CN106570889A - 一种检测红外视频中弱小目标的方法 - Google Patents

Abstract

本发明公开了一种检测红外视频中弱小目标的方法。所述方法针对检测红外视频中的图像序列，首先通过Kalman滤波进行背景抑制、噪声去除，得到预处理后图像序列；然后选定需要处理的N+1帧预处理后图像序列，合并成二维数据，求其自相关矩阵并对其自相关矩阵进行奇异值分解SVD；接着选择特征向量重构图像序列；最后对重构图像序列进行阈值分割，从背景中分离得到原图像序列中弱小目标的位置，对重构图像序列中的每幅图像分别进行修正。本发明方法将Kalman滤波与奇异值分解方法有效结合用于对红外视频中的弱小目标进行检测，计算时间短，检测效率高，准确性和鲁棒性都比较好。

Description

一种检测红外视频中弱小目标的方法

技术领域

本方法属于视频分析领域，具体涉及一种检测红外视频中弱小目标的方法。

背景技术

弱小目标检测方法已经成为卫星遥感、高能物理、低空预警以及精确制导等领域信息处理的核心技术。由于弱小目标的像元个数很少，可供分割与检测算法利用的目标结构信息更少。而传感器接收的目标强度较弱，噪声和背景杂波干扰较强，使图像的信噪比降低。因此,一直以来，如何更好得利用帧间信息，提高检测的可靠性和效率，是弱小目标检测的重点。

目前，已经有人将遗传算法、神经网络算法、小波变换等方法用于弱小目标检测。但是，在复杂背景下，目标点极易被噪声淹没，实现目标的可靠性检测和识别难度较大。此外，在数据吞吐量大、实时性要求高的条件下难以很好的满足检测性能。

发明内容

发明目的：针对现有技术存在的问题，本发明提供了一种计算时间短，检测精准的红外视频中弱小目标的检测方法。

为了解决上述技术问题，本发明采用的技术方案是：

一种检测红外视频中弱小目标的方法，包括以下步骤：

步骤1：输入待检测的视频图像序列，通过卡尔曼Kalman滤波进行背景抑制、噪声去除，得到预处理后图像序列；

步骤2：从预处理后图像序列中，读入N_max帧图像组成的图像序列，进行帧数估计，得到需要处理的帧数N；

步骤3：读入N+1帧图像，包括步骤2中需要处理的N帧图像和所述N帧图像的后一帧图像，并将N+1帧图像合并成二维数据，求其自相关矩阵并对其自相关矩阵进行奇异值分解SVD；

步骤4：步骤3奇异值分解后得到自相关矩阵的特征值，选择所述特征值的中间值对应的特征向量重构图像序列，得到重构图像序列；

步骤5：对重构图像序列进行阈值分割，从背景中分离得到原图像中弱小目标的位置；

步骤6：对步骤4中得到的重构图像序列中的每帧图像分别进行帧间位置修正与帧内位置修正；

步骤7：重复步骤2到步骤6，直到N_max帧图像组成的图像序列中最后一幅图像处理完成后输出结果。

所述步骤2中帧数估计的方法，其具体步骤为：

步骤21：读入N_max幅图像组成的图像序列，对读入的所有图像进行两两差分操作得到N_max-1帧图像序列；

步骤22：对N_max-1帧图像序列中的每一幅图像的所有像素灰度值求和，用求得的N_max-1个像素和像素灰度值和分别除以对应图像的宽和高得到N_max-1个评估值，将N_max-1个评估值求平均得到N_max帧图像变化剧烈程度值X；

步骤23：根据以下公式得到本次需要处理的图像帧数N：

其中，N_max表示最大处理帧数，N_min表示最小处理帧数。

进一步，所述最大处理帧数N_max设为25，最小处理帧数N_min设为5。

进一步，所述步骤5中采用最大熵方法对图像进行阈值分割。

进一步，步骤6中所述位置修正，其方法为：在当前搜索窗口内寻找灰度最大值，然后将灰度最大值的坐标作为下次搜索窗口的中心位置迭代搜索，直到最终搜索窗口不变为止，这时搜索窗口中心的位置即为目标位置。

有益效果：本发明公开了一种检测红外视频中弱小目标的方法。所述方法针对检测红外视频中的图像序列，首先通过Kalman滤波进行背景抑制、噪声去除，得到预处理后图像序列；然后选定需要处理的N+1帧预处理后图像序列，合并成二维数据，求其自相关矩阵并对其自相关矩阵进行奇异值分解SVD；接着选择特征向量重构图像序列；最后对重构图像序列进行阈值分割，从背景中分离得到原图像序列中弱小目标的位置，对重构图像序列中的每幅图像分别进行修正。本发明方法将Kalman滤波与奇异值分解方法有效结合用于对红外视频中的弱小目标进行检测，计算时间短，检测效率高，准确性和鲁棒性都比较好。

附图说明

图1是本发明的工作流程图。

具体实施方式

下面结合附图，对本发明进行详细说明。

如图1所示，本发明提供了一种检测红外视频中弱小目标的方法，包括以下步骤：

步骤1：输入待检测的视频序列，通过Kalman滤波进行背景抑制、噪声去除，得到预处理后图像序列；

考虑到弱小目标的检测，或多或少会遇到噪声图像与非噪声图像发生重叠形成结团，为了兼容平滑噪声和保留图像边缘及其他有意义的特征，本发明先对待检测视频中的每一帧图像进行Kalman滤波，这对于恢复噪声污染图像会产生较好的滤波效果。

步骤2：从预处理后的图像序列中，读入N_max幅图像组成的图像序列，进行帧数估计，得到需要处理的帧数N；

在弱小目标序列中，不同目标需要一次性处理的帧数并不相同，所以需要通过自适应来确定需要处理的帧数N。在选择帧数的时候，首先要考虑的是图像变化快慢，即变化快时选择较少帧数来处理，反之选择较多帧数。因而，帧数估计的时候需要确定最大处理帧数N_max和最小处理帧数N_min，其中，最大处理帧数N_max即为从预处理后的图像序列中读入的图像数N_max。若N_max很大则算法不满足实时性要求，同样，若N_min≤0，则对其进行奇异值分解也是没有任何意义的。考虑到实时性和可行性，最大处理帧数N_max设为25，最小处理帧数N_min设为5，用余弦函数来计算N_max和N_min之间的帧数估计，自变量为图像变化剧烈程度X。

当X＜0.5时采用最小帧数处理，当X>1.5时采用最大帧数处理，当0.5＜X＜1.5时采用余弦函数过渡方式处理。利用三角函数知识，得到图像变化剧烈程度X和处理帧数N的公式如下：

其中，具体评估算法为：在N_max＝25和N_min＝5的前提下，首先读入最大帧数的图像，对这些帧的图像进行两两差分操作得到N_max-1帧图像序列，然后对N_max-1帧图像序列中的每一幅图像所有像素灰度值求和，再用求得的N_max-1个像素灰度值和分别除以对应图像的宽和高得到N_max-1个评估值，将N_max-1个评估值求平均得到N_max帧图像变化剧烈程度值X，最后将X代入公式(1)得到本次需要处理的图像帧数N。

步骤3：读入N+1幅图像，包括需要处理的N帧图像和N帧图像的后一幅图像，并将N+1幅图像合并成二维数据，求其自相关矩阵并对其自相关矩阵进行SVD；

N+1幅图像组成的图像序列A是一个{x,y,z}的三维数据集合，其中x表示图像的行数，y表示图像的列数，z表示序列的帧数。设矩阵B_q×z为A的二维展开，其中q＝x×y，则B为x×y行z列的矩阵。一般情况下，x×y的值是比较大的，所以矩阵B_q×z的数据量不适合直接用来进行奇异值分解。设B_q×z的自相关矩阵为C_z×z，则C_z×z＝B′_q×zB_q×z，其中，B′_q×z是B_q×z的转置，所以矩阵C_z×z是行与列都等于z的方阵。此时，对矩阵C_z×z进行SVD。为了实现对弱小目标的检测，对每一幅图像及其之前的图像序列做上述奇异值分解。

步骤4：选择中间特征值对应特征向量重构图像序列，得到重构图像序列；

根据奇异值分解的结果，选择合适的特征向量进行对应的图像序列重构，重构后的图像序列 是q行i列的矩阵，V_z×i是中间特征值对应特征向量，可将重新变换为图像矩阵r表示步骤3中获得的奇异值的总数，i表示奇异值的标号，选择不同的i能得到不同的重构图像。其中，背景图像序列占整个待检测图像序列的绝大部分，得到的主要的特征值对应的特征向量重构的图像就会反映背景的信息。噪声图像序列是一组二维的随机过程，因而得到的最小的特征值对应的特征向量重构的图像会反映噪声信息。目标图像序列在整个图像序列中是不断运动变化的，得到的中间特征值重构的图像就会使移动的弱小目标得到增强。

步骤5：对步骤4中获得的重构图像序列进行阈值分割，从背景中分离得到原图像中弱小目标的位置；

采用最大熵方法对图像进行阈值分割，主要是利用重构图像序列中每个图像的灰度分布密度函数定义图像的信息熵，根据假设的不同或视角的不同提出不同的熵准则，最后通过优化该准则得到阈值。图像的信息熵反映了图像的整体面貌。若图像中包含目标，则在目标与背景可分割处信息量(即熵)最大。在一幅含有多目标的多灰度图像中，必然存在一个灰度，以这个灰度作为阈值，可使图像得到最佳二值化分割。从而实现目标和背景的分离，得到其大致位置。

步骤6：对步骤5中得到的重构图像序列中的每幅图像分别进行帧间位置修正与帧内位置修正，以达到检测弱小目标的目的；

为了提高目标位置估计的准确性，在处理下一帧图像及其图像序列时需要用到本次的检测结果对目标位置进行修正。

具体方法是考虑前后两次不同的检测结果的差值，如果在一定阈值内，则更新目标检测位置，否则认为本次处理为异常值，检测结果予以舍弃。此处的阈值通过最大熵方法得到。

奇异值分解的是图像序列，因此整个数据空间中不仅包含有当前图像的数据，同时也包含之前的N幅图像数据。重构后得到的目标位置会在一定程度上反映当前目标过去的位置，而不是当前图像中目标的位置，所以还需要在帧内进行目标位置修正。

修正算法的基本原理是：在当前搜索窗口内寻找灰度最大值，然后将此处坐标作为下次搜索窗口的中心位置迭代搜索，直到最终搜索窗口不变为止，这时搜索窗口中心的位置即为目标位置。

SVD处理后结合帧间与帧内的联合检测能使图像序列的弱小目标检测率始终保持在90％左右，这在很大程度上满足图像处理的实时性和可行性要求。

步骤7：重复步骤2～6，直到N_max幅图像组成的图像序列中最后一幅图像处理完成后输出结果。

Claims (5)

1.一种检测红外视频中弱小目标的方法，其特征在于，包括以下步骤：

步骤1：输入待检测的视频图像序列，通过卡尔曼Kalman滤波进行背景抑制、噪声去除，得到预处理后图像序列；

步骤2：从预处理后图像序列中，读入N_max帧图像组成的图像序列，进行帧数估计，得到需要处理的帧数N；

步骤3：读入N+1帧图像，包括步骤2中需要处理的N帧图像和所述N帧图像的后一帧图像，并将N+1帧图像合并成二维数据，求其自相关矩阵并对其自相关矩阵进行奇异值分解SVD；

步骤4：步骤3奇异值分解后得到自相关矩阵的特征值，选择所述特征值的中间值对应的特征向量重构图像序列，得到重构图像序列；

步骤5：对重构图像序列进行阈值分割，从背景中分离得到原图像中弱小目标的位置；

步骤6：对步骤4中得到的重构图像序列中的每帧图像分别进行帧间位置修正与帧内位置修正；

步骤7：重复步骤2到步骤6，直到N_max帧图像组成的图像序列中最后一幅图像处理完成后输出结果。

2.根据权利要求1所述的一种检测红外视频中弱小目标的方法，其特征在于：所述步骤2中帧数估计的方法，其具体步骤为：

步骤21：读入N_max幅图像组成的图像序列，对读入的所有图像进行两两差分操作得到N_max-1帧图像序列；

步骤22：对N_max-1帧图像序列中的每一幅图像的所有像素灰度值求和，用求得的N_max-1个像素和像素灰度值和分别除以对应图像的宽和高得到N_max-1个评估值，将N_max-1个评估值求平均得到N_max帧图像变化剧烈程度值X；

步骤23：根据以下公式得到本次需要处理的图像帧数N：

$N=\left\{\begin{array}{cc}{N}_{min},& X<0.5\\ \frac{N_{max}+N_{min}}{2}+\frac{N_{max}-N_{min}}{2}cos(\mathrm{\&pi;}X-\frac{\mathrm{\&pi;}}{2}),& X\&Element;\&lsqb;0.5,1.5\&rsqb;\\ N_{max},& X>1.5\end{array}\right.$

其中，N_max表示最大处理帧数，N_min表示最小处理帧数。

3.根据权利要求2所述的一种检测红外视频中弱小目标的方法，其特征在于：所述最大处理帧数N_max设为25，最小处理帧数N_min设为5。

4.根据权利要求1所述的一种检测红外视频中弱小目标的方法，其特征在于：所述步骤5中采用最大熵方法对图像进行阈值分割。

5.根据权利要求1所述的一种检测红外视频中弱小目标的方法，其特征在于：步骤6中所述位置修正，其方法为：在当前搜索窗口内寻找灰度最大值，然后将灰度最大值的坐标作为下次搜索窗口的中心位置迭代搜索，直到最终搜索窗口不变为止，这时搜索窗口中心的位置即为目标位置。