CN104408400B - 一种基于单幅图像频域信息的不可分辨多目标检测方法 - Google Patents

一种基于单幅图像频域信息的不可分辨多目标检测方法 Download PDF

Info

Publication number
CN104408400B
CN104408400B CN201410588567.5A CN201410588567A CN104408400B CN 104408400 B CN104408400 B CN 104408400B CN 201410588567 A CN201410588567 A CN 201410588567A CN 104408400 B CN104408400 B CN 104408400B
Authority
CN
China
Prior art keywords
frequency
image
target
information
point
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.)
Expired - Fee Related
Application number
CN201410588567.5A
Other languages
English (en)
Other versions
CN104408400A (zh
Inventor
王萱
邓甲昊
占银玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201410588567.5A priority Critical patent/CN104408400B/zh
Publication of CN104408400A publication Critical patent/CN104408400A/zh
Application granted granted Critical
Publication of CN104408400B publication Critical patent/CN104408400B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于单幅图像频域信息的不可分辨多目标检测方法，属于多目标识别技术领域。本方法通过对简单预处理的图像进行频域变换，计算图像频率分割的最佳阈值，并按照最佳阈值对包含图像频率位置信息的相位谱进行阈值分割，忽略大部分的低频信息，保留主要集中在目标区域的高频信息，对该区域的高频信息点利用统计学原理进行分类，可以得到目标个数，对于分类后不同的点集进行目标轮廓构建，进而得到目标轮廓和位置。本方法利用单幅图像进行多目标识别，只提取图像频域信息中有益于多目标识别的高频信息，忽略幅度谱及大量的低频信息，具有计算复杂度小，运算速度快的特点，可以实现精确实时的多目标识别。

Description

一种基于单幅图像频域信息的不可分辨多目标检测方法
技术领域
本发明涉及一种多目标检测方法，尤其涉及一种利用图像频域信息进行不可分辨多目标精确识别定位的方法，属于多目标识别与定位技术领域。
背景技术
武器系统对目标群的精确识别和定位并选择重要目标进行攻击或敌我识别，需要实时精确地实现多目标识别和定位；监测系统对路面车辆的精确检测、计算道路交通流等也涉及到多目标识别问题；现代工业的自动化流水线上进行产品装配也需要对种类繁多、形状复杂、位置变化的诸多零件进行识别、定位。事实上，多目标识别与定位问题也是计算机视觉、图像处理、模式识别领域中的研究热点，而要实现精确实时的识别和定位是目标识别领域的难点，尤其对于目标图像有重合的情况，要进行准确的多目标识别难度较大，而这也是在实际中的普遍现象，比如空中机群目标相互重叠，道路上车辆较多，图像上车辆彼此之间相互阻挡等。因此，不可分辨多目标识别在军用和民用领域都具有重要的意义，有着重要而特殊的价值。
当前，国内外对多目标识别定位方面的研究主要集中在单脉冲雷达通过对角度测量进行多目标识别、建立样本空间进行模板匹配实现多目标识别、通过多帧图像之间相互关系进行多目标识别、基于图像处理进行区域分割的方法等。这些方法在一定条件下可以实现多目标识别，然而，在复杂的战场环境、拥堵的交通以及面对多种零件的流水线，这些方法往往无法实现实时精确的定位，或者探测体制无法广泛的应用。
为了从根本上解决多目标识别定位问题，文献“Unresolved Rayleigh TargetDetection Using Monopulse Measurements”W.D.BLAIR,M.BRANDT-PEARCE，IEEETransactions On Aerospace And Electronic Systems vol.34,No.2,April,1998以及专利“一种单脉冲雷达导引头的不可分辨多目标检测方法”(专利申请号：201310636748.6，公开号：CN 103675808A)等提出了单脉冲雷达对不可分辨多目标的识别。具体地，通过雷达目标回波计算波达角(DOA)，实现多目标的分辨，该方法在一定程度上可以确定目标个数，但无法实现精确的目标定位，无法实现近距离或相互重叠的多目标分辨。文献“Design ofMulti-Objects Real-Time Tracking System Based on Genetic Algorithms”Yang Shu-ying,He Pei-Lian,PR&AI,Vol.19,No.3,2006利用多帧相差法将运动目标与背景分离，利用遗传算法的快速寻优能力实现多目标识别。该算法应用了多种复杂算法，并且需要多帧图像共同作用才能进行精确的目标识别，相对运算量大，在实际应用中很难满足实时性的要求。
发明内容
本发明的目的是为了克服现有技术在面对不可分辨多目标场景情况下由于图像数据运算量大，难以实时地进行多目标识别缺陷，通过利用图像频域信息相位谱中位置信息进行不可分辨多目标精确的识别，同时解决多目标定位问题，提出一种利用单幅图像频域信息进行不可分辨多目标检测方法。
本发明的基本原理是：通过对简单预处理的图像进行频域变换，计算出图像频率分割的最佳阈值，并按照最佳阈值对包含图像频率位置信息的相位谱进行阈值分割，忽略大部分的低频信息，保留主要集中在目标区域的高频信息。对该区域的高频信息点利用统计学原理进行分类，得到目标个数，对于分类后不同的点集进行目标轮廓构建，从而得到目标轮廓和位置。
为实现上述目的，本发明采用的技术方案如下：
一种基于单幅图像频域信息的不可分辨多目标检测方法，包括以下步骤：
步骤一、通过探测器获取多目标图像。
所述目标图像包括但不限于红外图像、可见光图像、雷达图像、激光图像。
所述探测器包括但不限于红外成像探测器、CCD、雷达成像探测器、激光成像探测器。
步骤二、对获取的目标图像进行简单预处理。
所述简单预处理是指依次对目标图像进行直方图均衡化处理，实现滤波去噪。由于在预处理过程中，已减少噪声干扰和复杂背景对目标提取的影响，增加了目标区域和背景的对比度，这样可以去除除目标轮廓外的其他高频干扰信息。
步骤三、对步骤二获得的图像进行频域变换，并提取相位谱。
所述频域变换方法包括但不限于傅立叶变换(FT)、快速傅立叶变换(FFT)、离散傅立叶变换(DFT)。
步骤四、对步骤三处理所得的图像频域信息，利用时域图像分割中阈值处理的方法获得最佳频率划分阈值D0，并将相位谱按照最佳阈值分割，提取并只保留频率成分D≥D0的部分，除了个别地面干扰，所提取的高频信息主要集中在目标区域。
所述获得最佳阈值分割的方法，优选取图像所有频率成分中10％-15％处的频率值作为最佳阈值D0。
由于只提取了多目标图像的部分信息进行目标识别，数据量被大大减小，而这部分高频信息对多目标识别精度起决定性的作用，从而在保证精度的同时，降低了运算复杂度。
步骤五、对相位谱中高频信息出现的区域进行角点提取，即，提取高频信息点，采用统计学分类方法对高频信息点进行分类，并去除异常值的干扰，得到n个点集，n为目标个数。
所述的统计学分类方法包括但不限于两步聚类、k-均值聚类、系统聚类。
步骤六、根据步骤五中获得的点集Si(i＝1,2,…,n)确定目标轮廓。(此处处理方法可选用中国专利申请201410284701.2所述方法)
对得到的目标轮廓求质心，根据质心坐标，可获得目标的位置信息，实现多目标定位。
有益效果
本发明所述方法，利用单幅图像相位谱中包含的位置信息进行不可分辨多目标识别和定位。本方法只利用相位谱中信息进行多目标识别和定位，忽略幅度谱数据，减少数据量，提高算法效率。本方法利用图像阈值分割的方法处理频域信息，提取目标区域的高频信息点。本方法首次将多目标的识别转换为对图像高频信息点的分类，通过统计学分类方法，对高频信息点进行分类，间接实现多目标的识别。由于只提取了目标图像中的有用信息，忽略低频信息和幅度谱中的大量信息，减少了运算量，提高了运算速度，避免了时域图像分割处理的复杂算法，同时通过对点的分类实现多目标的区分，运算简单，同时可以实现有重叠或者距离较近的多目标分辨。
附图说明
图1为本方法的流程示意图。
图2为本发明所述实施例中红外探测器获得的多目标图像。
图3为本发明所述实施例中根据频率阈值分割后结合相位谱位置信息获得高频和低频信息示意图。
图4为本发明所述实施例中根据高频信息点分类后进行凸多边形构造的结果示意。
图5为本发明所述实施例中根据目标轮廓确定目标位置示意，其中五角星的坐标可代表目标位置。
具体实施方式
下面结合附图及实施例对本发明方法进行详细说明。
实施例
如图1所示，一种基于单幅图像频域信息的不可分辨多目标检测方法，用于实现红外探测器对空中机群目标进行识别和实时精确定位，包括以下步骤：
步骤一、通过红外探测器获取机群目标图像，如图2所示。
步骤二、对获取的目标图像进行简单预处理。首先根据目标特点设计三峰值高斯函数对图像进行直方图均衡化处理，然后采用5×5的中值滤波器对图形进行滤波去噪。
步骤三、对步骤二处理后的图像进行快速傅立叶变换(FFT)，并提取其相位谱。
步骤四、对步骤三处理所得的图像频域信息，利用时域图像分割中阈值处理的方法取图像所有频率成分中10％处的频率值D0，将相位谱按照最佳阈值分割，提取并只保留频率成分D≥D0的部分，由于天空背景较为简单且经过上述步骤处理后，其中高频信息主要集中在目标区域。
步骤五、将相位谱中高频信息出现的区域进行角点提取，即提取高频信息点，按照所有角点的横、纵坐标、频率值，并结合点与点之间的相互位置关系，采用系统聚类方法对高频信息点进行分类，得到4个点集(如图3所示，图中白色角点为原图中保留下来的高频信息)，即目标个数为4。
步骤六、对步骤五中获得的点集Si(i＝1,2,…,4)分别确定目标轮廓，如图4所示。处理方法可以选用中国专利申请201410284701.2所述方法。对得到的目标轮廓求质心，根据质心坐标获得目标的位置信息，如图5所示。

Claims (2)

1.一种基于单幅图像频域信息的不可分辨多目标检测方法，其特征在于包括以下步骤：
步骤一、通过探测器获取包含多个目标的单幅目标图像；
所述单幅目标图像包括红外图像、可见光图像、雷达图像、激光图像；所述探测器包括红外成像探测器、CCD、雷达成像探测器、激光成像探测器；
步骤二、对获取的单幅目标图像进行简单预处理；
所述简单预处理是指依次对目标图像进行直方图均衡化处理，实现滤波去噪；
步骤三、对步骤二获得的图像进行频域变换，并提取相位谱；
所述频域变换方法包括傅立叶变换、快速傅立叶变换、离散傅立叶变换；
步骤四、对步骤三处理所得的图像频域信息，利用时域图像分割中阈值处理的方法获得最佳频率划分阈值D0，并将相位谱按照最佳阈值分割，提取并只保留频率成分D≥D0的部分，除个别地面干扰，所提取的高频信息集中在目标区域；
步骤五、对相位谱中高频信息出现的区域进行角点提取，即，提取高频信息点，采用统计学分类方法对高频信息点进行分类，并去除异常值的干扰，得到n个点集，n为目标个数；
所述的统计学分类方法包括两步聚类、k-均值聚类、系统聚类；
步骤六、根据步骤五中获得的点集Si确定目标轮廓，其中i＝1,2,…,n；对得到的目标轮廓求质心，根据质心坐标获得目标的位置信息，实现多目标定位。
2.如权利要求1的所述一种基于单幅图像频域信息的不可分辨多目标检测方法，其特征在于，在步骤四中，选取图像所有频率成分中10％-15％处的频率值作为最佳阈值D0。
CN201410588567.5A 2014-10-28 2014-10-28 一种基于单幅图像频域信息的不可分辨多目标检测方法 Expired - Fee Related CN104408400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410588567.5A CN104408400B (zh) 2014-10-28 2014-10-28 一种基于单幅图像频域信息的不可分辨多目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410588567.5A CN104408400B (zh) 2014-10-28 2014-10-28 一种基于单幅图像频域信息的不可分辨多目标检测方法

Publications (2)

Publication Number Publication Date
CN104408400A CN104408400A (zh) 2015-03-11
CN104408400B true CN104408400B (zh) 2018-08-21

Family

ID=52646031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410588567.5A Expired - Fee Related CN104408400B (zh) 2014-10-28 2014-10-28 一种基于单幅图像频域信息的不可分辨多目标检测方法

Country Status (1)

Country Link
CN (1) CN104408400B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10152058B2 (en) * 2016-10-24 2018-12-11 Ford Global Technologies, Llc Vehicle virtual map
CN109409192B (zh) * 2018-08-27 2022-02-08 浙江大丰实业股份有限公司 舞台激光导航即时校验平台
CN109558848A (zh) * 2018-11-30 2019-04-02 湖南华诺星空电子技术有限公司 一种基于多源信息融合的无人机生命探测方法
CN110766736B (zh) * 2019-10-29 2022-10-14 京东方科技集团股份有限公司 缺陷检测方法、装置、电子设备以及存储介质
CN111522020A (zh) * 2020-06-23 2020-08-11 山东亦贝数据技术有限公司 一种园区活动要素混合定位系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1738426A (zh) * 2005-09-09 2006-02-22 南京大学 一种视频运动目标分割与跟踪方法
CN101520892A (zh) * 2009-03-17 2009-09-02 西北工业大学 可见光图像中弱小目标的检测方法
CN103400129A (zh) * 2013-07-22 2013-11-20 中国科学院光电技术研究所 一种基于频域显著性的目标跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8620065B2 (en) * 2010-04-09 2013-12-31 The Regents Of The University Of Colorado Methods and systems for three dimensional optical imaging, sensing, particle localization and manipulation
TW201419853A (zh) * 2012-11-09 2014-05-16 Ind Tech Res Inst 影像處理器及其影像壞點偵測方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1738426A (zh) * 2005-09-09 2006-02-22 南京大学 一种视频运动目标分割与跟踪方法
CN101520892A (zh) * 2009-03-17 2009-09-02 西北工业大学 可见光图像中弱小目标的检测方法
CN103400129A (zh) * 2013-07-22 2013-11-20 中国科学院光电技术研究所 一种基于频域显著性的目标跟踪方法

Also Published As

Publication number Publication date
CN104408400A (zh) 2015-03-11

Similar Documents

Publication Publication Date Title
CN104408400B (zh) 一种基于单幅图像频域信息的不可分辨多目标检测方法
CN103077384B (zh) 一种车标定位识别的方法与系统
CN105426864B (zh) 一种基于等距边缘点匹配的多车道线检测方法
CN102750708B (zh) 基于快速鲁棒特征匹配的仿射运动目标跟踪算法
CN104036146B (zh) 一种用于雷达目标点迹凝聚的点迹聚类方法
CN102496016B (zh) 一种基于时空协同框架的红外目标检测方法
CN104809433B (zh) 一种基于最大稳定区域和随机采样的斑马线检测方法
CN109614936B (zh) 遥感图像飞机目标的分层识别方法
CN102542289A (zh) 一种基于多高斯计数模型的人流量统计方法
CN102722891A (zh) 一种图像显著度检测的方法
CN102521565A (zh) 低分辨率视频的服装识别方法及系统
CN104537342B (zh) 一种结合山脊边界检测及霍夫变换的快速车道线检测方法
CN104268853A (zh) 一种红外图像与可见光图像配准方法
CN108805028A (zh) 基于电磁强散射点的sar图像地面目标检测与定位方法
CN105913074A (zh) 基于幅度与径向速度联合的sar图像动目标聚类方法
CN107862262A (zh) 一种适用于高空侦察的快速可见光图像舰船检测方法
CN109541601A (zh) 基于毫米波的障碍物识别系统及其检测方法
CN108520528B (zh) 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN105761507B (zh) 一种基于三维轨迹聚类的车辆计数方法
Maya et al. Performance analysis of lane detection algorithm using partial Hough transform
Wang et al. License plate location algorithm based on edge detection and morphology
Satzoda et al. Robust extraction of lane markings using gradient angle histograms and directional signed edges
CN104573703A (zh) 基于偏导分布与边界策略的输电线快速识别方法
CN103679156A (zh) 一种多类运动目标自动识别与跟踪的方法
Chen et al. Algorithm design of lane departure warning system based on image processing

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180821

Termination date: 20191028