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 PDFInfo
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000033001 locomotion Effects 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract 1
- 238000005286 illumination Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
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。
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)
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)
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 |
-
2018
- 2018-09-11 CN CN201811057746.0A patent/CN109345472B/zh active Active
Patent Citations (11)
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)
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)
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 |