CN104851102B - 一种基于人类视觉系统的红外小目标检测方法 - Google Patents

一种基于人类视觉系统的红外小目标检测方法 Download PDF

Info

Publication number
CN104851102B
CN104851102B CN201510271296.5A CN201510271296A CN104851102B CN 104851102 B CN104851102 B CN 104851102B CN 201510271296 A CN201510271296 A CN 201510271296A CN 104851102 B CN104851102 B CN 104851102B
Authority
CN
China
Prior art keywords
original image
value
infrared
saliency
map
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
Application number
CN201510271296.5A
Other languages
English (en)
Other versions
CN104851102A (zh
Inventor
崔征
杨京礼
姜守达
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201510271296.5A priority Critical patent/CN104851102B/zh
Publication of CN104851102A publication Critical patent/CN104851102A/zh
Application granted granted Critical
Publication of CN104851102B publication Critical patent/CN104851102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/579—Depth or shape recovery from multiple images from motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

一种基于人类视觉系统的红外小目标检测方法，属于红外目标检测领域。解决了现有红外小目标检测方法检测的结果存在大量的虚检，导致检测准确率低的问题。首先，通过视觉注意机制对原始图片进行处理获得候选目标，所述的通过视觉注意机制对原始图片进行处理获得候选目标的具体过程为：原始图像为红外灰度图，对原始图像进行预处理，使得红外灰度图转换为显著度图，再通过预设的阈值选取显著度图中最显著的部分，并将显著度图中最显著的部分作为候选目标，其次，使用支持向量机分类器对候选目标进行分类，使得显著度图中最显著的部分中的真实目标和背景噪声区分开，再识别最显著的部分中的真实目标是否真实存在，完成目标检测。主要对进行目标检测。

Description

一种基于人类视觉系统的红外小目标检测方法
技术领域
本发明属于红外目标检测领域。
背景技术
红外小目标检测在实际工程中起着至关重要的作用，比如红外预警和防御等。红外预警等应用中，精度和鲁棒性都有要求。
尽管在近几十年中许多算法被提出，其中大部分在特定情况下会失效比如空地背景。这种情况在直升机视野中是很常见的。目标往往有可以识别的形状但是尺寸很小，很容易被背景中的植被、道路、河流、桥梁、等覆盖或交叠。因为以上原因，传统算法会在检测结果中产生大量的虚检。
人类视觉系统(Human visual system，HVS)通过视觉注意机制将场景分割成若干个小图像块使得场景更容易理解和分析。这种机制可以有效降低图像处理的计算成本保证系统实时性。本方法借鉴人类视觉系统，对于伪目标有较高的鲁棒性，而且在较快的检测速度下具有较高的检测率和较低的误检率。
发明内容
本发明是为了解决现有红外小目标检测方法检测的结果存在大量的虚检，导致检测准确率低的问题，本发明提供了一种基于人类视觉系统的红外小目标检测方法。
一种基于人类视觉系统的红外小目标检测方法，该检测方法的具体过程为：
步骤一，通过视觉注意机制对原始图片进行处理获得候选目标，
所述的通过视觉注意机制对原始图片进行处理获得候选目标的具体过程为：原始图像为红外灰度图，对原始图像进行预处理，使得红外灰度图转换为显著度图，再通过预设的阈值选取显著度图中最显著的部分，并将显著度图中最显著的部分作为候选目标，
步骤二，使用支持向量机分类器对候选目标进行分类，使得显著度图中最显著的部分中的真实目标和背景噪声区分开，再识别最显著的部分中的真实目标是否真实存在，完成对目标的检测。
步骤一中，对原始图像进行预处理采用局部对比法实现。
所述的原始图像为红外灰度图，对原始图像进行预处理，使得红外灰度图转换为显著度图，再通过预设的阈值选取显著度图中最显著的部分，并将显著度图中最显著的部分作为候选目标的具体过程为：
步骤一一，在原始图像中，以任意像素点a为中心扩展出本地区域u和本地背景v，对本地背景v进行区域划分，使得本地背景v构成九宫格，本地区域u位于本地背景v构成的九宫格的中心位置，
然后，利用本地区域u和本地背景v的灰度对比，得到像素点a的显著值，
对九宫格中的九个格子进行编号，序号为1至9，且序号的排序为从左到右，从上到下，由1至9依次排序，本地区域u所在的位置为序号5所在的位置，
步骤一二，通过步骤一一，获得原始图像中的所有像素点所对应的显著值后，将原始图像中，每个像素点所对应的显著值替换该像素点所对应的灰度值，获得显著度图；
步骤一三，设定阈值T，并通过阈值T选取显著度图中最显著的部分，即：将显著值高于阈值T的位置作为候选目标，
其中，
cj表示像素j的显著值，NI是图像的像素数，k表示调整系数，mall表示本地背景区域v的灰度均值，gmax表示本地区域u的最大灰度值，N是九宫格中第i号格子的像素数，是九宫格中第i号格中的第j个像素的灰度值，i和j均为正整数，且i≠5。
所述的阈值T的值大于原始图像中所有像素值的均值，小于原始图像中像素值的最大值，且阈值T的值通过系数调整。
所述的k的取值范围为大于0.1且小于0.3。
所述的支持向量机分类器采用该升级支持向量机分类器内部的训练集实现支持向量机分类器的升级。
我们借鉴HVS系统，构造一个低级视觉人造处理系统，它分为两个部分。如图1所示，首先通过视觉注意机制计算图像各区域显著程度，并标记其中最显著的部分(即感兴趣的部分)。然后使用支持向量机分类器(support vector machine,SVM)对提取出来的感兴趣区域进行分类，识别各区域是否是真实目标。
首先，使用视觉注意机制和阈值操作挑选出最显著的区域，然后使用支持向量机分类器将目标和背景噪声区分开来。
本发明带来的有益效果，本发明方法对于伪目标有较高的鲁棒性，而且在单帧仅需不到0.1秒的速度下有很高的检测率(true positive rate，TPR)。本发明所述方法的误检率(false positive rate，FPR)远小于其他算法，使得本发明方法检测的准确率提高了10％以上。本发明方法既可以直接应用于单帧检测，也可以作为一个基础模块应用于连续实时目标追踪。本发明方法平衡了红外武器(包括预警与攻击武器)系统的精度、速度和对各种环境的鲁棒性，提高了红外预警系统的综合性能。
附图说明
图1为本发明所述的一种基于人类视觉系统的红外小目标检测方法的原理示意图；
图2为具体实施方式三中所述的本地区域u和本地背景v相对于整体图像的位置关系示意图；
图3为具体实施方式三中所述的本地区域u和本地背景v的相对位置关系示意图；
具体实施方式
具体实施方式一：参见图1说明本实施方式，本实施方式所述的一种基于人类视觉系统的红外小目标检测方法，该检测方法的具体过程为：
步骤一，通过视觉注意机制对原始图片进行处理获得候选目标，
所述的通过视觉注意机制对原始图片进行处理获得候选目标的具体过程为：原始图像为红外灰度图，对原始图像进行预处理，使得红外灰度图转换为显著度图，再通过预设的阈值选取显著度图中最显著的部分，并将显著度图中最显著的部分作为候选目标，
步骤二，使用支持向量机分类器对候选目标进行分类，使得显著度图中最显著的部分中的真实目标和背景噪声区分开，再识别最显著的部分中的真实目标是否真实存在，完成对目标的检测。
本实施方式中，考虑到目标的形状会随着因为运动而产生细微的变化(这个变化是因为观察的方向和目标的姿态发生了改变)。可以通过升级训练集来使支持向量机分类器更加智能。
标准的支持向量机分类器的原理为：
首先，给出训练集标准的支持向量机分类器被表示为：
从而得到超平面W(W∈Rm,b∈R)；
其中，核函数将向量从低维空间投影到高维特征空间，m和n均为正整数，且m大于n，xi表示被投影的原始低维空间数据，yi表示投影所得的高维空间数据，Rn表示低维空间(维数为n)，Rm表示高维空间(维数为m)，WT表示超平面向量的转置，b表示一个常数，然后，使用超平面W对数据进行分类，分类函数表示成y(x)：
具体实施方式二：本实施方式与具体实施方式一所述的一种基于人类视觉系统的红外小目标检测方法的区别在于，步骤一中，对原始图像进行预处理采用局部对比法实现。
具体实施方式三：参见图2和3说明本实施方式，本实施方式与具体实施方式一所述的一种基于人类视觉系统的红外小目标检测方法的区别在于，所述原始图像为红外灰度图，对原始图像进行预处理，使得红外灰度图转换为显著度图，再通过预设的阈值选取显著度图中最显著的部分，并将显著度图中最显著的部分作为候选目标的具体过程为：
步骤一一，在原始图像中，以任意像素点a为中心扩展出本地区域u和本地背景v，对本地背景v进行区域划分，使得本地背景v构成九宫格，本地区域u位于本地背景v构成的九宫格的中心位置，
然后，利用本地区域u和本地背景v的灰度对比，得到像素点a的显著值，
对九宫格中的九个格子进行编号，序号为1至9，且序号的排序为从左到右，从上到下，由1至9依次排序，本地区域u所在的位置为序号5所在的位置，
步骤一二，通过步骤一一，获得原始图像中的所有像素点所对应的显著值后，将原始图像中，每个像素点所对应的显著值替换该像素点所对应的灰度值，获得显著度图；
步骤一三，设定阈值T，并通过阈值T选取显著度图中最显著的部分，即：将显著值高于阈值T的位置作为候选目标，
其中，
cj表示像素j的显著值，NI是图像的像素数，k表示调整系数，mall表示本地背景区域v的灰度均值，gmax表示本地区域u的最大灰度值，N是九宫格中第i号格子的像素数，是九宫格中第i号格中的第j个像素的灰度值，i和j均为正整数，且i≠5。
本实施方式，红外小目标没有纹理或方向信息，但是相对于背景有一个较高的亮度考虑到这些情况，我们选择亮度对比作为提取感兴趣区域的指标。
具体实施方式四：本实施方式与具体实施方式三所述的一种基于人类视觉系统的红外小目标检测方法的区别在于，所述的阈值T的值大于原始图像中所有像素值的均值，小于原始图像中像素值的最大值，且阈值T的值通过系数调整。
具体实施方式五：本实施方式与具体实施方式三所述的一种基于人类视觉系统的红外小目标检测方法的区别在于，所述的k的取值范围为大于0.1且小于0.3。
具体实施方式六：本实施方式与具体实施方式一所述的一种基于人类视觉系统的红外小目标检测方法的区别在于，所述的支持向量机分类器采用该升级支持向量机分类器内部的训练集实现支持向量机分类器的升级。
升级训练集的具体过程为，具体参见图1：首先构造训练集，然后升级训练集，训练集包括目标样本和背景噪声样本。
(一)构造训练集的具体过程为：对拥有目标的历史侦查图片进行预处理，预处理的结果将显示侦查图片中候选目标，将侦查图片中的真实目标作为目标样本，将侦查图片中剩下的显著性区域的伪目标和非显著区域的缓变背景作为背景样本，所述的对拥有目标的历史侦查图片进行预处理，采用视觉注意机制实现。
(二)升级训练集的过程：在支持向量机分类器内部的训练集中加入新得到的目标样本和伪目标，即：背景样本。

Claims (5)

1.一种基于人类视觉系统的红外小目标检测方法，该检测方法的具体过程为：
步骤一，通过视觉注意机制对原始图片进行处理获得候选目标，
所述的通过视觉注意机制对原始图片进行处理获得候选目标的具体过程为：原始图像为红外灰度图，对原始图像进行预处理，使得红外灰度图转换为显著度图，再通过预设的阈值选取显著度图中最显著的部分，并将显著度图中最显著的部分作为候选目标，
步骤二，使用支持向量机分类器对候选目标进行分类，使得显著度图中最显著的部分中的真实目标和背景噪声区分开，再识别最显著的部分中的真实目标是否真实存在，完成对目标的检测；
其特征在于，所述的原始图像为红外灰度图，对原始图像进行预处理，使得红外灰度图转换为显著度图，再通过预设的阈值选取显著度图中最显著的部分，并将显著度图中最显著的部分作为候选目标的具体过程为：
步骤一一，在原始图像中，以任意像素点a为中心扩展出本地区域u和本地背景v，对本地背景v进行区域划分，使得本地背景v构成九宫格，本地区域u位于本地背景v构成的九宫格的中心位置，
然后，利用本地区域u和本地背景v的灰度对比，得到像素点a的显著值，
对九宫格中的九个格子进行编号，序号为1至9，且序号的排序为从左到右，从上到下，由1至9依次排序，本地区域u所在的位置为序号5所在的位置，
步骤一二，通过步骤一一，获得原始图像中的所有像素点所对应的显著值后，将原始图像中，每个像素点所对应的显著值替换该像素点所对应的灰度值，获得显著度图；
步骤一三，设定阈值T，并通过阈值T选取显著度图中最显著的部分，即：将显著值高于阈值T的位置作为候选目标，
其中，
T = 1 N I Σ j = 1 N I c j + k × ( M a x ( c j ) - 1 N I Σ j = 1 N I c j ) - - - ( 1 ) ,
c j = g max 2 m a l l - - - ( 2 ) ,
cj表示像素j的显著值，NI是图像的像素数，k表示调整系数，mall表示本地背景v的灰度均值，gmax表示本地区域u的最大灰度值，N是九宫格中第i号格子的像素数，是九宫格中第i号格中的第j个像素的灰度值，i和j均为正整数，且i≠5。
2.根据权利要求1所述的一种基于人类视觉系统的红外小目标检测方法，其特征在于，所述的阈值T的值大于原始图像中所有像素值的均值，小于原始图像中像素值的最大值，且阈值T的值通过系数调整。
3.根据权利要求1所述的一种基于人类视觉系统的红外小目标检测方法，其特征在于，所述的k的取值范围为大于0.1且小于0.3。
4.根据权利要求1所述的一种基于人类视觉系统的红外小目标检测方法，其特征在于，所述的支持向量机分类器，采用该支持向量机分类器内部的训练集实现支持向量机分类器的升级。
5.根据权利要求1所述的一种基于人类视觉系统的红外小目标检测方法，其特征在于，步骤一中，对原始图像进行预处理采用局部对比法实现。
CN201510271296.5A 2015-05-25 2015-05-25 一种基于人类视觉系统的红外小目标检测方法 Active CN104851102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510271296.5A CN104851102B (zh) 2015-05-25 2015-05-25 一种基于人类视觉系统的红外小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510271296.5A CN104851102B (zh) 2015-05-25 2015-05-25 一种基于人类视觉系统的红外小目标检测方法

Publications (2)

Publication Number Publication Date
CN104851102A CN104851102A (zh) 2015-08-19
CN104851102B true CN104851102B (zh) 2017-06-23

Family

ID=53850729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510271296.5A Active CN104851102B (zh) 2015-05-25 2015-05-25 一种基于人类视觉系统的红外小目标检测方法

Country Status (1)

Country Link
CN (1) CN104851102B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056115B (zh) * 2016-05-25 2019-01-22 西安科技大学 一种非均匀背景下的红外小目标检测方法
CN106682615B (zh) * 2016-12-28 2020-01-14 西北工业大学 一种水下弱小目标检测方法
CN111783878B (zh) 2020-06-29 2023-08-04 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及可读存储介质
CN111797226B (zh) 2020-06-30 2024-04-05 北京百度网讯科技有限公司 会议纪要的生成方法、装置、电子设备以及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855025A (zh) * 2011-12-08 2013-01-02 西南科技大学 一种基于视觉注意模型的光学多点触控触点检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3368730B2 (ja) * 1995-11-21 2003-01-20 三菱電機株式会社 誘導装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855025A (zh) * 2011-12-08 2013-01-02 西南科技大学 一种基于视觉注意模型的光学多点触控触点检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Infrared telephoto lenses design of hybrid optoelectronic joint transform correlator;Fei Guo等;《Proceedings of Optical Design and Testing III》;20071101;第314-320页 *
红外图像中人体目标检测、跟踪及其行为识别研究;李建福;《中国博士学位论文全文数据库信息科技辑》;20101215(第12期);第17-27页 *

Also Published As

Publication number Publication date
CN104851102A (zh) 2015-08-19

Similar Documents

Publication Publication Date Title
CN110084292B (zh) 基于DenseNet和多尺度特征融合的目标检测方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN104156734B (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN107451616A (zh) 基于深度半监督迁移学习的多光谱遥感图像地物分类方法
CN104484681B (zh) 基于空间信息和集成学习的高光谱遥感影像分类方法
CN104182985B (zh) 遥感图像变化检测方法
JP6798854B2 (ja) 目的物個数推定装置、目的物個数推定方法及びプログラム
CN106980871A (zh) 应用到道路场景图像的低保真分类器和高保真分类器
CN103345631B (zh) 图像特征提取、训练、检测方法及模块、装置、系统
CN104851102B (zh) 一种基于人类视觉系统的红外小目标检测方法
CN105809146A (zh) 一种图像场景识别方法和装置
CN102867195B (zh) 一种遥感图像多类目标检测和识别方法
Nurmasari et al. Oil palm plantation detection in Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case study: Rokan Hulu regency, Riau Province)
CN109492665A (zh) 水稻生育期的检测方法、装置及电子设备
CN103020649A (zh) 一种基于纹理信息的森林类型识别方法
CN108664838A (zh) 基于改进rpn深度网络的端到端的监控场景行人检测方法
CN106919895A (zh) 用于运动目标的跟踪方法和系统
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN111178178B (zh) 结合区域分布的多尺度行人重识别方法、系统、介质及终端
CN114492634B (zh) 一种细粒度装备图片分类识别方法及系统
CN108073940A (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN112084860A (zh) 目标对象检测、火力发电厂检测方法和装置
CN105404866A (zh) 一种多模式自动实施人体状态感知的实现方法
Alburshaid et al. Palm trees detection using the integration between gis and deep learning
Li et al. A deep learning method for ocean front extraction in remote sensing imagery

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant