中目标部分得到增强，背景部分得到抑制，从而增强了图像的信噪比，最后对残差图像进行分割得到检测结果。该方法的优点是算法简单，易于实现，对于符合假设条件的图像，预测模板选择合适的话，效果很好；缺点是算法过分依赖于预测模板的选择，而模板选择很难做到自适应。 

2、空域滤波法 

空域滤波法假设图像中目标区域处于高频部分，而背景处于低频部分，只需要构造一个高通滤波器对原图像进行滤波处理，得到原图像的高频分量，再对高频分量进行分割得到检测结果。包括短时傅立叶变换，小波分析等在内的很多方法，都属于空域滤波方法。该类方法的优点是原理简单， 对于背景相对简单的图像处理效果很好，但是缺点也很明显，对于很多图像来说，除了目标以外，很多噪声也处于高频部分，滤波处理并不能很好的将目标与噪声区别开来，除此之外，检测效果还依赖于滤波变换的核函数的选择以及截止频率的设置，因此，算法也很难做到自适应。 

3、形态学滤波法 

形态学滤波法是基于数学形态学的弱小目标检测方法。通过对图像进行形态学的开运算得到一幅图像，由于弱小目标的面积较小，如果形态学元素选择合适，经过开运算后得到的图像中就没有弱小目标，将原图像与形态学处理的图像做差，得到的图像信噪比就得到了提高，再对该图像进行分割就得到的检测结果。该方法的关键是选择合适的形态学算子，但是也很难做到形态学算子的自适应选择。 

发明内容

本发明的目的在于，针对现有方法的无法做到自适应的不足，提出了一种低信噪比下实时鲁棒性好的低信噪比小目标自动检测的新方法，该方法不依赖任何变换核函数，仅仅依靠本身数据的自分解，具有很强的自适应能力，能够处理复杂背景下的弱小目标检测问题，能有效提高弱小目标的检测效率。 

为了实现上述目的，本发明提供了一种复杂背景下弱小目标检测的方法，包括如下步骤： 

(1)对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF； 

(2)对上述3帧运动目标图像中的第二帧运动目标图像，进行经验模态分解，得到固有模态函数IMF1； 

(3)对步骤(1)得到的时域差分滤波增强图像DIF和步骤(2)中得到的固有模态函数IMF1进行时空域融合增强处理，得到时空域融合增强图像FuisonI； 

(4)对时空域融合增强图像FuisonI进行基于统计的阈值分割处理，得到阈值分割后的图像BW； 

(5)对阈值分割后的图像BW进行虚警目标去除，得到最终的目标检测结果。 

在本发明的一个实施例中，所述步骤(2)具体包括： 

(2.1)对输入图像X_h×w分别按行和列作镜像延拓，取延拓后的高度 ，以及延拓后的宽度，得到延拓图像extX_H×W，其中将第二帧运动目标图像I'₂(x,y)表示为X_h×w，h和w分别表示图像的像素高和宽，表示取h/10的商值整数下界； 

(2.2)提取延拓图像extX_H×W的极值点信息，得到极大值点索引maxIndex(x,y,value)和极小值点索引minIndex(x,y,value)，其中(x,y)为坐标信息，value为对应极值点的灰度值； 

(2.3)在二维平面内分别对极大值点和极小值点做Delaunay三角剖分，得到平面上关于极值点的区域划分D1和D2，实现平面内对极值点坐标的区域划分； 

(2.4)分别在D1和D2的每一个Delaunay三角划分内进行插值，分别得到极大值插值曲面和极小值插值曲面，对极大值插值曲面和极小值插值曲面求平均，得到均值包络曲面，记为m1； 

(2.5)将原始图像x与均值包络曲面m₁做差：h₁＝x-m₁；为了得到IMF信息，令x＝h₁，转入步骤(2.1)；这是一个迭代过程，其中需要将每一次迭代过程中的h看作下一次迭代的原始图像x，即x_k＝h_k-1＝x_k-1-m_k-1，k表示第k次迭代过程，当分解结果满足迭代停止条件时迭代停止，得到固有模态函数IMF，迭代停止条件是判别式的值小于给定的门限值。 

在本发明的一个实施例中，所述步骤(2.2)具体包括： 

(2.2.1)定义一个与延拓图像extX_H×W相同大小的零矩阵：Mark_H×W＝zeros(size(extX_H×W))； 

(2.2.2)遍历延拓图像extX_H×W，在每个像素的预设邻域内作比较，在矩阵Mark_H×W相应位置标记每一个被比较的像素点的状态，分别获取状态-2和2的计数counterN2，counterP2，其中-2表示该像素在邻域内并列最小值，2表示该像素在邻域内为并列最大值； 

(2.2.3)循环遍历图像每一个点，以确定标记为2、-2的像素点的最终状态； 

(2.2.4)将矩阵Mark中的所有值为2和-2的点分别改为1和-1。最后得到的Mark就是标记极值点信息的矩阵，将Mark中所有值为1的点的坐标加入索引maxIndex(x,y,value)，将相应位置的extendImg(t)的像素点的灰度值赋给value，将Mark中所有值为-1的点的坐标加入索引minIndex(x,y,value)，将相应位置的extendImg(t)的像素点的灰度值赋给value。 

在本发明的一个实施例中，所述步骤(2.2.2)中像素点的状态具体为： 

(a)若某像素点的灰度都大于邻域点的灰度值，则是极大值； 

(b)若某像素点的灰度值均小于邻域点的灰度值，则是极小值； 

(c)若某像素点灰度与邻域比较，既有比它大的，也有比它小的，但是没有和它相等的，则该点既不是极大值点也不是极小值点； 

(d)若某像素点邻域有和它灰度相等的，则将相等的点看作一个点再进行a～c比较，直至确定。 

在本发明的一个实施例中，所述标记每一个被比较的像素点的状态具体为： 

若尚未标记，则标记为0； 

若为极小值点，则标记为1； 

若为极大值点，则标记为-1； 

若在邻域内并列最小值，则标记为-2； 

若在邻域内并列最大值，则标记为2； 

若在邻域内既不是极大值也不是极小值，则标记为3。 

在本发明的一个实施例中，所述步骤(1)具体包括： 

(1.1)将第二帧运动目标图像I'₂(x,y)与第一帧运动目标图像I'₁(x,y)做差分DIF1＝|I'₂(x,y)-I'₁(x,y)|，得到差分图像DIF1； 

(1.2)将第三帧运动目标图像I'₁(x,y)与第二帧运动目标图像I'₂(x,y)做差分DIF2＝|I'₃(x,y)-I'₂(x,y)|，得到差分图像DIF2； 

(1.3)将差分图像DIF1与差分图像DIF2做乘积处理DIF＝DIF1×DIF2，得到时域差分滤波增强图像DIF。 

在本发明的一个实施例中，所述步骤(3)采用乘积的方法来进行行时空域融合增强处理： 

FuisonI(x,y)＝DIF(x,y)×IMF1(x,y)。 

在本发明的一个实施例中，所述步骤(5)具体包括： 

(5.1)对检测出的带有目标的二值灰度图像BW进行连通域标记，如果目标面积大于预设面积，则直接剔除； 

(5.2)对面积小于预设面积的标记好的目标，分别求取其连通域的亮度最高的点，将该点分别作为各个待判定目标的种子点，得到一个种子点列seed(i)； 

(5.3)在原图像内，以seed(i)中的种子点为起始种子进行区域生长，分别得到每个种子点对应的目标区域；为了加快速度，在生长过程中，监视各个区域的生长的面积，如果面积超过预设面积，则立即中断该区域的生长，并且剔除对应的目标； 

(5.4)分别求取步骤三中完成区域生长后的联通域说对应的灰度平均值value1(i)，再求取每个连通域周围直径差为6的区域的灰度平均value2(i)， 如果value1(i)小于value2(i)，则剔除其对应的虚警目标。 

在本发明的一个实施例中，所述步骤(4)具体包括。 

(4.1)、计算FuisonI(x,y)的均值μ，最小值meanvalue； 

(4.2)、计算全局阈值thr 

thr＝μ+σ·Δ，σ为预设值； 

其中，Δ＝minvalue-μ； 

(4.3)、计算 $\mathrm{BW}(x,y)=\left\{\begin{array}{cc}0& \mathrm{FuisonI}(x,y)<\mathrm{thr}\\ 1& \mathrm{FuisonI}(x,y)>\mathrm{thr}\end{array}.\right.$

本发明能够达到的有益效果如下： 

由于小目标在图像中所占像素很少，且常常淹没在复杂的背景中，使得小目标检测难度比较大，而传统方法仅仅针对某一类图像所具有的特性，比如频率特性等，进行相关处理，处理算法往往依赖于原有信号以外的其他因素，比如小波变换所需的小波基函数等，无法做到小目标自动检测的自适应性，因此针对不同类型的图像，效果会大幅下降，应用范围也因此而大大受限。本发明提出的方法，通过对图像进行时域差分滤波处理以及空域二维EMD算法处理的时空域融合增强，从本发明所描述的技术方案可以看出，时域差分滤波算法和空域二维EMD算法处理的整个过程完全不依赖于除原有图像信号以外的任何其他因素，空域二维EMD算法完全可以做到真正意义上的数据自分解，通过把时空域处理的结果进行融合，又可以极大地提高目标图像的信噪比，从而提高小目标检测的效率。因此针对不同类型的小目标图像都能够很好的处理，检测效果和算法自适应性都得到很大的提高，在小目标检测的相关领域，具有很好的运用前景。 

附图说明

图1为本发明方法中时域差分滤波方法流程图； 

图2为本发明方法中二维EMD分解方法流程图； 

图3为本发明一实施例中图像极值点提取过程示意图；其中： 

图3(a)为图像像素点灰度值； 

图3(b)为第一次遍历图像后的Mark矩阵； 

图3(c)为标记图像极值点信息的Mark矩阵； 

图4本发明一实施例中Delaunay三角剖分示意图；其中： 

图4(a)为足够大的三角形包围所有离散点的示意图； 

图4(b)为构建新的Delaunay三角形的实际图； 

图4(c)为新的Delaunay三角形合法性检测示意图； 

图5本发明实施例中在三角剖分内进行线性插值示意图； 

图6本发明一实施例中的实验实例图；其中： 

图6(a)为第一帧运动目标图像； 

图6(b)为第二帧运动目标图像； 

图6(c)为第三帧运动目标图像； 

图7本发明一实施例中的算法中间过程效果图；其中： 

图7(a)为差分滤波增强图像； 

图7(b)为图7(a)的三维视图； 

图7(c)为固有模态函数IMF1图像； 

图7(d)为图7(c)的三维视图； 

图7(e)为时空域融合增强图像； 

图7(f)为图7(e)的三维视图； 

图7(g)为时空融合分割结果； 

图7(h)为修正后的结果。 

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可 以相互组合。 

本发明提供了一种复杂背景下弱小目标检测的方法，包括如下步骤： 

步骤一，对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF，本发明实施例中，图6(a)、6(b)、6(c)分别为第一帧、第二帧第三帧运动目标图像，具体过程见附图1所示的流程图； 

(1.1)第二帧运动目标图像I'₂(x,y)与第一帧运动目标图像I'₁(x,y)做差分DIF1＝|I'₂(x,y)-I'₁(x,y)|，得到差分图像DIF1； 

(1.2)第三帧运动目标图像I₃'(x,y)与第二帧运动目标图像I'₂(x,y)做差分DIF2＝|I'₃(x,y)-I'₂(x,y)|，得到差分图像DIF2； 

(1.3)差分图像DIF1与差分图像DIF2做乘积处理DIF＝DIF1×DIF2，得到时域差分滤波增强图像DIF； 

最终得到的差分滤波增强图像DIF如图7(a)，而图7(b)为其三维视图。 

进一步地，如果上述运动目标图像是没有校正好的，则需要对其进行运动补偿，如果上述运动目标图像是已经校正好的则不需要进行运动补偿。 

步骤二，对输入的第二帧运动目标图像I'₂(x,y)(记为X_h×w，h和w分别表示图像的像素高和宽)进行二维经验模态分解(Empirical Mode Decomposition，EMD)，得到固有模态函数IMF_1(x,y)，这个步骤是一个迭代过程，如图2所示，其实施过程如下： 

(2.1)对输入图像X_h×w进行镜像延拓，将X_h×w分别按行和列作镜像延拓，取延拓后的高度，以及延拓后的宽度，得到延拓图像extX_H×W，其中表示取h/10的商值整数下界； 

(2.2)提取extX_H×W的极值点信息，得到极大值点索引maxIndex(x,y,value)和极小值点索引minIndex(x,y,value)，其中(x,y)为坐标信息，value为对应极 值点灰度值； 

传统的提取图像极值点方法是在8邻域内进行比较，大于邻域内所有值的像素点为极大值，小于邻域内所有值的像素点为极小值，该种方法会漏掉很多连通域的极值点。 

本发明针对传统方法的不足提出了改进方法，本发明提出改进的极值点识别条件为： 

(a)若某点的灰度都大于邻域点的灰度值，则是极大值； 

(b)若某点的灰度值均小于邻域点的灰度值，则是极小值； 

(c)若某点灰度与邻域比较，既有比它大的，也有比它小的，但是没有和它相等的，则该点既不是极大值点也不是极小值点； 

(d)若某点邻域有和它灰度相等的，则将相等的点看作一个点再进行a-c的比较，直至确定。 

以下以8邻域为例，结合附图3，在新的识别条件有以下极值点定义： 

极大值点： 

(1)8邻域内最大的点，例如附图3(a)中，红色标记的13，11； 

(2)邻域内并列最大的点，例如附图3(a)红色标记的9。 

极小值点： 

(1)8邻域内最小的点，例如附图3(a)中，蓝色标记的1； 

(2)邻域内并列最小的点，例如附图3(a)蓝色标记的2。 

具体地，本发明实施例中根据上述识别条件提取极值点的方法为： 

(2.2.1)、定义一个与延拓图像extX_H×W相同大小的零矩阵： 

Mark_H×W＝zeros(size(extX_H×W))， 

用Mark_H×W的每一个元素的值来标记延拓图像extX_H×W每个像素点的状态，并有以下约定： 

0表示尚未标记，(初始状态) 

-1表示极小值点，(最终状态) 

1表示极大值点，(最终状态) 

-2表示8邻域内并列最小值，(待定状态) 

2表示8邻域为并列最大值，(待定状态) 

3表示既不是极大值也不是极小值(最终状态) 

(2.2.2)、遍历延拓图像extX_H×W，在8邻域内作比较，在矩阵Mark_H×W相应位置标记每一个被比较的像素点的状态(见图3(b))，分别获取状态-2和2的计数counterN2，counterP2。 

下面用伪代码来说明状态标记方法： 

(2.2.3)、消除状态标记矩阵Mark_H×W中的中间状态点2和-2，以状态2为例，循环遍历状态标记矩阵的每一个点，如果有状态为2的点记为点p₂(i,j)，则遍历点p₂(i,j)在延拓图像extX_H×W的8邻域内的像素点，如果有与p₂(i,j)的灰度值相等但是状态不为2的点，则在状态标记矩阵Mark_H×W里将点p₂(i,j)以及其8邻域内其他状态为2的点的状态标记为3，同时将状态2的计数counterP2相应的减少。当状态2的计数counterP2不再发生变化时，停止循环遍历过程。最终得到的标记矩阵如图3(c)所示。 

下面用伪代码来说明消除中间状态2和-2的方法： 

需要说明的是，本发明实施例中是以8邻域为例叙述本方案，当然邻域中的像素数也可以选取其他值。 

(2.2.4)、将矩阵Mark中的所有值为2和-2的点分别改为1和-1。最后得到的Mark就是标记极值点信息的矩阵，将Mark中所有值为1的点的坐标加入索引maxIndex(x,y,value)，将相应位置的extX_H×W的像素点的灰度值赋给value，以同样的操作得到索引minIndex(x,y,value)。 

(2.3)在二维平面内分别对极大值点和极小值点做Delaunay三角剖分，得到平面上关于极值点的区域划分D1和D2，实现平面内对极值点坐标的区域划分。 

我们采用随机增量法来计算极值点的Delaunay三角剖分。 

如附图4所示，P为提取的极值点离散点列，增加两个足够远的点p_1和p_2(足够远不影响P内的三角剖分)，与散列点中值最大的点p0组成一个足够大的三角形，可以将整个待剖分的点包围起来，见附图4(a)。 

随机逐一加入各点，整个过程都要维护和更新一个与当前点集对应的Delaunay三角剖分。例如当引入点P_r，首先判断P_r落在那个三角形中，然后将P_r与该三角形的三个顶点分别连接起来，生成三条边见图4(b)(或恰巧只有两条边，见图4(c))。如此又得到一个新的三角剖分，此时需要针对每一条可能的非法边进行合法性检查，并将所有的非法边通过翻转操作转换为合法边，如此往复，直到加入所有的点。 

(2.4)经过Delaunay三角剖分操作之后，平面就被划分为一个个小的Delaunay三角区域，分别在D1和D2的每一个Delaunay三角区域内进行插值，分别得到极大值插值曲面和极小值插值曲面，再对极大值插值曲面和极小值插值曲面求平均，得到均值包络曲面，记为m1。 

插值方法有很多，例如三次样条函数等，如图5所示，本发明采用的插值方法是线性插值，线性插值法具有简单快速的优点，且能够满足本发 明的需要。具体过程为： 

在一个三角形TRI(A,B,C)中，三角形A(x₁,y₁,z₁)B(x₂,y₂,z₂)C(x₃,y₃,z₃)的平面方程为z＝ax+by+c， 

有 $\left(\begin{array}{ccc}{x}_1& y_1& 1\\ x_2& y_2& 1\\ x_3& y_3& 1\end{array}\right)\&CenterDot;\left(\begin{array}{c}a\\ b\\ c\end{array}\right)=\left(\begin{array}{c}{z}_1\\ z_2\\ z_3\end{array}\right),$ 则 $\left(\begin{array}{c}a\\ b\\ c\end{array}\right)=\left(\begin{array}{c}{z}_1\\ z_2\\ z_3\end{array}\right)\&CenterDot;{\left(\begin{array}{ccc}{x}_1& y_1& 1\\ x_2& y_2& 1\\ x_3& y_3& 1\end{array}\right)}^{-1}$

寻找落入三角形ABC网格内的像素点列P(P1，P2,…,Pn)，将Pi坐标代入平面方程得到该点像素的插值。 

(2.5)将原始图像x与均值包络曲面m₁做差：h₁＝x-m₁；令x₂＝h₁，转入步骤(2.1)迭代计算；每次迭代如下表达式：h_k＝x_k-m_k，其中，每一次的h被看作下一次迭代的“原始图像”，即x_k＝h_k-1＝x_k-1-m_k-1，k表示第k次迭代过程，直到满足预设条件。 

将原始图像x与均值包络曲面m₁做差：h₁＝x-m₁；为了得到IMF信息，令x₂＝h₁，转入步骤(2.1)。 

每次迭代过程有如下表达式：h_k＝x_k-m_k，x_k＝h_k-1＝x_k-1-m_k-1，k表示第k次迭代过程。 

根据判别式：将前后两次迭代计算的h_k，h_k-1带入判别式计算SD，并判断SD是否大于筛分门限值，筛分门限值一般取0.2～0.3，如果SD大于这个门限值，则令输入图像x＝h_k，转到(1)，如果SD小于筛分门限，停止迭代，取IMF＝h_k。由于第一个IMF信息包含了图像最主要的信息，而且信噪比已经得到极大的提高，可以满足我们目标检测的要求，因此我们选择第一个IMF信号进行下一步的处理，并停止IMF的筛分； 

步骤三，对步骤(1)得到的时域差分滤波增强图像DIF,见附图7(a) 及7(b)，和步骤(2)中得到的固有模态函数IMF1,见附图7(c)及7(d),进行时空域融合增强处理，得到时空域融合增强图像FuisonI(x,y)，见附图7(e)及7(f)； 

本发明采用乘积的方法来进行融合处理： 

FuisonI(x,y)＝DIF(x,y)×IMF1(x,y) 

步骤四，对时空域融合增强后的图像进行基于统计的阈值分割处理，得到阈值分割后的图像。经过前面三个步骤的处理，得到的增强图像的主要的能量已经集中在目标区域了，此时的信噪比得到极大的提高，非常有利于目标的识别分割，分割效果见附图7(g)。 

1、计算FuisonI(x,y)的均值μ，最小值meanvalue 

2、计算全局阈值thr 

thr＝μ+σ·Δ，σ由程序设定，一般取0.15-0.6 

其中，Δ＝minvalue-μ 

3、 $\mathrm{BW}(x,y)=\left\{\begin{array}{cc}0& \mathrm{FuisonI}(x,y)<\mathrm{thr}\\ 1& \mathrm{FuisonI}(x,y)>\mathrm{thr}\end{array}\right.,$

其中， 

BW(x,y)＝zeros(M·N),M,N为图像尺寸 

$\mathrm{\&mu;}=\frac{1}{M\&CenterDot;N}\underset{i=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\mathrm{FuisonI}(x,y)$

σ＝min(Fusion(x,y))-μ 

步骤五，对阈值分割后的图像BW做修正，进行虚警目标去除，得到最终的目标检测结果。 

(5.1)对检测出的带有目标的二值灰度图像BW进行连通域标记，如果目标面积大于预设面积(预设面积可根据需要设定，例如25，为了便于说明方案，后续步骤中以25为例)，则直接剔除； 

(5.2)对面积小于25的标记好的目标，分别求取其连通域的亮度最 高的点，将该点分别作为各个待判定目标的种子点，得到一个种子点列seed(i)； 

(5.3)在原图像内，以seed(i)中的种子点为起始种子进行区域生长，分别得到每个种子点对应的目标区域；为了加快速度，在生长过程中，监视各个区域的生长的面积，如果面积超过25，则立即中断该区域的生长，并且剔除对应的目标； 

(5.4)分别求取步骤三中完成区域生长后的联通域说对应的灰度平均值value1(i)，再求取每个连通域周围直径差为6的区域的灰度平均value2(i)，如果value1(i)小于value2(i)，则剔除其对应的虚警目标； 

完成步骤五后，剩余下来的基于区域生长的连通域就是我们检测出来的目标，见附图7(h)。 

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。 

Claims (9)

1.一种复杂背景下弱小目标检测的方法，其特征在于，所述方法包括如下步骤：

(1)对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF；

(2)对上述3帧运动目标图像中的第二帧运动目标图像，进行经验模态分解，得到固有模态函数IMF1；

(3)对步骤(1)得到的时域差分滤波增强图像DIF和步骤(2)中得到的固有模态函数IMF1进行时空域融合增强处理，得到时空域融合增强图像FuisonI；

(4)对时空域融合增强图像FuisonI进行基于统计的阈值分割处理，得到阈值分割后的图像BW；

(5)对阈值分割后的图像BW进行虚警目标去除，得到最终的目标检测结果。

2.如权利要求1所述的方法，其特征在于，所述步骤(2)具体包括：

(2.1)对输入图像X_h×w分别按行和列作镜像延拓，取延拓后的高度，以及延拓后的宽度，得到延拓图像extX_H×W，其中将第二帧运动目标图像I'₂(x,y)表示为X_h×w，h和w分别表示图像的像素高和宽，表示取h/10的商值整数下界；

(2.2)提取延拓图像extX_H×W的极值点信息，得到极大值点索引maxIndex(x,y,value)和极小值点索引minIndex(x,y,value)，其中(x,y)为坐标信息，value为对应极值点的灰度值；

(2.3)在二维平面内分别对极大值点和极小值点做Delaunay三角剖分，得到平面上关于极值点的区域划分D1和D2，实现平面内对极值点坐标的区域划分；

(2.4)分别在D1和D2的每一个Delaunay三角划分内进行插值，分别得到极大值插值曲面和极小值插值曲面，对极大值插值曲面和极小值插值曲面求平均，得到均值包络曲面，记为m1；

(2.5)将原始图像x与均值包络曲面m₁做差：h₁＝x-m₁；为了得到IMF信息，令x＝h₁，转入步骤(2.1)；这是一个迭代过程，其中需要将每一次迭代过程中的h看作下一次迭代的原始图像x，即x_k＝h_k-1＝x_k-1-m_k-1，k表示第k次迭代过程，当分解结果满足迭代停止条件时迭代停止，得到固有模态函数IMF，迭代停止条件是判别式的值小于给定的门限值。

3.如权利要求2所述的方法，其特征在于，所述步骤(2.2)具体包括：

(2.2.1)定义一个与延拓图像extX_H×W相同大小的零矩阵：Mark_H×W＝zeros(size(extX_H×W))；

(2.2.2)遍历延拓图像extX_H×W，在每个像素的预设邻域内作比较，在矩阵Mark_H×W相应位置标记每一个被比较的像素点的状态，分别获取状态-2和2的计数counterN2，counterP2，其中-2表示该像素在邻域内并列最小值，2表示该像素在邻域内为并列最大值；

(2.2.3)循环遍历图像每一个点，以确定标记为2、-2的像素点的最终状态；

(2.2.4)将矩阵Mark中的所有值为2和-2的点分别改为1和-1，最后得到的Mark就是标记极值点信息的矩阵，将Mark中所有值为1的点的坐标加入索引maxIndex(x,y,value)，将相应位置的extendImg(t)的像素点的灰度值赋给value，将Mark中所有值为-1的点的坐标加入索引minIndex(x,y,value)，将相应位置的extendImg(t)的像素点的灰度值赋给value。

4.如权利要求3所述的方法，其特征在于，所述步骤(2.2.2)中像素点的状态具体为：

(a)若某像素点的灰度都大于邻域点的灰度值，则是极大值；

(b)若某像素点的灰度值均小于邻域点的灰度值，则是极小值；

(c)若某像素点灰度与邻域比较，既有比它大的，也有比它小的，但是没有和它相等的，则该点既不是极大值点也不是极小值点；

(d)若某像素点邻域有和它灰度相等的，则将相等的点看作一个点再进行a～c比较，直至确定。

5.如权利要求4所述的方法，其特征在于，所述标记每一个被比较的像素点的状态具体为：

若尚未标记，则标记为0；

若为极小值点，则标记为1；

若为极大值点，则标记为-1；

若在邻域内并列最小值，则标记为-2；

若在邻域内并列最大值，则标记为2；

若在邻域内既不是极大值也不是极小值，则标记为3。

6.如权利要求1或2所述的方法，其特征在于，所述步骤(1)具体包括：

(1.1)将第二帧运动目标图像I'₂(x,y)与第一帧运动目标图像I'₁(x,y)做差分DIF1＝|I'₂(x,y)-I'₁(x,y)|，得到差分图像DIF1；

(1.2)将第三帧运动目标图像I'₃(x,y)与第二帧运动目标图像I'₂(x,y)做差分DIF2＝|I'₃(x,y)-I'₂(x,y)|，得到差分图像DIF2；

(1.3)将差分图像DIF1与差分图像DIF2做乘积处理DIF＝DIF1×DIF2，得到时域差分滤波增强图像DIF。

7.如权利要求1或2所述的方法，其特征在于，所述步骤(3)采用乘积的方法来进行行时空域融合增强处理：

FuisonI(x,y)＝DIF(x,y)×IMF1(x,y)。

8.如权利要求1或2所述的方法，其特征在于，所述步骤(5)具体包括：

(5.1)对检测出的带有目标的二值灰度图像BW进行连通域标记，如果目标面积大于预设面积，则直接剔除；

(5.2)对面积小于预设面积的标记好的目标，分别求取其连通域的亮度最高的点，将该点分别作为各个待判定目标的种子点，得到一个种子点列seed(i)；

(5.3)在原图像内，以seed(i)中的种子点为起始种子进行区域生长，分别得到每个种子点对应的目标区域；为了加快速度，在生长过程中，监视各个区域的生长的面积，如果面积超过预设面积，则立即中断该区域的生长，并且剔除对应的目标；

(5.4)分别求取步骤三中完成区域生长后的联通域说对应的灰度平均值value1(i)，再求取每个连通域周围直径差为6的区域的灰度平均value2(i)，如果value1(i)小于value2(i)，则剔除其对应的虚警目标。

9.如权利要求1或2所述的方法，其特征在于，所述步骤(4)具体包括：

(4.1)、计算FuisonI(x,y)的均值μ，最小值meanvalue；

(4.2)、计算全局阈值thr

thr＝μ+σ·Δ，σ为预设值；

其中，Δ＝minvalue-μ；

(4.3)、计算 $\mathrm{BW}(x,y)=\left\{\begin{array}{cc}0& \mathrm{FuisonI}(x,y)<\mathrm{thr}\\ 1& \mathrm{FuisonI}(x,y)>\mathrm{thr}\end{array}.\right.$