CN111353496B - 一种红外弱小目标实时检测方法 - Google Patents

Abstract

本发明涉及一种红外弱小目标实时检测方法，输入原始红外图像，对输入图像进行空间背景抑制，对输入图像进行双局部方差背景抑制；将空间背景抑制后的图像和双局部方差背景抑制后的图像按像素点对应相乘；对背景抑制后的图像选取若干个局部极大值点，进行目标分割，得到并统计疑似候选目标的特征；将多帧图像中的疑似候选目标进行关联，选取真实目标。本发明使用滤波的方法预测低频背景，使用积分图计算双局部方差方法实现背景抑制，搜索局部极大值后进行目标分割，对分割得到候选目标区域提取特征，综合多帧图像的候选目标特征，得到真实红外弱小目标的检测结果，有效提升了计算速度和检测准确率，降低了虚警率。

Description

一种红外弱小目标实时检测方法

技术领域

本发明涉及红外图像目标检测技术领域，具体地说是一种红外弱小目标实时检测方法。

背景技术

红外弱小目标检测是红外探测系统的关键技术之一。由于背景的复杂性和目标的机动性，使得低信噪比情况下检测未知位置和速度的运动弱小目标面临着较大的困难。国内外有关红外弱小目标检测的众多算法，从目标判决时所需处理图像数据量的差异进行分析，这些算法可以归结为两大类，即基于单帧的方法和基于序列的方法。

基于单帧检测的弱小目标检测方法以其计算量少，实时性好等特点在工程实践中得到了广泛的应用。由于目标检测算法对低信噪比条件下的检测效果较差，而这会直接影响后续对目标跟踪的处理，所以稳健的背景抑制算法对于单帧检测算法来说非常重要。基于序列检测的弱小目标检测方法从计算量来说较大，但是能进一步提高图像信噪比使得算法在低信噪比的图像中得到有效的检测效果。序列检测算法性能好坏的关键在于它能否成功地累积分布在图像序列中的目标能量。但由于目标的机动性，序列检测算法很可能需要进行全时空搜索。显然，这是以搜索目标可能的运动轨迹时间为代价的。序列时间越长则越可能产生目标跟踪时间延迟，与实际情况无法同步。

发明内容

针对现有技术的不足，本发明提供一种红外弱小目标实时检测方法,解决现有低信噪比红外图像中弱小目标检测运算量大、检测概率低，虚警率高的问题。

本发明为实现上述目的所采用的技术方案是：

一种红外弱小目标实时检测方法，包括以下步骤：

步骤1：输入原始红外图像，对输入图像进行空间背景抑制，得到空间背景抑制后的图像，对输入图像进行双局部方差背景抑制，得到双局部方差背景抑制后的图像；

步骤2：将空间背景抑制后的图像和双局部方差背景抑制后的图像按像素点对应相乘，得到背景抑制后的图像；

步骤3：对背景抑制后的图像选取若干个局部极大值点，进行目标分割，得到若干疑似候选目标；

步骤4：统计疑似候选目标的特征；

步骤5：将多帧图像中的疑似候选目标进行关联，选取真实目标，并输出。

所述空间背景抑制，包括：

利用周围像素的灰度分布计算中心像素的背景估计值：

其中，为空域背景抑制法的背景估计图；/>为空域背景抑制法的(x,y)位置处背景估计值；I为被处理图像；w(m,n)为空域抑制模板中的权重系数；I_M为以被预测像素点为中心的背景区域；M为预测模板；

计算空间背景抑制后的图像：

所述双局部方差背景抑制，包括：

步骤1.1：利用第一方差模板计算出图像第一方差S₁(x,y)，利用第二方差模板计算出图像第二方差S₂(x,y)；

步骤1.2：将图像第一方差S₁(x,y)与图像第二方差S₂(x,y)进行减法计算，得到局部方差差值D(x,y)＝S₁(x,y)-S₂(x,y)，其中，D(x,y)表示在(x,y)位置处的局部方差差值；

步骤1.3：对(x,y)位置处的局部方差差值D(x,y)进行归一化：

其中，K(x,y)为(x,y)位置处的双局部方差背景抑制后的图像值，K为双局部方差背景抑制后的图像。

所述疑似候选目标的特征包括：目标坐标、目标长度、目标宽度、目标面积和目标能量。

所述将多帧图像中的疑似候选目标进行关联，选取真实目标，包括：

提取疑似候选目标的能量变化值ΔE、疑似候选目标的运动距离值ΔD和疑似候选目标的面积变化值ΔA，选取总变化ΔS最小的疑似候选目标为真实目标：

ΔS＝ΔE*ΔD*ΔA。

本发明具有以下有益效果及优点：

与现有技术相比，本发明在图像预处理过程中使用滤波的方法预测低频背景，实现空域背景抑制。使用积分图计算双局部方差方法进一步实现背景抑制，搜索局部极大值后进行目标分割，对分割得到候选目标区域提取特征。综合多帧图像的候选目标特征，得到真实红外弱小目标的检测结果，有效提升了计算速度和检测准确率，降低了虚警率。

附图说明

图1是本发明的方法流程图；

图2是本发明的双方差模板图；

图3是本发明的红外弱小目标检测结果示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

如图1所示为方法流程图。

一种红外弱小目标实时检测方法，包括如下步骤：

步骤一、输入原始红外图像；可以红外热像仪直接采集红外图像，也可以对存储的红外图像进行目标检测；

步骤二、对输入的原始红外图像进行预处理，实现背景抑制的目的。背景抑制的实现包括两部分：

第一部分，空域背景抑制。空域背景抑制法主要利用的是背景区域能量分布缓变的特点。假设背景相邻或相近像素的灰度值具有相似性，利用周围像素的灰度分布去计算中心像素的背景估计值。空域背景抑制法的背景估计模型如下式所示。

上式中，为空域背景抑制法的背景估计图；I为被处理图像；w(m,n)为空域抑制模板中的权重系数；I_M为以被预测像素点为中心的背景区域；M为预测模板。得到红外图像背景的估计后，通过与原图作差得到背景抑制后的处理结果，如下式所示。

式(3)和(4)空域背景抑制算法的基本运算过程。决定这种算法效果的核心因素就是模板的权重系数矩阵w。

优选地，考虑计算复杂度和实时性需求，权重系数矩阵w为权重系数设为同一值，其效果就是将周边像素背景的均值当作中心像素的背景估计值。即为均值滤波后图像，实施例中均值滤波尺寸5x5。

第二部分，双局部方差背景抑制。红外小目标图像包括：天空，云层，地面物体和红外小目标物体，这四类物体在红外图像中灰度分布不同。局部方差反映了图像中某个区域灰度分布的离散状况，图像灰度分布越分散，其局部方差就越大，图像灰度分布越集中，其局部方差就越小。目标区域与其它不同区域有着不同的特点，目标区域整体方差较大，而去除中心区域后，剩余部分的局部方差较小。根据上述目标与其他区域区别，建立如图2所示的双方差模板。优选L取值7，K取值3。

双局部方差背景抑制方法的计算流程可归纳为：

(1)得到局部方差图像。将模板1与模板2计算出的图像方差分别替换为模板中心点的灰度值，得到不同模板的局部方差图像S₁(x,y)，S₂(x,y)。

(2)减法运算。将上面得到的不同模板处理后的局部方差图像进行减法计算得到局部方差差值，将其表示为

D(x,y)＝S₁(x,y)-S₂(x,y) (5)

上式中，D(x,y)表示在(x,y)位置处的局部方差差值。

(3)归一化运算。为便于和空域背景抑制法融合，将D(x,y)除以S₁(x,y)，将其值范围置于0～1之间。即

上式中K(x,y)表示(x,y)双局部方差背景抑制的最终结果。根据上面分析，目标处S₂(x,y)远小于S₁(x,y)，因此，K(x,y)接近于1，而净空、云层、云边缘处S₂(x,y)接近S₁(x,y)，因此，K(x,y)接近于0。

优选地，根据方差计算公式x为数组中的元素值，在图像中为像素值。计算图像固定区域的方差时，通过一次遍历即可求出方差，可提高计算效率。在双方差背景抑制过程，需要计算所有点的双局部方差。进一步地，预先计算整幅图像x的积分图和整幅图像像素值平方x²的积分图，在计算所有点双局部方差时，可以非常大的降低求和操作的运算量，更有助于计算效率的提升，满足实时性要求。

将空域背景抑制的结果图像和双局部方差背景抑制的结果图像对应位置像素相乘，得到预处理后的图像。

步骤三，在经过预处理后的图像中，选取n个局部极大值点，局部极大值点在原始图像中的信噪比t满足一定阈值，实施例中n取值10，t取值3。在对n个局部极大值点使用区域生长的方法进行目标分割，得到那n个候选目标。剔除不满足形状约束(长宽比，饱和度，大小)的候选目标，保留余下的候选目标为疑似候选目标。

步骤四，统计疑似候选目标坐标、长度、宽度、面积、能量等特征。

步骤五，根据记录的前m帧候选目标与本帧计算得到疑似候选目标进行关联，选取能量(目标灰度值)的变化最小，两帧之间运动距离的变化最小，目标面积的变化最小，运动方向的一致的疑似候选目标作为真实目标。实施例中m取值4。

步骤六，如图3所示，输出检测到的真实目标，并记录目标在步骤四中得到的特征。

Claims (4)

1.一种红外弱小目标实时检测方法，其特征在于，包括以下步骤：

步骤1：输入原始红外图像，对输入图像进行空间背景抑制，得到空间背景抑制后的图像，对输入图像进行双局部方差背景抑制，得到双局部方差背景抑制后的图像；

步骤2：将空间背景抑制后的图像和双局部方差背景抑制后的图像按像素点对应相乘，得到背景抑制后的图像；

步骤3：对背景抑制后的图像选取若干个局部极大值点，进行目标分割，得到若干疑似候选目标；

步骤4：统计疑似候选目标的特征；

步骤5：将多帧图像中的疑似候选目标进行关联，选取真实目标，并输出；

所述双局部方差背景抑制，包括：

步骤1.1：利用第一方差模板计算出图像第一方差S1(x,y)，利用第二方差模板计算出图像第二方差S₂(x,y)；

步骤1.2：将图像第一方差S1(x,y)与图像第二方差S2(x,y)进行减法计算，得到局部方差差值D(x,y)＝S₁(x,y)-S₂(x,y)，其中，D(x,y)表示在(x,y)位置处的局部方差差值；

步骤1.3：对(x,y)位置处的局部方差差值D(x,y)进行归一化：

其中，K(x,y)为(x,y)位置处的双局部方差背景抑制后的图像值，K为双局部方差背景抑制后的图像。

2.根据权利要求1所述的红外弱小目标实时检测方法，其特征在于：所述空间背景抑制，包括：

利用周围像素的灰度分布计算中心像素的背景估计值：

其中，为空域背景抑制法的背景估计图；/>为空域背景抑制法的(x,y)位置处背景估计值；I为被处理图像；w(m,n)为空域抑制模板中的权重系数；I_M为以被预测像素点为中心的背景区域；M为预测模板；

计算空间背景抑制后的图像：

3.根据权利要求1所述的红外弱小目标实时检测方法，其特征在于：所述疑似候选目标的特征包括：目标坐标、目标长度、目标宽度、目标面积和目标能量。

4.根据权利要求1所述的红外弱小目标实时检测方法，其特征在于：所述将多帧图像中的疑似候选目标进行关联，选取真实目标，包括：

提取疑似候选目标的能量变化值ΔE、疑似候选目标的运动距离值ΔD和疑似候选目标的面积变化值ΔA，选取总变化ΔS最小的疑似候选目标为真实目标：

ΔS＝ΔE*ΔD*ΔA。