CN105447857A - 脉冲涡流红外热图像的特征提取方法 - Google Patents

Abstract

本发明公开了一种脉冲涡流红外热图像的特征提取方法，采集待测件的红外热图像序列，将每个像素点在所有帧红外热图像中的每个热响应值组成热响应数据；设置列搜索步长，然后设置K个时间阈值将红外热图像序列的时长划分为K+1个时间段，对热响应数据进行数据块划分，对每个数据块的搜索列设置行搜索步长，然后对于每个数据块的所有热响应数据，根据设置的列搜索步长和行搜索步长搜索代表热响应数据，将搜索得到的代表热响应数据聚类，筛选类间距离和最大的热响应数据构建二维矩阵Y，将二维矩阵Y的伪逆矩阵与所有红外热图像的二维矩阵O相乘得到特征图像。本发明利用热响应数据对红外热图像序列进行线性变换，更加准确高效地从热图像中提取得到待测件的特征。

Description

脉冲涡流红外热图像的特征提取方法

技术领域

本发明属于材料缺陷检测技术领域，更为具体地讲，涉及一种脉冲涡流红外热图像的特征提取方法。

背景技术

脉冲涡流红外热图像缺陷检测技术是一种电磁无损检测技术，对保证设备生产安全有着重大意义。载有高频交流电的加热线圈靠近待测导体材料时，会在材料表面附近感应出涡流。在材料有缺陷的情况下，涡流分布会被影响产生高密度区和低密度区。根据焦耳定律，涡流转化为焦耳热后会在在材料内部产生高温区和低温区，并通过热传导引起材料表面的温度变化。这种温度变化由高速高分辨率红外热像仪记录存储后，通过热图像序列保存下来。通过处理这些热图像序列来实现材料缺陷信息的提取。

为了提高缺陷检测的准确性和效率，很多数据处理算法被用于图像信息的提取。其中，独立成分分析(Independentcomponentanalysis，ICA)作为一种特征提取算法，被广泛应用于热图像序列处理领域，并取得了较好效果。但是这种特征提取方法的计算效率不高，且数据量越大计算时间越长，亟待改善。

发明内容

本发明的目的在于克服现有技术的不足，提供一种脉冲涡流红外热图像的特征提取方法，更加准确高效地从热图像中提取得到待测件的特征。

为实现上述发明目的，本发明脉冲涡流红外热图像的特征提取方法包括以下步骤：

S1：采用脉冲涡流对待测件加热，红外热像仪采集时长为A的待测件红外热图像序列，记每帧红外热图像大小为M×N，红外热图像序列中图像数量记为T，以S(m,n,p)表示第p帧红外热图像中坐标为(m,n)的像素点对应的热响应值，其中m的取值范围为m＝1,2,…,M，n的取值范围为n＝1,2,…,N，p的取值范围为p＝1,2,…,T，以S(m,n,:)表示坐标为(m,n)的像素点在T帧红外热图像序列的各个热响应值组成的热响应数据；

S2：设置列搜索步长CL；

S3：在(0,A)范围内设置K个时间阈值，将红外热图像序列的时长划分为K+1个时间段；对于每个热响应数据S(m,n,:)，搜索其所有热响应值S(m,n,p)中最大热响应值对应的时刻，如果该时刻属于第k个时间段，则将该热响应数据S(m,n,:)划入第k个数据块，以S^k(m,n,:)表示第k个数据块里坐标为(m,n)的像素点的热响应数据；然后对每个数据块中第n′列的热响应数据设置行搜索步长n′＝1+λ×CL＜N，λ＝0,1,2…；

S4：对于每个数据块的所有热响应数据，根据设置的列搜索步长和行搜索步长搜索具有区域代表性的热响应数据，具体步骤包括：

S4.1：初始化数据，即令m＝1，n′＝1，q＝1，k＝1，首个代表热响应数据X(1)＝S(I_PEAK,J_PEAK,:)；

S4.2：计算S^k(m,n,:)与X(q)的相关度如果大于预设阈值C，C的取值范围为0＜C＜0.9，令否则令q＝q+1，X(q)＝S^k(m,n,:)，

S4.3：如果m＞M，令m＝m-M，n′＝n′+CL，否则返回步骤S4.2；

S4.4：如果n′＞N，令k＝k+1，进入步骤S4.5，否则返回步骤S4.2；

S4.5：如果k＞K+1，搜索结束，保存搜索得到的代表热响应数据X(q)，记其数量为G，否则返回步骤S4.2；

S5：对步骤S4搜索得到的G个代表热响应数据进行聚类，将聚类得到的类别数量记为L；

S6：记第类中的第v个热响应数据为其中 表示第类中的热响应数据数量，记第类的聚类中心为对于每个热响应数据计算其与其他类的聚类中心的距离之和在每一类代表热响应数据中，筛选出最大的热响应数据，然后将筛选出的L个热响应数据构建得到二维矩阵Y，二维矩阵Y中的每一列表示一个热响应数据；

S7：计算得到红外热图像序列的L个特征图像：其中，是矩阵Y的伪逆矩阵，矩阵O中每一行表示一幅红外热图像，矩阵R中每一行代表一幅特征图像。

本发明脉冲涡流红外热图像的特征提取方法，采集待测件的红外热图像序列，将每个像素点在所有帧红外热图像中的每个热响应值组成热响应数据；设置列搜索步长，然后设置K个时间阈值，将红外热图像序列的时长划分为K+1个时间段，根据每个热响应数据中最大热响应值对应的时刻对热响应数据进行数据块划分，对每个数据块的搜索列设置行搜索步长，然后对于每个数据块的所有热响应数据，根据设置的列搜索步长和行搜索步长搜索具有区域代表性的热响应数据，将搜索得到的代表热响应数据聚类，从每个聚类中筛选与其他聚类中心距离和最大的热响应数据构建二维矩阵Y，将二维矩阵Y的伪逆矩阵与所有红外热图像的二维矩阵O相乘得到特征图像。

本发明通过搜索代表热响应数据，利用热响应数据对红外热图像序列进行线性变换，得到可代表热图像序列的若干特征图像。经过实验验证可知，本发明可以准确提取红外热图像序列的特征图像，并且处理时间较传统的独立成分分析方法更短，从而提高特征提取效率，进一步提高缺陷检测效率。

附图说明

图1是本发明脉冲涡流红外热图像的特征提取方法的流程图；

图2是热分布数据示意图；

图3是搜索代表热响应数据的流程图；

图4是本实施例中模糊C均值算法的流程图；

图5是本实施例检测的不锈钢样本

图6是脉冲涡流热成像检测系统中使用的加热线圈；

图7是图5所示样本的红外热图像序列；

图8是本发明与独立成分分析提取的特征图像对比；

图9是本发明特征图像的热响应数据与独立成分分析特征图像的归一化混叠向量的相似性；

图10是本发明与独立成分分析的处理时间对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明脉冲涡流红外热图像的特征提取方法的流程图。如图1所示，本发明脉冲涡流红外热图像的特征提取方法包括以下步骤：

S101：获取待测件的红外热图像序列：

采用脉冲涡流对待测件加热，红外热像仪采集时长为A的待测件的红外热图像序列。待测件的红外热图像展示了待测件表面的热分布数据。图2是热分布数据示意图。如图2所示，x轴和y轴分别表示一幅热图像的垂直轴和水平轴，图中的每一个小方格表示一个像素点，每一个像素点都记录了一个瞬时热响应值，t轴表示时间轴。实际缺陷检测中，待测件位置固定，所以每一个像素点在不同时刻记录的瞬时热响应值表示待测件表面对应区域的热响应数据，每一个热响应数据都是一个向量，这就是热响应数据的具体含义。记每帧红外热图像大小为M×N，红外热图像序列中图像数量记为T，以S(m,n,p)表示第p帧红外热图像中坐标为(m,n)的像素点对应的热响应值，其中m的取值范围为m＝1,2,…,M，n的取值范围为n＝1,2,…,N，p的取值范围为p＝1,2,…,T，以S(m,n,:)表示坐标为(m,n)的像素点在T帧红外热图像序列的各个热响应值组成的热响应数据。

S102：设置列搜索步长：

为了提取特征图像，本发明需要在所有的热响应数据中搜索出具有代表性的代表热响应数量，因此需要设置列搜索步长和行搜索步长。列搜索步长CL可以由测试人员根据经验设置，但是由于待测件不同、测量环境不同等原因，人为设置列搜索步长准确度较低。因此此处给出一种确定列搜索步长的确定方法，其具体方法为：

首先在红外热图像序列的所有图像中，搜索得到热响应值S(m,n,p)的最大值PEAK，即：

$PEAK=\underset{n=1,2,3,\mathrm{...},N}{\underset{m=1,2,3,\mathrm{...},M}{\underset{p=1,2,3,\mathrm{...},T}{\max }}}\[S(m,n,p)\]$

记PEAK所在的x轴、y轴、t轴的坐标值分别为I_PEAK、J_PEAK、T_PEAK，即PEAK＝S(I_PEAK,J_PEAK,T_PEAK)。

计算热响应数据S(I_PEAK,J_PEAK,:)与所在行其他热响应数据S(I_PEAK,j,:)的相关度，j的取值范围为1≤j≤N,j≠J_PEAK。本实施例中采用皮尔森相关度(Pearsoncorrelationcoefficient)，其计算公式为：

${\mathrm{PCC}}_{X,Y}=\frac{COV(X,Y)}{\sqrt{Var\left(X\right)Var\left(Y\right)}}$

其中，X、Y分别表示两个热响应数据，COV(X,Y)表示X和Y的协方差，Var(·)表示求方差。

在N-1个相关度值中，搜索和S(I_PEAK,J_PEAK,:)相连通的区域，也就是搜索得到包括J_PEAK在内的y坐标区域[y_min,y_max]，当j′∈[y_min,y_max]时，所有S(I_PEAK,j′,:)与S(I_PEAK,J_PEAK,:)的相关度值都大于预设阈值R_CL，将这个区域的热响应数据S(I_PEAK,j′,:)的数量记为α，R_CL的取值范围为R_CL＞0.9。在[1,α-1]中选定一个值作为列搜索步长CL。显然，列搜索步长CL越大，搜索次数越少，列搜索步长CL越小，搜索结果越准确，因此列搜索步长CL的值可以根据实际需要在范围内设置。本实施例中设置列步长CL＝α-1。

S103：数据块划分：

在(0,A)范围内设置K个时间阈值，将红外热图像序列的时长划分为K+1个时间段T(k)，k＝1,2,…,K+1。对于每个热响应数据S(m,n,:)，搜索其所有热响应值S(m,n,p)中最大热响应值对应的时刻，如果该时刻属于第k个时间段，则将该热响应数据S(m,n,:)划入第k个数据块，以S^k(m,n,:)表示第k个数据块里坐标为(m,n)的像素点的热响应数据。

S104：设置数据块的行搜索步长：

对每个数据块中第n′列的热响应数据设置行搜索步长RL^k _n′，n′＝1+λ×CL＜N，λ＝0,1,2…。显然只需要对将会被搜索到的列设置行搜索步长即可。行搜索步长也可以根据经验值进行设置，此处给出一种变步长的行搜索步长确定方法，可以根据不同的列确定其行搜索步长，其具体方法为：

对于每个数据块，根据列搜索步长CL搜索得到热响应值S^k(m,n′,p)的最大值即：

${\mathrm{PEAK}}_{n^{\′}}^k=\underset{p=1,2,\mathrm{...},T}{\underset{m=1,2,\mathrm{...},M}{\max }}\[S^k(m,n^{\′},p)\]$

其中，n′＝1+λ×CL＜N，λ＝0,1,2…。

记所在的x轴、y轴、t轴的坐标值分别为和即 ${\mathrm{PEAK}}_{n^{\′}}^k=S^k(I_{n^{\′}}^k,J_{n^{\′}}^k,T_{n^{\′}}^k).$

对于每个数据块，在第n'列中计算热响应数据与所在行其他热响应数据的相关度，i的取值范围为在M-1个相关度值中，搜索和相连通的区域，也就是搜索得到包括在内的x坐标区域[x_min,x_max]，当i′∈[x_min,x_max]时，所有与的相关度值都大于预设阈值R_k，将这个区域的热响应数据的数量记为R_k的取值范围为R_k＞0.9。一般来说，每个数据块的阈值R_k可以采用统一的值。与列步长相似，在中选定一个值作为第k个数据块中第n′列的热响应数据的行搜索步长本实施例中

S105：搜索代表热响应数据：

对于每个数据块的所有热响应数据，根据设置的列搜索步长和行搜索步长搜索具有区域代表性的热响应数据。这些筛选出的热响应数据可以一定程度上作为其附近若干个像素点的代表。

图3是搜索代表热响应数据的流程图。如图3所示，搜索代表热响应数据包括以下步骤：

S301：初始化数据，即令m＝1，n′＝1，q＝1，k＝1，首个代表热响应数据X(1)＝S(I_PEAK,J_PEAK,:)。

S302：计算S^k(m,n,:)与X(q)的相关度

S303：判断是否大于预设阈值C，本实施例中C的取值范围为0＜C＜0.9，如果是，进入步骤S304，否则进入步骤S305。

S304：令进入步骤S306。

S305：令q＝q+1，X(q)＝S^k(m,n,:)，进入步骤S306。

S306：判断是否m＞M，如果是，进入步骤S307，否则返回步骤S302。

S307：令m＝m-M，n′＝n′+CL。

S308：判断是否n′＞N，如果是，进入步骤S309，否则返回步骤S302。

S309：令k＝k+1。

S310：如果k＞K+1，搜索结束，搜索结束，保存搜索得到的代表热响应数据X(q)，记其数量为G，否则返回步骤S302。

S106：对代表热响应数据进行聚类：

记步骤S106搜索得到的G个代表热响应数据进行聚类。聚类算法可以根据需要选择，本实施例中采用模糊C均值算法来进行聚类。图4是本实施例中模糊C均值算法的流程图。如图4所示，采用模糊C均值算法对代表热响应数据聚类的具体步骤包括：

S401：初始化类别数量L＝2。

S402：初始化隶属矩阵其中G表示代表热响应数据的数量，隶属矩阵中的每个元素是[0,1]范围内的随机数，并且 ${\mathrm{\Σ}}_{a=1}^L{u}_{ab}>0,\∀a;{\mathrm{\Σ}}_{a=1}^L{u}_{ab}=1,\∀b,$ 显然1≤a≤L,1≤b≤G。

S403：初始化迭代次数w＝0。

S404：计算聚类中心：

计算每个类别的聚类中心，计算公式为：

$c_a^{\left(w\right)}=\frac{{\mathrm{\Σ}}_{b=1}^G{\left(u_{ab}^{\left(w\right)}\right)}^{2}X\left(b\right)}{{\mathrm{\Σ}}_{b=1}^G{\left(u_{ab}^{\left(w\right)}\right)}^2},1\≤a\≤L$

S405：计算隶属矩阵

隶属矩阵的各个元素的计算公式如下：

$u_{ab}^{(w+1)}={\left({\mathrm{\Σ}}_{b^{\′}=1}^L{\left(\frac{d_{ab}^{\left(w\right)}}{d_{{\mathrm{ab}}^{\′}}^{\left(w\right)}}\right)}^2\right)}^{-1},1\≤a\≤L,1\≤b\≤G$

其中，表示数据X(b)到各个聚类中心的距离，本实施例中采用皮尔森相关度来计算距离，其计算公式为：

$d_{ab}^{\left(w\right)}=1-\frac{COV(c_a^{\left(w\right)},X(b\left)\right)}{\sqrt{Var\left(c_a^{\left(w\right)}\right)Var\left(X\right(b)})}$

S406：判断是否ε表示预设的迭代计算精度，||·||表示求矩阵的模，如果不是，进入步骤S407，否则进入步骤S409。

S407：判断是否w＜W，W表示迭代最大次数，如果是，进入步骤S408，否则进入步骤S409。

S408：令w＝w+1，返回步骤S404。

S409：计算聚类中各个数据到其所属聚类中心的距离本实施例中采用皮尔森相关度来计算距离，计算公式为：

$d_{a^{*}b}^{\left(w\right)}=1-\frac{COV(c_{a^{*}}^{\left(w\right)},X_{a^{*}}(b\left)\right)}{\sqrt{Var\left(c_{a^{*}}^{\left(w\right)}\right)Var\left(X_{a^{*}}\right(b)}}$

其中，表示第a个聚类的中心，表示属于聚类a^*的代表热响应数据。

S410：判断是否所有τ表示预设的距离阈值。由于本实施例中采用皮尔森相关度来计算距离，因此其取值范围为0＜τ＜0.5，如果是，聚类结束，否则进入步骤411。

S411：令L＝L+1，返回步骤S402。

S107：构建矩阵Y：

根据步骤S106可知，G个代表热响应数据被分成L类，记第类中的第v个热响应数据为其中表示第类中的热响应数据数量，记第类的聚类中心为对于每个热响应数据计算其与其他类的聚类中心的距离之和也就是类间距离之和，计算公式为：

本实施例中，

在每一类代表热响应数据中，筛选出最大的热响应数据，然后将筛选出的L个热响应数据构建得到二维矩阵Y，二维矩阵Y中的每一列表示一个热响应数据。可见矩阵Y的大小为T×L。

S108：计算得到L个特征图像：

根据以下公式计算得到红外热图像序列的L个特征图像：

$R=\tilde{Y}*O$

其中，是矩阵Y的伪逆矩阵，矩阵O中每一行表示一幅红外热图像，也就是将红外热图像序列中的每幅图像按列拼接得到的。可见的大小为L×T，O的大小为T×(M×N)，得到的矩阵R的大小为L×(M×N)，其每一行代表一幅特征图像。

实施例

为了更好地说明本发明的技术方案，采用一个具体实施例对本发明方法进行实验验证。图5是本实施例检测的不锈钢样本。如图5所示，不锈钢样本上有一个长度为10mm，宽度为2mm的狭槽，用来模拟表面缺陷。然后通过加热线圈对不锈钢样本进行脉冲涡流加热，采集0.53s的表面热分布数据存储在红外热图像序列中，序列中热图像数量T＝200。图6是脉冲涡流热成像检测系统中使用的加热线圈。图7是图5所示样本的红外热图像序列。

采用本发明脉冲涡流红外热图像的特征提取方法对红外热图像序列进行特征提取。在确定列搜索步长时，设置阈值R_CL＝0.95，得到的列搜索步长CL＝12。在数据块划分时，选取两个时间阈值0.03s和0.06s，从而将所有热响应数据划分为三个数据块。在确定行搜索步长时，令相关度阈值R₁＝R₁＝R₃＝0.94，从而得到行搜索步长。在搜索代表热响应数据时，设置阈值C＝0.6，搜索得到13个代表热响应数据。然后用模糊C均值算法进行聚类，设置最大迭代数次W＝100，迭代计算精度ε＝10^-5，距离阈值τ＝0.1。根据模糊C均值分类原理，热响应数据应该以与其相关度距离最小的聚类中心为类中心。表1是本实施例的聚类结果。

表1

表1中展示了当聚类数量L分别等于2,3,4时，每一个热响应数据和聚类中心的相关度距离，黑体字是每一个热响应数据的类内距离，有下划线的距离是最大类内距离，图中最后一列表示热响应数据的类间距离之和。可见，当L＝4时，每个热响应数据的类内距离都小于阈值0.1，因此将代表热响应数据分为4类，即X(1)为第一类，X(3)，X(5)，X(7)，X(9)，X(11)，X(13)为第二类，X(2)，X(8)，X(10)为第三类，X(4)，X(6)，X(12)为第四类。

根据类间距离之和筛选出4个热响应数据用于特征图像的提取。在第一类中，只有X(1)一个热响应数据，所以X(1)被挑选出来。第二类中，X(5)的类间距离之和为1.3447，共值最大，因此X(5)被挑选出来。同理在第三类和第四类中选出X(8)和X(4)。然后构建得到二维矩阵Y，其每一列分别为一个挑选出的热响应数据。然后通过二维矩阵Y的伪逆矩阵和所有红外热图像组成的矩阵O进行相乘来计算得到特征图像。

为了说明本发明的技术效果，采用独立成分分析提取得到的特征图像与本发明提取得到的特征图像进行对比。图8是本发明与独立成分分析提取的特征图像对比。如图8所示，比较本发明与独立成分分析的提取结果可知，两种方法得到的特征提取结果的物理含义都是一致的：特征图像1和独立成分1都强化了狭槽两端的热分布特征；特征图像2和独立成分2都强化了狭槽两侧的热分布特征；特征图像3和独立成分3都强化了离狭槽两端稍远的区域的热分布以及因提离效应产生的高温区域(图像上半部分中间的高温区域)；特征图像4和独立成分4都强化了离缺陷较远的背景区域。图9是本发明特征图像的热响应数据与独立成分分析特征图像的归一化混叠向量的相似性。如图9所示，本发明特征图像的热响应数据与独立成分分析特征图像的归一化混叠向量的走势非常相似，各热响应数据和对应混叠向量的皮尔森相关度分别为0.9990,0.9816,0.9965,0.9917。从图8和图9可以看出，本发明可以准确地提取到红外热图像序列的特征图像。

为了说明本发明对比独立成分分析特征提取的效率优势，对本发明和独立成分分析的处理时间进行了统计。图10是本发明与独立成分分析的处理时间对比图。如图10所示，基于相同的处理样本和硬件条件，当热图像序列长度分别为200,300,400,500,600时，独立成分分析的处理时间分别是1.24s,1.67s,2.12s,3.05s,3.50s(图10(a))。随着样本数量的增加，独立成分分析时间持续增长。图10(b)展示了本发明的处理时间，当热图像序列长度分别为200,300,400,500,600时，本发明的处理时间分别为0.60s,0.78s,0.87s,1.01s,1.10s。图10(c)显示了独立成分分析和新算法在图像序列长度分别为200,300,400,500,600时，其处理时间的比值，分别为2.07,2.14,2.44,3.02,3.18。可见，在相同的样本数量下，本发明的特征提取的处理时间远远低于独立成分分析算法。

综上所述，本发明可以在脉冲涡流热成像系统缺陷检测中，通过提高特征图像提取效率，进而提高整个缺陷检测过程的效率。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (7)

1.一种脉冲涡流红外热图像的特征提取方法，其特征在于，包括以下步骤：

S1：采用脉冲涡流对待测件加热，红外热像仪采集时长为A的待测件红外热图像序列，记每帧红外热图像大小为M×N，红外热图像序列中图像数量记为T，以S(m,n,p)表示第p帧红外热图像中坐标为(m,n)的像素点对应的热响应值，其中m的取值范围为m＝1,2,…,M，n的取值范围为m＝1,2,…,N，p的取值范围为m＝1,2,…,P，以S(m,n,:)表示坐标为(m,n)的像素点在T帧红外热图像序列的每个热响应值组成的热响应数据；

S2：设置列搜索步长CL；

S3：在(0,A)范围内设置K个时间阈值，将红外热图像序列的时长划分为K+1个时间段；对于每个热响应数据S(m,n,:)，搜索其所有热响应值S(m,n,p)中最大热响应值对应的时刻，如果该时刻属于第k个时间段，则将该热响应数据S(m,n,:)划入第k个数据块，以S^k(m,n,:)表示第k个数据块里坐标为(m,n)的像素点的热响应数据；然后对每个数据块中第n′列的热响应数据设置行搜索步长n′＝1+λ×CL＜N，λ＝0,1,2…；

S4：对于每个数据块的所有热响应数据，根据设置的列搜索步长和行搜索步长搜索具有区域代表性的热响应数据，具体步骤包括：

S4.1：初始化数据，即令m＝1，n′＝1，q＝1，k＝1，首个代表热响应数据X(1)＝S(I_PEAK,J_PEAK,:)；

S4.2：计算S^k(m,n,:)与X(q)的相关度如果大于预设阈值C，令否则令q＝q+1，X(q)＝S^k(m,n,:)，

S4.3：如果m＞M，令m＝m-M，n′＝n′+CL，否则返回步骤S4.2；

S4.4：如果n′＞N，令k＝k+1，进入步骤S4.5，否则返回步骤S4.2；

S4.5：如果k＞K+1，搜索结束，保存搜索得到的代表热响应数据X(q)，记其数量为G，否则返回步骤S4.2；

S5：对步骤S4搜索得到的G个代表热响应数据进行聚类，将聚类得到的类别数量记为L；

S6：记第类中的第v个热响应数据为其中 表示第类中的热响应数据数量，记第类的聚类中心为对于每个热响应数据计算其与其他类的聚类中心的距离之和在每一类代表热响应数据中，筛选出最大的热响应数据，然后将筛选出的L个热响应数据构建得到二维矩阵Y，二维矩阵Y中的每一列表示一个热响应数据；

S7：计算得到红外热图像序列的L个特征图像：其中，是矩阵Y的伪逆矩阵，矩阵O中每一行表示一幅红外热图像，矩阵R中每一行代表一幅特征图像。

2.根据权利要求1所述的特征提取方法，其特征在于，所述步骤S2中列搜索步长CL的确定方法为：在红外热图像序列的所有图像中，搜索得到热响应值S(m,n,p)的最大值PEAK，记PEAK所在的x轴、y轴、t轴的坐标值分别为I_PEAK、J_PEAK、T_PEAK；

计算热响应数据S(I_PEAK,J_PEAK,:)与所在列其他热响应数据S(I_PEAK,j,:)的相关度，j的取值范围为1≤j≤N,j≠J_PEAK；在N-1个相关度值中，搜索得到包括J_PEAK在内的y坐标区域[y_min,y_max]，当j′∈[y_min,y_max]时，所有S(I_PEAK,j′,:)与S(I_PEAK,J_PEAK,:)的相关度值都大于预设阈值R_CL，将这个区域的热响应数据S(I_PEAK,j′,:)的数量记为α，R_CL的取值范围为R_CL＞0.9；在[1,α-1]中选定一个值作为搜索列步长CL。

3.根据权利要求1所述的特征提取方法，其特征在于，所述步骤S3中行搜索步长的确定方法为：对于每个数据块，根据列步长CL搜索得到热响应值S^k(m,n′,p)的最大值其中n′＝1+λ×CL＜N，λ＝0,1,2…；记所在的x轴、y轴、t轴的坐标值分别为和

对于每个数据块，计算热响应数据与所在行其他热响应数据的相关度，i的取值范围为在M-1个相关度值中，搜索得到包括在内的x坐标区域[x_min,x_max]，当i′∈[x_min,x_max]时，所有与的相关度值都大于预设阈值R_k，将这个区域的热响应数据的数量记为R_k的取值范围为R_k＞0.9；在中选定一个值作为第k个数据块中第n′列的热响应数据的行搜索步长

4.根据权利要求2或3所述的特征提取方法，其特征在于，所述相关度值采用皮尔森相关度。

5.根据权利要求1所述的独立成分个数确定方法，其特征在于，所述步骤S4.2中，阈值C的取值范围为0＜C＜0.9。

6.根据权利要求1所述的特征提取方法，其特征在于，所述距离采用皮尔森相关度计算，记两个向量的皮尔森相关度值为P，其距离D＝1-P。

7.根据权利要求1所述的特征提取方法，其特征在于，所述步骤S5中代表热响应数据的聚类采用模糊C均值算法，其具体步骤包括：

S5.1：初始化类别数量L＝2；

S5.2：初始化隶属矩阵其中G表示代表热响应数据的数量，隶属矩阵中的每个元素是[0,1]范围内的随机数，并且 ${\Σ}_{a=1}^L{u}_{ab}>0,\∀a;{\Σ}_{a=1}^L{u}_{ab}=1,\∀b,$ 1≤a≤L,1≤b≤G；

S5.3：初始化迭代次数w＝0；

S5.4：计算每个类别的聚类中心，计算公式为：

$c_a^{\left(w\right)}=\frac{{\Σ}_{b=1}^G{\left(u_{ab}^{\left(w\right)}\right)}^{2}X\left(b\right)}{{\Σ}_{b=1}^G{\left(u_{ab}^{\left(w\right)}\right)}^2},1\≤a\≤L$

S5.5：计算隶属矩阵其各个元素的计算公式如下：

$u_{ab}^{(w+1)}={\left({\Σ}_{b^{\′}=1}^L{\left(\frac{d_{ab}^{\left(w\right)}}{d_{{\mathrm{ab}}^{\′}}^{\left(w\right)}}\right)}^2\right)}^{-1},1\≤a\≤L,1\≤b\≤G$

S5.6：如果ε表示预设的迭代计算精度，进入步骤S5.8，否则进入步骤S5.7；

S5.7：如果w＜W，W表示迭代最大次数，如果是，令w＝w+1，返回步骤S5.4，否则进入步骤S5.8；

S5.8：计算聚类中各个数据到其所属聚类中心的距离如果所有τ表示预设的距离阈值，聚类结束，否则令L＝L+1，返回步骤S5.2。