CN106600613A - 基于嵌入式gpu的改进lbp红外目标检测方法 - Google Patents

Abstract

本发明提出了一种基于嵌入式GPU的改进LBP红外目标检测算法，用于解决现有红外目标检测中存在的运算速度慢和检测稳定性差的技术问题，实现步骤为：输入红外图像并进行预处理得到大尺寸灰度图像；将灰度图像数据分块输入到嵌入式GPU显存，并分配线程；对LBP算法的特征向量提取方法进行改进得到梯度‑LBP算法；各线程利用得到的梯度‑LBP算法并行计算灰度图像块的梯度‑LBP矩阵；分别对多个梯度‑LBP矩阵进行灰度还原并检测出备选目标点；将备选目标点复制到内存并选取灰度值最大点作为最终目标点；输出最终目标点位置。本发明具有检测速度快和稳定性好的特点，可用于远程红外预警、精确制导与空间目标监视系统等的目标定位。

Description

基于嵌入式GPU的改进LBP红外目标检测方法

技术领域

本发明属于图像处理领域，涉及一种红外目标检测方法，具体涉及一种基于嵌入式GPU的改进LBP红外目标检测方法，可用于远程红外预警、精确制导与空间目标监视系统等的目标定位。

背景技术

红外图像目标检测是红外搜索与跟踪的关键技术，由于大气辐射、作用距离远等因素影响，使得目标在红外图像上尺寸小，甚至呈现点状，导致无形状、纹理信息可以利用；另外，由于红外图像存在严重噪声和杂波，小目标经常被淹没在复杂的背景中具有较低的信杂比，使得复杂背景下的红外小目标检测变得非常困难。红外小目标检测的性能决定着红外探测系统的探测灵敏度，是反映红外探测系统目标识别能力的一项核心技术。

学者们针对单帧红外目标检测提出了诸多算法，大致可分为两类，一类算法是基于机器学习的检测方法，它将目标检测视作目标与背景的二分类问题，利用已有的目标与背景的先验知识训练目标与背景的分类器，然后对原有图像处理实现二者的分类判别，由于算法完成训练需要大量先验知识，该类检测手段的应用常常受到限制。

另一类最为常见的是滤波算法，这类算法采用背景建模、原图差分、阈值分割等处理方法，可在一定程度上实现背景抑制和目标提取，如：中值滤波、高通滤波等，但是这些方法缺乏方向性信息，属各向同性滤波，滤波后图像的背景边缘不能被很好地抑制，常出现大量边缘残留，虚警率较高。例如，2016年王军等人在“基于多向梯度法的红外弱小目标快速检测方法”(《光电子·激光》第27卷第9期957-962)中提出利用多尺度拉普拉斯－高斯算子对平滑背景进行抑制，保留目标像素、噪声与大量背景边缘像素，然后利用多向梯度搜索算法区分目标像素和背景边缘像素，实现了复杂背景下红外目标的检测，该方法要先利用多尺度拉普拉斯－高斯算子对图像进行滤波，运算复杂度较高导致检测速度慢，且对于目标能量较弱的红外图像中，该方法将失去检测稳定性。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于嵌入式GPU的改进LBP红外目标检测方法，用于解决现有红外目标检测算法中存在的运算速度慢和检测稳定性差的技术问题。

为实现上述目的，本发明采取的技术方案，包括如下步骤：

(1)采用加权平均法对输入的红外图像的RGB三个分量进行加权平均，得到灰度图像，并对该灰度图像进行0值延拓，得到大尺寸灰度图像；

(2)根据加权平均得到的灰度图像的灰度值分布特征，计算该灰度图像的梯度阈值t；

(3)根据大尺寸灰度图像的尺寸和嵌入式GPU的显存，对嵌入式GPU的线程进行分配，得到多个用于并行运算的线程；

(4)利用多个用于并行运算的线程，以分块的形式将步骤(1)中得到的大尺寸灰度图像从内存复制到嵌入式GPU显存中，得到多个灰度图像块F；

(5)采用基于梯度阈值的特征向量提取方法，对LBP算法中的特征向量提取方法进行改进，得到梯度-LBP算法，并根据该算法在各线程中计算灰度图像块F中每个像素点的梯度-LBP值，得到多个梯度-LBP矩阵D，其中，每个像素点梯度-LBP值的计算步骤为：

(5a)提取灰度图像块F中每个像素点O的与其周围八个方向像素点有关的特征向量G_o：G_o＝(S₁,S₂,…,S_x,…S₈)，其中S_x是像素点O在x方向上的梯度下降得分，且P_o为像素点O的灰度值，P_x1为像素点O在x方向上的距离为1的点的灰度值，P_x2为像素点O在x方向上的距离为2的点的灰度值；

(5b)根据每个像素点O的特征向量G_o，计算每个像素点O的梯度-LBP值

(6)确定目标检测算子M，并根据该目标检测算子M对得到的多个梯度-LBP矩阵D中每个元素的值进行灰度还原，得到多个灰度图像块D′，其中该图像块D′中的每个元素表达式为：

其中F_i,j灰度图像块F中第i行第j列点的灰度值，D_i,j为矩阵D中第i行第j列元素的值；

(7)对各个灰度图像块D′中的灰度值最大的点进行检测，得到多个备选目标点；

(8)将多个备选目标点从嵌入式GPU的显存复制到内存中，并选取其中灰度值最大的点作为最终目标点。

本发明与现有技术相比，具有如下优点：

1、本发明由于在获取最终目标点的过程中，采用基于梯度-LBP算法获取多个梯度-LBP矩阵，再对该矩阵进行灰度还原，并从还原结果中提取灰度值最大的点，实现过程简单，与现有技术首先采用多尺度拉普拉斯－高斯算子滤波再利用多向梯度搜索算法检测到目标相比，有效地提高了目标的检测速度，同时在计算灰度图像块的梯度-LBP矩阵并检测备选目标点过程中，使用嵌入式GPU并行运算的方法，进一步提高了检测速度。

2、本发明由于在对灰度图像处理时使用梯度-LBP算法，能够准确区分目标像素与背景边缘像素，克服了对于目标能量较弱的红外目标检测的难点，与现有技术中多向梯度搜索的目标检测算法相比，提高了目标检测的稳定性。

附图说明

图1为本发明的实现流程框图；

图2为本发明输入的红外图像的灰度图像；

图3为本发明计算一个像素点梯度-LBP值的实现过程图；

具体实施方式

以下结合附图和具体实施例，对本发明作进一步描述。

参照图1，基于嵌入式GPU的改进LBP红外目标检测算法，包括如下步骤：

步骤1，输入红外图像。

步骤2，采用加权平均法对输入红外图像的RGB三个分量进行加权平均，得到灰度图像，得到的灰度图像如图2所示，其中采用加权平均法计算每个像素点O的灰度值的公式如下：

P_o＝0.3R_o+0.59G_o+0.11B_o

P_o为加权平均法得到的灰度图像在像素点O的灰度值，R_o、G_o和B_o分别为输入红外图像在像素点O的RGB三个分量值。

步骤3，得到的灰度图像的各边缘点的周围点方向不足八个方向，而在步骤7中，需要对每个像素点分别与其周围八个方向距离为1和距离为2的像素点灰度值进行比较，因此对得到的灰度图像的四个边缘分别进行两个单位的0值延拓。

在灰度图像的上下边缘分别增加两行灰度值为0的像素，并在灰度图像的左右边缘分别增加两列灰度值为0的像素，从而得到一个大尺寸灰度图像。

步骤4，根据加权平均得到的灰度图像的灰度值分布特征，计算该灰度图像的梯度阈值t。

对于灰度图像的灰度值分布特征，包括灰度最大值、最小值和平均值等特征值，本实施例利用了其中的灰度最大值P_max和平均值P_avg按照如下公式来计算t，

本实施例中灰度图像的灰度最大值P_max＝255，平均值P_avg＝198.75，计算得到t＝3.5156。

步骤5，根据大尺寸灰度图像的尺寸和嵌入式GPU的显存，对嵌入式GPU的线程进行分配，得到多个用于并行运算的线程，嵌入式GPU并行运算是目前常用的加快运算速度的方法，将其合理运用在红外目标检测中可有效加快目标检测速度。

步骤6，利用多个用于并行运算的线程，以分块的形式将步骤1中得到的大尺寸灰度图像从内存复制到嵌入式GPU显存中，得到多个灰度图像块F，这里灰度图像块F的数量与线程的数量是相等的，每个线程负责其对应的一个灰度图像块F的处理。

步骤7，采用基于梯度阈值的特征向量提取方法，对LBP算法中的特征向量提取方法进行改进，得到梯度-LBP算法，并根据该算法在各线程中计算灰度图像块F中每个像素点的梯度-LBP值，其实现过程如图3所示，得到多个梯度-LBP矩阵D，其中，每个像素点梯度-LBP值的计算步骤为：

步骤7a，提取灰度图像块F中每个像素点O的与其周围八个方向像素点有关的特征向量G_o：G_o＝(S₁,S₂,…,S_x,…S₈)，其中S_x是像素点O在x方向上的梯度下降得分，且P_o为像素点O的灰度值，P_x1为像素点O在x方向上的距离为1的点的灰度值，P_x2为像素点O在x方向上的距离为2的点的灰度值，在改进前的LBP算法中，

步骤7b，根据每个像素点O的特征向量G_o，计算每个像素点O的梯度-LBP值

步骤8，确定目标检测算子M：

本实施例中对于特征向量为G_o＝(S₁,S₂,…,S_x,…S₈)的像素点，若至少有6个相邻S_x值为1，则视该点为备选目标点，对于至少有6个相邻S_x值为1的像素点，其特征向量有17种形式，对应17个梯度LBP值，得到目标检测算子M＝{255，254，253，251，247，239，223，191，127，252，249，243，231，207，159，63，126}。

步骤9，根据目标检测算子M对得到的多个梯度-LBP矩阵D中每个元素的值进行灰度还原，得到多个灰度图像块D′，其中该图像块D′中的每个元素表达式为：

其中F_i,j灰度图像块F中第i行第j列点的灰度值，D_i,j为矩阵D中第i行第j列元素的值。

步骤10，对各个灰度图像块D′中的灰度值最大的点进行检测，得到多个备选目标点。

步骤11，将多个备选目标点从嵌入式GPU的显存复制到内存中，在内存中对检测到的备选目标点的灰度值进行排序，选取灰度值最大的点为最终目标点。

步骤12，输出最终目标点位置。

参照图2，本实施例采用能量较弱的目标存在于有云的天空背景下的灰度图像，其中目标用黑色方框标记出。

参照图3，计算一个像素点梯度-LBP值的实现过程。

像素点O以及其周围两层像素点灰度值矩阵如图3(a)所示，矩阵中心黑色背景的值245为像素点O的灰度值，根据梯度阈值t＝3.5156、像素点O的灰度值及其周围点的灰度值计算得到像素点O的特征向量G_o：G_o＝(1,0,0,1,1,0,0,1)，如图3(b)所示，矩阵中的值代表不同方向上的梯度下降得分S_x，根据像素点O的特征向量G_o和图3(c)所示的不同方向上的梯度下降得分S_x的权值，计算像素点O的梯度-LBP值D_o：

图3(c)中心有黑色背景的值153即为像素点O的梯度-LBP值D_o。

Claims (2)

1.一种基于嵌入式GPU的改进LBP红外目标检测方法，其特征在于，包括如下步骤：

(1)采用加权平均法对输入的红外图像的RGB三个分量进行加权平均，得到灰度图像，并对该灰度图像进行0值延拓，得到大尺寸灰度图像；

(2)根据加权平均得到的灰度图像的灰度值分布特征，计算该灰度图像的梯度阈值t；

(3)根据大尺寸灰度图像的尺寸和嵌入式GPU的显存，对嵌入式GPU的线程进行分配，得到多个用于并行运算的线程；

(4)利用多个用于并行运算的线程，以分块的形式将步骤(1)中得到的大尺寸灰度图像从内存复制到嵌入式GPU显存中，得到多个灰度图像块F；

(5)采用基于梯度阈值的特征向量提取方法，对LBP算法中的特征向量提取方法进行改进，得到梯度-LBP算法，并根据该算法在各线程中计算灰度图像块F中每个像素点的梯度-LBP值，得到多个梯度-LBP矩阵D，其中，每个像素点梯度-LBP值的计算步骤为：

(5a)提取灰度图像块F中每个像素点O的与其周围八个方向像素点有关的特征向量G_o：G_o＝(S₁,S₂,…,S_x,…S₈)，其中S_x是像素点O在x方向上的梯度下降得分，且P_o为像素点O的灰度值，P_x1为像素点O在x方向上的距离为1的点的灰度值，P_x2为像素点O在x方向上的距离为2的点的灰度值；

(5b)根据每个像素点O的特征向量G_o，计算每个像素点O的梯度-LBP值

(6)确定目标检测算子M，并根据该目标检测算子M对得到的多个梯度-LBP矩阵D中每个元素的值进行灰度还原，得到多个灰度图像块D′，其中该图像块D′中的每个元素表达式为：

$D_{i,j}^{\′}=\left\{\begin{array}{cc}{F}_{i,j}& D_{i,j}\∈M\\ 0& D_{i,j}\∉M\end{array}\right.$

其中F_i,j灰度图像块F中第i行第j列点的灰度值，D_i,j为矩阵D中第i行第j列元素的值；

(7)对各个灰度图像块D′中的灰度值最大的点进行检测，得到多个备选目标点；

(8)将多个备选目标点从嵌入式GPU的显存复制到内存中，并选取其中灰度值最大的点作为最终目标点。

2.根据权利要求1所述的基于嵌入式GPU的改进LBP红外目标检测方法，其特征在于：步骤(1)所述的0值延拓，按照如下步骤实现：

(1a)对得到的灰度图像的上下边缘分别增加两行灰度值为0的像素；

(1b)对得到的灰度图像的左右边缘分别增加两列灰度值为0的像素。