CN109345472B - 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
CN109345472B
CN109345472B CN201811057746.0A CN201811057746A CN109345472B CN 109345472 B CN109345472 B CN 109345472B CN 201811057746 A CN201811057746 A CN 201811057746A CN 109345472 B CN109345472 B CN 109345472B
Authority
CN
China
Prior art keywords
image
sample
formula
background
moving 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.)
Active
Application number
CN201811057746.0A
Other languages
English (en)
Other versions
CN109345472A (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.)
Plateau Mountain Fortification Engineering Design Station Institute Of Engineering Design Chinese Academy Of Pla
Chongqing University
Original Assignee
Plateau Mountain Fortification Engineering Design Station Institute Of Engineering Design Chinese Academy Of Pla
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 Plateau Mountain Fortification Engineering Design Station Institute Of Engineering Design Chinese Academy Of Pla, Chongqing University filed Critical Plateau Mountain Fortification Engineering Design Station Institute Of Engineering Design Chinese Academy Of Pla
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

Images

Classifications

    • G06T5/70—
    • 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

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)。
Figure BDA0001796242980000021
式中，T为改进自适应分割阈值。
Figure BDA0001796242980000022
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：
Figure BDA0001796242980000031
式中，
Figure BDA0001796242980000032
为计算系数。
Figure BDA0001796242980000033
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
Figure BDA0001796242980000034
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)。
Figure BDA0001796242980000041
式中，NB为集合B的元素总数。
Figure BDA0001796242980000042
为集合Si的元素总数。
Figure BDA0001796242980000043
式中，NB为集合B的元素总数。
Figure BDA0001796242980000044
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
Figure BDA0001796242980000045
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
Figure BDA0001796242980000046
即：
Figure BDA0001796242980000047
式中，NB为集合B的元素总数。
Figure BDA0001796242980000048
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：
Figure BDA0001796242980000051
式中，{Xi}＝1,...,m代表样本空间中特征向量集合。
Figure BDA0001796242980000052
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)。
Figure BDA0001796242980000071
式中，T为改进自适应分割阈值。
Figure BDA0001796242980000072
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：
Figure BDA0001796242980000073
式中，
Figure BDA0001796242980000074
为计算系数。
Figure BDA0001796242980000075
的范围为[0,1]。
Figure BDA0001796242980000076
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
Figure BDA0001796242980000081
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)。
Figure BDA0001796242980000082
式中，NB为集合B的元素总数。
Figure BDA0001796242980000083
为集合Si的元素总数。
Figure BDA0001796242980000084
式中，NB为集合B的元素总数。
Figure BDA0001796242980000085
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
Figure BDA0001796242980000091
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
Figure BDA0001796242980000092
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
Figure BDA0001796242980000093
即：
Figure BDA0001796242980000094
式中，NB为集合B的元素总数。
Figure BDA0001796242980000095
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：
Figure BDA0001796242980000101
式中，{Xi}＝1,...,m代表样本空间中特征向量集合。
Figure BDA0001796242980000102
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 (5)

1.一种复杂场景的红外运动小目标检测方法，其特征在于，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；
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；
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
Figure FDA0003027750340000011
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)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)；
Figure FDA0003027750340000012
式中，NB为集合B的元素总数；
Figure FDA0003027750340000013
为样本空间子集Si的元素总数；
Figure FDA0003027750340000014
式中，NB为集合B的元素总数；
Figure FDA0003027750340000015
为样本空间子集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
Figure FDA0003027750340000016
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为连通区域的检测概率；
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)m≤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
Figure FDA0003027750340000021
即：
Figure FDA0003027750340000022
式中，NB为集合B的元素总数；
Figure FDA0003027750340000023
为样本空间子集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；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；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fj(x,y)，j＝1，2，3，4；(x,y)代表像素点位置坐标；
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)＝fj(x,y)-fj-n(x,y)； (1)
式中，fj(x,y)为消除高频随机噪声和高斯噪声的图像；fj-n(x,y)为和图像fj(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)＝fj+n(x,y)-fj(x,y)； (2)
式中，fj+n(x,y)为和图像fj(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)；
Figure FDA0003027750340000031
式中，T为改进自适应分割阈值；
Figure FDA0003027750340000032
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：
Figure FDA0003027750340000041
式中，
Figure FDA0003027750340000042
为计算系数；
Figure FDA0003027750340000043
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：
Figure FDA0003027750340000044
式中，{Xi}＝1,...,m'代表样本空间中特征向量集合，
Figure FDA0003027750340000045
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。
5.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 CN109345472A (zh) 2019-02-15
CN109345472B true 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)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110398291B (zh) * 2019-07-25 2020-11-10 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
CN110782405B (zh) * 2019-10-14 2022-10-18 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
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
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
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
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
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

Citations (9)

* 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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10044946B2 (en) * 2009-06-03 2018-08-07 Flir Systems Ab Facilitating analysis and interpretation of associated visible light and infrared (IR) image information
TWI459307B (zh) * 2011-07-20 2014-11-01 Altek Corp 具物體位置偵測功能之裝置及其偵測方法

Patent Citations (9)

* 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
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
Efficient target detection from infrared image sequences using the sequential Monte Carlo method;Ganhua Li 等;《2006 International Conference on Mechatronics and Automation》;20061211;第549-554页 *
基于光流与 Mean Shift算法的运动目标检测;周杨 等;《信息技术》;20161231(第11期);第163-168页 *
基于双向稀疏光流融合的小目标检测方法;王华 等;《电视技术》;20161231;第40卷(第3期);第122-125页 *
基于均值漂移-连通域标记的多目标跟踪算法;鲁好波 等;《计算机应用研究》;20111031;第28卷(第10期);第3963-3966页 *
基于局域概率分布的红外弱小目标检测;李红 等;《信息通信》;20131231(第9期);第42-43页 *
帧差法和Mean_shift相结合的运动目标自动检测与跟踪;汤中泽 等;《科学技术与工程》;20100831;第10卷(第24期);第5895-5899页 *

Also Published As

Publication number Publication date
CN109345472A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109345472B (zh) 一种复杂场景的红外运动小目标检测方法
CN108052917B (zh) 一种基于新旧时相变化发现的违章建筑自动识别的方法
CN111062273B (zh) 一种遗留物品追溯检测与报警方法
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
CN107590427B (zh) 基于时空兴趣点降噪的监控视频异常事件检测方法
CN110598613B (zh) 一种高速公路团雾监测方法
CN102494675A (zh) 一种运动目标特征高速视觉捕捉方法
Ravanfar et al. Low contrast sperm detection and tracking by watershed algorithm and particle filter
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
CN110827262B (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
CN109389609B (zh) 基于fart神经网络的交互自反馈红外目标检测方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN109255799B (zh) 一种基于空间自适应相关滤波器的目标跟踪方法及系统
CN109118453A (zh) 一种背景抑制的图像处理方法
CN108226890B (zh) 基于时间向统计的机场异物雷达检测方法
CN111161308A (zh) 一种基于关键点匹配的双波段融合目标提取方法
CN113379789B (zh) 一种复杂环境下运动目标跟踪方法
CN108491796B (zh) 一种时域周期点目标检测方法
Angelo A novel approach on object detection and tracking using adaptive background subtraction method
CN108647693B (zh) 一种基于二元显著性特征的海面红外目标检测方法
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
Cao et al. Vehicle objects detection of video images based on gray-scale characteristics
Vinary et al. Object tracking using background subtraction algorithm
Fakharian et al. Hybrid object detection using improved Gaussian mixture model
Lyu Research on subway pedestrian detection algorithm based on big data cleaning technology

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