CN110502968B - 基于轨迹点时空一致性的红外弱小运动目标的检测方法 - Google Patents

基于轨迹点时空一致性的红外弱小运动目标的检测方法 Download PDF

Info

Publication number
CN110502968B
CN110502968B CN201910591848.9A CN201910591848A CN110502968B CN 110502968 B CN110502968 B CN 110502968B CN 201910591848 A CN201910591848 A CN 201910591848A CN 110502968 B CN110502968 B CN 110502968B
Authority
CN
China
Prior art keywords
track
trajl
points
point
contour
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
CN201910591848.9A
Other languages
English (en)
Other versions
CN110502968A (zh
Inventor
赵凡
王婷婷
惠凯迪
邵思迪
李妮
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910591848.9A priority Critical patent/CN110502968B/zh
Publication of CN110502968A publication Critical patent/CN110502968A/zh
Application granted granted Critical
Publication of CN110502968B publication Critical patent/CN110502968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了本发明基于轨迹点时空一致性的红外弱小运动目标的检测方法，首先，对连续的视频帧图像，提取不同长度的稠密轨迹，生成动态变化的轨迹列表；其次，应用轨迹点空间聚集模型对单帧图像中的候选目标进行检测并利用运动特性对伪目标进行剔除；针对轨迹点的聚集性表示，提出了一种轮廓数编码机制；最后，针对连续视频帧，提出了一种基于轮廓码字一致性的后向目标检测算法；本发明同时考虑目标轨迹点的空间聚集性和时间一致性，以求检测率的最大化和虚警率的最小化。

Description

基于轨迹点时空一致性的红外弱小运动目标的检测方法
技术领域
本发明属于红外图像处理方法技术领域，具体涉及基于轨迹点时空一致性的红外弱小运动目标的检测方法。
背景技术
红外探测器因为有着优秀的隐蔽本领、超强的环境适应能力和抗干扰性，较小的体积、较轻的重量和较低的功耗等优点，红外探测技术近几十年在人们的生活、医疗、军事、工程等领域有着越来越广泛的应用。但红外视频一般由探测器远距离拍摄得到，目标在成像系统上的成像面积小，在当前视频帧图像中所占像素个数有限；亮度低，没有清晰的形状和纹理信息；对比度差，红外弱小目标常常淹没在背景噪声中；运动方向和大小难于预测，所以如何在复杂的背景环境下高效的在视频中检测出红外弱小目标具有重要的军事意义和理论意义。
Wang等人在2013年IEEE International Conference on Computer Vision(ICCV)中提出了一种改进的稠密轨迹算法，在行人识别方面取得了很好的效果。受此想法启发，本发明提出了一种基于轨迹点时空一致性的红外弱小运动目标检测算法，首次将目标的稠密轨迹应用于红外弱小目标检测之中。
发明内容
本发明的目的是提供基于轨迹点时空一致性的红外弱小运动目标的检测方法，同时考虑目标轨迹点的空间聚集性和时间一致性，实现检测率的最大化和虚警率的最小化。
本发明采用的技术方案是，基于轨迹点时空一致性的红外弱小运动目标的检测方法，具体按照以下步骤实施：
步骤1、采集视频图像V＝{Ik}，并灰度化处理得V'＝{Igrayk}，图像大小为width×height，k＝1,2,…,K，K为视频总帧数；
步骤2、创建一个动态变化的轨迹列表TrajL，初始化TrajL为空，轨迹列表中每条轨迹的最大长度设置为15；
步骤3、判断步骤1中采集到的当前帧图像Ik是否为视频的第一帧图像I1，如果是，转入步骤4；否则转入步骤5；
步骤4、对第一帧视频帧灰度图像Igray1进行稠密采样，得到稠密点集
Figure GDA0003385926510000021
N1为稠密点的总个数,把P_sam1中的点按顺序添加到TrajL中的第一列：
Figure GDA0003385926510000022
式中，TrajL(:,1)对应TrajL中的第一列轨迹点，TrajL中第1列的轨迹点集记为
Figure GDA0003385926510000023
步骤5、利用Farneback光流算法计算前后两帧图像Igrayk-1和Igrayk的光流场，得到光流场flowk，根据光流场flowk对TrajL中第n-1列轨迹点集
Figure GDA0003385926510000024
进行跟踪，得到Igrayk中对应的跟踪点集
Figure GDA0003385926510000025
2≤k≤K，把P_trak中的点依次压入TrajL的第n列：
Figure GDA0003385926510000026
式中，TrajL(:,n)对应TrajL中第n列轨迹点，Nk-1为TrajL的第n列的轨迹点总个数；
步骤6、根据背景点与目标点运动特性的不同对TrajL中的可疑轨迹进行滤除，生成滤除后的轨迹列表TrajL'，TrajL'的第n列轨迹点表示为：
Figure GDA0003385926510000031
式中，TrajL'(:,n)对应TrajL'中第n列轨迹点，Nk-1 -为TrajL'的第n列轨迹点的总个数，TrajL'中第n列轨迹点集记为
Figure GDA0003385926510000032
步骤7、创建一个二值图像
Figure GDA0003385926510000033
根据TrajL'中第n列轨迹点集PSk中的轨迹点在Igrayk中的坐标位置对
Figure GDA0003385926510000034
中的对应像素赋值为255，其余像素赋值为0，对
Figure GDA0003385926510000035
进行形态学膨胀处理，得到图像
Figure GDA0003385926510000036
对图像
Figure GDA0003385926510000037
进行轮廓提取，得到轮廓集
Figure GDA0003385926510000038
r＝1,2,…,Rk，Rk为第k帧提取到的轮廓个数；
步骤8、采用编码算法对轨迹列表TrajL'中第n列轨迹点集PSk中的轨迹点的所在轮廓号进行编码，得到对应的码字集
Figure GDA0003385926510000039
并计算得到各个轮廓
Figure GDA00033859265100000310
内的轨迹点集
Figure GDA00033859265100000311
Nr表示第r个轮廓内的轨迹点个数，r＝1,2,…,Rk；
步骤9、分别计算各个轮廓
Figure GDA00033859265100000312
内轨迹点集
Figure GDA00033859265100000313
在前s帧对应轨迹点集
Figure GDA00033859265100000314
的聚集性，表示为符号
Figure GDA00033859265100000315
1≤s≤S，S表示需要计算聚集性的最大连续帧帧数，r＝1,2,…,Rk；
步骤10、s从1到S对
Figure GDA00033859265100000316
求和，
Figure GDA00033859265100000317
判断
Figure GDA00033859265100000318
在连续S帧对应的轨迹点集的聚集连续性，如果sumI≥T2×S,说明当前帧的第r个轮廓内的轨迹点集在连续S帧中存在时空一致性，则
Figure GDA00033859265100000319
为目标轮廓，存入当前帧目标轮廓容器objk中，反之，就认为当前帧的第r个轮廓内的轨迹点集在连续S帧中不存在时空一致性，则
Figure GDA0003385926510000041
对应伪目标，r＝1,2,…,Rk；
步骤11、对TrajL'中第n列的轨迹点进行稠密化，更新轨迹列表TrajL'为TrajL″，此时TrajL″的第n列轨迹点为：
Figure GDA0003385926510000042
式中，Nk为TrajL″的第n列轨迹点的总个数；
步骤12、在视频图像Ik中输出步骤10计算得到的目标检测结果objk；
步骤13、令k＝k+1，如果k≤K，令TrajL＝TrajL”，p＝p'，并转入步骤5，否则目标检测结束。
本发明的特点还在于：
步骤4具体过程为：
步骤4.1、调用OpenCv函数cornerMinEigenVal()子函数，计算图像Igray1的最小特征值图像，得到图像Ieig1；
步骤4.2、计算图像Ieig1的灰度值最大值maxVal；
步骤4.3、设置阈值T1，计算公式如下式：
T1＝max Val×quality
quality为经验值；
步骤4.4、对Ieig1中的像素点是否是特征点进行判断，对Ieig1图像中任意一点坐标(x,y)，如果该点的像素灰度值大于等于阈值T,则该像素点是特征点，否则不是特征点，所有特征点组成Igray1中检测到的稠密点集
Figure GDA0003385926510000043
N1为检测到的稠密点的总个数；
步骤4.5、将
Figure GDA0003385926510000051
压入轨迹列表TrajL的第1列：
Figure GDA0003385926510000052
TrajL(:,1)对应TrajL中的第一列轨迹点，N1表示第一列轨迹点的总个数，第1列的轨迹点集记为
Figure GDA0003385926510000053
步骤5具体过程为：
步骤5.1、利用Farneback光流算法计算Igrayk-1与Igrayk间的光流场，得到光流场flowk；
步骤5.2、根据光流场flowk对
Figure GDA0003385926510000054
中的各个轨迹点按如下公式进行跟踪，得到其在Igrayk对应的跟踪点集
Figure GDA0003385926510000055
公式中的
Figure GDA0003385926510000056
表示稠密光流场，uj,vj分别表示光流场的水平和竖直分量，M表示一个模板为3×3的中值滤波；
Figure GDA0003385926510000057
1≤j≤Nk-1
把P_trak中的点按顺序压入TrajL的第n列：
Figure GDA0003385926510000058
TrajL(:,n)对应TrajL的第n列轨迹点，轨迹点个数为Nk-1。
步骤6具体过程为：
步骤6.1、以当前帧Ik为截止帧，此时
Figure GDA0003385926510000061
其中
Figure GDA0003385926510000062
表示第j条轨迹：
Figure GDA0003385926510000063
j＝1,2,…,Nk-1，
Figure GDA0003385926510000064
表示第j条轨迹长度；
步骤6.2、初始化轨迹计数器j＝1；
步骤6.3、判断第j条轨迹的轨迹长度是否大于N，如果是，则从TrajL中删除该条轨迹，并进入步骤6.9；否则进入步骤6.4；
步骤6.4、计算第j条轨迹的位移总长度ToLj：
Figure GDA0003385926510000065
Figure GDA0003385926510000066
和
Figure GDA0003385926510000067
分别为轨迹
Figure GDA0003385926510000068
中的第1个和最后一个轨迹点，|| ||2表示欧式距离，其中
Figure GDA0003385926510000069
和
Figure GDA00033859265100000610
分别为轨迹
Figure GDA00033859265100000611
中的第1个和最后一个轨迹点在图像Igrayk中的像素坐标；
步骤6.5、计算第j条轨迹中任何相邻轨迹点的位移长度
Figure GDA00033859265100000612
Figure GDA00033859265100000613
步骤6.6、用求最大值函数max()求
Figure GDA00033859265100000614
的最大值MoLj：
Figure GDA00033859265100000615
步骤6.7、计算ToLj与MoLj的比值，记为
Figure GDA00033859265100000616
步骤6.8、判断第j条轨迹是否是可疑轨迹，若
Figure GDA00033859265100000617
则该条轨迹为可疑轨迹，并从TrajL中删除该条轨迹，其中w是阈值系数；
步骤6.9、j＝j+1，如果j≤Nk-1，转入步骤6.3，否则转入步骤6.10；
步骤6.10、输出滤除后的轨迹列表TrajL'；TrajL'表示为：
Figure GDA0003385926510000071
Nk-1 -表示轨迹个数，TrajL'中第n列轨迹点集记为
Figure GDA0003385926510000072
Nk-1 -亦为PSk中轨迹点总个数。
步骤7具体过程为：
步骤7.1、创建一个二值图像
Figure GDA0003385926510000073
根据TrajL'中第k列轨迹点集PSk中的轨迹点在Igrayk中的坐标位置对
Figure GDA0003385926510000074
中对应像素值赋值255，其余像素赋值为0；
步骤7.2、调用OpenCv函数dilate()子函数对二值图像
Figure GDA0003385926510000075
进行形态学膨胀处理，得到二值图像
Figure GDA0003385926510000076
步骤7.3、对二值图像
Figure GDA0003385926510000077
提取轮廓，得到轮廓集
Figure GDA0003385926510000078
r＝1,2,…,Rk，Rk为矩形轮廓的个数。
步骤7.3具体过程为：
步骤7.3.1、通过调用OpenCv函数findCoutours子函数对膨胀后的二值图像
Figure GDA0003385926510000079
进行多边形轮廓提取；
步骤7.3.2、调用OpenCv函数approxPolyDP子函数对多边形轮廓进行多边形拟合；
步骤7.3.3、通过调用OpenCv子函数bounding Rect函数对多边形轮廓进行修正，得到矩形轮廓集合
Figure GDA00033859265100000710
r＝1,2,…,Rk，Rk为矩形轮廓的个数。
步骤8具体过程为：
步骤8.1、初始化PSk中所有轨迹点的所在轮廓号码字为-1；
Figure GDA0003385926510000081
步骤8.2、对PSk中所有的轨迹点所在轮廓号码字进行编码：
步骤8.2.1、初始化轨迹点计数器j＝1；
步骤8.2.2、初始化轮廓号计数器r＝1；
步骤8.2.3、判断
Figure GDA0003385926510000082
是否属于
Figure GDA0003385926510000083
内，如果属于，则该轨迹点的所在轮廓号码字为
Figure GDA0003385926510000084
步骤8.2.4、r＝r+1，如果r≤Rk，则转入步骤8.2.3，否则转入8.2.5；
步骤8.2.5、判断
Figure GDA0003385926510000085
的所在轮廓号码字
Figure GDA0003385926510000086
是否为-1，如果是，则该轨迹点的所在轮廓号码字为(Rk,255]范围内的一个随机数，即：
Figure GDA0003385926510000087
其中rand(a,b)为随机数生成函数，返回一个在[a,b]范围内的随机数值；
步骤8.2.6、j＝j+1，如果j≤Nk-1 -，则转入步骤8.2.3，否则转入8.3；
步骤8.3、把PSk中的所有轨迹点按所属轮廓进行集合划分，得到各轮廓
Figure GDA0003385926510000088
内的轨迹点集合
Figure GDA0003385926510000089
Nr表示第r个轮廓内的轨迹点个数，r＝1,2,…,Rk。
步骤9具体过程为：
步骤9.1、初始化轮廓号计数器r＝1；
步骤9.2、提取
Figure GDA00033859265100000810
内的轨迹点集
Figure GDA00033859265100000811
的所在轮廓号码字集，表示为：
Figure GDA00033859265100000812
步骤9.3、提取
Figure GDA00033859265100000813
中每一个轨迹点在轨迹列表TrajL'中对应的行号，得到对应的轨迹点行集合
Figure GDA00033859265100000814
步骤9.4、初始化帧数计数器s＝1；
步骤9.5、根据轨迹点行号集
Figure GDA0003385926510000091
提取轨迹点集
Figure GDA0003385926510000092
在前s帧图像中对应的轨迹点集：
Figure GDA0003385926510000093
步骤9.6、提取
Figure GDA0003385926510000094
中所有轨迹点对应的所在轮廓号码字集：
Figure GDA0003385926510000095
步骤9.7、分别计算
Figure GDA0003385926510000096
中所有码字的均值和方差，得到均值
Figure GDA0003385926510000097
和方差
Figure GDA0003385926510000098
步骤9.8、设定阈值范围
Figure GDA0003385926510000099
判断
Figure GDA00033859265100000910
中是否有80％的码字在阈值范围内，如果满足条件，则说明第r个轮廓内的轨迹点在前s帧图像中具有聚集性，表示为
Figure GDA00033859265100000911
反之，则说明第r个轮廓内的轨迹点在第前s帧图像中不具有聚集性，表示为
Figure GDA00033859265100000912
步骤9.9、s＝s+1，如果s≤S，转入步骤9.5，否则转入步骤9.10；
步骤9.10、r＝r+1，如果r≤Rk，则转入步骤9.2，否则转入步骤9.11；
步骤9.11、输出
Figure GDA00033859265100000913
s＝1,2,…,S，r＝1,2,…,Rk。
步骤11具体过程为：
对Igrayk进行稠密采样，稠密采样具体步骤同步骤4，将异于PSk中轨迹点的采样点
Figure GDA00033859265100000914
依次序追加到TrajL'中第n列数据的后面，并对这些新增的采样点按步骤8进行所在轮廓号编码；此时TrajL'更新为TrajL″，TrajL″中第n列元素为：
Figure GDA00033859265100000915
Nk为TrajL″的第n列轨迹点的总个数。
本发明的有益效果是：
本发明基于轨迹点时空一致性的红外弱小运动目标的检测方法，首先，对连续的视频帧图像，提取不同长度的稠密轨迹，生成动态变化的轨迹列表；其次，应用轨迹点空间聚集模型对单帧图像中的候选目标进行检测并利用运动特性对伪目标进行剔除；针对轨迹点的聚集性特性，提出了一种轮廓数编码机制；最后，针对连续视频帧，提出了一种基于轮廓码字一致性的后向目标检测算法；本发明同时考虑目标轨迹点的空间聚集性和时间一致性，以求检测率的最大化和虚警率的最小化，解决了复杂环境带来的检测困扰，能够准确的检测出复杂场景中的目标以及当背景与目标对比度很低时，也能准确检测到目标。
附图说明
图1是本发明基于轨迹点时空一致性的红外弱小运动目标的检测方法流程图；
图2是本发明运动目标检测方法中轨迹列表生成流程图；
图3是本发明运动目标检测方法中可疑轨迹删除流程图；
图4是本发明运动目标检测方法中提取目标轮廓流程图；
图5是本发明运动目标检测方法中轨迹点所属轮廓号编码流程图；
图6是本发明运动目标检测方法中轮廓内轨迹点时空一致性判断流程图；
图7是本发明中实施例视频一的原始图像；
图8是本发明中实施例视频二的原始图像；
图9是本发明中实施例视频三的原始图像；
图10是本发明中实施例视频四的原始图像；
图11是本发明中实施例视频一的真值图像；
图12是本发明中实施例视频二的真值图像；
图13是本发明中实施例视频三的真值图像；
图14是本发明中实施例视频四的真值图像；
图15是本发明中实施例视频一的检测结果图像；
图16是本发明中实施例视频二的检测结果图像；
图17是本发明中实施例视频三的检测结果图像；
图18是本发明中实施例视频四的检测结果图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
常用的弱小目标检测算法有很多，Qi S等作者的文章“A fast-saliency methodfor real-time infrared small target detection”(简称FS)中的检测算法通过结合高斯平滑的梯度增强操作可以检测出大部分目标，但当背景与目标对比度很低的情况下，几乎检测不到目标。Jinhui Han等作者的文章“Infrared Small Target DetectionUtilizing the Multiscale Relative Local Contrast Measure”(简称RLCM)中的检测算法通过计算目标与背景的局部对比度，自适应阈值分割得到候选目标区域，适用于目标与背景之间的对比度较大的情况。但是当目标和背景之间的对比度很小时，检测效果将显着降低，且在对比度高于分割阈值的情况下发生许多误检测。尽管可以使用S.Kim等作者的文章“Highly efficient supersonic small infrared target detection using temporalcontrast filter”(简称TCF)中的检测方法通过构造时间方差滤波器可以检测大多数目标，但由于光线和阴影变化引起的帧差异不仅仅集中在目标上，因此该方法会在天空和两个交叉点处产生许多误报警。Minjie Wan等作者的文章“Infrared Small Moving TargetDetection via Saliency Histogram and Geometrical Invariability”(简称SH&GI)中的检测算法通过在频域中进行幅值变换增强目标，通过几何不变性的帧间虚警抑制提高检测精度，可以准确检测出背景相比简单的目标，但当背景过于复杂时，分割阈值无法很好的控制，会产生很多的误报。结合上述四种算法存在的缺陷，本发明提出了一种基于轨迹点时空一致性的红外弱小目标检测方法。
本发明基于轨迹点时空一致性的红外弱小运动目标的检测方法，如图1所示，具体按照以下步骤实施：
步骤1、采集视频图像V＝{Ik}，并灰度化处理得V'＝{Igrayk}，图像大小为width×height，k＝1,2,…,K，K为视频总帧数；
步骤2、创建一个动态变化的轨迹列表TrajL，初始化TrajL为空，轨迹列表中每条轨迹的最大长度设置为15；
步骤3、判断步骤1中采集到的当前帧图像Ik是否为视频的第一帧图像I1，如果是，转入步骤4；否则转入步骤5；
步骤4、如图2所示，对第一帧视频帧灰度图像Igray1进行稠密采样，得到稠密点集
Figure GDA0003385926510000121
N1为稠密点的总个数,把P_sam1中的点按顺序添加到TrajL中的第一列：
Figure GDA0003385926510000122
式中，TrajL(:,1)对应TrajL中的第一列轨迹点，TrajL中第1列的轨迹点集记为
Figure GDA0003385926510000123
具体过程为：
步骤4.1、调用OpenCv函数cornerMinEigenVal()子函数，计算图像Igray1的最小特征值图像，得到图像Ieig1；
步骤4.2、计算图像Ieig1的灰度值最大值maxVal；
步骤4.3、设置阈值T1，计算公式如下式：
T1＝max Val×quality
quality为经验值，取值为0.001；
步骤4.4、对Ieig1中的像素点是否是特征点进行判断，对Ieig1图像中任意一点坐标(x,y)，如果该点的像素灰度值大于等于阈值T,则该像素点是特征点，否则不是特征点，所有特征点组成Igray1中检测到的稠密点集
Figure GDA0003385926510000131
N1为检测到的稠密点的总个数；
步骤4.5、将
Figure GDA0003385926510000132
压入轨迹列表TrajL的第1列：
Figure GDA0003385926510000133
TrajL(:,1)对应TrajL中的第一列轨迹点，N1表示第一列轨迹点的总个数，第1列的轨迹点集记为
Figure GDA0003385926510000134
步骤5、利用Farneback光流算法计算前后两帧图像Igrayk-1和Igrayk的光流场，得到光流场flowk，根据光流场flowk对TrajL中第n-1列轨迹点集
Figure GDA0003385926510000135
进行跟踪，得到Igrayk中对应的跟踪点集
Figure GDA0003385926510000136
2≤k≤K，把P_trak中的点依次压入TrajL的第n列：
Figure GDA0003385926510000137
式中，TrajL(:,n)对应TrajL中第n列轨迹点，Nk-1为TrajL的第n列的轨迹点总个数；
具体过程为：
步骤5.1、利用Farneback光流算法计算Igrayk-1与Igrayk间的光流场，得到光流场flowk；
步骤5.2、根据光流场flowk对
Figure GDA0003385926510000141
中的各个轨迹点按如下公式进行跟踪，得到其在Igrayk对应的跟踪点集
Figure GDA0003385926510000142
公式中的
Figure GDA0003385926510000143
表示稠密光流场，uj,vj分别表示光流场的水平和竖直分量，M表示一个模板为3×3的中值滤波；
Figure GDA0003385926510000144
1≤j≤Nk-1
把P_trak中的点按顺序压入TrajL的第n列：
Figure GDA0003385926510000145
TrajL(:,n)对应TrajL的第n列轨迹点，轨迹点个数为Nk-1。
步骤6、根据背景点与目标点运动特性的不同对TrajL中的可疑轨迹进行滤除，生成滤除后的轨迹列表TrajL'，TrajL'的第n列轨迹点表示为：
Figure GDA0003385926510000146
式中，TrajL'(:,n)对应TrajL'中第n列轨迹点，Nk-1 -为TrajL'的第n列轨迹点的总个数，TrajL'中第n列轨迹点集记为
Figure GDA0003385926510000147
如图3所示，具体过程为：
步骤6.1、以当前帧Ik为截止帧，此时
Figure GDA0003385926510000151
其中
Figure GDA0003385926510000152
表示第j条轨迹：
Figure GDA0003385926510000153
j＝1,2,…,Nk-1
Figure GDA0003385926510000154
表示第j条轨迹长度；
步骤6.2、初始化轨迹计数器j＝1；
步骤6.3、判断第j条轨迹的轨迹长度是否大于N，如果是，则从TrajL中删除该条轨迹，并进入步骤6.9；否则进入步骤6.4；
步骤6.4、计算第j条轨迹的位移总长度ToLj：
Figure GDA0003385926510000155
Figure GDA0003385926510000156
和
Figure GDA0003385926510000157
分别为轨迹
Figure GDA0003385926510000158
中的第1个和最后一个轨迹点，||||2表示欧式距离，其中
Figure GDA0003385926510000159
和
Figure GDA00033859265100001510
分别为轨迹
Figure GDA00033859265100001511
中的第1个和最后一个轨迹点在图像Igrayk中的像素坐标；
步骤6.5、计算第j条轨迹中任何相邻轨迹点的位移长度
Figure GDA00033859265100001512
Figure GDA00033859265100001513
步骤6.6、用求最大值函数max()求
Figure GDA00033859265100001514
的最大值MoLj：
Figure GDA00033859265100001515
步骤6.7、计算ToLj与MoLj的比值，记为
Figure GDA00033859265100001516
步骤6.8、判断第j条轨迹是否是可疑轨迹，若
Figure GDA00033859265100001517
则该条轨迹为可疑轨迹，并从TrajL中删除该条轨迹，其中w是阈值系数，取值为3.0；
步骤6.9、j＝j+1，如果j≤Nk-1，转入步骤6.3，否则转入步骤6.10；
步骤6.10、输出滤除后的轨迹列表TrajL'；TrajL'表示为：
Figure GDA0003385926510000161
Nk-1 -表示轨迹个数，TrajL'中第n列轨迹点集记为
Figure GDA0003385926510000162
Nk-1 -亦为PSk中轨迹点总个数。
步骤7、如图4所示，创建一个二值图像
Figure GDA0003385926510000163
根据TrajL'中第n列轨迹点集PSk中的轨迹点在Igrayk中的坐标位置对
Figure GDA0003385926510000164
中的对应像素赋值为255，其余像素赋值为0，对
Figure GDA0003385926510000165
进行形态学膨胀处理，得到图像
Figure GDA0003385926510000166
对图像
Figure GDA0003385926510000167
进行轮廓提取，得到轮廓集
Figure GDA0003385926510000168
r＝1,2,…,Rk，Rk为第k帧提取到的轮廓个数；
具体过程为：
步骤7.1、创建一个二值图像
Figure GDA0003385926510000169
根据TrajL'中第n列轨迹点集PSk中的轨迹点在Igrayk中的坐标位置对
Figure GDA00033859265100001610
中对应像素值赋值255，其余像素赋值为0；
步骤7.2、调用OpenCv函数dilate()子函数对二值图像
Figure GDA00033859265100001611
进行形态学膨胀处理，得到二值图像
Figure GDA00033859265100001612
步骤7.3、对二值图像
Figure GDA00033859265100001613
提取轮廓，得到轮廓集
Figure GDA00033859265100001614
r＝1,2,…,Rk，Rk为矩形轮廓的个数；
具体过程为：
步骤7.3.1、通过调用OpenCv函数findCoutours子函数对膨胀后的二值图像
Figure GDA00033859265100001615
进行多边形轮廓提取；
步骤7.3.2、调用OpenCv函数approxPolyDP子函数对多边形轮廓进行多边形拟合；
步骤7.3.3、通过调用OpenCv子函数bounding Rect函数对多边形轮廓进行修正，得到矩形轮廓集合
Figure GDA0003385926510000171
r＝1,2,…,Rk，Rk为矩形轮廓的个数。
步骤8、如图5所示，采用编码算法对轨迹列表TrajL'中第n列轨迹点集PSk中的轨迹点的所在轮廓号进行编码，得到对应的码字集
Figure GDA0003385926510000172
并计算得到各个轮廓
Figure GDA0003385926510000173
内的轨迹点集
Figure GDA0003385926510000174
Nr表示第r个轮廓内的轨迹点个数，r＝1,2,…,Rk；
具体过程为：
步骤8.1、初始化PSk中所有轨迹点的所在轮廓号码字为-1；
Figure GDA0003385926510000175
步骤8.2、对PSk中所有的轨迹点所在轮廓号码字进行编码：
步骤8.2.1、初始化轨迹点计数器j＝1；
步骤8.2.2、初始化轮廓号计数器r＝1；
步骤8.2.3、判断
Figure GDA0003385926510000176
是否属于
Figure GDA0003385926510000177
内，如果属于，则该轨迹点的所在轮廓号码字为
Figure GDA0003385926510000178
步骤8.2.4、r＝r+1，如果r≤Rk，则转入步骤8.2.3，否则转入8.2.5；
步骤8.2.5、判断
Figure GDA0003385926510000179
的所在轮廓号码字
Figure GDA00033859265100001710
是否为-1，如果是，则该轨迹点的所在轮廓号码字为(Rk,255]范围内的一个随机数，即：
Figure GDA00033859265100001711
其中rand(a,b)为随机数生成函数，返回一个在[a,b]范围内的随机数值；
步骤8.2.6、j＝j+1，如果j≤Nk-1 -，则转入步骤8.2.3，否则转入8.3；
步骤8.3、把PSk中的所有轨迹点按所属轮廓进行集合划分，得到各轮廓
Figure GDA0003385926510000181
内的轨迹点集合
Figure GDA0003385926510000182
Nr表示第r个轮廓内的轨迹点个数，r＝1,2,…,Rk。
步骤9、分别计算各个轮廓
Figure GDA0003385926510000183
内轨迹点集
Figure GDA0003385926510000184
在前s帧对应轨迹点集
Figure GDA0003385926510000185
的聚集性，表示为符号
Figure GDA0003385926510000186
1≤s≤S，S表示需要计算聚集性的最大连续帧帧数，r＝1,2,…,Rk；
具体过程为：
步骤9.1、初始化轮廓号计数器r＝1；
步骤9.2、提取
Figure GDA0003385926510000187
内的轨迹点集
Figure GDA0003385926510000188
的所在轮廓号码字集，表示为：
Figure GDA0003385926510000189
步骤9.3、提取
Figure GDA00033859265100001810
中每一个轨迹点在轨迹列表TrajL'中对应的行号，得到对应的轨迹点行集合
Figure GDA00033859265100001811
步骤9.4、初始化帧数计数器s＝1；
步骤9.5、根据轨迹点行号集
Figure GDA00033859265100001812
提取轨迹点集
Figure GDA00033859265100001813
在前s帧图像中对应的轨迹点集：
Figure GDA00033859265100001814
步骤9.6、提取
Figure GDA00033859265100001821
中所有轨迹点对应的所在轮廓号码字集：
Figure GDA00033859265100001815
步骤9.7、分别计算
Figure GDA00033859265100001816
中所有码字的均值和方差，得到均值
Figure GDA00033859265100001817
和方差
Figure GDA00033859265100001818
步骤9.8、设定阈值范围
Figure GDA00033859265100001819
判断
Figure GDA00033859265100001820
中是否有80％的码字在阈值范围内，如果满足条件，则说明第r个轮廓内的轨迹点在前s帧图像中具有聚集性，表示为
Figure GDA0003385926510000191
反之，则说明第r个轮廓内的轨迹点在第前s帧图像中不具有聚集性，表示为
Figure GDA0003385926510000192
步骤9.9、s＝s+1，如果s≤S，转入步骤9.5，否则转入步骤9.10；
步骤9.10、r＝r+1，如果r≤Rk，则转入步骤9.2，否则转入步骤9.11；
步骤9.11、输出
Figure GDA0003385926510000193
s＝1,2,…,S，r＝1,2,…,Rk。
步骤10、如图6所示，s从1到S对
Figure GDA0003385926510000194
求和，
Figure GDA0003385926510000195
判断
Figure GDA0003385926510000196
在连续S帧对应的轨迹点集的聚集连续性，如果sumI≥T2×S,说明当前帧的第r个轮廓内的轨迹点集在连续S帧中存在时空一致性，则
Figure GDA0003385926510000197
为目标轮廓，存入当前帧目标轮廓容器objk中，反之，就认为当前帧的第r个轮廓内的轨迹点集在连续S帧中不存在时空一致性，则
Figure GDA00033859265100001910
对应伪目标，r＝1,2,…,Rk，本发明取值为S＝4,T2＝0.75；
步骤11、对TrajL'中第n列的轨迹点进行稠密化，更新轨迹列表TrajL'为TrajL″，此时TrajL″的第n列轨迹点为：
Figure GDA0003385926510000198
式中，Nk为TrajL″的第k列轨迹点的总个数；
具体过程为：
对Igrayk进行稠密采样，稠密采样具体步骤同步骤4，将异于PSk中轨迹点的采样点
Figure GDA0003385926510000199
依次序追加到TrajL'中第n列数据的后面，并对这些新增的采样点按步骤8进行所在轮廓号编码；此时TrajL'更新为TrajL″，TrajL″中第n列元素为：
Figure GDA0003385926510000201
Nk为TrajL″的第n列轨迹点的总个数。
步骤12、在视频图像Ik中输出步骤10计算得到的目标检测结果objk；
步骤13、令k＝k+1，如果k≤K，令TrajL＝TrajL”，p＝p'，并转入步骤5，否则目标检测结束。
采用本发明提供基于轨迹点时空一致性的红外弱小运动目标的检测方法，随机从摄像头和本地文件中选择四个视频，采用本发明的方法进行测试。
(1)视频信息：
测试视频描述如下表1所示：
表1视频描述
Figure GDA0003385926510000202
视频的原始图像如图7、图8、图9及图10所示。
(2)算法评价：
本发明通过采用评价指标检测率和虚警率对不同算法的检测结果进行评价。
与本发明进行对比的算法有：FS、RLCM、TCF和SH&GI；
客观评价结果如表2所示：
表2
Figure GDA0003385926510000211
由表2可知，相比其它算法，本发明在四个测试视频上的均达到了更高的检测率，更低的虚警率。
真值图像上的用箭头标识的白色矩形框为目标真值；真值图像如图11、图12、图13及图14所示。检测结果图像上的白色矩形框为本发明的目标检测结果；检测图像如图15、图16、图17及图18所示。
由上述客观评价与主观效果可见，无论当红外弱小目标处于与背景对比度极低的山体中，还是飞入与背景显着性差异很小的建筑物中，本发明都能够准确地检测目标，且不会产生很多误报，效果明显优于其他算法。
通过上述方式，本发明基于轨迹点时空一致性的红外弱小运动目标的检测方法，首先，对连续的视频帧图像，提取不同长度的稠密轨迹，生成动态变化的轨迹列表；其次，应用轨迹点空间聚集模型对单帧图像中的候选目标进行检测，并利用运动特性对伪目标进行剔除；针对轨迹点的聚集性表示，提出了一种轮廓数编码机制；最后，针对连续视频帧，提出了一种基于轮廓码字一致性的后向目标检测算法；以求检测率的最大化和虚警率的最小化。

Claims (9)

1.基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，具体按照以下步骤实施：
步骤1、采集视频图像V＝{Ik}，并灰度化处理得V'＝{Igrayk}，图像大小为width×height，k＝1,2,…,K，K为视频总帧数；
步骤2、创建一个动态变化的轨迹列表TrajL，初始化TrajL为空，轨迹列表中每条轨迹的最大长度设置为15；
步骤3、判断步骤1中采集到的当前帧图像Ik是否为视频的第一帧图像I1，如果是，转入步骤4；否则转入步骤5；
步骤4、对第一帧视频帧灰度图像Igray1进行稠密采样，得到稠密点集
Figure FDA0003385926500000011
N1为稠密点的总个数,把P_sam1中的点按顺序添加到TrajL中的第一列：
Figure FDA0003385926500000012
式中，TrajL(:,1)对应TrajL中的第一列轨迹点，TrajL中第1列的轨迹点集记为
Figure FDA0003385926500000013
步骤5、利用Farneback光流算法计算前后两帧图像Igrayk-1和Igrayk的光流场，得到光流场flowk，根据光流场flowk对TrajL中第n-1列轨迹点集
Figure FDA0003385926500000014
进行跟踪，得到Igrayk中对应的跟踪点集
Figure FDA0003385926500000015
2≤k≤K，把P_trak中的点依次压入TrajL的第n列：
Figure FDA0003385926500000016
式中，TrajL(:,n)对应TrajL中第n列轨迹点，Nk-1为TrajL的第n列的轨迹点总个数；
步骤6、根据背景点与目标点运动特性的不同对TrajL中的可疑轨迹进行滤除，生成滤除后的轨迹列表TrajL'，TrajL'的第k列轨迹点表示为：
Figure FDA0003385926500000021
式中，TrajL'(:,n)对应TrajL'中第n列轨迹点，Nk-1 -为TrajL'的第n列轨迹点的总个数，TrajL'中第n列轨迹点集记为
Figure FDA0003385926500000022
步骤7、创建一个二值图像
Figure FDA0003385926500000023
根据TrajL'中第n列轨迹点集PSk中的轨迹点在Igrayk中的坐标位置对
Figure FDA0003385926500000024
中的对应像素赋值为255，其余像素赋值为0，对
Figure FDA0003385926500000025
进行形态学膨胀处理，得到图像
Figure FDA0003385926500000026
对图像
Figure FDA0003385926500000027
进行轮廓提取，得到轮廓集
Figure FDA0003385926500000028
r＝1,2,…,Rk，Rk为第k帧提取到的轮廓个数；
步骤8、采用编码算法对轨迹列表TrajL'中第n列轨迹点集PSk中的轨迹点的所在轮廓号进行编码，得到对应的码字集
Figure FDA0003385926500000029
并计算得到各个轮廓
Figure FDA00033859265000000210
内的轨迹点集
Figure FDA00033859265000000211
Nr表示第r个轮廓内的轨迹点个数，r＝1,2,…,Rk；
步骤9、分别计算各个轮廓
Figure FDA00033859265000000212
内轨迹点集
Figure FDA00033859265000000213
在前s帧对应轨迹点集
Figure FDA00033859265000000214
的聚集性，表示为符号
Figure FDA00033859265000000215
1≤s≤S，S表示需要计算聚集性的最大连续帧帧数，r＝1,2,…,Rk；
步骤10、s从1到S对
Figure FDA00033859265000000216
求和，
Figure FDA00033859265000000217
判断
Figure FDA00033859265000000218
在连续S帧对应的轨迹点集的聚集连续性，如果sumI≥T2×S,说明当前帧的第r个轮廓内的轨迹点集在连续S帧中存在时空一致性，则
Figure FDA0003385926500000031
为目标轮廓，存入当前帧目标轮廓容器objk中，反之，就认为当前帧的第r个轮廓内的轨迹点集在连续S帧中不存在时空一致性，则
Figure FDA0003385926500000032
对应伪目标，r＝1,2,…,Rk；
步骤11、对TrajL'中第n列的轨迹点进行稠密化，更新轨迹列表TrajL'为TrajL″，此时TrajL″的第n列轨迹点为：
Figure FDA0003385926500000033
式中，Nk为TrajL″的第n列轨迹点的总个数；
步骤12、在视频图像Ik中输出步骤10计算得到的目标检测结果objk；
步骤13、令k＝k+1，如果k≤K，令TrajL＝TrajL”，p＝p'，并转入步骤5，否则目标检测结束。
2.根据权利要求1所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤4具体过程为：
步骤4.1、调用OpenCv函数cornerMinEigenVal()子函数，计算图像Igray1的最小特征值图像，得到图像Ieig1；
步骤4.2、计算图像Ieig1的灰度值最大值maxVal；
步骤4.3、设置阈值T1，计算公式如下式：
T1＝max Val×quality
quality为经验值；
步骤4.4、对Ieig1中的像素点是否是特征点进行判断，对Ieig1图像中任意一点坐标(x,y)，如果该点的像素灰度值大于等于阈值T,则该像素点是特征点，否则不是特征点，所有特征点组成Igray1中检测到的稠密点集
Figure FDA0003385926500000041
N1为检测到的稠密点的总个数；
步骤4.5、将
Figure FDA0003385926500000042
压入轨迹列表TrajL的第1列：
Figure FDA0003385926500000043
TrajL(:,1)对应TrajL中的第一列轨迹点，N1表示第一列轨迹点的总个数，第1列的轨迹点集记为
Figure FDA0003385926500000044
3.根据权利要求1所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤5具体过程为：
步骤5.1、利用Farneback光流算法计算Igrayk-1与Igrayk间的光流场，得到光流场flowk；
步骤5.2、根据光流场flowk对
Figure FDA0003385926500000045
中的各个轨迹点按如下公式进行跟踪，得到其在Igrayk对应的跟踪点集
Figure FDA0003385926500000046
公式中的
Figure FDA0003385926500000047
表示稠密光流场，uj,vj分别表示光流场的水平和竖直分量，M表示一个模板为3×3的中值滤波；
Figure FDA0003385926500000048
把P_trak中的点按顺序压入TrajL的第n列：
Figure FDA0003385926500000049
TrajL(:,n)对应TrajL的第n列轨迹点，轨迹点个数为Nk-1。
4.根据权利要求1所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤6具体过程为：
步骤6.1、以当前帧Ik为截止帧，此时
Figure FDA0003385926500000051
其中
Figure FDA0003385926500000052
表示第j条轨迹：
Figure FDA0003385926500000053
Figure FDA0003385926500000054
表示第j条轨迹长度；
步骤6.2、初始化轨迹计数器j＝1；
步骤6.3、判断第j条轨迹的轨迹长度是否大于N，如果是，则从TrajL中删除该条轨迹，并进入步骤6.9；否则进入步骤6.4；
步骤6.4、计算第j条轨迹的位移总长度ToLj：
Figure FDA0003385926500000055
Figure FDA0003385926500000056
和
Figure FDA0003385926500000057
分别为轨迹
Figure FDA0003385926500000058
中的第1个和最后一个轨迹点，||||2表示欧式距离，其中
Figure FDA0003385926500000059
和
Figure FDA00033859265000000510
分别为轨迹
Figure FDA00033859265000000511
中的第1个和最后一个轨迹点在图像Igrayk中的像素坐标；
步骤6.5、计算第j条轨迹中任何相邻轨迹点的位移长度
Figure FDA00033859265000000512
Figure FDA00033859265000000513
步骤6.6、用求最大值函数max()求
Figure FDA00033859265000000514
的最大值MoLj：
Figure FDA00033859265000000515
步骤6.7、计算ToLj与MoLj的比值，记为
Figure FDA00033859265000000516
步骤6.8、判断第j条轨迹是否是可疑轨迹，若
Figure FDA00033859265000000517
则该条轨迹为可疑轨迹，并从TrajL中删除该条轨迹，其中w是阈值系数；
步骤6.9、j＝j+1，如果j≤Nk-1，转入步骤6.3，否则转入步骤6.10；
步骤6.10、输出滤除后的轨迹列表TrajL'；TrajL'表示为：
Figure FDA0003385926500000061
Nk-1 -表示轨迹个数，TrajL'中第n列轨迹点集记为
Figure FDA0003385926500000062
Nk-1 -亦为PSk中轨迹点总个数。
5.根据权利要求1所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤7具体过程为：
步骤7.1、创建一个二值图像
Figure FDA0003385926500000063
根据TrajL'中第n列轨迹点集PSk中的轨迹点在Igrayk中的坐标位置对
Figure FDA0003385926500000064
中对应像素值赋值255，其余像素赋值为0；
步骤7.2、调用OpenCv函数dilate()子函数对二值图像
Figure FDA0003385926500000065
进行形态学膨胀处理，得到二值图像
Figure FDA0003385926500000066
步骤7.3、对二值图像
Figure FDA0003385926500000067
提取轮廓，得到轮廓集
Figure FDA0003385926500000068
Rk为矩形轮廓的个数。
6.根据权利要求5所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤7.3具体过程为：
步骤7.3.1、通过调用OpenCv函数findCoutours子函数对膨胀后的二值图像
Figure FDA0003385926500000069
进行多边形轮廓提取；
步骤7.3.2、调用OpenCv函数approxPolyDP子函数对多边形轮廓进行多边形拟合；
步骤7.3.3、通过调用OpenCv子函数bounding Rect函数对多边形轮廓进行修正，得到矩形轮廓集合
Figure FDA0003385926500000071
Rk为矩形轮廓的个数。
7.根据权利要求1所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤8具体过程为：
步骤8.1、初始化PSk中所有轨迹点的所在轮廓号码字为-1；
Figure FDA0003385926500000072
步骤8.2、对PSk中所有的轨迹点所在轮廓号码字进行编码：
步骤8.2.1、初始化轨迹点计数器j＝1；
步骤8.2.2、初始化轮廓号计数器r＝1；
步骤8.2.3、判断
Figure FDA0003385926500000073
是否属于
Figure FDA0003385926500000074
内，如果属于，则该轨迹点的所在轮廓号码字为
Figure FDA0003385926500000075
步骤8.2.4、r＝r+1，如果r≤Rk，则转入步骤8.2.3，否则转入8.2.5；
步骤8.2.5、判断
Figure FDA0003385926500000076
的所在轮廓号码字
Figure FDA0003385926500000077
是否为-1，如果是，则该轨迹点的所在轮廓号码字为(Rk,255]范围内的一个随机数，即：
Figure FDA0003385926500000078
其中rand(a,b)为随机数生成函数，返回一个在[a,b]范围内的随机数值；
步骤8.2.6、j＝j+1，如果j≤Nk-1 -，则转入步骤8.2.3，否则转入8.3；
步骤8.3、把PSk中的所有轨迹点按所属轮廓进行集合划分，得到各轮廓
Figure FDA0003385926500000079
内的轨迹点集合
Figure FDA00033859265000000710
Nr表示第r个轮廓内的轨迹点个数，r＝1,2,…,Rk。
8.根据权利要求6所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤9具体过程为：
步骤9.1、初始化轮廓号计数器r＝1；
步骤9.2、提取
Figure FDA0003385926500000081
内的轨迹点集
Figure FDA0003385926500000082
的所在轮廓号码字集，表示为：
Figure FDA0003385926500000083
步骤9.3、提取
Figure FDA0003385926500000084
中每一个轨迹点在轨迹列表TrajL'中对应的行号，得到对应的轨迹点行集合
Figure FDA0003385926500000085
步骤9.4、初始化帧数计数器s＝1；
步骤9.5、根据轨迹点行号集
Figure FDA0003385926500000086
提取轨迹点集
Figure FDA0003385926500000087
在前s帧图像中对应的轨迹点集：
Figure FDA0003385926500000088
步骤9.6、提取
Figure FDA0003385926500000089
中所有轨迹点对应的所在轮廓号码字集：
Figure FDA00033859265000000810
步骤9.7、分别计算
Figure FDA00033859265000000811
中所有码字的均值和方差，得到均值
Figure FDA00033859265000000812
和方差
Figure FDA00033859265000000813
步骤9.8、设定阈值范围
Figure FDA00033859265000000814
判断
Figure FDA00033859265000000815
中是否有80％的码字在阈值范围内，如果满足条件，则说明第r个轮廓内的轨迹点在前s帧图像中具有聚集性，表示为
Figure FDA00033859265000000816
反之，则说明第r个轮廓内的轨迹点在第前s帧图像中不具有聚集性，表示为
Figure FDA00033859265000000817
步骤9.9、s＝s+1，如果s≤S，转入步骤9.5，否则转入步骤9.10；
步骤9.10、r＝r+1，如果r≤Rk，则转入步骤9.2，否则转入步骤9.11；
步骤9.11、输出
Figure FDA00033859265000000818
s＝1,2,…,S，r＝1,2,…,Rk。
9.根据权利要求1所述基于轨迹点时空一致性的红外弱小运动目标的检测方法，其特征在于，步骤11具体过程为：
对Igrayk进行稠密采样，稠密采样具体步骤同步骤4，将异于PSk中轨迹点的采样点
Figure FDA00033859265000000819
依次序追加到TrajL'中第n列数据的后面，并对这些新增的采样点按步骤8进行所在轮廓号编码；此时TrajL'更新为TrajL″，TrajL″中第n列元素为：
Figure FDA0003385926500000091
Nk为TrajL″的第n列轨迹点的总个数。
CN201910591848.9A 2019-07-01 2019-07-01 基于轨迹点时空一致性的红外弱小运动目标的检测方法 Active CN110502968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910591848.9A CN110502968B (zh) 2019-07-01 2019-07-01 基于轨迹点时空一致性的红外弱小运动目标的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910591848.9A CN110502968B (zh) 2019-07-01 2019-07-01 基于轨迹点时空一致性的红外弱小运动目标的检测方法

Publications (2)

Publication Number Publication Date
CN110502968A CN110502968A (zh) 2019-11-26
CN110502968B true CN110502968B (zh) 2022-03-25

Family

ID=68585834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910591848.9A Active CN110502968B (zh) 2019-07-01 2019-07-01 基于轨迹点时空一致性的红外弱小运动目标的检测方法

Country Status (1)

Country Link
CN (1) CN110502968B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686895B (zh) * 2021-03-11 2021-05-18 成都点泽智能科技有限公司 红外弱小目标的检测方法、装置及服务器

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2011011059A1 (en) * 2009-07-21 2011-01-27 Thomson Licensing A trajectory-based method to detect and enhance a moving object in a video sequence
CN104537686A (zh) * 2014-12-12 2015-04-22 中国科学院自动化研究所 基于目标时空一致性和局部稀疏表示的跟踪方法及装置
CN105654516A (zh) * 2016-02-18 2016-06-08 西北工业大学 基于目标显著性的卫星图像对地面弱小运动目标检测方法
CN109003277A (zh) * 2017-06-07 2018-12-14 中国航空工业集团公司洛阳电光设备研究所 一种复杂背景下红外弱小目标检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9613273B2 (en) * 2015-05-19 2017-04-04 Toyota Motor Engineering & Manufacturing North America, Inc. Apparatus and method for object tracking

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2011011059A1 (en) * 2009-07-21 2011-01-27 Thomson Licensing A trajectory-based method to detect and enhance a moving object in a video sequence
CN104537686A (zh) * 2014-12-12 2015-04-22 中国科学院自动化研究所 基于目标时空一致性和局部稀疏表示的跟踪方法及装置
CN105654516A (zh) * 2016-02-18 2016-06-08 西北工业大学 基于目标显著性的卫星图像对地面弱小运动目标检测方法
CN109003277A (zh) * 2017-06-07 2018-12-14 中国航空工业集团公司洛阳电光设备研究所 一种复杂背景下红外弱小目标检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Infrared small target detection utilizing the multiscale relative local contrast measure;J. Han等;《IEEE Geosci. Remote Sens. Lett.》;20180430;第15卷(第4期);全文 *

Also Published As

Publication number Publication date
CN110502968A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN106846359B (zh) 基于视频序列的运动目标快速检测方法
Wu et al. Spatio-temporal context for codebook-based dynamic background subtraction
CN109919974A (zh) 基于r-fcn框架多候选关联的在线多目标跟踪方法
CN110490904B (zh) 一种弱小目标检测与跟踪方法
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN110349181B (zh) 一种基于改进的图分区模型单摄像头多目标跟踪方法
CN110580472A (zh) 一种基于全卷积网络和条件对抗网络的视频前景检测方法
Wang et al. Removing background interference for crowd counting via de-background detail convolutional network
CN112288778B (zh) 一种基于多帧回归深度网络的红外小目标检测方法
CN108200432A (zh) 一种基于视频压缩域的目标跟踪技术
CN110502968B (zh) 基于轨迹点时空一致性的红外弱小运动目标的检测方法
Guo et al. Small aerial target detection using trajectory hypothesis and verification
Zhang et al. Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model
CN114612506B (zh) 一种简易高效抗干扰的高空抛物轨迹识别与定位方法
CN113066077B (zh) 火焰检测方法及装置
CN112164097B (zh) 一种船舶视频检测样本采集方法
CN115512263A (zh) 一种面向高空坠物的动态视觉监测方法及装置
CN111627047B (zh) 水下鱼类动态视觉序列运动目标检测方法
Ganesan et al. Video object extraction based on a comparative study of efficient edge detection techniques.
Wen et al. People tracking and counting for applications in video surveillance system
Wang et al. Research on traditional and deep learning strategies based on optical flow estimation-a review
He et al. A high-precision optical flow method based on TV-L1 model and neighborhood patch
CN108875736B (zh) 基于背景预测的水面移动目标检测方法
CN107169995B (zh) 一种自适应的运动目标视觉检测方法

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