CN110084833A - 一种基于自适应邻域判决技术的红外运动目标检测方法 - Google Patents

一种基于自适应邻域判决技术的红外运动目标检测方法 Download PDF

Info

Publication number
CN110084833A
CN110084833A CN201910339556.6A CN201910339556A CN110084833A CN 110084833 A CN110084833 A CN 110084833A CN 201910339556 A CN201910339556 A CN 201910339556A CN 110084833 A CN110084833 A CN 110084833A
Authority
CN
China
Prior art keywords
image
target
frame
mass center
judgment
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
Application number
CN201910339556.6A
Other languages
English (en)
Inventor
杨林
蒋文婷
张力
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.)
Beijing Institute of Computer Technology and Applications
Original Assignee
Beijing Institute of Computer Technology and Applications
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 Beijing Institute of Computer Technology and Applications filed Critical Beijing Institute of Computer Technology and Applications
Priority to CN201910339556.6A priority Critical patent/CN110084833A/zh
Publication of CN110084833A publication Critical patent/CN110084833A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based 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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于自适应邻域判决技术的红外运动目标检测方法，其中，包括：利用侧抑制模板对图像序列进行滤波处理，滤除平缓变化的背景和增强目标区域；对图像进行特征提取，将特征提取后的图像作为外部输入刺激，获得分割后的二值图像，并提取出候选目标；对分割后的二值图像序列中的每一帧图像进行连接分量标记，计算每一帧图像中所有连接分量的质心并保存；取每一帧图像中质心的最大横坐标分别与前一帧质心的最大横坐标相减，得到每一帧目标运动速度矩阵；对运动速度矩阵取中位数，作为该图像序列中弱小目标的平均运动速度，并计算真正目标的质心；确定真正目标的质心之后，则在标记图像中找到该质心所在的连通区域，将目标提取。

Description

一种基于自适应邻域判决技术的红外运动目标检测方法
技术领域
本发明涉及红外图像目标的检测方法，尤其涉及基于自适应邻域判决技术的红外运动目标检测方法。
背景技术
红外技术应用广泛，根据不同目标及应用目的，有各种各样的红外系统。红外弱小目标检测技术是红外探测系统的核心技术之一，引起了越来越多的研究兴趣。
目前，红外运动目标检测领域主要面临两个关键问题：背景复杂和目标弱小。上述问题使得红外弱小目标的准确和鲁棒性检测面临挑战。传统经典算法虽部分解决了强杂波背景下的红外弱小目标检测问题，但均不同程度存在一定的缺陷，包括：对复杂背景的抑制能力不足，算法过于复杂等。上述因素使强杂波背景下的红外运动小目标检测成为具有挑战性的研究方向。
侧抑制机制是人类视觉系统中的一种信息处理机制，具有增强反差，抑制低频信息的作用。利用侧抑制网络对图像滤波进行特征提取，可有效抑制图像背景和增强目标。脉冲耦合神经网络(PCNN)作为第三代神经网络用于模拟单个神经元的同步脉冲发放机制，由于PCNN具有脉冲耦合特性、非线性调制特性、变阈值特性及神经元的邻域捕捉特性等多种特性，有利于完整地保留图像的区域信息，使其在图像分割方面具有独特的优势。关于侧抑制网络在红外小目标检测识别的相关研究，国内还比较少见。
基于图像序列的运动小目标检测技术已成为信息处理的一个热门课题，目前已有许多检测算法，如基于全局搜索的检测算法；基于投影变换的检测算法；基于相位信息的检测算法；基于遗传算法的检测方法；多级假设检验法以及细胞神经网络检测法等。这些算法虽然在理论上成立，但同时也存在着这样或那样的不足。有的算法要求有严格的前提条件限制；有的算法必须采用专用的硬件结构；有的算法计算量和存储量非常巨大，在工程实践中难于实现。
发明内容
本发明涉及一种基于自适应邻域判决技术的红外运动目标检测方法，用于解决上述现有技术的问题。
本发明一种基于自适应邻域判决技术的红外运动目标检测方法，其中，包括：对图像进行特征提取，将特征提取后的图像作为外部输入刺激，获得分割后的二值图像，并提取出候选目标；对分割后的二值图像序列中的每一帧图像进行连接分量标记，计算每一帧图像中所有连接分量的质心并保存；取每一帧图像中质心的最大横坐标分别与前一帧质心的最大横坐标相减，得到每一帧目标运动速度矩阵；对运动速度矩阵取中位数，作为该图像序列中弱小目标的平均运动速度，根据平均运动速度v确定寻找候选目标的邻域大小S，其计算方法包括:S＝2v+1；每次对红外序列中的M帧图像进行一次判断；在第k(k≥M)帧内，选定一个候选目标点P(x，y)，判断第k－l帧中(x，y)点的S×S邻域内是否有候选目标点；若有，则计数器i+1并继续判断第k－2帧；否则，将邻域扩大为(x，y)点的(S+1)×(S+1)邻域，继续判断第k－2帧；每M帧中允许最多有t帧目标暂时消失；若在M帧内计数器i≥(M－t)，则为真正目标的质心，否则，则视为噪声点；确定真正目标的质心之后，则在标记图像中找到该质心所在的连通区域，将目标提取。
根据本发明的基于自适应邻域判决技术的红外运动目标检测方法的一实施例，其中，利用侧抑制模板对图像序列进行滤波处理，滤除平缓变化的背景和增强目标区域，其处理公式为：
式中：F(x，y)为输入图像的灰度分布；G(x，y)为经过侧抑制模板滤波后的输出图像的灰度分布；L(r，s)是像素点(r，s)对像素点(m，n)在抑制模板中的抑制系数。
根据本发明的基于自适应邻域判决技术的红外运动目标检测方法的一实施例，其中，对图像进行特征提取，将特征提取后的图像作为外部输入刺激，输入到PCNN中运行。
根据本发明的基于自适应邻域判决技术的红外运动目标检测方法的一实施例，其中，PCNN模型依据每个像素点自身及其周围区域的灰度分布确定是否对该像素点火，从而获得分割后的二值图像，并提取出候选目标。
根据本发明的基于自适应邻域判决技术的红外运动目标检测方法的一实施例，其中，M的取值范围为7～9。
根据本发明的基于自适应邻域判决技术的红外运动目标检测方法的一实施例，其中，操作限制次数为t次，t≤2。
根据本发明的基于自适应邻域判决技术的红外运动目标检测方法的一实施例，其中，利用侧抑制模板对图像序列进行滤波处理，滤除平缓变化的背景和增强目标区域；
根据本发明的基于自适应邻域判决技术的红外运动目标检测方法的一实施例，其中，利用侧抑制模板对图像序列进行滤波处理包括：选取侧抑制滤波模板，利用侧抑制网络突出边缘的增强反差作用，滤除空间低频信息，抑制复杂背景和增强目标。
本发明目标检测流程来实现该方法，通过使用侧抑制网络对图像序列进行滤波处理。然后将特征提取后的图像输入PCNN网络，分割出候选目标，通过对目标运动的平均速度和对应领域大学进行计算后，根据候选目标运动连续性判断候选目标是目标还是随机噪声，最终提取出目标区域，本发明在红外运动小目标检测领域有重要意义。
附图说明
图1所示为本发明领域判决法流程框图。
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。
图1所示为本发明基于自适应邻域判决技术的红外运动目标检测方法的流程框图，如图1所示，基于自适应邻域判决技术的红外运动目标检测方法包括:
利用侧抑制模板对图像序列进行滤波处理，滤除平缓变化的背景和增强目标区域。其处理公式为：
式中：F(x，y)为输入图像的灰度分布；G(x，y)为经过侧抑制模板滤波后的输出图像的灰度分布；L(r，s)是像素点(r，s)对像素点(m，n)在抑制模板中的抑制系数。
将特征提取后的图像作为外部输入刺激，输入到PCNN中运行，PCNN模型依据每个像素点自身及其周围区域的灰度分布确定是否对该像素点火，从而获得分割后的二值图像，并提取出候选目标；
对分割后的二值图像序列中的每一帧图像进行连接分量标记，计算每一帧图像中所有连接分量的质心并保存；
取每一帧图像中质心的最大横坐标分别与前一帧质心的最大横坐标相减，得到每一帧目标运动速度矩阵(单位为:像素/帧)；为了不受随机噪声的影响，对运动速度矩阵取中位数，作为该图像序列中弱小目标的平均运动速度。根据平均运动速度v可以确定寻找候选目标的邻域大小S，其计算方法如下:
S＝2v+1
为了利用帧间目标运动的连续性和关联性，每次对红外序列中的M帧图像进行一次判断，M取值太大会影响运算速度和效率，太小会降低检测精度，M的取值范围为7～9。
在第k(k≥M)帧内，选定一个候选目标点P(x，y)，判断第k－l帧中(x，y)点的S×S邻域内是否有候选目标点。若有，则计数器i+1并继续判断第k－2帧；否则，将邻域扩大为(x，y)点的(S+1)×(S+1)邻域，继续判断第k－2帧。考虑到环境的干扰可能使目标在某一帧的像面上暂时消失，因此每M帧中允许最多有t帧目标暂时消失(计数器q+1)，即:此步操作限制次数为t次(t≤2)；若在M帧内计数器i≥(M－t)，则判断其为真正目标的质心，否则，则视其为噪声点。确定真正目标的质心之后，则在标记图像中找到该质心所在的连通区域，即真正的目标区域，从而将目标提取出来。
本发明首先，选取侧抑制滤波模板，利用侧抑制网络突出边缘的增强反差作用，滤除空间低频信息，抑制复杂背景和增强目标。对原始红外图像中各像素点进行滤波。然后将特征图像利用PCNN网络进行图像处理,产生脉动输出图像序列。最后，利用改进的邻域判决法提取出真正的目标。通过计算目标的运动速度自适应确定邻域的大小，然后根据弱小运动目标运动的连续性提取出真正目标，剔除噪声点，实现目标的最终提取。即如果在第k帧图像的像素点处有目标，则该目标在第k+1帧中必然会出现在其上一帧像素点的邻域内，而在连续多帧图像中并没有这种连续性。因此，当候选目标点在M帧图像中相应的邻域内连续出现m次以上(m≤M)，则判定该点为真正的目标点；反之，判定为随机噪声和干扰点。
本发明目标检测流程来实现该方法，通过使用侧抑制网络对图像序列进行滤波处理。然后将特征提取后的图像输入PCNN网络，分割出候选目标，通过对目标运动的平均速度和对应领域大学进行计算后，根据候选目标运动连续性判断候选目标是目标还是随机噪声，最终提取出目标区域，本发明在红外运动小目标检测领域有重要意义。
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 (8)

1.一种基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，包括：
对图像进行特征提取，将特征提取后的图像作为外部输入刺激，获得分割后的二值图像，并提取出候选目标；
对分割后的二值图像序列中的每一帧图像进行连接分量标记，计算每一帧图像中所有连接分量的质心并保存；
取每一帧图像中质心的最大横坐标分别与前一帧质心的最大横坐标相减，得到每一帧目标运动速度矩阵；对运动速度矩阵取中位数，作为该图像序列中弱小目标的平均运动速度，根据平均运动速度v确定寻找候选目标的邻域大小S，其计算方法包括:
S＝2v+1；
每次对红外序列中的M帧图像进行一次判断；在第k(k≥M)帧内，选定一个候选目标点P(x，y)，判断第k－l帧中(x，y)点的S×S邻域内是否有候选目标点；若有，则计数器i+1并继续判断第k－2帧；否则，将邻域扩大为(x，y)点的(S+1)×(S+1)邻域，继续判断第k－2帧；每M帧中允许最多有t帧目标暂时消失；若在M帧内计数器i≥(M－t)，则为真正目标的质心，否则，则视为噪声点；确定真正目标的质心之后，则在标记图像中找到该质心所在的连通区域，将目标提取。
2.如权利要求1所述的基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，利用侧抑制模板对图像序列进行滤波处理，滤除平缓变化的背景和增强目标区域，其处理公式为：
式中：F(x，y)为输入图像的灰度分布；G(x，y)为经过侧抑制模板滤波后的输出图像的灰度分布；L(r，s)是像素点(r，s)对像素点(m，n)在抑制模板中的抑制系数。
3.如权利要求1所述的基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，对图像进行特征提取，将特征提取后的图像作为外部输入刺激，输入到PCNN中运行。
4.如权利要求3所述的基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，PCNN模型依据每个像素点自身及其周围区域的灰度分布确定是否对该像素点火，从而获得分割后的二值图像，并提取出候选目标。
5.如权利要求1所述的基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，M的取值范围为7～9。
6.如权利要求1所述的基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，操作限制次数为t次，t≤2。
7.如权利要求1所述的基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，还包括：利用侧抑制模板对图像序列进行滤波处理，滤除平缓变化的背景和增强目标区域。
8.如权利要求7所述的基于自适应邻域判决技术的红外运动目标检测方法，其特征在于，利用侧抑制模板对图像序列进行滤波处理包括：选取侧抑制滤波模板，利用侧抑制网络突出边缘的增强反差作用，滤除空间低频信息，抑制复杂背景和增强目标。
CN201910339556.6A 2019-04-25 2019-04-25 一种基于自适应邻域判决技术的红外运动目标检测方法 Pending CN110084833A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910339556.6A CN110084833A (zh) 2019-04-25 2019-04-25 一种基于自适应邻域判决技术的红外运动目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910339556.6A CN110084833A (zh) 2019-04-25 2019-04-25 一种基于自适应邻域判决技术的红外运动目标检测方法

Publications (1)

Publication Number Publication Date
CN110084833A true CN110084833A (zh) 2019-08-02

Family

ID=67416716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910339556.6A Pending CN110084833A (zh) 2019-04-25 2019-04-25 一种基于自适应邻域判决技术的红外运动目标检测方法

Country Status (1)

Country Link
CN (1) CN110084833A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738688A (zh) * 2019-10-25 2020-01-31 中国人民解放军国防科技大学 一种新的红外超弱运动目标检测方法
CN112465057A (zh) * 2020-12-08 2021-03-09 中国人民解放军空军工程大学 一种基于深度卷积神经网络的目标检测识别方法
CN112991290A (zh) * 2021-03-10 2021-06-18 北京百度网讯科技有限公司 图像稳像方法、装置、路侧设备、云控平台

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2453263A (en) * 2006-05-16 2009-04-01 Douglas S Greer System and method for modeling the neocortex and uses therefor
CN103268595A (zh) * 2013-05-27 2013-08-28 重庆邮电大学 基于侧抑制系数的红外图像增强处理方法
CN106651924A (zh) * 2016-12-28 2017-05-10 广西民族大学 一种侧抑制的随机分形搜索模板匹配方法
CN106709497A (zh) * 2016-11-16 2017-05-24 北京理工大学 一种基于pcnn的红外运动弱小目标检测方法
CN107590496A (zh) * 2017-09-18 2018-01-16 南昌航空大学 复杂背景下红外小目标的关联检测方法
CN107977945A (zh) * 2017-12-18 2018-05-01 深圳先进技术研究院 一种图像增强方法、系统及电子设备
CN109033969A (zh) * 2018-06-26 2018-12-18 北京理工大学 基于贝叶斯显著图计算模型的红外目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2453263A (en) * 2006-05-16 2009-04-01 Douglas S Greer System and method for modeling the neocortex and uses therefor
CN103268595A (zh) * 2013-05-27 2013-08-28 重庆邮电大学 基于侧抑制系数的红外图像增强处理方法
CN106709497A (zh) * 2016-11-16 2017-05-24 北京理工大学 一种基于pcnn的红外运动弱小目标检测方法
CN106651924A (zh) * 2016-12-28 2017-05-10 广西民族大学 一种侧抑制的随机分形搜索模板匹配方法
CN107590496A (zh) * 2017-09-18 2018-01-16 南昌航空大学 复杂背景下红外小目标的关联检测方法
CN107977945A (zh) * 2017-12-18 2018-05-01 深圳先进技术研究院 一种图像增强方法、系统及电子设备
CN109033969A (zh) * 2018-06-26 2018-12-18 北京理工大学 基于贝叶斯显著图计算模型的红外目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史漫丽 等: "基于自适应侧抑制网络的红外弱小目标检测", 《强激光与粒子束》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738688A (zh) * 2019-10-25 2020-01-31 中国人民解放军国防科技大学 一种新的红外超弱运动目标检测方法
CN112465057A (zh) * 2020-12-08 2021-03-09 中国人民解放军空军工程大学 一种基于深度卷积神经网络的目标检测识别方法
CN112991290A (zh) * 2021-03-10 2021-06-18 北京百度网讯科技有限公司 图像稳像方法、装置、路侧设备、云控平台
CN112991290B (zh) * 2021-03-10 2023-12-05 阿波罗智联(北京)科技有限公司 图像稳像方法、装置、路侧设备、云控平台

Similar Documents

Publication Publication Date Title
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
CN104657945B (zh) 复杂背景下多尺度时空联合滤波的红外小目标检测方法
Zhang et al. Three-frame difference algorithm research based on mathematical morphology
CN110084833A (zh) 一种基于自适应邻域判决技术的红外运动目标检测方法
CN109272489A (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN104766334B (zh) 红外弱小目标检测跟踪方法及其装置
CN107392885A (zh) 一种基于视觉对比机制的红外弱小目标检测方法
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN104268877B (zh) 一种红外图像海天线自适应检测方法
CN105469090B (zh) 红外图像中基于频域残差的小目标检测方法及装置
CN109447073A (zh) 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN109934178A (zh) 一种基于Kronecker基稀疏表示的红外弱小目标检测方法
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN110135312B (zh) 一种基于分级lcm的快速小目标检测方法
CN106709497A (zh) 一种基于pcnn的红外运动弱小目标检测方法
CN111353496B (zh) 一种红外弱小目标实时检测方法
CN110490904A (zh) 一种弱小目标检测与跟踪方法
CN107993219A (zh) 一种基于机器视觉的船板表面缺陷检测方法
CN108614998B (zh) 一种单像素红外目标检测方法
CN107818547B (zh) 一种面向微光图像序列中椒盐和高斯混合噪声的去除方法
CN105631405B (zh) 基于多级分块的交通视频智能识别背景建模方法
CN115359258A (zh) 一种成分不确定度测量的弱小目标检测方法及系统
Zafar et al. Human silhouette extraction on FPGAs for infrared night vision military surveillance
Liu et al. [Retracted] Self‐Correction Ship Tracking and Counting with Variable Time Window Based on YOLOv3
Jiang et al. Automatic space debris extraction channel based on large field of view photoelectric detection system

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: 20190802

RJ01 Rejection of invention patent application after publication