CN107610156A - 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 - Google Patents
基于引导滤波和核相关滤波的红外弱小目标跟踪方法 Download PDFInfo
- Publication number
- CN107610156A CN107610156A CN201710781813.2A CN201710781813A CN107610156A CN 107610156 A CN107610156 A CN 107610156A CN 201710781813 A CN201710781813 A CN 201710781813A CN 107610156 A CN107610156 A CN 107610156A
- Authority
- CN
- China
- Prior art keywords
- mrow
- basic pattern
- frame image
- msup
- current frame
- 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
Abstract
本发明公开了一种基于引导滤波和核相关滤波的红外弱小目标跟踪方法。具体步骤包括：1.设置初始化参数；2.生成红外弱小目标位置处的先验函数；3.预处理第一帧图像；4.获得第一帧图像的训练基样本；5.获取当前帧图像的基样本；6.预测当前帧图像目标位置；7.判断是否为最后一帧；7.结束。本发明具有高空远距离红外弱小目标图像序列跟踪速度快，核相关滤波分类器性能稳定，有效对高空远距离红外弱小目标实现跟踪的优点。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及红外图像处理技术领域中的一种基于引导滤波和核相关滤波的红外弱小目标跟踪方法。本发明采用引导滤波对基样本进行滤波处理，训练更有识别能力的分类器参数，实现红外弱小目标跟踪，可用于对高空远距离红外弱小目标图像序列中的红外弱小目标进行有效跟踪。
背景技术
高空远距离红外弱小图像序列中的红外弱小目标跟踪是红外图像处理技术领域重要组成部分，它在红外监视系统、红外告警系统、红外目标检测与跟踪系统等许多系统中都有非常广泛的实际应用。近几年，基于改进核相关滤波的目标跟踪方法广泛应用在计算机视觉领域。核相关滤波算法利用基样本灰度特征进行跟踪，但是红外弱小目标灰度特征不足以区分出云层背景边缘和红外弱小目标。在对高空远距离红外弱小图像序列中的红外弱小目标跟踪过程中，基样本中的云层背景映射到分类器参数中的低频成分，基样本中的云层背景边缘和红外弱小目标都会映射到分类器参数中的高频成分，所以基样本中的云层背景边缘使分类器参数产生累计误差，导致“偏移”积累，最终导致跟踪发生“偏移”。本发明提出的基于引导滤波和核相关滤波的红外弱小目标跟踪方法首先利用引导滤波对基样本进行滤波处理，分离同属高频成分的云层背景边缘和红外弱小目标，训练更有识别能力的分类器参数，实现高空远距离红外弱小目标图像序列中的红外弱小目标跟踪。
哈尔滨工程大学所申请的专利文献“基于粒子滤波的红外弱小目标检测与跟踪方法及装置”(专利申请号201210163140.1，授权公布号CN 102722706 B)中公开了一种基于粒子滤波的红外弱小目标检测与跟踪方法及装置。该发明采用形态学对图像进行开启操作获得背景图像，将原图像减去背景图像获得含有目标和噪声的去背景图像。根据设定的阈值和初始目标出现概率，在全视场大于阈值的范围内抽取粒子。跟踪阶段分为预测和更新两个步骤，预测包括目标出现状态的预测和目标状态的预测，在更新过程中利用似然函数计算粒子权重值，对权重值归一化，根据归一化后的权重值对粒子进行重采样。根据采样之后的当前时刻的粒子状态计算目标存在的后验概率，并以此计算似然比，再利用似然比完成目标检测与跟踪。该方法存在的不足之处是：利用粒子滤波对高空远距离红外弱小图像序列中的红外弱小目标跟踪时，计算量大，存在粒子退化现象，实时性差。
浙江大学在其申请的专利文献“一种弱小运动目标快速检测与跟踪方法”(专利申请号201511010646.9，授权公布号CN 105654511 A)中公开了一种弱小运动目标快速检测与跟踪方法。该发明实现的具体步骤是，第一步获取目标可能的初始位置，根据时隙划分为多段图像序列，对前两帧图像进行差分，剔除噪声点目标，获取目标矩形并建立检测窗口；第二步对划分后的每段图像序列进行边检测与跟踪，利用高密度采样方法和在线核学习方法，并结合循环矩阵与快速傅里叶变换之间的关系，进行目标的实时检测与跟踪；第三步重复迭代，对每段图像序列进行实时连续的检测与跟踪，形成闭环。该方法存在的不足之处是：当对高空远距离红外弱小图像序列中的红外弱小目标跟踪时，直接利用高密度采样方法和在线核学习方法进行跟踪，目标矩阵容易受云层背景边缘影响，使分类器参数容易产生累计误差，导致“偏移”积累，最终导致跟踪发生“偏移”。
发明内容
本发明针对现有技术的不足，提出一种基于引导滤波和核相关滤波的红外弱小目标跟踪方法，以实现对高空远距离红外弱小图像序列中的红外弱小目标进行准确有效地跟踪。
为实现上述目的，本发明的具体步骤如下：
(1)设置初始化参数：
(1a)将正则化参数初始化为0.01；
(1b)将先验函数尺度参数和先验函数形状参数分别初始化为2.25和1；
(1c)将更新参数初始化为0.075；
(1d)将平滑因子初始化为0.04；
(2)生成红外弱小目标位置处的先验函数；
(3)预处理第一帧图像：
(3a)输入红外弱小目标图像序列中第一帧图像；
(3b)用矩形框框出第一帧图像中的待跟踪红外弱小目标图像区域，矩形框大小为49×49像素，将待跟踪红外弱小目标图像区域的型心位置，作为待跟踪红外弱小目标的初始位置，将矩形框框出的待跟踪红外弱小目标图像区域，作为第一帧图像的基样本；
(4)获得第一帧图像的训练基样本：
(4a)采用引导滤波处理算法，对第一帧图像的基样本进行引导滤波处理,得到第一帧图像的引导滤波处理后的基样本：
(4b)用第一帧图像的基样本减去第一帧图像的引导滤波处理后的基样本，得到第一帧图像的训练基样本；
(5)获取当前帧图像的基样本：
(5a)载入待跟踪红外弱小目标图像序列中下一帧，作为当前帧图像；
(5b)在当前帧图像中，以上一帧图像待跟踪目标的位置为中心，取出与上一帧图像大小相同的矩形框，作为当前帧图像的基样本；
(6)预测当前帧图像目标位置：
(6a)采用引导滤波处理算法，对当前帧图像的基样本进行引导滤波处理,得到当前帧引导滤波处理后的基样本；
(6b)用当前帧图像的基样本减去当前帧引导滤波处理后的基样本，得到当前帧图像的训练基样本；
(6c)按照下式，计算上一帧图像核相关滤波分类器的参数：
其中，α′表示上一帧图像核相关滤波分类器的参数，F-1(·)表示傅里叶逆变换操作，F(·)表示做傅里叶变换操作，y表示上一帧图像中红外弱小目标位置处的先验函数，g′1表示上一帧图像的训练基样本，λ表示取值为0.01的正则化参数；
(6d)按照下式，计算当前帧图像核相关滤波分类器的参数：
其中，α表示当前帧图像核相关滤波分类器的参数，g1表示当前帧图像的训练基样本；
(6e)利用下式，更新当前帧图像核相关滤波分类器的参数和当前帧图像测试基样本：
α*＝(1-m1)α′+m1α
其中，α*表示更新后的当前帧图像核相关滤波分类器的参数，m1和m2分别表示取值为0.075的更新参数，表示更新后的当前帧图像中的测试基样本，z′1表示上一帧图像中的测试基样本，z1表示当前帧图像中的测试基样本；
(6f)按照下式，计算当前帧图像测试样本集响应矩阵：
其中，f表示当前帧图像测试样本集响应矩阵；
(6g)将当前帧图像测试样本集响应矩阵中元素最大值对应的位置，作为当前帧图像目标位置；
(7)判断当前帧图像是否为红外弱小目标图像序列的最后一帧图像，若是，则执行步骤(8)；否则，执行步骤(5)；
(8)完成待跟踪红外弱小目标图像序列中红外弱小目标的跟踪。
本发明与现有技术相比具有以下优点：
第一、由于本发明采用步骤(6c)到步骤(6g)所述的核相关滤波算法，克服了现有技术中利用粒子滤波对高空远距离红外弱小图像序列中的红外弱小目标跟踪时，计算量大，存在粒子退化现象，实时性差的缺点，使得本发明提高了高空远距离红外弱小目标图像序列跟踪的速度。
第二、由于本发明采用引导滤波处理算法，有效分离了同属高频成分的云层背景边缘和红外弱小目标，克服了现有技术中当对高空远距离红外弱小图像序列中的红外弱小目标跟踪时，直接利用高密度采样方法和在线核学习方法进行跟踪，目标矩阵容易受云层背景边缘影响，使分类器参数容易产生累计误差，导致“偏移”积累，最终导致跟踪发生“偏移”的缺点，使得本发明增强了核相关滤波分类器的稳定性，能够有效对高空远距离红外弱小目标实现跟踪。
附图说明
图1为本发明的流程图；
图2为本发明红外弱小目标位置处的先验函数分布示意图；
图3为本发明输入高空远距离红外弱小图像序列的第一帧图像；
图4为本发明在输入的红外弱小目标图像序列中第100帧图像中用矩形框框出红外弱小目标图像序列中第100帧图像的基样本的示意图；
图5为本发明红外弱小目标图像序列中第100帧图像中引导滤波处理后的基样本；
图6为本发明红外弱小目标图像序列中第100帧图像的训练基样本；
图7为本发明红外弱小目标图像序列中第100帧图像中红外弱小目标位置示意图。
具体实施方式
下面结合附图对本发明做进一步的描述。
结合附图1中，对本发明的具体步骤描述如下。
步骤1，设置初始化参数。
将正则化参数初始化为0.01。
将先验函数尺度参数和先验函数形状参数分别初始化为2.25和1。
将更新参数初始化为0.075。
将平滑因子初始化为0.04。
步骤2，生成红外弱小目标位置处的先验函数。
所述生成的红外弱小目标位置处的先验函数如下。
其中，y表示红外弱小目标位置处的先验函数，b表示取值为1的归一化常数，exp(·)表示以e为底的指数操作，|·|表示求绝对值操作，D表示红外弱小目标与其周围每个像素的欧式距离，δ表示取值为2.25的先验函数尺度参数，β表示取值为1的先验函数形状参数。
图2为本发明的实施例中，红外弱小目标位置处的先验函数分布示意图，图2尺寸为49×49个像素，红外弱小目标位置处的先验函数表示人看东西的时候，会聚集在一个确定的图像区域，离目标越近的像素点，越受关注，先验函数所赋予的权值越大，图2中心位置权值最大。
步骤3，预处理第一帧图像。
输入红外弱小目标图像序列中第一帧图像。
用矩形框框出第一帧图像中的待跟踪红外弱小目标图像区域，矩形框大小为49×49像素，将待跟踪红外弱小目标图像区域的型心位置，作为待跟踪红外弱小目标的初始位置，将矩形框框出的待跟踪红外弱小目标图像区域，作为第一帧图像的基样本。
图3为本发明的实施例中，输入高空远距离红外弱小图像序列的第一帧图像。该高空远距离红外弱小图像序列是利用中波红外热像仪，获得的真实天空背景下的红外弱小目标图像序列，高空远距离红外弱小目标图像序列中每一帧图像大小都为320×320像素，并且图像云层背景复杂。
步骤4，获得第一帧图像的训练基样本。
采用引导滤波处理算法，对第一帧图像的基样本进行引导滤波处理,得到第一帧图像的引导滤波处理后的基样本。
所述的引导滤波处理算法的具体步骤如下。
第一步，按照下式，生成引导图像的核函数：
其中，W′ij(I′)表示引导图像I′中第i行第j列的核函数，ω表示核函数窗口内的像素总数，k′(i,j)表示引导图像I′第i行第j列的函数，ωk′表示第k′个核函数窗口，I′i表示第i行的引导图像，I′j表示第j列的引导图像，μk′表示引导图像I′在核函数窗口ωk′中的均值，表示引导图像I'在核函数窗口ωk′中方差，ε表示取值为0.04的平滑因子；
第二步，按照下式，对输入的基样本中的每个像素进行滤波处理，得到引导滤波处理后的基样本：
其中，q′i表示引导滤波处理后的基样本中第i个像素，p′j表示输入的基样本中第j个像素。
用第一帧图像的基样本减去第一帧图像的引导滤波处理后的基样本，得到第一帧图像的训练基样本。
步骤5，获取当前帧图像的基样本。
载入待跟踪红外弱小目标图像序列中下一帧，作为当前帧图像。
在当前帧图像中，以上一帧图像待跟踪目标的位置为中心，取出与上一帧图像大小相同的矩形框，作为当前帧图像的基样本。
图4为本发明的实施例中，在输入的红外弱小目标图像序列中第100帧图像中用矩形框框出红外弱小目标图像序列中第100帧图像的基样本的示意图，图4中矩形框的位置表示以红外弱小目标图像序列中的第99帧图像待跟踪目标的位置为中心，取出的大小为49×49像素的矩形框，矩形框框定的图像区域为红外弱小目标图像序列中的第100帧图像的基样本。
步骤6，预测当前帧图像目标位置。
采用引导滤波处理算法，对当前帧图像的基样本进行引导滤波处理,得到当前帧引导滤波处理后的基样本。
所述的引导滤波处理算法的具体步骤如下。
第一步，按照下式，生成引导图像的核函数：
其中，W′ij(I′)表示引导图像I′中第i行第j列的核函数，ω表示核函数窗口内的像素总数，k′(i,j)表示引导图像I′第i行第j列的函数，ωk′表示第k′个核函数窗口，I′i表示第i行的引导图像，I′j表示第j列的引导图像，μk′表示引导图像I′在核函数窗口ωk′中的均值，表示引导图像I'在核函数窗口ωk′中方差，ε表示取值为0.04的平滑因子；
第二步，按照下式，对输入的基样本中的每个像素进行滤波处理，得到引导滤波处理后的基样本：
其中，q′i表示引导滤波处理后的基样本中第i个像素，p′j表示输入的基样本中第j个像素。
图5为本发明的实施例中，红外弱小目标图像序列中第100帧图像中引导滤波处理后的基样本，采用引导滤波处理算法，对红外弱小目标图像序列中的第100帧图像的基样本进行引导滤波处理,得到红外弱小目标图像序列中的第100帧图像中引导滤波处理后的基样本，引导滤波具有保持边缘抑制噪声的特性，图5中引导滤波处理后的基样本保持了云层背景边缘，抑制了高频噪声。有效分离了同属高频成分的云层背景边缘和高频红外弱小目标
用当前帧图像的基样本减去当前帧引导滤波处理后的基样本，得到当前帧图像的训练基样本。
图6为本发明的实施例中，红外弱小目标图像序列中第100帧图像的训练基样本，用红外弱小目标图像序列中的第100帧图像的基样本减去红外弱小目标图像序列中的第100帧图像中引导滤波处理后的基样本，得到红外弱小目标图像序列中的第100帧图像的训练基样本，图6中的训练基样本红外弱小目标信噪比增大，输入核相关滤波分类器以后会增强分类器性能。
按照下式，计算上一帧图像核相关滤波分类器的参数：
其中，α′表示上一帧图像核相关滤波分类器的参数，F-1(·)表示傅里叶逆变换操作，F(·)表示做傅里叶变换操作，y表示上一帧图像中红外弱小目标位置处的先验函数，g′1表示上一帧图像的训练基样本，λ表示取值为0.01的正则化参数；
按照下式，计算当前帧图像核相关滤波分类器的参数：
其中，α表示当前帧图像核相关滤波分类器的参数，g1表示当前帧图像的训练基样本。
利用下式，更新当前帧图像核相关滤波分类器的参数和当前帧图像测试基样本：
α*＝(1-m1)α′+m1α
其中，α*表示更新后的当前帧图像核相关滤波分类器的参数，m1和m2分别表示取值为0.075的更新参数，表示更新后的当前帧图像中的测试基样本，z′1表示上一帧图像中的测试基样本，z1表示当前帧图像中的测试基样本。
按照下式，计算当前帧图像测试样本集响应矩阵：
其中，f表示当前帧图像测试样本集响应矩阵。
将当前帧图像测试样本集响应矩阵中元素最大值对应的位置，作为当前帧图像目标位置。
图7为本发明的实施例中，红外弱小目标图像序列中第100帧图像中红外弱小目标位置示意图，将红外弱小目标图像序列中的第100帧图像测试样本集响应矩阵中的最大值对应的位置，作为红外弱小目标图像序列中的第100帧图像中红外弱小目标位置，红外弱小目标大小为3×3像素，矩形框框定的图像区域为红外弱小目标位置。核相关滤波由于利用离散傅里叶变换，降低了分类器训练和跟踪过程中的运算量，进而提升跟踪速度。本发明利用引导滤波对基样本进行滤波处理，分离同属高频成分的云层背景边缘和红外弱小目标，训练更有识别能力的核相关分类器参数，克服跟踪发生的平“偏移”，实现高空远距离红外弱小目标图像序列中的红外弱小目标跟踪。
步骤7，判断当前帧图像是否为红外弱小目标图像序列的最后一帧图像，若是，则执行步骤(8)；否则，执行步骤(5)。
步骤8，完成待跟踪红外弱小目标图像序列中红外弱小目标的跟踪。
Claims (3)
1.一种基于引导滤波和核相关滤波的红外弱小目标跟踪方法，其特征在于，包括如下步骤：
(1)设置初始化参数：
(1a)将正则化参数初始化为0.01；
(1b)将先验函数尺度参数和先验函数形状参数分别初始化为2.25和1；
(1c)将更新参数初始化为0.075；
(1d)将平滑因子初始化为0.04；
(2)生成红外弱小目标位置处的先验函数；
(3)预处理第一帧图像：
(3a)输入红外弱小目标图像序列中第一帧图像；
(3b)用矩形框框出第一帧图像中的待跟踪红外弱小目标图像区域，矩形框大小为49×49像素，将待跟踪红外弱小目标图像区域的型心位置，作为待跟踪红外弱小目标的初始位置，将矩形框框出的待跟踪红外弱小目标图像区域，作为第一帧图像的基样本；
(4)获得第一帧图像的训练基样本：
(4a)采用引导滤波处理算法，对第一帧图像的基样本进行引导滤波处理,得到第一帧图像的引导滤波处理后的基样本：
(4b)用第一帧图像的基样本减去第一帧图像的引导滤波处理后的基样本，得到第一帧图像的训练基样本；
(5)获取当前帧图像的基样本：
(5a)载入待跟踪红外弱小目标图像序列中下一帧，作为当前帧图像；
(5b)在当前帧图像中，以上一帧图像待跟踪目标的位置为中心，取出与上一帧图像大小相同的矩形框，作为当前帧图像的基样本；
(6)预测当前帧图像目标位置：
(6a)采用引导滤波处理算法，对当前帧图像的基样本进行引导滤波处理,得到当前帧引导滤波处理后的基样本；
(6b)用当前帧图像的基样本减去当前帧引导滤波处理后的基样本，得到当前帧图像的训练基样本；
(6c)按照下式，计算上一帧图像核相关滤波分类器的参数：
<mrow>
<msup>
<mi>&alpha;</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msup>
<mi>F</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>g</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，α′表示上一帧图像核相关滤波分类器的参数，F-1(·)表示傅里叶逆变换操作，F(·)表示做傅里叶变换操作，y表示上一帧图像中红外弱小目标位置处的先验函数，g′1表示上一帧图像的训练基样本，λ表示取值为0.01的正则化参数；
(6d)按照下式，计算当前帧图像核相关滤波分类器的参数：
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<msup>
<mi>F</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，α表示当前帧图像核相关滤波分类器的参数，g1表示当前帧图像的训练基样本；
(6e)利用下式，更新当前帧图像核相关滤波分类器的参数和当前帧图像测试基样本：
α*＝(1-m1)α′+m1α
<mrow>
<msubsup>
<mi>z</mi>
<mn>1</mn>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<msubsup>
<mi>z</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
</mrow>
其中，α*表示更新后的当前帧图像核相关滤波分类器的参数，m1和m2分别表示取值为0.075的更新参数，表示更新后的当前帧图像中的测试基样本，z′1表示上一帧图像中的测试基样本，z1表示当前帧图像中的测试基样本；
(6f)按照下式，计算当前帧图像测试样本集响应矩阵：
f＝F-1(F(g1)F(z1 *)F(α*))
其中，f表示当前帧图像测试样本集响应矩阵；
(6g)将当前帧图像测试样本集响应矩阵中元素最大值对应的位置，作为当前帧图像目标位置；
(7)判断当前帧图像是否为红外弱小目标图像序列的最后一帧图像，若是，则执行步骤(8)；否则，执行步骤(5)；
(8)完成待跟踪红外弱小目标图像序列中红外弱小目标的跟踪。
2.根据权利要求1所述的基于引导滤波和核相关滤波的红外弱小目标跟踪方法，其特征在于,步骤(2)中所述生成的红外弱小目标位置处的先验函数如下：
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>b</mi>
<mo>&times;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mfrac>
<mi>D</mi>
<mi>&delta;</mi>
</mfrac>
<msup>
<mo>|</mo>
<mi>&beta;</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，y表示红外弱小目标位置处的先验函数，b表示取值为1的归一化常数，exp(·)表示以e为底的指数操作，|·|表示求绝对值操作，D表示红外弱小目标与其周围每个像素的欧式距离，δ表示取值为2.25的先验函数尺度参数，β表示取值为1的先验函数形状参数。
3.根据权利要求1所述的基于引导滤波和核相关滤波的红外弱小目标跟踪方法，其特征在于,步骤(4a)、步骤(6a)中所述引导滤波处理算法的具体步骤如下：
第一步，按照下式，生成引导图像的核函数：
<mrow>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msup>
<mi>&omega;</mi>
<mn>2</mn>
</msup>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&omega;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
<mo>&times;</mo>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mi>j</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，W′ij(I′)表示引导图像I′中第i行第j列的核函数，ω表示核函数窗口内的像素总数，k′(i,j)表示引导图像I′第i行第j列的函数，ωk′表示第k′个核函数窗口，I′i表示第i行的引导图像，I′j表示第j列的引导图像，μk′表示引导图像I′在核函数窗口ωk′中的均值，表示引导图像I'在核函数窗口ωk′中方差，ε表示取值为0.04的平滑因子；
第二步，按照下式，对输入的基样本中的每个像素进行滤波处理，得到引导滤波处理后的基样本：
<mrow>
<msubsup>
<mi>q</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msubsup>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<msubsup>
<mi>p</mi>
<mi>j</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
其中，q′i表示引导滤波处理后的基样本中第i个像素，p′j表示输入的基样本中第j个像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710781813.2A CN107610156A (zh) | 2017-09-02 | 2017-09-02 | 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710781813.2A CN107610156A (zh) | 2017-09-02 | 2017-09-02 | 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107610156A true CN107610156A (zh) | 2018-01-19 |
Family
ID=61057286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710781813.2A Pending CN107610156A (zh) | 2017-09-02 | 2017-09-02 | 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107610156A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493365A (zh) * | 2018-10-11 | 2019-03-19 | 中国科学院上海技术物理研究所 | 一种弱小目标的跟踪方法 |
| CN109949344A (zh) * | 2019-03-18 | 2019-06-28 | 吉林大学 | 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法 |
| CN110223323A (zh) * | 2019-06-02 | 2019-09-10 | 西安电子科技大学 | 基于深度特征自适应相关滤波的目标跟踪方法 |
| CN110728697A (zh) * | 2019-09-30 | 2020-01-24 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 基于卷积神经网络的红外弱小目标检测跟踪方法 |
| CN111721420A (zh) * | 2020-04-27 | 2020-09-29 | 浙江智物慧云技术有限公司 | 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874854A (zh) * | 2017-01-19 | 2017-06-20 | 西安电子科技大学 | 基于嵌入式平台的无人机车辆跟踪方法 |
| CN106887012A (zh) * | 2017-04-11 | 2017-06-23 | 山东大学 | 一种基于循环矩阵的快速自适应多尺度目标跟踪方法 |
| CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
-
2017
- 2017-09-02 CN CN201710781813.2A patent/CN107610156A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874854A (zh) * | 2017-01-19 | 2017-06-20 | 西安电子科技大学 | 基于嵌入式平台的无人机车辆跟踪方法 |
| CN107016654A (zh) * | 2017-03-29 | 2017-08-04 | 华中科技大学鄂州工业技术研究院 | 一种基于引导图像滤波的自适应红外图像细节增强方法 |
| CN106887012A (zh) * | 2017-04-11 | 2017-06-23 | 山东大学 | 一种基于循环矩阵的快速自适应多尺度目标跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| KUN QIAN, ET AL.: "Infrared dim-small target tracking via singular value decomposition and improved Kernelized correlation filter", 《INFRARED PHYSICS & TECHNOLOGY》 * |
| 钱琨 等: "基于引导滤波与时空上下文的红外弱小目标跟踪", 《光子学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493365A (zh) * | 2018-10-11 | 2019-03-19 | 中国科学院上海技术物理研究所 | 一种弱小目标的跟踪方法 |
| CN109949344A (zh) * | 2019-03-18 | 2019-06-28 | 吉林大学 | 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法 |
| CN109949344B (zh) * | 2019-03-18 | 2022-12-27 | 吉林大学 | 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法 |
| CN110223323A (zh) * | 2019-06-02 | 2019-09-10 | 西安电子科技大学 | 基于深度特征自适应相关滤波的目标跟踪方法 |
| CN110223323B (zh) * | 2019-06-02 | 2022-03-04 | 西安电子科技大学 | 基于深度特征自适应相关滤波的目标跟踪方法 |
| CN110728697A (zh) * | 2019-09-30 | 2020-01-24 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 基于卷积神经网络的红外弱小目标检测跟踪方法 |
| CN110728697B (zh) * | 2019-09-30 | 2023-06-13 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 基于卷积神经网络的红外弱小目标检测跟踪方法 |
| CN111721420A (zh) * | 2020-04-27 | 2020-09-29 | 浙江智物慧云技术有限公司 | 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 |
| CN111721420B (zh) * | 2020-04-27 | 2021-06-29 | 浙江智物慧云技术有限公司 | 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges | |
| CN107610156A (zh) | 基于引导滤波和核相关滤波的红外弱小目标跟踪方法 | |
| CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
| CN105069472B (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
| CN108346159A (zh) | 一种基于跟踪-学习-检测的视觉目标跟踪方法 | |
| CN110033473B (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
| CN104766320B (zh) | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 | |
| CN103593678B (zh) | 一种大跨度桥梁车辆动态荷载分布检测方法 | |
| CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
| CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
| CN107330357A (zh) | 基于深度神经网络的视觉slam闭环检测方法 | |
| Yu et al. | Railway obstacle detection algorithm using neural network | |
| CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
| CN104599292A (zh) | 一种基于低秩矩阵分解的抗噪运动目标检测算法 | |
| CN106803265A (zh) | 基于光流法和卡尔曼滤波的多目标跟踪方法 | |
| CN110490156A (zh) | 一种基于卷积神经网络的快速车辆检测方法 | |
| CN112348849A (zh) | 一种孪生网络视频目标跟踪方法及装置 | |
| CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN103077537B (zh) | 基于l1正则化的实时运动目标跟踪的新方法 | |
| CN107833239B (zh) | 一种基于加权模型约束的寻优匹配目标跟踪方法 | |
| CN106778570B (zh) | 一种行人实时检测与跟踪方法 | |
| CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
| CN110610210B (zh) | 一种多目标检测方法 | |
| CN110189304A (zh) | 基于人工智能的光学遥感图像目标在线快速检测方法 | |
| CN108520203A (zh) | 基于融合自适应多外围框与十字池化特征的多目标特征提取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |
|
| RJ01 | Rejection of invention patent application after publication |