CN109003277A - 一种复杂背景下红外弱小目标检测方法及装置 - Google Patents
一种复杂背景下红外弱小目标检测方法及装置 Download PDFInfo
- Publication number
- CN109003277A CN109003277A CN201710424308.2A CN201710424308A CN109003277A CN 109003277 A CN109003277 A CN 109003277A CN 201710424308 A CN201710424308 A CN 201710424308A CN 109003277 A CN109003277 A CN 109003277A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- frame
- infrared
- candidate target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002146 bilateral effect Effects 0.000 claims abstract description 30
- 239000012141 concentrate Substances 0.000 claims abstract description 11
- 238000012790 confirmation Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005764 inhibitory process Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30212—Military
Abstract
本发明涉及一种复杂背景下红外弱小目标检测方法及装置,属于红外目标检测技术领域。本发明首先采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少图像中噪声干扰,增强目标处信噪比;然后采用基于分块极值的单帧红外目标检测算法,逐帧检测出各预处理后图像中的潜在候选目标集;再次利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标;最后利用去虚警优化策略,剔除伪目标,最终确认真实目标。通过上述过程,本发明克服了现有红外图像处理技术带来的目标强度变弱、边缘模糊、轮廓变大等不足,能够较好的保留并增强弱小目标信息,提高了目标检测率,降低了目标漏检率和虚警率。
Description
技术领域
本发明涉及一种复杂背景下红外弱小目标检测方法及装置,属于红外目标检测技术领域。
背景技术
利用红外成像技术实现的目标检测识别是军事领域的关键技术,为了使红外搜索跟踪系统或制导系统有足够的反应时间并提高防御的预警距离,要求在很远的距离上就能够检测到目标,从而可以尽早发现目标,目标一般在图像上所占的尺寸约为1×1个像素到30×30个像素。此外,红外传感器受到大气热辐射、较远距离及噪声等影响,尤其是在非平稳起伏背景干扰下,目标对比度和信噪比很低。当目标具有上述两方面特征,就被称为“红外弱小目标”。当红外目标所处的背景中高灰度值成分较多,且各种灰度成分变化较为剧烈时,就称为“复杂背景”。由于大气衰减、复杂背景干扰等因素,红外图像中的目标与背景对比度和信噪比较低,这就为后续的目标检测带来极大困难。
近年来,红外弱小目标检测受到许多研究者关注,提出了许多方法,主要有时域、空域、频域、小波变换、偏微分方程等滤波方法,分别从不同角度解决弱小目标的检测问题,收到了一定的效果。但是,针对复杂背景下的红外弱小目标检测问题,尤其是在非平稳的起伏背景干扰下,由于目标成像距离较远,目标在图像中仅占较少的像素,缺乏有效的形状和纹理特征等信息,目标与背景的对比度小甚至被大量复杂的噪声淹没,使得目标难以被准确检测。这些方法就显示出背景抑制效果差,检测虚警率高,算法复杂度高等缺陷。
复杂背景下红外点目标检测值得深入研究,有效的红外目标检测技术通过检测算法对红外图像实施精确目标检测。为了增强目标信息,抑制背景干扰,提高目标检测概率,降低虚警率和漏检率,对红外弱小目标图像进行特征提取、检测和识别前的背景抑制和噪声消除十分必要。
发明内容
本发明的目的是提供一种复杂背景下红外弱小目标检测方法及装置,以解决复杂背景下的红外弱小目标检测准确率低的问题。
本发明为解决上述技术问题提供一种复杂背景下红外弱小目标检测方法,该检测方法包括以下步骤:
1)采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少场景中的噪声干扰,增强目标信噪比;
2)采用基于分块极值的单帧红外目标检测算法逐帧检测出各预处理后图像中的潜在候选目标集;
3)利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标。
所述步骤1)中的双边滤波为分离式双边滤波,即先对图像进行水平方向上的一维行滤波,再对水平滤波结果进行垂直方向上的一维列滤波。
所述基于分块极值的单帧红外目标检测算法的具体过程如下:
a.将经过预处理后的红外图像按照设定的分块大小划分成N×M个图像子块,逐块查找灰度为极大值的像素点坐标;
b.对得到的N×M个灰度极大值,合并相邻距离小于设定距离的灰度极大值点,获得最终所有符合条件的图像极大值点;
c.利用梯度下降法判断极大值点及其邻域像素是否为目标,从而确定潜在的候选目标集。
所述管道滤波算法的具体实现过程如下:
A.从序列图像的第一帧开始,连续输入n帧,将第一帧图像作为当前帧,对该帧检测出来的候选目标集,建立各个目标的管道;
B.设定管道搜索半径,在设定的管道半径内,逐帧进行候选目标和管道的匹配,如果在管道半径内找到了目标,则将目标信息加入管道,并记录帧数;
C.处理完n帧图像后,统计各候选目标出现的帧数,若有候选目标出现的帧数超过设定值,则该候选目标即为可能的真实目标。
该方法还包括基于去虚警策略的伪目标剔除步骤,所采用的去虚警策略至少包括以下其中的一种:
1)抛掉分块极值单帧红外目标检测算法中极大值滤波窗口背景方差不在设定范围内的图像子块;
2)抛掉分块极值单帧红外目标检测算法中极值点与背景最小灰度差小于设定阈值的图像子块;
3)从候选目标集中抛掉不在真实目标像素范围内的候选目标;
4)从候选目标集中抛掉矩形度小于设定值的候选目标;
5)判断检测的点目标判断形心是否正好是目标点,如果形心不是目标,则剔除该目标。
本发明还提供了一种复杂背景下红外弱小目标检测装置,该检测装置包括预处理单元、分块极值单帧目标检测单元、多帧管道滤波目标确认单元,
所述的预处理单元采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少场景中的噪声干扰,增强目标信噪比;
所述分块极值单帧目标检测单元采用基于分块极值的单帧红外目标检测算法逐帧检测出各预处理后图像中的潜在候选目标集;
所述多帧管道滤波目标确认单元利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标。
所述预处理单元采用的双边滤波算法为分离式双边滤波算法,即先对图像进行水平方向上的一维行滤波,再对水平滤波结果进行垂直方向上的一维列滤波。
所述分块极值单帧目标检测单元的处理过程如下:
a.将经过预处理后的红外图像按照设定的分块大小划分成N×M个图像子块,逐块查找灰度为极大值的像素点坐标;
b.对得到的N×M个灰度极大值,合并相邻距离小于设定距离的灰度极大值点,获得最终所有符合条件的图像极大值点;
c.利用梯度下降法判断极大值点及其邻域像素是否为目标,从而确定潜在的候选目标集。
所述多帧管道滤波目标确认单元的具体实现过程如下:
A.从序列图像的第一帧开始,连续输入n帧,将第一帧图像作为当前帧,对该帧检测出来的候选目标集,建立各个目标的管道;
B.设定管道搜索半径,在设定的管道半径内,逐帧进行候选目标和管道的匹配,如果在管道半径内找到了目标,则将目标信息加入管道,并记录帧数;
C.处理完n帧图像后,统计各候选目标出现的帧数,若有候选目标出现的帧数超过设定值,则该候选目标即为可能的真实目标。
所述的检测装置还包括去虚警伪目标剔除单元,该单元所采用的去虚警策略至少包括以下其中的一种:
1)抛掉分块极值检测单元中极大值滤波窗口背景方差不在设定范围内的图像子块;
2)抛掉分块极值检测单元中极值点与背景最小灰度差小于设定阈值的图像子块;
3)从候选目标集中抛掉不在真实目标像素范围内的候选目标;
4)从候选目标集中抛掉矩形度小于设定值的候选目标;
5)判断检测的点目标判断形心是否正好是目标点,如果形心不是目标,则剔除该目标。
本发明的有益效果是:本发明首先采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少场景中的噪声干扰,增强目标信噪比;然后采用基于分块极值的单帧红外目标检测算法,逐帧检测出各预处理后图像中的潜在候选目标集;再次利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标;最后利用去虚警优化策略,剔除伪目标,最终确认真实目标,实现了对复杂背景红外图像中的弱小目标检测,。通过上述过程,本发明克服了现有红外图像处理技术带来的目标强度变弱、边缘模糊、轮廓变大等不足,在抑制复杂背景噪声干扰的同时,能够较好的保留并增强弱小目标信息,提高了目标检测率,降低了目标漏检率和虚警率。
附图说明
图1是本发明复杂背景下红外弱小目标检测的流程图;
图2是本发明复杂背景下红外弱小目标检测方法的具体实施流程图;
图3-a是未采用本发明中双边滤波算法所检测到的红外目标示意图;
图3-b是采用本发明中双边滤波算法所检测到的红外目标示意图;
图4-a是未采用本发明中双边滤波算法的所检测到的红外目标示意图;
图4-b是采用本发明中双边滤波算法所检测到的红外目标示意图;
图5-a是对不含有红外弱小目标的对地复杂场景红外图像序列进行目标检测的效果示意图;
图5-b是对不含有红外弱小目标的对地复杂场景红外图像序列进行目标检测的效果示意图;
图5-c是对不含有红外弱小目标的对地复杂场景红外图像序列进行目标检测的效果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明的一种复杂背景下红外弱小目标检测方法的实施例。
本发明的复杂背景下红外弱小目标检测方法的流程如图1所示,首先采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少场景中的噪声干扰,增强目标信噪比;然后采用基于分块极值的单帧红外目标检测算法,逐帧检测出各预处理后图像中的潜在候选目标集;最后利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标。该方法的实施步骤如图2所示,具体过程如下:
1.采用双边滤波算法对复杂背景红外图像进行背景抑制。
本实施例中的采用改进型双边滤波对单帧红外图像进行背景抑制预处理,即先对图像进行水平方向上的一维行滤波,再对水平滤波结果进行垂直方向上的一维列滤波,可称其为分离式双边滤波方法。
实现时不再采用5×5的二维核函数对图像进行双边滤波处理,而是选用1×5的滤波核(0.6065,0.8825,1.0000,0.8825,0.6065)。像素间距离远近的空间域系数计算如公式(1),其中,ξ-x表示两个像素间的距离。
基于像素灰度值大小的值域系数计算如公式(2)所示,其中,σ(f(ξ),f(x))表示两个像素值之间的距离,可以直接使用其灰度值之间的差值或者RGB向量之间的欧氏距离。
通过分离式双边滤波获取高频图像和低频图像,经过对高频和低频图像的测试,高频图像上无法检测出目标,而经过平滑后的低频图像可以很好的将噪声干扰平滑,目标区域被区分出来,从而检测出目标。未采用分离式双边滤波算法进行目标检测的结果如图3-a所示,干扰目标误检严重;采用了本发明的分离式双边滤波算法的目标检测结果如图3-b所示,克服了场景中的较多背景干扰。未采用分离式双边滤波算法进行目标检测的结果如图4-a所示,目标常常漏检,采用了本发明的分离式双边滤波算法的目标检测结果如图4-b所示,几乎无漏检现象。
本步骤采用的上述改进型双边滤波算法具有高低频信息尺度丰富、保持边缘等特性,通过该算法进行背景抑制克服了现有技术处理目标强度变弱、边缘模糊和轮廓变大的不足,并且能够在抑制背景噪声干扰的同时,能够较好的保留并增强弱小目标信息,提高了目标检测精度。
2.采用基于分块极值的单帧红外目标检测算法,逐帧检测出各预处理后图像中的潜在候选目标集。
本步骤的目的是通过单帧红外图像检测出潜在的弱小目标,采用分块极值法实现的具体实施步骤如下:
1)将步骤1经过背景抑制和目标增强后的红外图像按照设定的分块大小将图像划分为若干个图像子块,逐块查找灰度为极大值的像素点坐标。本实施例中选用的分块大小可以是64×64或者是32×32,划分的图像子块为N×M。
2)对于获取的N×M个灰度极大值点,将相邻距离小于32或16的灰度极大值点进行合并,以获得所有符合条件的图像极大值点。
3)利用梯度下降法判断极大值点及其邻域像素是否为目标,所有满足上述条件的点即为潜在候选目标点。
3.利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标。
由于目标具有一定的运动连续性,而噪声具有随机性的特点,利用多帧图像序列的连续性信息可进一步剔除随机噪声干扰,最终确认红外弱小目标。本实施例中选用5帧管道滤波确认目标,将在连续5帧中出现3次的候选目标确认为最终可能的真是目标。具体实现过程如下:
a.从序列图像的第一帧开始,连续输入n帧,将第一帧图像作为当前帧,对该帧检测出来的候选目标集,建立各个目标的管道;
b.设定管道搜索半径为50,在设定的管道半径内,逐帧进行候选目标和管道的匹配,如果在管道半径内找到了目标,则将目标信息加入管道,并记录帧数;
c.处理完n帧图像后,统计各候选目标出现的帧数,若有候选目标出现的帧数超过设定值,则该候选目标即为可能的真实目标,本实施例中的n为5,设定值为3;
通过上述过程,本发明能够实时检测出目标位置且提高了目标检测率。由于目前复杂场景下的红外图像噪声干扰多,且具有很多闪烁的噪点,与飞机点目标比较相似,从图像上分析,不如真实目标的能量大。因此,为了进一步提高目标检测准确率,剔除虚警干扰,本发明在上述方法的基础上,采用去虚警策略进行伪目标剔除。所采用的去虚警策略包括以下措施中的一个或多个。
第一个措施是:在步骤2进行分块极值处理过程中,抛掉极大值滤波窗口的背景方差过大或过小的图像子块。这里的背景方差过大指的是背景方差超过其设定的上限值,本实施例中该上限值取20;背景方差过小指的是背景方差小于其设定的下限值,本实施例中该下限值取3。
第二个措施是:在步骤2中进行分块极值处理过程中,抛掉极值点与背景最小灰度差小于阈值的图像子块。本实施例中的阈值可取10。
第三个措施是:根据真实目标像素范围,抛掉目标大小不符合要求的候选目标。本实施例中的真实目标像素范围取3×3~25×25。
第四个措施是:抛掉矩形度不符合要求的候选目标。本实施例中的矩形度下限取0.5.
第五个措施是:判断形心是否在目标上。对检测的点目标判断形心是否正好也是目标点,如果形心不是目标,则剔除该目标。
通过上述措施中的一项或多项能够进一步剔除虚假目标,从而降低了漏警率和虚警率。
为了进一步证明本发明检测方法的虚警率,如图5-a、图5-b、图5-c所示,通过对其他不含有红外弱小目标的对地复杂场景红外图像序列进行测试验证,本发明检测方法不会“无中生有”,不会检测出伪目标。
本发明的一种复杂背景下红外弱小目标检测装置的实施例。
本发明的复杂背景下红外弱小目标检测装置包括预处理单元、分块极值单帧目标检测单元、多帧管道滤波目标确认单元和去虚警伪目标剔除单元。预处理单元采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少场景中的噪声干扰,增强目标信噪比;分块极值单帧目标检测单元采用基于分块极值的单帧红外目标检测算法逐帧检测出各预处理后图像中的潜在候选目标集;多帧管道滤波目标确认单元利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标;去虚警伪目标剔除单元采用多种去虚警策略,剔除伪目标,最终确认真实目标。各单元的具体实现手段已在方法的实施例中进行详细说明,这里不再赘述。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种复杂背景下红外弱小目标检测方法,其特征在于,该检测方法包括以下步骤:
1)采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少场景中的噪声干扰,增强目标信噪比;
2)采用基于分块极值的单帧红外目标检测算法逐帧检测出各预处理后图像中的潜在候选目标集;
3)利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标。
2.根据权利要求1所述的复杂背景下红外弱小目标检测方法,其特征在于,所述步骤1)中的双边滤波为分离式双边滤波,即先对图像进行水平方向上的一维行滤波,再对水平滤波结果进行垂直方向上的一维列滤波。
3.根据权利要求1所述的复杂背景下红外弱小目标检测方法,其特征在于,所述步骤2)基于分块极值的单帧红外目标检测算法的程如下:
a.将经过预处理后的红外图像按照设定的分块大小划分成N×M个图像子块,逐块查找灰度为极大值的像素点坐标;
b.对得到的N×M个灰度极大值,合并相邻距离小于设定距离的灰度极大值点,获得最终所有符合条件的图像极大值点;
c.利用梯度下降法判断极大值点及其邻域像素是否为目标,从而确定潜在的候选目标集。
4.根据权利要求1所述的复杂背景下红外弱小目标检测方法,其特征在于,所述管道滤波算法的具体实现过程如下:
A.从序列图像的第一帧开始,连续输入n帧,将第一帧图像作为当前帧,对该帧检测出来的候选目标集,建立各个目标的管道;
B.设定管道搜索半径,在设定的管道半径内,逐帧进行候选目标和管道的匹配,如果在管道半径内找到了目标,则将目标信息加入管道,并记录帧数;
C.处理完n帧图像后,统计各候选目标出现的帧数,若有候选目标出现的帧数超过设定值,则该候选目标即为可能的真实目标。
5.根据权利要求1-4中任一项所述的复杂背景下红外弱小目标检测方法,其特征在于,该方法还包括基于去虚警策略的伪目标剔除步骤,所采用的去虚警策略至少包括以下其中的一种:
1)抛掉分块极值单帧红外目标检测算法中极大值滤波窗口背景方差不在设定范围内的图像子块;
2)抛掉分块极值单帧红外目标检测算法中极值点与背景最小灰度差小于设定阈值的图像子块;
3)从候选目标集中抛掉不在真实目标像素范围内的候选目标;
4)从候选目标集中抛掉矩形度小于设定值的候选目标;
5)判断检测的点目标判断形心是否正好是目标点,如果形心不是目标,则剔除该目标。
6.一种复杂背景下红外弱小目标检测装置,其特征在于,该检测装置包括预处理单元、分块极值单帧目标检测单元、多帧管道滤波目标确认单元,
所述的预处理单元采用双边滤波算法对图像序列中单帧红外图像逐次进行预处理,以减少场景中的噪声干扰,增强目标信噪比;
所述分块极值单帧目标检测单元采用基于分块极值的单帧红外目标检测算法逐帧检测出各预处理后图像中的潜在候选目标集;
所述多帧管道滤波目标确认单元利用小目标在多帧图像中轨迹的时空连续性,采用管道滤波算法确认候选目标集中可能的真实目标。
7.根据权利要求6所述的复杂背景下红外弱小目标检测装置,其特征在于,所述预处理单元采用的双边滤波算法为分离式双边滤波算法,即先对图像进行水平方向上的一维行滤波,再对水平滤波结果进行垂直方向上的一维列滤波。
8.根据权利要求6所述的复杂背景下红外弱小目标检测装置,其特征在于,所述分块极值单帧目标检测单元的处理过程如下:
a.将经过预处理后的红外图像按照设定的分块大小划分成N×M个图像子块,逐块查找灰度为极大值的像素点坐标;
b.对得到的N×M个灰度极大值,合并相邻距离小于设定距离的灰度极大值点,获得最终所有符合条件的图像极大值点;
c.利用梯度下降法判断极大值点及其邻域像素是否为目标,从而确定潜在的候选目标集。
9.根据权利要求6所述的复杂背景下红外弱小目标检测装置,其特征在于,所述多帧管道滤波目标确认单元的具体实现过程如下:
A.从序列图像的第一帧开始,连续输入n帧,将第一帧图像作为当前帧,对该帧检测出来的候选目标集,建立各个目标的管道;
B.设定管道搜索半径,在设定的管道半径内,逐帧进行候选目标和管道的匹配,如果在管道半径内找到了目标,则将目标信息加入管道,并记录帧数;
C.处理完n帧图像后,统计各候选目标出现的帧数,若有候选目标出现的帧数超过设定值,则该候选目标即为可能的真实目标。
10.根据权利要求6-9中任一项所述的复杂背景下红外弱小目标检测装置,其特征在于,所述的检测装置还包括去虚警伪目标剔除单元,该单元所采用的去虚警策略至少包括以下其中的一种:
1)抛掉分块极值检测单元中极大值滤波窗口背景方差不在设定范围内的图像子块;
2)抛掉分块极值检测单元中极值点与背景最小灰度差小于设定阈值的图像子块;
3)从候选目标集中抛掉不在真实目标像素范围内的候选目标;
4)从候选目标集中抛掉矩形度小于设定值的候选目标;
5)判断检测的点目标判断形心是否正好是目标点,如果形心不是目标,则剔除该目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710424308.2A CN109003277A (zh) | 2017-06-07 | 2017-06-07 | 一种复杂背景下红外弱小目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710424308.2A CN109003277A (zh) | 2017-06-07 | 2017-06-07 | 一种复杂背景下红外弱小目标检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109003277A true CN109003277A (zh) | 2018-12-14 |
Family
ID=64573830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710424308.2A Pending CN109003277A (zh) | 2017-06-07 | 2017-06-07 | 一种复杂背景下红外弱小目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003277A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978851A (zh) * | 2019-03-22 | 2019-07-05 | 北京航空航天大学 | 一种红外视频空中弱小运动目标检测跟踪方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN110502968A (zh) * | 2019-07-01 | 2019-11-26 | 西安理工大学 | 基于轨迹点时空一致性的红外弱小运动目标的检测方法 |
CN111461011A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于概率化管道滤波的弱小目标检测方法 |
CN111666944A (zh) * | 2020-04-27 | 2020-09-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种红外弱小目标检测方法及装置 |
CN112464933A (zh) * | 2020-11-30 | 2021-03-09 | 南京莱斯电子设备有限公司 | 一种地基凝视红外成像弱小目标智能识别方法 |
CN112749714A (zh) * | 2019-10-29 | 2021-05-04 | 中国科学院长春光学精密机械与物理研究所 | 一种单帧红外图像中多形态暗弱小目标检测方法 |
CN114119677A (zh) * | 2022-01-26 | 2022-03-01 | 华中科技大学 | 一种面向低慢小目标的机动光电探测识别系统 |
CN114359264A (zh) * | 2022-03-03 | 2022-04-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种抗红外诱饵干扰的弱小目标检测方法和装置 |
CN115205655A (zh) * | 2022-09-15 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 动态背景下的红外暗弱点目标检测系统及其检测方法 |
CN115631114A (zh) * | 2022-12-06 | 2023-01-20 | 北京九章星图科技有限公司 | 基于时域剖面分析的暗弱动目标指示增强在轨处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413138A (zh) * | 2013-07-18 | 2013-11-27 | 航天恒星科技有限公司 | 一种红外图像序列中点目标检测方法 |
-
2017
- 2017-06-07 CN CN201710424308.2A patent/CN109003277A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413138A (zh) * | 2013-07-18 | 2013-11-27 | 航天恒星科技有限公司 | 一种红外图像序列中点目标检测方法 |
Non-Patent Citations (4)
Title |
---|
DAVID G. LOWE ET AL.: "Distinctive Image Features from Scale-Invariant Keypoints", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
孙继刚: "序列图像红外小目标检测与跟踪算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
张志强: "一种改进的双边滤波算法", 《中国图象图形学报》 * |
谢勤岚: "结合双边滤波和多帧均值滤波的图像降噪", 《计算机工程与应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978851B (zh) * | 2019-03-22 | 2021-01-15 | 北京航空航天大学 | 一种红外视频空中弱小运动目标检测跟踪方法 |
CN109978851A (zh) * | 2019-03-22 | 2019-07-05 | 北京航空航天大学 | 一种红外视频空中弱小运动目标检测跟踪方法 |
CN110502968A (zh) * | 2019-07-01 | 2019-11-26 | 西安理工大学 | 基于轨迹点时空一致性的红外弱小运动目标的检测方法 |
CN110502968B (zh) * | 2019-07-01 | 2022-03-25 | 西安理工大学 | 基于轨迹点时空一致性的红外弱小运动目标的检测方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN112749714A (zh) * | 2019-10-29 | 2021-05-04 | 中国科学院长春光学精密机械与物理研究所 | 一种单帧红外图像中多形态暗弱小目标检测方法 |
CN111461011B (zh) * | 2020-04-01 | 2023-03-24 | 西安电子科技大学 | 基于概率化管道滤波的弱小目标检测方法 |
CN111461011A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于概率化管道滤波的弱小目标检测方法 |
CN111666944A (zh) * | 2020-04-27 | 2020-09-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种红外弱小目标检测方法及装置 |
CN112464933A (zh) * | 2020-11-30 | 2021-03-09 | 南京莱斯电子设备有限公司 | 一种地基凝视红外成像弱小目标智能识别方法 |
CN112464933B (zh) * | 2020-11-30 | 2023-08-01 | 南京莱斯电子设备有限公司 | 一种地基凝视红外成像弱小目标智能识别方法 |
CN114119677A (zh) * | 2022-01-26 | 2022-03-01 | 华中科技大学 | 一种面向低慢小目标的机动光电探测识别系统 |
CN114359264A (zh) * | 2022-03-03 | 2022-04-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种抗红外诱饵干扰的弱小目标检测方法和装置 |
CN115205655B (zh) * | 2022-09-15 | 2022-12-09 | 中国科学院长春光学精密机械与物理研究所 | 动态背景下的红外暗弱点目标检测系统及其检测方法 |
CN115205655A (zh) * | 2022-09-15 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 动态背景下的红外暗弱点目标检测系统及其检测方法 |
CN115631114A (zh) * | 2022-12-06 | 2023-01-20 | 北京九章星图科技有限公司 | 基于时域剖面分析的暗弱动目标指示增强在轨处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003277A (zh) | 一种复杂背景下红外弱小目标检测方法及装置 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN103487729B (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN106469313B (zh) | 一种管径自适应时空域滤波的弱小目标检测方法 | |
CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN105574855B (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN108364277A (zh) | 一种双波段图像融合的红外小目标检测方法 | |
Lipschutz et al. | New methods for horizon line detection in infrared and visible sea images | |
CN104407346A (zh) | 一种基于信息融合的移动式跑道异物监测方法 | |
CN108648184A (zh) | 一种遥感图像高空卷云的检测方法 | |
CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN110400294A (zh) | 一种红外目标探测系统及探测方法 | |
CN107220628B (zh) | 红外干扰源检测的方法 | |
CN104182992B (zh) | 一种基于全景视觉的海上弱小目标检测方法 | |
CN104268877A (zh) | 一种红外图像海天线自适应检测方法 | |
CN109597065A (zh) | 一种用于穿墙雷达检测的虚警抑制方法、装置 | |
CN110728668A (zh) | 一种小目标形态保持的空域高通滤波器 | |
CN112669332B (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
CN107389072B (zh) | 一种小天体表面导航特征区域检测方法 | |
CN104616299B (zh) | 一种基于空时偏微分方程的弱小目标检测方法 | |
Li et al. | An infrared dim and small target detection method based on fractional differential |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |