CN106558066A - 一种基于空时域联合滤波的运动目标检测方法 - Google Patents
一种基于空时域联合滤波的运动目标检测方法 Download PDFInfo
- Publication number
- CN106558066A CN106558066A CN201611077036.5A CN201611077036A CN106558066A CN 106558066 A CN106558066 A CN 106558066A CN 201611077036 A CN201611077036 A CN 201611077036A CN 106558066 A CN106558066 A CN 106558066A
- Authority
- CN
- China
- Prior art keywords
- target
- point
- moving
- time domain
- small
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T2207/10016—Video; Image sequence
Abstract
本发明公开了一种基于空时域联合滤波的运动目标检测方法,其特征在于方法步骤如下:(1)对原始序列图像中的每一帧采用基于拉普拉斯的弱小目标检测方法得到每一帧图像上的备选目标;(2)对(1)中的备选目标进行基于帧间目标运动相关性的运动弱小目标检测,剔除虚假目标。(3)对(1)中的备选目标进行基于帧间时域相关性的运动弱小目标检测,剔除虚假目标。(4)结合(2)和(3)的结果,确定真实目标。本发明的优点:解决了现有方法复杂度高,实时实现难度高的弊端,通过采用基于拉普拉斯的弱小目标检测方法,降低了复杂度,提高了实时性。
Description
技术领域
本发明涉及图像检测与跟踪领域中运动目标检测方法的实现技术,可用于红外弱小目标检测,属于信息技术领域,具体为一种基于空时域联合滤波的运动目标检测方法。
背景技术
对于弱小目标的检测,要求有较高的检测精度和较低的虚警率。但由于目标的信噪比较低,在单帧检测的情况下很难满足检测要求,所以必须结合多帧图像进行检测。经过单帧检测后,除了真实目标外,图像中可能有虚假目标和一些强噪声。如在一帧图像某位置处有目标,则该目标在相邻的若干帧中必然会出现在该位置的某一个小邻域内;而噪声由于分布的随机性,在连续的多帧图像中并没有这种连续性。因此,可以根据序列图像中目标运动的连续性和轨迹的一致性、虚假目标或噪声运动的随机性来确认真实目标。检测前跟踪算法先搜索目标所有可能的运动轨迹,并完成目标能量累加,以获得每条运动轨迹的后验概率,最后利用阈值判断真实的目标运动轨迹,适用于从序列图像中检测弱小目标。检测前跟踪的运动弱小目标检测方法,需要跟踪场景中的所有像素点,在一段时间的累积后,进一步根据像素点的时域变化特性对目标进行检测,由于需要对各个像素点的成像信息进行累计处理,数据量大,实时实现的难度高,是检测前跟踪方法的主要缺陷。因此,寻找一种具有较低的复杂度,成为一个亟待解决的问题。
发明内容
在上述方法中,能够根据序列图像中目标运动的连续性和轨迹的一致性、虚假目标或噪声运动的随机性来确认真实目标,但是复杂度高,实时实现难度高,不适用于对运动目标检测实时性要求高的场合。
弱小目标图像的信噪比很低,目标在图像中所占的像素非常少,无法利用形状、尺寸和纹理等信息进行检测,从单幅图像中检测弱小目标虚警率会很高,甚至无法检测到真实目标。因此,如何快速准确地从序列图像中提取目标的运动信息是这类方法需要解决的关键问题。针对基于时域滤波的运动目标检测方法的像素跟踪量大的缺陷,把基于拉普拉斯算子的弱小目标检测方法应用于基于时空域联合滤波的运动目标检测方法中,提出了一种改进的基于空时域联合滤波的运动目标检测方法,降低了目标检测方法的复杂度,提高了目标检测方法的实时性。
本发明的技术方案如下:一种基于空时域联合滤波的运动目标检测方法,其特征在于方法步骤如下:
(1)对原始序列图像中的每一帧采用基于拉普拉斯的弱小目标检测方法得到每一帧图像上的备选目标。
(2)对(1)中的备选目标进行基于帧间目标运动相关性的运动弱小目标检测,剔除虚假目标。
(3)对(1)中的备选目标进行基于帧间时域相关性的运动弱小目标检测,剔除虚假目标。
(4)结合(2)和(3)的结果,确定真实目标。
基于拉普拉斯的弱小目标检测方法步骤如下:
①对单帧图像,先通过一个3×3的拉普拉斯模板遍历图像(大小为M×N)中的每一个像素,其中心点为(x,y);
②当该模板在模板中与像素坐标对应位置的点的响应的绝对值大于某个设定的阈值时,那么模板中心点(x,y)位置处对应的像素即为候选目标点;
③在输出图像中,这样的点被标注为1,而所有其他点则被标注为0,从而产生一副二值图像,其中被标注为1的点即为候选目标点。
基于帧间目标运动相关性的运动弱小目标检测方法步骤如下:
①先通过一个5×5的局域模板遍历滤波后的图像(大小为M×N),计算该局域中各像素的概率(该像素的灰度值除以该区域的灰度值之和),并保存在一个大小为M-1×N-1的矩阵P中;
②找出P中符合某个先验条件的点的位置,并保存;
③遍历下一帧所有候选点的位置,在这些点的8邻域内寻找符合某个先验条件的点,符合这个条件的候选点即为真实目标点。
基于帧间时域相关性的运动弱小目标检测方法步骤如下:
①计算候选目标点(i,j)与其8邻域像素时域信号的皮尔逊相关系数,求它们之间的相关性;
②设定判断比较的阈值λ(根据虚警选取合适的阈值λ),当其8邻域像素中的两个点的相关性系数大于λ时,点(i,j)为真实目标点;
③遍历该帧图像中所有候选点的位置,在这些点的8邻域内寻找两个点的相关性系数大于λ的点,符合这个条件的候选点即为真实目标点。
本发明的优点:解决了现有方法复杂度高,实时实现难度高的弊端,通过采用基于拉普拉斯的弱小目标检测方法,降低了复杂度,提高了实时性。
附图说明
图1为本发明的基于空时域联合滤波的运动目标检测方法的原理图。
图2为本发明的3×3滤波模板的示意图。
图3为本发明的拉普拉斯模板的示意图。
图4为本发明的基于帧间运动目标空间相关性的运动弱小目标检测示意图。
具体实施方式
下面用实例具体说明本专利在运动弱小目标检测中的应用方法。
(1)基于拉普拉斯的弱小目标检测方法
通过使用空间滤波器来计算一副图像中每个像素位置(x,y)处的一阶和二阶导数。对于如图2所示的3×3滤波模板,它中心位置处的输出响应R可以表示为:
式中,wk是3×3滤波模板的第k个系数,k的取值为1至9的整数;zk是模板第k个系数wk在图像中对应位置的像素的灰度值,即f(x,y)。基于空间模板的导数的计算是用这些模板对一副图像进行空间滤波。
由此,点的检测以二阶导数为基础,这意味着可以使用拉普拉斯算子:
故拉普拉斯是
该表达式可用如图3所示的拉普拉斯模板实现。对于图像中的某一像素,当该模板在模板中与像素坐标对应位置的点的响应的绝对值大于某个设定的阈值时,那么模板中心点(x,y)位置处对应的像素即为候选目标点。在输出图像中,这样的点被标注为1,而所有其他点则被标注为0,从而产生一副二值图像。设模板中点(x,y)处的响应为g(x,y),则这个判别过程可以表示为:
其中g是输出图像,T是一个非负的阈值,R由式(1)给出。该式简单地度量一个像素及其8个相邻像素间的加权差。从直观上看,这一概念是一个孤立点的灰度将完全不同于其周围像素的灰度,因而,使用这种类型的模板可以很容易地检测出这个孤立点。
(2)基于帧间运动目标空间相关性的运动弱小目标检测
基于帧间运动目标空间相关性的运动目标检测方法利用的是目标在帧间运动的连续性,在一个连续帧上,在某一帧的上一帧所有候选目标坐标位置点的某个尺寸大小的邻域内搜索灰度值最大或大于某个阈值的像素,符合条件的点即为目标点。对于一个连续帧,每一帧之间的时间间隔非常短,目标在这个非常短的时间间隙内运动的轨迹近似为一条直线,即使有轨迹有弯曲,也是极其轻微的弯曲,所以目标最多以12种已知轨迹(一般情况都是为前4种轨迹)划过以点(i,j)为中心的3×3的掩模,如图4所示。
该方法的具体算法步骤是:(1)先通过一个5×5的局域模板遍历滤波后的图像(大小为M×N),计算该局域中各像素的概率(该像素的灰度值除以该区域的灰度值之和),并保存在一个大小为M-1×N-1的矩阵P中;(2)找出P中符合某个先验条件的点的位置,并保存;(3)遍历下一帧所有候选点的位置,在这些点的8邻域内寻找符合某个先验条件的点,符合这个条件的候选点即为真实目标点。
(3)基于帧间时域相关性的运动弱小目标检测
在时域图像上每个位置的像素都随时间变化,可以利用皮尔逊相关系数(PearsonCorrelation Coefficient)来检测两个像素的时域信号的相关性。我们用ρ(X,Y)(-1≤ρ(X,Y)≤1)表示变量X,Y之间的皮尔逊相关系数。计算ρ(X,Y)的数学公式为:
当ρ(X,Y)=1时,表示X,Y完全正相关;当ρ(X,Y)=0时,表示X,Y无关;当ρ(X,Y)=-1时,表示X,Y完全负相关。
设候选目标点(i,j)的时域信号为fr(i,j,k),其8邻域像素时域信号可以表示为fr(i+m,j+n,k),(m,n=-1,0,1)。因为fr(i,j,k)和fr(i+m,j+n,k)都是随k变化的变量,自然可以通过皮尔逊相关系数求它们之间的相关性。为了书写上的方便,我们可以令fr(i,j,k)=ak和fr(i+m,j+n,k)=bk,两像素间时域信号的相关系数为:
当点(i+m,j+n,k)为背景像素时,那么时域信号fr(i+m,j+n,k)=0,则ρ(fr(i,j,k),fr(i+m,j+n,k))=0;当点(i+m,j+n,k)为候选目标点时,ρ(fr(i,j,k),fr(i+m,j+n,k))>0,设定判断比较的阈值λ(根据虚警选取合适的阈值λ),则有:①当其8邻域像素中的两个点的相关性系数大于λ时,点(i,j)为真实目标点;②否则,为虚警点。
(4)步骤(2)和(3)中都标注为真实目标点的(i,j)即为本方法检测出的真实目标。
Claims (4)
1.一种基于空时域联合滤波的运动目标检测方法,其特征在于方法步骤如下:
(1)对原始序列图像中的每一帧采用基于拉普拉斯的弱小目标检测方法得到每一帧图像上的备选目标;
(2)对(1)中的备选目标进行基于帧间目标运动相关性的运动弱小目标检测,剔除虚假目标;
(3)对(1)中的备选目标进行基于帧间时域相关性的运动弱小目标检测,剔除虚假目标;
(4)结合(2)和(3)的结果,确定真实目标。
2.根据权利要求1所述的一种基于空时域联合滤波的运动目标检测方法,其特征在于:基于拉普拉斯的弱小目标检测方法步骤如下:
①对单帧图像,先通过一个3×3的拉普拉斯模板遍历图像(大小为M×N)中的每一个像素,其中心点为(x,y);
②当该模板在模板中与像素坐标对应位置的点的响应的绝对值大于某个设定的阈值时,那么模板中心点(x,y)位置处对应的像素即为候选目标点;
③在输出图像中,这样的点被标注为1,而所有其他点则被标注为0,从而产生一副二值图像,其中被标注为1的点即为候选目标点。
3.根据权利要求1所述的一种基于空时域联合滤波的运动目标检测方法,其特征在于:基于帧间目标运动相关性的运动弱小目标检测方法步骤如下:
①先通过一个5×5的局域模板遍历滤波后的图像(大小为M×N),计算该局域中各像素的概率(该像素的灰度值除以该区域的灰度值之和),并保存在一个大小为M-1×N-1的矩阵P中;
②找出P中符合某个先验条件的点的位置,并保存;
③遍历下一帧所有候选点的位置,在这些点的8邻域内寻找符合某个先验条件的点,符合这个条件的候选点即为真实目标点。
4.根据权利要求1所述的一种基于空时域联合滤波的运动目标检测方法,其特征在于:基于帧间时域相关性的运动弱小目标检测方法步骤如下:
①计算候选目标点(i,j)与其8邻域像素时域信号的皮尔逊相关系数,求它们之间的相关性;
②设定判断比较的阈值λ(根据虚警选取合适的阈值λ),当其8邻域像素中的两个点的相关性系数大于λ时,点(i,j)为真实目标点;
③遍历该帧图像中所有候选点的位置,在这些点的8邻域内寻找两个点的相关性系数大于λ的点,符合这个条件的候选点即为真实目标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611077036.5A CN106558066A (zh) | 2016-11-29 | 2016-11-29 | 一种基于空时域联合滤波的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611077036.5A CN106558066A (zh) | 2016-11-29 | 2016-11-29 | 一种基于空时域联合滤波的运动目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106558066A true CN106558066A (zh) | 2017-04-05 |
Family
ID=58445856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611077036.5A Pending CN106558066A (zh) | 2016-11-29 | 2016-11-29 | 一种基于空时域联合滤波的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106558066A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491796A (zh) * | 2018-03-22 | 2018-09-04 | 电子科技大学 | 一种时域周期点目标检测方法 |
CN111768442A (zh) * | 2020-07-10 | 2020-10-13 | 北京航空航天大学 | 一种基于层次聚类和逻辑法的航迹起始方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101572804A (zh) * | 2009-03-30 | 2009-11-04 | 浙江大学 | 多摄像机智能控制方法及装置 |
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
US20120138686A1 (en) * | 2010-12-01 | 2012-06-07 | Symbol Technologies, Inc. | Enhanced laser barcode scanning |
CN103065326A (zh) * | 2012-12-26 | 2013-04-24 | 西安理工大学 | 基于时-空多尺度运动注意力分析的目标检测方法 |
-
2016
- 2016-11-29 CN CN201611077036.5A patent/CN106558066A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101572804A (zh) * | 2009-03-30 | 2009-11-04 | 浙江大学 | 多摄像机智能控制方法及装置 |
US20120138686A1 (en) * | 2010-12-01 | 2012-06-07 | Symbol Technologies, Inc. | Enhanced laser barcode scanning |
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
CN103065326A (zh) * | 2012-12-26 | 2013-04-24 | 西安理工大学 | 基于时-空多尺度运动注意力分析的目标检测方法 |
Non-Patent Citations (1)
Title |
---|
ZHONGMIN LI 等: "《An Improved Method for Moving Target Detection Based on Spatial-temporal Fusion Filtering》", 《CSET2016》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491796A (zh) * | 2018-03-22 | 2018-09-04 | 电子科技大学 | 一种时域周期点目标检测方法 |
CN108491796B (zh) * | 2018-03-22 | 2021-10-22 | 电子科技大学 | 一种时域周期点目标检测方法 |
CN111768442A (zh) * | 2020-07-10 | 2020-10-13 | 北京航空航天大学 | 一种基于层次聚类和逻辑法的航迹起始方法及系统 |
CN111768442B (zh) * | 2020-07-10 | 2022-11-29 | 北京航空航天大学 | 一种基于层次聚类和逻辑法的航迹起始方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Adaptively constrained dynamic time warping for time series classification and clustering | |
Tudor Ionescu et al. | Unmasking the abnormal events in video | |
Xiong et al. | Spatiotemporal modeling for crowd counting in videos | |
CN105184818B (zh) | 一种视频监控异常行为检测方法及其检测系统 | |
CN106529419B (zh) | 视频显著性堆栈式聚合的对象自动检测方法 | |
Long et al. | Stand-alone inter-frame attention in video models | |
CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN112836640B (zh) | 一种单摄像头多目标行人跟踪方法 | |
KR101935010B1 (ko) | 영상 기반 차량 번호판 인식 장치 및 방법 | |
CN104809463A (zh) | 一种基于密集尺度不变特征转换字典学习的高精度火灾火焰检测方法 | |
CN106612457B (zh) | 视频序列对齐方法和系统 | |
CN108320306A (zh) | 融合tld和kcf的视频目标跟踪方法 | |
Tsintotas et al. | DOSeqSLAM: Dynamic on-line sequence based loop closure detection algorithm for SLAM | |
JP2012252368A (ja) | 情報絞り込み検出機能を備えたメモリ、その使用方法、このメモリを含む装置。 | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN109948725A (zh) | 基于地址-事件表达的神经网络目标检测装置 | |
CN104966305A (zh) | 基于运动矢量划分的前景检测方法 | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN110070560A (zh) | 基于目标检测的物体运动方向识别方法 | |
CN105469427A (zh) | 一种用于视频中目标跟踪方法 | |
Cho et al. | Distance-based camera network topology inference for person re-identification | |
Kishore et al. | ClueNet: A Deep Framework for Occluded Pedestrian Pose Estimation. | |
CN106572387A (zh) | 视频序列对齐方法和系统 | |
CN106033548B (zh) | 基于改进字典学习的拥挤人群异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170405 |