CN106469313A - 一种管径自适应时空域滤波的弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种管径自适应时空域滤波的弱小目标检测方法，首先采用各向异性微分算法对待处理图像进行背景预测，以提高后续目标检测能力；然后采用局部极大值方法对差分图进行分割，获取二值图像；其次初始化时域参数(累积帧长度)和空域参数(管径大小)，并依次输入累积帧长度为N的系列二值图；最后采用管径自适应的时空域滤波对多帧图像进行检测，以获取真实目标点，同时对检测结果进行叠加，输出目标运动轨迹。与传统的管径固定的管道滤波目标检测方法相比，本发明利用目标在时空域间多帧运动关联基础上，根据目标尺度变化自适应地修改管径大小，有效解决管径不变目标变小/变大所带来的检测问题，大大提高目标检测精度。

Description

一种管径自适应时空域滤波的弱小目标检测方法

技术领域

本发明涉及一种弱小目标检测方法，特点是管径自适应时空域滤波的弱小目标检测方法，用于图像处理、计算机视觉和目标检测定位。属于光电捕获跟踪系统中目标探测技术领域。

背景技术

弱小目标的检测是光电捕获跟踪系统中的核心技术之一，其利用图像处理算法对处于低信噪比和强噪声环境中检测目标，算法的性能对光电捕获跟踪系统的作用距离和提前告警十分关键。由于远距离下的目标成像面积小，目标信号能量相对较弱，特别是在非平稳的起伏背景干扰下，目标易被背景杂波淹没，缺乏有效的结构、形状和纹理等信息，致使难以正确检测出目标，成为当前亟待解决的问题。

目前，常用的针对弱小目标检测算法是基于单帧的检测，由于背景中存在于目标灰度分布相近的类干扰，仅依靠单帧检测算法难以去除，若要提高检测率，可考虑采用多帧检测算法，利用目标的连续性、噪声的随机性来去除干扰，获取真实轨迹。管道滤波算法是一种经典的多帧检测算法，包括后来提出的移动加权式管道滤波算法和多约束管道滤波算法都在一定程度上抑制噪声的干扰，但这些方法管径是固定的，而真实的运动小目标其尺寸是不断变化的，传统的管道滤波算法只能检测尺寸小于管径的目标，不能随着目标尺寸变化而自适应变化，在实际应用中往往导致检测失效。因此需要研究新的方法以适应当前工程的应用需求。

发明内容

本发明要解决技术问题为：针对现有技术的不足，提供一种管径自适应时空域滤波的弱小目标检测方法，该方法可随目标尺度变化而自适应改变管径大小，准确地检测出目标。

本发明解决上述技术问题采用的技术方案为：一种管径自适应时空域滤波的弱小目标检测方法，包括如下步骤：

步骤一、各向异性背景预测：采用各向异性微分算法对待处理图像进行背景预测，得到差分图；

步骤二、对步骤一中得到的差分图像采用局部极大值方法进行目标分割，获取二值图像；

步骤三、初始化时域参数和空域参数，时域参数为累积帧长度，空域参数为管径大小，输入累积帧长度为N的系列二值图像，初始管径大小一般为候选目标直径的2倍；

步骤四、对步骤三输入的系列二值图,采用管径自适应的时空域滤波对目标进行检测，获取真实目标，具体步骤如下：

(41)将输入的系列图像中的第一帧作为当前帧，找出该图像中的所有候选目标点x_i(i＝1,2,3,…)，并记录它们的坐标位置；

(42)判断约束条件，更新计数器，对当前帧中所有的候选目标点在下一帧中观察其所处邻域内是否出现可疑目标点，如果存在可疑目标点则记录目标出现的次数；同时在判别计数器中统计目标位置未变计数器M，判断两帧之间候选目标位置是否发生变化，如果目标位置没有变化则M加1，如果有变化则M置零，其中约束条件的定义如下：

式中，(x_k，y_k)为第k帧图像候选目标点的位置，(x_k-1，y_k-1)为第k-1帧图像候选目标点的位置,(x_k-2，y_k-2)为第k-2帧图像候选目标点的位置,β_x,β_y,β_v为目标中心在相邻两帧间移动变化量的阈值；

(43)更新空域参数，当累积帧内的目标满足约束条件时，利用尺度空间DoG算法可获取目标的中心坐标和尺寸大小，用以更新候选目标中心坐标和管径大小；

(44)识别真伪目标，待N帧图像处理完毕后，统计每个计数器的输出值，如果目标出现次数计数器大于等于num1且目标位置未变计数器小于等于num2，则判定该候选目标为真实目标，并记录其坐标信息，否则将其剔除；

(45)更新累积帧长度，直到处理完所有图像序列；

步骤五、对所有帧的检测结果进行叠加，输出目标运动轨迹。

本发明与现有技术相比的有益效果在于：

(1)本发明采用各向异性的微分原理对背景进行预测，与传统的背景预测方法相比，本发明能有效预制大部分背景杂波，突显出目标。

(2)本发明结合DOG尺度空间理论自适应修改候选目标中心坐标和管径大小，与以往管径固定的管道滤波方法相比，本发明得到的检测结果更准确，能解决目标的尺度变化问题。

(3)本发明采用空时域滤波对弱小目标进行检测，与以往单纯依靠空域或是时域滤波方法相比，本发明充分利用目标的空间特性和时间运动特性，使得检测效果更精确。

附图说明

图1为本发明方法实现流程图；

图2为本发明对实际场景序列1的第1帧图像进行各项异性背景预测图；

图3为本发明对实际场景序列1的第10帧图像进行局部极大值分割结果图及相应三维图，其中，图3(a)为对实际场景序列1的第10帧图像进行局部极大值分割结果图，图3(b)为对实际场景序列1的第10帧图像进行局部极大值分割结果图的相应三维图；

图4为本发明对实际场景序列1所有图像进行检测的结果；

图5为本发明对实际场景序列2的第1帧图像进行各项异性背景预测图；

图6为本发明对实际场景序列2的第10帧图像进行局部极大值分割结果图及相应三维图，其中，图6(a)为对实际场景序列2的第10帧图像进行局部极大值分割结果图，图6(b)为对实际场景序列2的第10帧图像进行局部极大值分割结果图的相应三维图；

图7为本发明对实际场景序列2所有图像进行检测的结果。

具体实施方式

本发明提供一种管径自适应时空域滤波的弱小目标检测方法，基本包含以下步骤：

步骤一、各向异性背景预测：采用各向异性微分算法对待处理图像进行背景预测，得到差分图，本发明采用各向异性微分算法对背景进行预测，算法如下：

背景预测目的是保留红外图像中平稳、非平稳背景区域，滤除目标区域，最后通过与原图像的差分就可保留仅有小目标和少量噪声的图像。背景预测包括以下三个步骤：

(1.1)定义边缘停止函数：

(1.1.1)

其中u为灰度图像，为梯度，k为大于0的常数，为边缘停止函数值。

(1.2)分别求取某个像素点四个方向的边缘停止函数值，并选择最小的两个作为平滑系数：

(1.2.1)

其中min₁和min₂分别为当前像素点四个方向的边缘停止函数值中最小的两个值，c(f(i,j))为中心像素点灰度值对应的边缘停止函数值，c(f(i-step,j))为中心像素点往纵轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i+step,j))为中心像素点往纵轴正向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j-step))为中心像素点往横轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j+step))为中心像素点往横轴正向移动步长为k的灰度值对应的边缘停止函数值。

(1.3)构建滤波模板对图像进行滤波获得差分图像：

(1.3.1)

其中，c(f(i-step,j))为中心像素点(i,j)往纵轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i+step,j))为中心像素点(i,j)往纵轴正向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j-step))为中心像素点(i,j)往横轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j+step))为中心像素点(i,j)往横轴正向移动步长为k的灰度值对应的边缘停止函数值，min1和min2分别为中心像素点(i,j)四个方向中最小的两个边缘停止函数值。

通过以上三步操作，就可获取每幅图像的差分图。

步骤二、对步骤一中得到的差分图像采用局部极大值方法进行目标分割，获取二值图像；

局部极大值分割方法包括以下四个步骤：

(2.1)定义邻域内四个方向的梯度：

(2.1.1)

其中k为移动步长，xright为纵轴正向，xleft为纵轴负向，yright为横轴正向，yleft为横轴正向，f(i,j)为像素点的灰度值，f(i+k,j)为中心像素点(i,j)往纵轴正向移动步长为k的灰度值，f(i-k,j)为中心像素点(x,y)往纵轴负向移动步长为k的灰度值，f(i,j+k)为中心像素点(x,y)往横轴正向移动步长为k的灰度值，f(i,j-k)为中心像素点(x,y)往横轴负向移动步长为k的灰度值。

(2.2)提取候选点：若某个像素点在同一步长下的4个方向中有3个方向以上的梯度值大于给定阈值，则将其作为候选点。

(2.3)变换步长：逐步增加步长，再对该像素点做(2.2)的判断，当三个步长中，有两个步长以上的梯度满足(2.2)要求时，则认为该点为目标点，将其置为1。

(2.4)将所有满足(2.3)的像素点置为1，提取出候选目标点。

步骤三、初始化时域参数和空域参数，时域参数为累积帧长度，空域参数为管径大小，输入累积帧长度为N的系列二值图像，初始管径大小一般为候选目标直径的2倍；

步骤四、对步骤三输入的系列二值图,采用管径自适应的时空域滤波对目标进行检测，获取真实目标，具体步骤如下：

(41)将输入的系列图像中的第一帧作为当前帧，找出该图像中的所有候选目标点x_i(i＝1,2,3,…)，并记录它们的坐标位置。

(42)判断约束条件，更新计数器。对当前帧中所有的候选目标点在下一帧中观察其所处邻域内是否出现可疑目标点，如果存在可疑目标点则记录目标出现的次数；同时在判别计数器中统计目标位置未变计数器M，判断两帧之间候选目标位置是否发生变化，如果目标位置没有变化则M加1，如果有变化则M置零。其中约束条件的定义如下：

式中，(x_k，y_k)为第k帧图像候选目标点的位置，(x_k-1，y_k-1)为第k-1帧图像候选目标点的位置,(x_k-2，y_k-2)为第k-2帧图像候选目标点的位置,β_x,β_y,β_v为目标中心在相邻两帧间移动变化量的阈值。

(43)更新空域参数。当累积帧内的目标满足约束条件时，利用尺度空间DoG算法获取目标的中心坐标和尺寸大小，用以更新候选目标中心坐标和管径大小。

(44)识别真伪目标。待N帧图像处理完毕后，统计每个计数器的输出值。如果目标出现次数计数器大于等于num1且目标位置未变计数器小于等于num2，则判定该候选目标为真实目标，并记录其坐标信息，否则将其剔除。

(45)更新累积帧长度，直到处理完所有图像序列。

步骤五、对所有帧的检测结果进行叠加，输出目标运动轨迹。

下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细实施方式和具体操作过程，但本发明的保护范围不限于以下的实施例。

自从管道滤波问世以来，它能有效地从众多候选目标中成功的筛选出真实目标，逐步成为经典的时空域检测方法。然而由于实际场景中的目标尺寸是不断变化的过程，如果采用固定管径的方法降低检测的准确度，当管径不变目标变小时，目标中心邻域内噪声的比例会增大；当管径不变目标变大时，目标可能超出领域作用范围，导致检测失效。因此，考虑到DOG尺度空间理论能有效获取目标的中心坐标和尺寸大小，将其引入到时空域滤波当中，实现对远距离空天背景下的弱小目标进行有效检测。

本发明基于弱小目标检测的实现，输入图像为实际场景空天背景下的弱小目标图像。

如图1所示，本发明提供了一种管径自适应时空域滤波的弱小目标检测方法，包括如下步骤：

步骤一、各向异性背景预制。由于弱小目标极易受背景杂波淹没和干扰，影响后续检测性能。因此，本发明先采用各向异性微分算法对待处理图像进行背景抑制，有效去除大部分背景的干扰，获取差分图。背景预测算法如下：

背景预测目的是保留红外图像中平稳、非平稳背景区域，滤除目标区域，最后通过与原图像的差分就可保留仅有小目标和少量噪声的图像。背景预测包括以下三个步骤：

(1.1)定义边缘停止函数：

(1.1.1)

其中u为灰度图像，为梯度，k为大于0的常数，为边缘停止函数。

(1.2)分别求取某个像素点四个方向的边缘停止函数值，并选择最小的两个作为平滑系数：

(1.2.1)

其中min₁和min₂分别为当前像素点四个方向的边缘停止函数值中最小的两个值，c(f(i,j))为中心像素点灰度值对应的边缘停止函数值，c(f(i-step,j))为中心像素点往纵轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i+step,j))为中心像素点往纵轴正向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j-step))为中心像素点往横轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j+step))为中心像素点往横轴正向移动步长为k的灰度值对应的边缘停止函数值。

(1.3)根据滤波模板获取差分图：

(1.3.1)

其中，c(f(i-step,j))为中心像素点(i,j)往纵轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i+step,j))为中心像素点(i,j)往纵轴正向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j-step))为中心像素点(i,j)往横轴负向移动步长为k的灰度值对应的边缘停止函数值，c(f(i,j+step))为中心像素点(i,j)往横轴正向移动步长为k的灰度值对应的边缘停止函数值，min1和min2分别为中心像素点(i,j)四个方向中最小的两个边缘停止函数值。

通过以上三步操作，就可获取每幅图像的差分图。

步骤二、对步骤一中得到的差分图像采用局部极大值方法进行目标分割，获取二值图像；

局部极大值分割方法包括以下四个步骤：

(2.1)定义邻域内四个方向的梯度：

(2.1.1)

其中k为移动步长，xright为纵轴正向，xleft为纵轴负向，yright为横轴正向，yleft为横轴正向，f(i,j)为像素点的灰度值，f(i+k,j)为中心像素点(i,j)往纵轴正向移动步长为k的灰度值，f(i-k,j)为中心像素点(x,y)往纵轴负向移动步长为k的灰度值，f(i,j+k)为中心像素点(x,y)往横轴正向移动步长为k的灰度值，f(i,j-k)为中心像素点(x,y)往横轴负向移动步长为k的灰度值。

(2.2)提取候选点：若某个像素点在同一步长下的4个方向中有3个方向以上的梯度值大于给定阈值，则将其作为候选点。

(2.3)变换步长：逐步增加步长，再对该像素点做(2.2)的判断，当三个步长中，有两个步长以上的梯度满足(2.2)要求时，则认为该点目标点，将其置为1。

(2.4)将所有满足(2.3)的像素点设为置为1，提取出候选目标点。

步骤三、初始化时域参数和空域参数，时域参数为累积帧长度，空域参数为管径大小，输入累积帧长度为N的系列二值图像，初始管径大小一般为候选目标直径的2倍；

步骤四、对步骤三输入的系列二值图,采用管径自适应的时空域滤波对目标进行检测，获取真实目标，具体步骤如下：

(41)将输入的系列图像中的第一帧作为当前帧，找出该图像中的所有候选目标点x_i(i＝1,2,3,…)，并记录它们的坐标位置。

(42)判断约束条件，更新计数器。对当前帧中所有的候选目标点在下一帧中观察其所处邻域内是否出现可疑目标点，如果存在可疑目标点则记录目标出现的次数；同时在判别计数器中统计目标位置未变计数器M，判断两帧之间候选目标位置是否发生变化，如果目标位置没有变化则M加1，如果有变化则M置零。其中约束条件的定义如下：

式中，(x_k，y_k)为第k帧图像候选目标点的位置，(x_k-1，y_k-1)为第k-1帧图像候选目标点的位置,(x_k-2，y_k-2)为第k-2帧图像候选目标点的位置,β_x,β_y,β_v为目标中心在相邻两帧间移动变化量的阈值。

(43)更新空域参数。当累积帧内的目标满足约束条件时，利用尺度空间DoG算法获取目标的中心坐标和尺寸大小，用以更新候选目标中心坐标和管径大小。尺度空间DoG算法包括以下四个步骤：

(4.3.1)定义尺度空间，将图像f(x,y)与高斯核G(x,y,σ)进行卷积得到其尺度空间，用L(x,y,σ)表示，表达式为：

其中L(x,y,σ)表示尺度空间，σ是尺度因子，f(x,y)代表图像上某个点的像元值，x代表该点的横坐标，y代表该点的纵坐标。

(4.3.2)利用高斯差方程构建DoG尺度空间，表达式为：

D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ)

其中L(x,y,kσ)表示尺度因子为kσ的尺度空间，L(x,y,σ)表示尺度因子为σ的尺度空间，D(x,y,σ)为邻近上下2层的尺度空间差，代表DoG尺度空间。

(4.3.3)利用DoG算法计算空间极值点，将中间层的每个像素与同层的8个邻近像素及上下两层的9个相邻像素点进行比较，寻找其空域和尺度域的所有相邻点的极值，若取得到极值，将该点作为一个候选目标点，记录其位置坐标(x,y)和相应尺度σ，并根据如下关系计算目标的直径大小d：

其中σ为相应的尺度因子，d表示候选目标的直接大小。

(4.3.4)剔除虚警，提高检测率。本发明采用局部信杂比阈值检测法对候选目标点进行精定位，表达式如下：

其中θ为常数，LSCR(x,y,σ)为候选点的局部信杂比，(x,y)为候选点坐标，σ为相应尺度，α_k为局部背景均值，σ_k局部背景标准差，α_t为候选点局部均值。

根据以上四步操作，将获取到的目标中心坐标和尺寸大小，自适应修改候选目标中心坐标和管径大小。

(44)识别真伪目标。待N帧图像处理完毕后，统计每个计数器的输出值。如果目标出现次数计数器大于等于num1且目标位置未变计数器小于等于num2，则判定该候选目标为真实目标，并记录其坐标信息，否则将其剔除。

(45)更新累积帧长度，直到处理完所有图像序列。

步骤五、对所有帧的检测结果进行叠加，输出目标运动轨迹。

为了定量评估本算法中背景预测的有效性，采用均方误差EMS、结构相似性SST和局部信噪比增益GSNR三个指标来评价图像的背景预测效果，分别截取实际场景中2个序列图像中的第1帧图像，对它们进行计算：序列1中第1帧图像结果为EMS＝9.28，SST＝0.979，GSNR＝10.75；序列2中第1帧图像结果为EMS＝8.13，SST＝0.983，GSNR＝11.35，背景预测图如图2、5所示。

为了验证本算法中局部极大值对差分图进行分割的有效性，分别截取实际场景中2个序列图像中的第10帧图像，分割结果及对应的三维图如图3、6所示。

为了验证本算法的有效性，分别选取帧长度分别为114和85的2个实际场景对其进行实验。各系列检测结果如图4、7所示，从图中可以看出，系列1中目标处于随机运动过程，不同帧间目标游记性强，且噪声干扰严重，而系列2中目标绕着某个中心点随机地在邻域内来回运动，背景处于动态变化过程，本发明针对这2种场景，利用管径自适应时空域滤波的弱小目标检测方法，均可以准确检测出目标，剔除虚警。

本发明未详细阐述部分属于本领域技术人员的公知技术。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例变化,变型都将落在本发明权利要求书的范围内。

Claims (1)

1.一种管径自适应时空域滤波的弱小目标检测方法，其特征在于：包括如下步骤：

步骤一、各向异性背景预测：采用各向异性微分算法对待处理图像进行背景预测，得到差分图；

步骤二、对步骤一中得到的差分图像采用局部极大值方法进行目标分割，获取二值图像；

步骤三、初始化时域参数和空域参数，时域参数为累积帧长度，空域参数为管径大小，输入累积帧长度为N的系列二值图像，初始管径大小一般为候选目标直径的2倍；

步骤四、对步骤三输入的系列二值图,采用管径自适应的时空域滤波对目标进行检测，获取真实目标，具体步骤如下：

(41)将输入的系列图像中的第一帧作为当前帧，找出该图像中的所有候选目标点x_i(i＝1,2,3,…)，并记录它们的坐标位置；

(42)判断约束条件，更新计数器，对当前帧中所有的候选目标点在下一帧中观察其所处邻域内是否出现可疑目标点，如果存在可疑目标点则记录目标出现的次数；同时在判别计数器中统计目标位置未变计数器M，判断两帧之间候选目标位置是否发生变化，如果目标位置没有变化则M加1，如果有变化则M置零，其中约束条件的定义如下：

$\begin{array}{c}|(x_k-x_{k-1})-(x_{k-1}-x_{k-2})|<{\mathrm{\&beta;}}_x\\ |(y_k-y_{k-1})-(y_{k-1}-y_{k-2})|<{\mathrm{\&beta;}}_y\\ |\sqrt{{(x_k-x_{k-1})}^2+{(y_k-y_{k-1})}^2}-\sqrt{{(x_{k-1}-x_{k-2})}^2+{(y_{k-1}-y_{k-2})}^2}|<{\mathrm{\&beta;}}_v\end{array}---(2-1)$

式中，(x_k，y_k)为第k帧图像候选目标点的位置，(x_k-1，y_k-1)为第k-1帧图像候选目标点的位置,(x_k-2，y_k-2)为第k-2帧图像候选目标点的位置,β_x,β_y,β_v为目标中心在相邻两帧间移动变化量的阈值；

(43)更新空域参数，当累积帧内的目标满足约束条件时，利用尺度空间DoG算法可获取目标的中心坐标和尺寸大小，用以更新候选目标中心坐标和管径大小；

(44)识别真伪目标，待N帧图像处理完毕后，统计每个计数器的输出值，如果目标出现次数计数器大于等于num1且目标位置未变计数器小于等于num2，则判定该候选目标为真实目标，并记录其坐标信息，否则将其剔除；

(45)更新累积帧长度，直到处理完所有图像序列；

步骤五、对所有帧的检测结果进行叠加，输出目标运动轨迹。