CN109345472A - 一种复杂场景的红外运动小目标检测方法 - Google Patents

一种复杂场景的红外运动小目标检测方法 Download PDF

Info

Publication number
CN109345472A
CN109345472A CN201811057746.0A CN201811057746A CN109345472A CN 109345472 A CN109345472 A CN 109345472A CN 201811057746 A CN201811057746 A CN 201811057746A CN 109345472 A CN109345472 A CN 109345472A
Authority
CN
China
Prior art keywords
image
formula
sample
follows
background
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.)
Granted
Application number
CN201811057746.0A
Other languages
English (en)
Other versions
CN109345472B (zh
Inventor
石欣
宁强
秦鹏杰
何川
陆未定
王�华
王梨
刘昱岑
罗志红
李文昌
朱琦
廖亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Design Station Of Plateau Mountainous Defense Engineering Of Engineering Design Institute Of Pla Academy
Chongqing University
Original Assignee
Design Station Of Plateau Mountainous Defense Engineering Of Engineering Design Institute Of Pla Academy
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Design Station Of Plateau Mountainous Defense Engineering Of Engineering Design Institute Of Pla Academy, Chongqing University filed Critical Design Station Of Plateau Mountainous Defense Engineering Of Engineering Design Institute Of Pla Academy
Priority to CN201811057746.0A priority Critical patent/CN109345472B/zh
Publication of CN109345472A publication Critical patent/CN109345472A/zh
Application granted granted Critical
Publication of CN109345472B publication Critical patent/CN109345472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种复杂场景的红外运动小目标检测方法，主要步骤为：1)提取运动目标区域。2)根据图像的灰度特性，将图像分为前景和背景两个部分。3)利用光流法对提取出的运动目标区域进行光流估计，提取目标运动矢量信息。4)对提取的运动目标区域进行形态学滤波，分析形态学滤波后运动目标区域的连通域，对不同运动目标区域进行标识。5)设定连通域的探测概率，确定连通域中待检测的样本特征量个数。对所有连通域进行随机采样。6)对连通域中待检测的样本特征量进行迭代计算，准确提取出运动小目标。本发明降低了算法复杂度，提高了检测准确率，有效解决了由于背景与目标差别过大、目标局部遮挡造成的目标误检、漏检及误匹配等问题。

Description

一种复杂场景的红外运动小目标检测方法
技术领域
本发明涉及红外检测领域，具体是一种复杂场景的红外运动小目标检测方法。
背景技术
红外运动目标传统的检测方法有背景差分、光流法、帧差法等方法，其中背景差分法的关键在于背景建模及其更新，在复杂的地面场景下，易受光照影响，难以用参数化的统计模型来快速准确的描述背景；帧差法是基于像素的时间差分，通过二值化来分割提取运动区域，不易受光照影响，但对环境噪声较为敏感，造成目标检测不完整。光流法根据图像序列的时空梯度来估算运动场，通过分析运动场的变化检测出运动对象，检测精度高，但计算过程较为复杂，实时运行有待提高。运用均值漂移算法在边缘遮挡和背景运动不均的情况下，能很好地完成检测过程，是一种不需要先验知识的无参估计方法，但是需要对每个像素值的特征量进行迭代计算，计算量大，实时性较差。
综上所述，在高信噪比环境下采用上述算法能取得较好的检测结果，但是在复杂背景下，易受地面背景干扰，如光照变化、背景扰动、阴影且目标数目和运动速度具有随机性，使现有红外目标检测算法的准确性与实时性难以兼顾。当目标出现局部遮挡、目标与背景比例相差较大时，现有算法易出现目标丢失、误匹配等现象，造成检测准确性降低。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，一种复杂场景的红外运动小目标检测方法，主要包括以下步骤：
1)对待检测的原始图像进行预处理，从而提取出运动目标区域。
所述预处理主要包括以下步骤：
1.1)利用中值滤波法和均值滤波法对原始图像进行背景抑制，从而消除脉冲噪声与高斯噪声，削弱抖动影响。主要步骤如下：
1.1.1)利用中值滤波方法对抽取的原始图像进行滤波，消除高频随机噪声。高频随机噪声主要由抖动、电路传输和像元畸变造成。
1.1.2)利用均值滤波对消除高频随机噪声的原始图像进行再次滤波，消除高斯噪声，得到保留边缘信息的平滑图像。
1.2)利用隔帧差分法对背景抑制后的图像进行与运算，提取出运动目标区域。主要步骤如下：
1.2.1)确定图像间隔帧数N。N＝4。
1.2.2)记消除高频随机噪声和高斯噪声的四帧图像为fi(x,y)，i＝1，2，3，4。
1.2.3)提取差分图像D1(x,y)和差分图像D2(x,y)。
差分图像D1(x,y)如下所示：
D1(x,y)＝fi(x,y)-fi-n(x,y)。 (1)
式中，fi(x,y)为消除高频随机噪声和高斯噪声的图像。fi-n(x,y)为和图像fi(x,y)间隔n-1的图像。n-1为间隔帧数。
差分图像D2(x,y)如下所示：
D2(x,y)＝fi+n(x,y)-fi(x,y)。 (2)
式中，fi+n(x,y)为和图像fi(x,y)间隔n-1的图像。
1.2.4)将差分图像D1(x,y)转换为二值图像FDb(x,y)，将差分图像D2(x,y)转换为二值图像FDf(x,y)。
式中，T为改进自适应分割阈值。
式中，T为改进自适应分割阈值。
1.2.5)对二值图像进行与运算，从而得到运动目标区域E(x,y)。
E(x,y)＝FDb(x,y)∩FDf(x,y)。 (5)
式中，FDb(x,y)和FDf(x,y)均为二值图像。
2)根据图像的灰度特性，利用改进的自适应阈值分割法将图像分为前景和背景两个部分。
将图像分为前景和背景两个部分的主要步骤如下：
2.1)设定待分割图像的前景与背景改进自适应分割阈值为T，前景点数占图像比例为w0，前景平均灰度为u0，背景点数占图像比例为w1，背景平均灰度为u1，图像的总平均灰度为u。
其中，总平均灰度u如下所示：
u＝w0×u0+w1×u1。 (6)
式中，w0为前景点数占图像比例。u0为前景平均灰度。w1为背景点数占图像比例。u1为背景平均灰度。
2.2)计算得到前景和背景图象的方差g，即：
g＝w0×(u0-u)2+w1×(u1-u)2。 (7)
式中，u为图像的总平均灰度。
2.3)计算得到背景和运动目标区域比例权重G(t)，即：
式中，为计算系数。的范围为[0,1]。
2.4)根据方差g和比例权重G(t)，将图像分为前景和背景两个部分。
3)利用光流法对提取出的运动目标区域进行光流估计，从而提取目标运动矢量信息。
4)对提取的运动目标区域进行形态学滤波，并分析形态学滤波后运动目标区域的连通域，从而对不同运动目标区域进行标识。
5)设定连通域的探测概率，并确定连通域中待检测的样本特征量个数。对所有连通域进行随机采样，同时提取连通域的样本特征量。
随机采样步骤如下所示：
5.1)设定连通区域的检测概率PM。
5.2)根据运动目标区域得到样本空间子集Si，即连通域个数，假设Si中包括属于聚类集合A和不属于聚类集合A的样本集B。其中，样本集样本集B中的元素个数为NB。提取特征向量样本X，即连通域中的像素点。
5.3)计算样本X属于集合A的概率p(X∈A)和样本X属于集合B的概率p(X∈B)。
式中，NB为集合B的元素总数。为集合Si的元素总数。
式中，NB为集合B的元素总数。为集合Si的元素总数。
5.4)在Si中重复采样m次。
设定m次采样中，事件发生次数ζ大于0的概率P(ζ＞0)如下所示：
P(ζ＞0)＝1-P(x∈A)m。 (11)
式中，m为采样次数。
5.5)要求事件ζ大于0的检测概率必须大于等于PM,即：
P(ζ＞0)≥PM。 (12)
式中，PM为设定的检测概率阈值。
5.6)m次采样中，聚类集合A的发生次数检测概率如下所示：
P(x∈A)n≤1-PM。 (13)
式中，PM为设定的检测概率阈值。
5.7)计算得到采样次数m的最小值即：
式中，NB为集合B的元素总数。为集合Si的元素总数。
5.8)根据公式14，绘制最小采样次数和样本数的关系曲线图。
6)对每个样本特征量进行迭代计算，准确提取出运动小目标。
迭代计算的主要步骤如下：
6.1)确定初始点(x,y)。
6.2)利用核函数窗口内的所有像素点的特征向量计算均值漂移向量。特征向量X主要包括灰度L、轮廓特征Sx,y和速度矢量||u||。
特征向量X如下所示：
X＝(x,y,||u||,L)； (15)
式中，(x,y)代表像素位置。||u||代表像素点速度矢量。L代表像素点灰度。
均值漂移向量M如下所示：
式中，{Xi}＝1,...,m代表样本空间中特征向量集合。为高斯核函数。h为核函数窗口大小。
6.3)将区域内样本点沿着均值漂移向量移动到新位置，并将新位置作为起点，继续计算均值漂移向量，直到搜索到样本点局部密度极大值区域。搜索到样本点局部密度极大值区域后迭代结束。
本发明的技术效果是毋庸置疑的。本发明降低了算法复杂度，解决了因为样本集较大时，计算复杂度高的问题，尤其当目标数较多的时候，实时性较现有算法有显著提高。本发明检测准确率高，有效解决背景与目标差别过大造成的目标误检问题；运用非参数的核密度估计方法，包含运动矢量信息，对连通域标记结果进行重新划分，避免只根据单纯的连通性对二值化的数据进行分割，造成大量信息(运动矢量)丢失，最终导致检测结果误差较大的影响。
附图说明
图1为复杂场景的红外运动小目标检测方法主流程图；
图2为复杂场景的红外运动小目标检测方法的当前帧图像；
图3为经过中值滤波与均值滤波后的预处理图像；
图4为K帧图像；
图5为K+4帧图像；
图6为运动目标二值化图像；
图7为形态学滤波后运动目标二值化图像；
图8为最小采样次数与样本数(连通区域)的关系曲线图；
图9为结合连通域的均值漂移算法目标标识图像。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
如图1至图9所示，一种复杂场景的红外运动小目标检测方法，主要包括以下步骤：
1)对图2所示384*288大小的红外图像进行预处理，从而提取出运动目标区域。
所述预处理主要包括以下步骤：
1.1)利用中值滤波法和均值滤波法对原始图像进行背景抑制，从而消除脉冲噪声与高斯噪声，削弱抖动影响。主要步骤如下：
1.1.1)利用中值滤波方法对抽取的原始图像进行滤波，消除高频随机噪声。高频随机噪声主要由抖动、电路传输和像元畸变造成。
1.1.2)利用均值滤波对消除高频随机噪声的原始图像进行再次滤波，消除高斯噪声，使图像更加柔和，并且保留边缘信息，从而得到平滑图像，如图3所示。
1.2)以如图4的当前帧图像为基准帧，隔4帧图像选取为参考帧，如图5所示，利用隔帧差分法对背景抑制后的图像进行与运算，提取出运动目标区域。主要步骤如下：
1.2.1)确定图像间隔帧数N。受复杂场景及成像距离远的影响，目标运动速度缓慢，间隔帧数N为4。
1.2.2)记消除高频随机噪声和高斯噪声的四帧图像为fi(x,y)，i＝1，2，3，4。
1.2.3)提取差分图像D1(x,y)和差分图像D2(x,y)。
差分图像D1(x,y)如下所示：
D1(x,y)＝fi(x,y)-fi-n(x,y)。 (1)
式中，fi(x,y)为消除高频随机噪声和高斯噪声的图像。fi-n(x,y)为和图像fi(x,y)间隔为n-1的图像。n-1为间隔帧数。
差分图像D2(x,y)如下所示：
D2(x,y)＝fi+n(x,y)-fi(x,y)。 (2)
式中，fi+n(x,y)为和图像fi(x,y)间隔为n-1的图像。
1.2.4)将差分图像D1(x,y)转换为二值图像FDb(x,y)，将差分图像D2(x,y)转换为二值图像FDf(x,y)。
式中，T为改进自适应分割阈值。
式中，T为改进自适应分割阈值。
1.2.5)对二值图像进行与运算，从而得到运动目标区域E(x,y)。
E(x,y)＝FDb(x,y)∩FDf(x,y)。 (5)
式中，FDb(x,y)和FDf(x,y)均为二值图像。
2)根据图像的灰度特性，利用改进的自适应阈值分割法将图像分为前景和背景两个部分。
将图像分为前景和背景两个部分的主要步骤如下：
2.1)设定待分割图像的前景与背景改进自适应分割阈值为T，前景点数占图像比例为w0，前景平均灰度为u0，背景点数占图像比例为w1，背景平均灰度为u1，图像的总平均灰度为u。
其中，总平均灰度u如下所示：
u＝w0×u0+w1×u1。 (6)
式中，w0为前景点数占图像比例。u0为前景平均灰度。w1为背景点数占图像比例。u1为背景平均灰度。
2.2)计算得到前景和背景图象的方差g，即：
g＝w0×(u0-u)2+w1×(u1-u)2。 (7)
式中，u为图像的总平均灰度。
2.3)计算得到背景和运动目标区域比例权重G(t)，即：
式中，为计算系数。的范围为[0,1]。取0.88。
2.4)根据方差g和比例权重G(t)，将图像分为前景和背景两个部分，即得到二值化图像，如图6所示。
3)利用光流法对提取出的运动目标区域进行光流估计，从而提取目标运动矢量信息。
4)对提取的运动目标区域进行形态学滤波，并分析形态学滤波后运动目标区域的连通域，从而对不同运动目标区域进行标识。对分割后的二值图像采用形态学滤波，先采用的腐蚀元素是3×3的正方形结构，再采用膨胀元素是6×6的正方形结构，滤波后的图像，如图7所示。腐蚀操作使得残余背景几乎被完全滤除，同时红外目标运动区域也缩小了一些。为了恢复原有的运动区域，随即采用膨胀操作，膨胀元素比腐蚀元素稍大，是为了尽可能得到完整的运动区域，经过形态学滤波，可以得到一个较清晰的运动区域检测结果，局部遮挡部分也能完整显示。
5)设定连通域的探测概率，并确定连通域中待检测的样本特征量个数。对所有连通域进行随机采样，同时提取连通域的样本特征量。
随机采样步骤如下所示：
5.1)设定连通区域的检测概率PM。
5.2)根据运动目标区域得到样本空间子集Si，即连通域个数，假设Si中包括属于聚类集合A和不属于聚类集合A的样本集B。其中，样本集样本集B中的元素个数为NB。提取特征向量样本X，即连通域中的像素点。
5.3)计算样本X属于集合A的概率p(X∈A)和样本X属于集合B的概率p(X∈B)。
式中，NB为集合B的元素总数。为集合Si的元素总数。
式中，NB为集合B的元素总数。为集合Si的元素总数。
5.4)在Si中重复采样m次。
设定m次采样中，事件发生次数ζ大于0的概率P(ζ＞0)如下所示：
P(ζ＞0)＝1-P(x∈A)m。 (11)
式中，m为采样次数。ζ为事件发生的次数。
5.5)对事件ζ大于0的检测概率必须大于等于PM,即：
P(ζ＞0)≥PM。 (12)
式中，PM为设定的检测概率阈值。
5.6)m次采样中，聚类集合A的发生次数检测概率如下所示：
P(x∈A)n≤1-PM。 (13)
式中，PM为设定的检测概率阈值。
5.7)计算得到采样次数m的最小值即：
式中，NB为集合B的元素总数。为集合Si的元素总数。
计算每个子集的随机采样次数，即均值漂移算法检验次数；然后用Mean-Shift聚类算法对连通域分析结果进行聚类；若两个子集的聚类中心间的距离小于带宽，将其合并；若子集中的样本个数小于最小样本个数(一般设为25)，则舍去该子集。
5.8)根据公式14，绘制最小采样次数和样本数的关系曲线图。
6)对每个样本特征量进行迭代计算，准确提取出运动小目标，如图9所示。
迭代计算的主要步骤如下：
6.1)确定初始点(x,y)。
6.2)利用核函数窗口内的所有像素点的特征向量计算均值漂移向量。特征向量X主要包括灰度L、轮廓特征Sx,y和速度矢量||u||。
特征向量X如下所示：
X＝(x,y,||u||,L)。 (15)
式中，(x,y)代表像素位置。||u||代表像素点速度矢量。L代表像素点灰度。
均值漂移向量M如下所示：
式中，{Xi}＝1,...,m代表样本空间中特征向量集合。为高斯核函数。h为核函数窗口大小。m为采样次数。i为任意一次采样。
6.3)将区域内样本点沿着均值漂移向量移动到新位置，并将新位置作为起点，继续计算均值漂移向量，直到搜索到样本点局部密度极大值区域。搜索到样本点局部密度极大值区域后迭代结束。
基于随机采样的均值漂移算法对比传统的漂移算法，在计算时间上最大可减少80％。

Claims (6)

1.一种复杂场景的红外运动小目标检测方法，其特征在于，主要包括以下步骤：
1)对待检测的所述原始图像进行预处理，从而提取出运动目标区域。
2)利用改进的自适应阈值分割法将图像分为前景和背景两个部分。
3)利用光流法对提取出的运动目标区域进行光流估计，从而提取目标运动矢量信息；
4)对提取的运动目标区域进行形态学滤波，并分析形态学滤波后运动目标区域的连通域，从而对不同运动目标区域进行标识；
5)设定连通域的探测概率，并确定连通域中待检测的样本特征量个数；对所有连通域进行随机采样，同时提取连通域的样本特征量；
5)对连通域中的待检测样本特征量进行迭代计算，准确提取出运动小目标。
2.根据权利要求1所述的一种复杂场景的红外运动小目标检测方法，其特征在于，所述预处理主要包括以下步骤：
1)利用中值滤波法和均值滤波法对原始图像进行背景抑制，从而消除脉冲噪声与高斯噪声，削弱抖动影响；主要步骤如下：
1.1)利用中值滤波方法对抽取的原始图像进行滤波，消除高频随机噪声；
1.2)利用均值滤波对消除高频随机噪声的原始图像进行再次滤波，消除高斯噪声，得到保留边缘信息的平滑图像；
2)利用隔帧差分法对背景抑制后的图像进行与运算，提取出运动目标区域；主要步骤如下：
2.1)确定图像间隔帧数N；N＝4；
2.2)记消除高频随机噪声和高斯噪声的四帧图像为fi(x,y)，i＝1，2，3，4；
2.3)提取差分图像D1(x,y)和差分图像D2(x,y)；
差分图像D1(x,y)如下所示：
D1(x,y)＝fi(x,y)-fi-n(x,y)； (1)
式中，fi(x,y)为消除高频随机噪声和高斯噪声的图像；fi-n(x,y)为和图像fi(x,y)间隔n-1的图像；n-1为间隔帧数；
差分图像D2(x,y)如下所示：
D2(x,y)＝fi+n(x,y)-fi(x,y)； (2)
式中，fi+n(x,y)为和图像fi(x,y)间隔n-1的图像；
2.4)将差分图像D1(x,y)转换为二值图像FDb(x,y)，将差分图像D2(x,y)转换为二值图像FDf(x,y)；
式中，T为改进自适应分割阈值；
式中，T为改进自适应分割阈值；
2.5)对二值图像进行与运算，从而得到运动目标区域E(x,y)；
E(x,y)＝FDb(x,y)∩FDf(x,y)； (5)
式中，FDb(x,y)和FDf(x,y)均为二值图像。
3.根据权利要求1或2所述的一种复杂场景的红外运动小目标检测方法，其特征在于，将图像分为前景和背景两个部分的主要步骤如下：
1)设定待分割图像的前景与背景改进自适应分割阈值为T，前景点数占图像比例为w0，前景平均灰度为u0，背景点数占图像比例为w1，背景平均灰度为u1，图像的总平均灰度为u；
其中，总平均灰度u如下所示：
u＝w0×u0+w1×u1； (6)
式中，w0为前景点数占图像比例；u0为前景平均灰度；w1为背景点数占图像比例；u1为背景平均灰度；
2)计算得到前景和背景图象的方差g，即：
g＝w0×(u0-u)2+w1×(u1-u)2； (7)
式中，u为图像的总平均灰度；
3)计算得到背景和运动目标区域比例权重G(t)，即：
式中，为计算系数；的范围为[0,1]；
4)根据方差g和比例权重G(t)，将图像分为前景和背景两个部分。
4.根据权利要求1或3所述的一种复杂场景的红外运动小目标检测方法，其特征在于，随机采样步骤如下所示：
1)设定连通区域的检测概率PM；
2)根据运动目标区域得到样本空间子集Si，即连通域个数，假设Si中包括属于聚类集合A和不属于聚类集合A的样本集B；其中，样本集样本集B中的元素个数为NB；提取特征向量样本X，即连通域中的像素点；
3)分别计算样本X属于集合A的概率p(X∈A)和样本X属于集合B的概率p(X∈B)；
式中，NB为集合B的元素总数；为集合Si的元素总数；
式中，NB为集合B的元素总数；为集合Si的元素总数；
4)在Si中重复采样m次；
设定m次采样中，事件发生次数ζ大于0的概率P(ζ＞0)如下所示：
P(ζ＞0)＝1-P(x∈A)m； (11)
式中，m为采样次数；
5)要求事件ζ大于0的检测概率必须大于等于PM,即：
P(ζ＞0)≥PM； (12)
式中，PM为设定的检测概率阈值；
6)m次采样中，聚类集合A的发生次数检测概率如下所示：
P(x∈A)n≤1-PM； (13)
式中，PM为设定的检测概率阈值；
7)计算得到采样次数m的最小值即：
式中，NB为集合B的元素总数；为集合Si的元素总数；
8)根据公式14，绘制最小采样次数和样本数的关系曲线图。
5.根据权利要求1或3所述的一种复杂场景的红外运动小目标检测方法，其特征在于，迭代计算的主要步骤如下：
1)确定初始点(x,y)；
2)利用核函数窗口内的所有像素点的特征向量计算均值漂移向量M；特征向量X主要包括灰度L、轮廓特征Sx,y和速度矢量||u||；
特征向量X如下所示：
X＝(x,y,||u||,L)； (15)
式中，(x,y)代表像素点位置坐标；||u||代表像素点速度矢量；L代表像素点灰度；
均值漂移向量M如下所示：
式中，{Xi}＝1,...,m代表样本空间中特征向量集合，为高斯核函数，h为核函数窗口大小；
3)将区域内样本点沿着均值漂移向量移动到新位置，并将新位置作为起点，继续计算均值漂移向量，直到搜索到样本点局部密度极大值区域；搜索到样本点局部密度极大值区域后迭代结束。
6.根据权利要求1或2所述的一种复杂场景的红外运动小目标检测方法，其特征在于：高频随机噪声主要由抖动、电路传输和像元畸变造成。
CN201811057746.0A 2018-09-11 2018-09-11 一种复杂场景的红外运动小目标检测方法 Active CN109345472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811057746.0A CN109345472B (zh) 2018-09-11 2018-09-11 一种复杂场景的红外运动小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811057746.0A CN109345472B (zh) 2018-09-11 2018-09-11 一种复杂场景的红外运动小目标检测方法

Publications (2)

Publication Number Publication Date
CN109345472A true CN109345472A (zh) 2019-02-15
CN109345472B CN109345472B (zh) 2021-07-06

Family

ID=65305463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811057746.0A Active CN109345472B (zh) 2018-09-11 2018-09-11 一种复杂场景的红外运动小目标检测方法

Country Status (1)

Country Link
CN (1) CN109345472B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009665A (zh) * 2019-03-12 2019-07-12 华中科技大学 一种遮挡环境下的目标检测跟踪方法
CN110111283A (zh) * 2019-05-14 2019-08-09 武汉高德红外股份有限公司 一种复杂背景下红外疑似目标的提示方法及系统
CN110398291A (zh) * 2019-07-25 2019-11-01 中国农业大学 一种运动目标最高温检测方法及系统
CN110599516A (zh) * 2019-08-22 2019-12-20 普联技术有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN110782405A (zh) * 2019-10-14 2020-02-11 中国科学院光电技术研究所 一种基于梯度辨识的点目标和暗斑图像背景均衡方法
CN110853000A (zh) * 2019-10-30 2020-02-28 北京中交国通智能交通系统技术有限公司 一种车辙的检测方法
CN111047624A (zh) * 2019-12-27 2020-04-21 成都英飞睿技术有限公司 图像弱小目标检测方法、装置、设备及存储介质
CN111062954A (zh) * 2019-12-30 2020-04-24 中国科学院长春光学精密机械与物理研究所 一种基于差分信息统计的红外图像分割方法、装置及设备
CN111209877A (zh) * 2020-01-10 2020-05-29 大连理工大学 一种复杂场景下基于深度图的红外小目标检测方法
CN111862149A (zh) * 2020-06-16 2020-10-30 北京九州天航科技发展有限公司 一种红外周扫预警系统的运动告警方法及系统
CN112115977A (zh) * 2020-08-24 2020-12-22 重庆大学 基于尺度不变性与特征融合的目标检测算法
CN115690190A (zh) * 2021-07-26 2023-02-03 国家电网有限公司 基于光流图像和小孔成像的运动目标检测与定位方法
CN117078663A (zh) * 2023-10-13 2023-11-17 中国空气动力研究与发展中心计算空气动力研究所 一种基于背景感知的弱小目标检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719280A (zh) * 2010-01-14 2010-06-02 上海交通大学 红外弱小目标检测方法
US20130022236A1 (en) * 2011-07-20 2013-01-24 Altek Corporation Apparatus Capable of Detecting Location of Object Contained in Image Data and Detection Method Thereof
CN103413303A (zh) * 2013-07-29 2013-11-27 西北工业大学 基于联合显著性的红外目标分割方法
CN103778237A (zh) * 2014-01-27 2014-05-07 北京邮电大学 一种基于活动事件时空重组的视频摘要生成方法
US20150109454A1 (en) * 2009-06-03 2015-04-23 Flir Systems Ab Facilitating analysis and interpretation of associated visible light and infrared (ir) image information
CN105261037A (zh) * 2015-10-08 2016-01-20 重庆理工大学 一种自适应复杂场景的运动目标检测方法
CN105930819A (zh) * 2016-05-06 2016-09-07 西安交通大学 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统
CN106529602A (zh) * 2016-11-21 2017-03-22 中国科学院上海微系统与信息技术研究所 一种毫米波图像自动目标识别方法及装置
CN106952643A (zh) * 2017-02-24 2017-07-14 华南理工大学 一种基于高斯均值超矢量与谱聚类的录音设备聚类方法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法
CN108288030A (zh) * 2017-12-29 2018-07-17 华中科技大学 一种机载红外小目标检测识别实时处理系统和方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150109454A1 (en) * 2009-06-03 2015-04-23 Flir Systems Ab Facilitating analysis and interpretation of associated visible light and infrared (ir) image information
CN101719280A (zh) * 2010-01-14 2010-06-02 上海交通大学 红外弱小目标检测方法
US20130022236A1 (en) * 2011-07-20 2013-01-24 Altek Corporation Apparatus Capable of Detecting Location of Object Contained in Image Data and Detection Method Thereof
CN103413303A (zh) * 2013-07-29 2013-11-27 西北工业大学 基于联合显著性的红外目标分割方法
CN103778237A (zh) * 2014-01-27 2014-05-07 北京邮电大学 一种基于活动事件时空重组的视频摘要生成方法
CN105261037A (zh) * 2015-10-08 2016-01-20 重庆理工大学 一种自适应复杂场景的运动目标检测方法
CN105930819A (zh) * 2016-05-06 2016-09-07 西安交通大学 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统
CN106529602A (zh) * 2016-11-21 2017-03-22 中国科学院上海微系统与信息技术研究所 一种毫米波图像自动目标识别方法及装置
CN106952643A (zh) * 2017-02-24 2017-07-14 华南理工大学 一种基于高斯均值超矢量与谱聚类的录音设备聚类方法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法
CN108288030A (zh) * 2017-12-29 2018-07-17 华中科技大学 一种机载红外小目标检测识别实时处理系统和方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GANHUA LI 等: "Efficient target detection from infrared image sequences using the sequential Monte Carlo method", 《2006 INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 *
周杨 等: "基于光流与 Mean Shift算法的运动目标检测", 《信息技术》 *
李红 等: "基于局域概率分布的红外弱小目标检测", 《信息通信》 *
汤中泽 等: "帧差法和Mean_shift相结合的运动目标自动检测与跟踪", 《科学技术与工程》 *
王华 等: "基于双向稀疏光流融合的小目标检测方法", 《电视技术》 *
鲁好波 等: "基于均值漂移-连通域标记的多目标跟踪算法", 《计算机应用研究》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009665A (zh) * 2019-03-12 2019-07-12 华中科技大学 一种遮挡环境下的目标检测跟踪方法
CN110009665B (zh) * 2019-03-12 2020-12-29 华中科技大学 一种遮挡环境下的目标检测跟踪方法
CN110111283A (zh) * 2019-05-14 2019-08-09 武汉高德红外股份有限公司 一种复杂背景下红外疑似目标的提示方法及系统
CN110398291A (zh) * 2019-07-25 2019-11-01 中国农业大学 一种运动目标最高温检测方法及系统
CN110599516A (zh) * 2019-08-22 2019-12-20 普联技术有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN110782405A (zh) * 2019-10-14 2020-02-11 中国科学院光电技术研究所 一种基于梯度辨识的点目标和暗斑图像背景均衡方法
CN110853000A (zh) * 2019-10-30 2020-02-28 北京中交国通智能交通系统技术有限公司 一种车辙的检测方法
CN110853000B (zh) * 2019-10-30 2023-08-11 北京中交国通智能交通系统技术有限公司 一种车辙的检测方法
CN111047624A (zh) * 2019-12-27 2020-04-21 成都英飞睿技术有限公司 图像弱小目标检测方法、装置、设备及存储介质
CN111062954A (zh) * 2019-12-30 2020-04-24 中国科学院长春光学精密机械与物理研究所 一种基于差分信息统计的红外图像分割方法、装置及设备
CN111062954B (zh) * 2019-12-30 2022-07-08 中国科学院长春光学精密机械与物理研究所 一种基于差分信息统计的红外图像分割方法、装置及设备
CN111209877A (zh) * 2020-01-10 2020-05-29 大连理工大学 一种复杂场景下基于深度图的红外小目标检测方法
WO2021138994A1 (zh) * 2020-01-10 2021-07-15 大连理工大学 一种复杂场景下基于深度图的红外小目标检测方法
CN111209877B (zh) * 2020-01-10 2022-09-20 大连理工大学 一种复杂场景下基于深度图的红外小目标检测方法
CN111862149A (zh) * 2020-06-16 2020-10-30 北京九州天航科技发展有限公司 一种红外周扫预警系统的运动告警方法及系统
CN112115977A (zh) * 2020-08-24 2020-12-22 重庆大学 基于尺度不变性与特征融合的目标检测算法
CN112115977B (zh) * 2020-08-24 2024-04-02 重庆大学 基于尺度不变性与特征融合的目标检测算法
CN115690190A (zh) * 2021-07-26 2023-02-03 国家电网有限公司 基于光流图像和小孔成像的运动目标检测与定位方法
CN115690190B (zh) * 2021-07-26 2023-10-03 国家电网有限公司 基于光流图像和小孔成像的运动目标检测与定位方法
CN117078663A (zh) * 2023-10-13 2023-11-17 中国空气动力研究与发展中心计算空气动力研究所 一种基于背景感知的弱小目标检测方法

Also Published As

Publication number Publication date
CN109345472B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN109345472A (zh) 一种复杂场景的红外运动小目标检测方法
Li et al. Single image rain streak decomposition using layer priors
CN108615226B (zh) 一种基于生成式对抗网络的图像去雾方法
Mikic et al. Moving shadow and object detection in traffic scenes
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN106991686B (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN111260684A (zh) 基于帧差法和背景差分法结合的前景像素提取方法及系统
CN110781721B (zh) 一种基于改进vibe算法的户外场景运动目标检测方法
CN105741319B (zh) 基于盲目更新策略和前景模型的改进视觉背景提取方法
CN108804992B (zh) 一种基于深度学习的人群统计方法
CN113379789B (zh) 一种复杂环境下运动目标跟踪方法
Poulose Literature survey on image deblurring techniques
Ng et al. Object tracking initialization using automatic moving object detection
CN110782487A (zh) 一种基于改进的粒子滤波算法的目标跟踪方法
Wu et al. Overview of video-based vehicle detection technologies
Angelo A novel approach on object detection and tracking using adaptive background subtraction method
Roy et al. A comprehensive survey on computer vision based approaches for moving object detection
Chen et al. A novel background model for real-time vehicle detection
CN114359559A (zh) 基于注意力机制图像块度量学习的弱监督语义分割方法
Zhang et al. Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model
CN113450373A (zh) 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法
CN107564029B (zh) 基于高斯极值滤波和群稀疏rpca的运动目标检测方法
Chowdhury et al. A background subtraction method using color information in the frame averaging process
Haifeng et al. Moving object detection based on background subtraction of block updates
Cheng et al. A novel improved ViBe algorithm to accelerate the ghost suppression

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
GR01 Patent grant
GR01 Patent grant