CN109741396A - 一种极弱小红外目标检测方法 - Google Patents
一种极弱小红外目标检测方法 Download PDFInfo
- Publication number
- CN109741396A CN109741396A CN201811519333.XA CN201811519333A CN109741396A CN 109741396 A CN109741396 A CN 109741396A CN 201811519333 A CN201811519333 A CN 201811519333A CN 109741396 A CN109741396 A CN 109741396A
- Authority
- CN
- China
- Prior art keywords
- infrared
- candidate
- small object
- object point
- weak
- 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 37
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本发明属于红外目标检测技术领域，具体涉及一种极弱小红外目标检测方法，其包括：检测图像中灰度值大于一定阈值的极大值点作为候选红外弱小目标点的中心点；分析候选红外弱小目标点的灰度分布，确定出灰度分割阈值；根据灰度分割阈值进行候选红外弱小目标点局部区域内的特征信息统计；根据真伪红外弱小目标点的特征信息建立识别模型；输入候选红外弱小目标点的特征信息到识别模型进行判别，得到图像中的候选红外弱小目标的检测信息。通过本发明提供的方法进行红外弱小目标检测可以快速得到弱小目标的特征信息，尤其对极弱小目标也具备一定的检测能力。
Description
技术领域
本发明属于红外目标检测技术领域，具体涉及一种极弱小红外目标检测方法。
背景技术
红外弱小目标检测与跟踪是红外预警系统的关键技术，是建立高效完备的一体化预警系统的重要基础。红外弱小目标检测与跟踪算法的作用是在复杂背景下，有效地提取场景中的弱小目标，并对检测到的弱小目标进行持续跟踪，为后续系统提供决策的依据。
精准的红外目标检测算法是远程预警系统的基础。为了将预警系统的告警时间提前，尽可能早的发现入侵目标的位置，必然要求预警系统增加其检测距离。超远距离的目标经过光学系统成像后，不仅所占像素数变得极少，其亮度对比度也会变得较低，成为红外弱小目标。这种目标不存在纹理、形状等特征，成像信息比较少，易被噪声淹没。传统红外目标检测技术已经无法胜任这种情况，不能有效提取红外弱小目标。所以，复杂背景下的红外弱小目标检测与跟踪技术是红外图像处理研究领域中最为困难也最具实际意义与应用价值的课题之一。当红外目标距离越远时成像也就越小。各国军事部门越来越多的把检测距离作为衡量预警系统能力的重要因素。红外弱小目标检测与跟踪技术可以有效的提升红外告警系统的预警距离，增强告警系统的工作效能，在军事领域具有重大的战略意义。
红外弱小目标包含“弱”和“小”两个方面的涵义。他们分别用于描述目标属性的两个方面。“弱”的属性可以采用对比度和信噪比来描述，其中图像的对比度描述了目标与周围背景之间的强度差异，信噪比描述目标信号强度与噪声之间的比值。“小”属性即为目标在图像中所占的像素数。一般而言，红外弱小目标用性能指标参数描述为：对比度小于15％，信噪比小于1.5，成像尺寸小于80个像素(即256×256的0.15％)。然而，远距离下红外极弱小目标的大小范围甚至在3*3～10*10，目标运动缓慢，甚至静止，给红外小目标检测带来更大的挑战和困难。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何提高红外弱小目标的检测性能。
(二)技术方案
为解决现有技术问题，本发明提供一种极弱小红外目标检测方法，所述方法包括如下步骤：
步骤1：检测图像中灰度值大于一定阈值的极大值点作为候选红外弱小目标点的中心点；
步骤2：分析候选红外弱小目标点的灰度分布，确定出灰度分割阈值；
步骤3：根据灰度分割阈值进行候选红外弱小目标点局部区域内的特征信息统计；
步骤4：根据真伪红外弱小目标点的特征信息建立识别模型；
步骤5：输入候选红外弱小目标点的特征信息到识别模型进行判别，得到图像中的候选红外弱小目标的检测信息。
其中，所述步骤2使用灰度直方图分析候选红外弱小目标点的灰度分布。
其中，所述步骤4建立识别模型的方法为：K近邻算法。
其中，所述步骤4建立识别模型的方法为：朴素贝叶斯算法。
其中，所述步骤4建立识别模型的方法为：决策树分类方法。
其中，所述步骤4建立识别模型的方法为：随机森林分类方法。
(三)有益效果
通过本发明提供的方法进行红外弱小目标检测可以快速得到弱小目标的特征信息，尤其对极弱小目标也具备一定的检测能力。
附图说明
图1为本发明技术方案中候选目标点示意图。
图2为本发明技术方案中目标附近灰度分布示意图。
图3为本发明技术方案中识别模型建立过程示意图。
图4为本发明技术方案中检测过程示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
为解决现有技术问题，本发明提供一种极弱小红外目标检测方法，所述方法包括如下步骤：
步骤1：检测图像中灰度值大于一定阈值的极大值点作为候选红外弱小目标点的中心点；
步骤2：分析候选红外弱小目标点的灰度分布，确定出灰度分割阈值；
步骤3：根据灰度分割阈值进行候选红外弱小目标点局部区域内的特征信息统计；
步骤4：根据真伪红外弱小目标点的特征信息建立识别模型；
步骤5：输入候选红外弱小目标点的特征信息到识别模型进行判别，得到图像中的候选红外弱小目标的检测信息。
其中，所述步骤2使用灰度直方图分析候选红外弱小目标点的灰度分布。
其中，所述步骤4建立识别模型的方法为：K近邻算法。
其中，所述步骤4建立识别模型的方法为：朴素贝叶斯算法。
其中，所述步骤4建立识别模型的方法为：决策树分类方法。
其中，所述步骤4建立识别模型的方法为：随机森林分类方法。
实施例1
本实施例对上述方法做进一步描述：
1、检测图像中灰度值大于一定阈值的极大值点作为候选红外弱小目标点的中心点。
红外目标的一大特点是它是一定像素面积的灰度值大于其周围邻域像素的灰度值，表现为一块亮斑点。利用此特性可以排除大面积的背景像素点，进而加快检测的过程。可以采用在每个像素点周围的3×3邻域内，如图1所示。判断中心点像素C的灰度值是否为该8邻域内所有像素的灰度值的极大值。如果是极大值并且其灰度值大于一定的阈值就认定为候选的红外目标的中心点。
2、使用灰度直方图分析候选红外弱小目标点的灰度分布，确定出灰度分割阈值。
由于红外目标的成像大小不一，存在尺度的变化。因此需要将其从背景图像中分割出来。在本实施用例中采用灰度直方图分析法分析候选红外目标周围的像素灰度分布，确定出其分割阈值，进而将红外目标从背景中分割出来。
根据红外目标的成像特点，红外目标上的像素点亮度比较接近，并且通常与周围背景像素点的灰度值差距比较大。根据第一步骤得到的候选目标的中心点的像素值应该是3×3邻域内的像素灰度值的极大值点。那么在以此候选中心点的邻域范围内取得一个更大的像素区域，在实施例中可以取11×11的区域范围。在此范围内对像素的灰度值分布做统计，找到以候选中心点的为波峰的波峰范围和其所在波峰的波谷灰度值，将波谷灰度值选做分割阈值。如图2所示。使用该分割阈值进行该灰度区域的二值化分割。找到包含候选中心点的连通区域。确定出属于该联通区域的像素点为候选红外目标上的点。
3、根据灰度分割阈值进行候选红外弱小目标点局部区域内的特征信息统计。
分析候选红外目标上的点的分布特性，在该实施例中使用的特性包括目标的长、宽、像素点个数，长宽比，像素点个数与长宽乘积的面积比即占空比。还可以根据自己的红外目标特性选择其他特性作为特征信息。并且将真实的和伪红外目标做此类特征信息的统计。伪目标的获取可以选择步骤1和步骤2后得到的除真实红外目标以外的候选红外目标。
4、根据真伪红外弱小目标点的特征信息建立识别模型。
可将步骤3之后得到的真伪红外目标点的作为正负样本的特征信息，真正的目标点作为正样本，而伪目标点作为负样本，以此建立样本库训练识别模型。识别模型的建立可以采用基于模式识别的方法。模式识别是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去的方法。常见的有K近邻算法、朴素贝叶斯算法、决策树、随机森林等。本实施例采用比较成熟并且分类效果比较好的随机森林分类方法。随机森林以决策树为基本分类器的集成学习模型，它集成了Breiman在1996年提出的Bagging算法和1998年由Ho提出的随机子空间方法方法的特点。其原理简述为：利用Bagging算法建立多棵决策树，并且决策树建立过程中只会随机选取训练集含有的部分分类而不采用全部分类，以森林中最多决策树认同的类别作为被测试样本的分类结果。识别模型的建立过程可以用图3表示。
5、输入待选红外弱小目标点的特征信息到识别模型进行判别
通过步骤4可以获得对真伪红外弱小目标的识别模型，在进行红外弱小目标的检测过程中，首先通过步骤1、2和3获取到候选红外弱小目标的特征信息，输入到训练阶段的识别模型就可以对候选红外弱小目标进行判别，进而得到图像中的候选红外弱小目标的检测信息。检测过程如图4所示。
本发明提出的极弱小红外小目标的检测方法通过本发明提出的预处理手段获取了候选的极弱小红外目标的特征信息。在此基础上获得真伪红外极弱小目标的正负训练样本，此种获取正负训练样本的方法有效的获取负样本的关键信息，避免了随机选择负样本带来的关键负样本缺少的问题，从而使得训练得到模式识别模型更加有效，并且此种预处理手段在检测阶段的使用大大加快了检测过程。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种极弱小红外目标检测方法，其特征在于，所述方法包括如下步骤：
步骤1：检测图像中灰度值大于一定阈值的极大值点作为候选红外弱小目标点的中心点；
步骤2：分析候选红外弱小目标点的灰度分布，确定出灰度分割阈值；
步骤3：根据灰度分割阈值进行候选红外弱小目标点局部区域内的特征信息统计；
步骤4：根据真伪红外弱小目标点的特征信息建立识别模型；
步骤5：输入候选红外弱小目标点的特征信息到识别模型进行判别，得到图像中的候选红外弱小目标的检测信息。
2.如权利要求1所述的极弱小红外目标检测方法，其特征在于，所述步骤2使用灰度直方图分析候选红外弱小目标点的灰度分布。
3.如权利要求1所述的极弱小红外目标检测方法，其特征在于，所述步骤4建立识别模型的方法为：K近邻算法。
4.如权利要求1所述的极弱小红外目标检测方法，其特征在于，所述步骤4建立识别模型的方法为：朴素贝叶斯算法。
5.如权利要求1所述的极弱小红外目标检测方法，其特征在于，所述步骤4建立识别模型的方法为：决策树分类方法。
6.如权利要求1所述的极弱小红外目标检测方法，其特征在于，所述步骤4建立识别模型的方法为：随机森林分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811519333.XA CN109741396A (zh) | 2018-12-12 | 2018-12-12 | 一种极弱小红外目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811519333.XA CN109741396A (zh) | 2018-12-12 | 2018-12-12 | 一种极弱小红外目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109741396A true CN109741396A (zh) | 2019-05-10 |
Family
ID=66358923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811519333.XA Pending CN109741396A (zh) | 2018-12-12 | 2018-12-12 | 一种极弱小红外目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109741396A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
| CN113537253A (zh) * | 2021-08-23 | 2021-10-22 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
| CN115205510A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性特征信息判别的复杂场景红外点目标识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295401A (zh) * | 2008-06-05 | 2008-10-29 | 上海交通大学 | 基于线性pca的红外点目标检测方法 |
| CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
| CN101567087A (zh) * | 2009-05-25 | 2009-10-28 | 北京航空航天大学 | 复杂天空背景下红外序列图像弱小目标检测与跟踪方法 |
| CN101719280A (zh) * | 2010-01-14 | 2010-06-02 | 上海交通大学 | 红外弱小目标检测方法 |
| CN102346910A (zh) * | 2010-07-30 | 2012-02-08 | 中国科学院空间科学与应用研究中心 | 一种基于单帧红外图像的点目标的实时检测方法 |
| CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
-
2018
- 2018-12-12 CN CN201811519333.XA patent/CN109741396A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295401A (zh) * | 2008-06-05 | 2008-10-29 | 上海交通大学 | 基于线性pca的红外点目标检测方法 |
| CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
| CN101567087A (zh) * | 2009-05-25 | 2009-10-28 | 北京航空航天大学 | 复杂天空背景下红外序列图像弱小目标检测与跟踪方法 |
| CN101719280A (zh) * | 2010-01-14 | 2010-06-02 | 上海交通大学 | 红外弱小目标检测方法 |
| CN102346910A (zh) * | 2010-07-30 | 2012-02-08 | 中国科学院空间科学与应用研究中心 | 一种基于单帧红外图像的点目标的实时检测方法 |
| CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
| CN112147601B (zh) * | 2020-09-03 | 2023-05-26 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
| CN113537253A (zh) * | 2021-08-23 | 2021-10-22 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
| CN113537253B (zh) * | 2021-08-23 | 2024-01-23 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
| CN115205510A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性特征信息判别的复杂场景红外点目标识别方法 |
| CN115205510B (zh) * | 2022-07-12 | 2023-04-07 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性特征信息判别的复杂场景红外点目标识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nuske et al. | Yield estimation in vineyards by visual grape detection | |
| CN102982313B (zh) | 烟雾检测的方法 | |
| CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN109741396A (zh) | 一种极弱小红外目标检测方法 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
| CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN107580715A (zh) | 用于自动计数微生物菌落的方法和系统 | |
| CN106127253B (zh) | 一种利用样本特征学习分类的红外弱小目标检测方法 | |
| CN104036239A (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
| Mahlisch et al. | A multiple detector approach to low-resolution FIR pedestrian recognition | |
| CN101877074A (zh) | 基于多元特征的结核杆菌目标识别计数算法 | |
| CN101715111B (zh) | 视频监控中滞留物主自动搜寻方法 | |
| CN105260715B (zh) | 面向偏僻地段的小动物目标检测方法 | |
| Grocholsky et al. | A camera and laser system for automatic vine balance assessment | |
| CN107463895B (zh) | 基于邻域向量pca的弱小损伤目标检测方法 | |
| KR101030257B1 (ko) | 카메라의 영상을 이용한 보행자 계수 방법 및 장치 | |
| CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
| CN109313699A (zh) | 用于对一车辆的输入图像进行目标识别的装置和方法 | |
| CN107067039A (zh) | 基于超像素的sar图像舰船目标快速检测方法 | |
| CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
| CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
| Xu et al. | A defect inspection for explosive cartridge using an improved visual attention and image-weighted eigenvalue | |
| CN109271904A (zh) | 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法 | |
| Riyadi et al. | Shape characteristics analysis for papaya size classification |
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: 20190510 |
|
| RJ01 | Rejection of invention patent application after publication |