CN111784738B - 一种基于涨落分析的极暗弱运动目标关联检测方法 - Google Patents
一种基于涨落分析的极暗弱运动目标关联检测方法 Download PDFInfo
- Publication number
- CN111784738B CN111784738B CN202010564687.7A CN202010564687A CN111784738B CN 111784738 B CN111784738 B CN 111784738B CN 202010564687 A CN202010564687 A CN 202010564687A CN 111784738 B CN111784738 B CN 111784738B
- Authority
- CN
- China
- Prior art keywords
- time
- window
- target
- signal
- pixel
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 85
- 238000005070 sampling Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于涨落分析的极暗弱运动目标关联检测方法，包括：步骤1)对高帧频图像序列在时序上做归一化预处理；步骤2)根据帧频以及信号驻留时间，将每个像元的时序信号划分为多个等长的时间窗口，在相邻两个时间窗口上提取第一次关联特征；步骤3)基于第一次关联特征，重新进行时间窗口划分，设置能量参数和速度参数，在相邻两个时间窗口上提取第二次关联特征；步骤4)基于每个像元的时序信号的第二次关联特征，寻找第二关联特征变化异常的位置，作为空间轨迹判别的依据；步骤5)根据目标速度和跨越像元的距离，划出一定大小空间窗口，若空间窗口内检测出的目标存在，则判断为目标轨迹，否则，转入步骤3)。
Description
技术领域
本发明涉及运动目标检测检测领域，具体涉及一种基于涨落分析的极暗弱运动目标关联检测方法。
背景技术
近地小天体本身不发光，是典型的极暗弱运动目标。近地小天体监测预警存在视场、距离和分辨率的矛盾，根本原因是大视场、远距离和运动条件下的目标信号能量极微弱和信噪比极低，经典基于成像的目标检测方法对探测信噪比要求高，需要进行时间或空间上的扫描对目标信号多次曝光，在抑制噪声的同时累积目标能量。这种方法采集完整数据消耗时间长，不适用于小、暗、弱运动目标和信噪比较低目标的探测和识别；其次，传统方法未考虑到低占比暗弱运动目标自身的粒子特征和背景的交互特性，平均噪声的同时容易损失掉目标本身就微弱的信号；第三，目标信号过于微弱，传统提升积分时间的同时难以抑制噪声同步累积，造成有效信号被噪声甚至背景波动所淹没。因此对于极低信噪比暗弱运动目标，难以累积有效积分时间而造成图像质量较差，导致难以对极暗弱运动目标进行检测和识别。因此，极低信噪比信号检测对于极暗弱运动目标探测具有重要意义和巨大的应用价值。
现有的运动目标检测的方法主要可以分为四类：基于空间滤波、基于时域滤波、基于时空联合和基于机器学习的方法。基于空域的检测方法主要通过抑制背景来检测目标，常用的基于空域的背景抑制算法有局部均值法、最大值滤波、形态学滤波(Top-Hat)和小波变换等算法，对目标信噪比要求较高。基于时域滤波方法是利用目标信号的时域信息来分割目标和背景，常用的检测方法有背景建模、帧间差分等方法，背景建模法对背景变化十分敏感，帧间差分法则易受到目标的运动速度以及噪声影响。针对基于时域和基于空域的检测方法无法同时利用目标的时域和空域信息，一些基于时空域联合的滤波方法被应用和提出，如光流法、三维匹配滤波、检测前跟踪(track-before-detect，TBD)以及跟踪前检测(detect-before-track,DBT)等方法，光流法能独立检测运动目标，但非常耗时，三维匹配滤波难以检测信噪比较低的目标，TBD方法计算相对复杂、不易硬件实现；DBT方法抗干扰能力很差。基于机器学习的方法则是利用分类来进行运动目标的检测，常用模型包括基于传统的统计机器学习方法，如支持向量机、随机森林等，另外则是基于深度网络的有监督学习方法，如卷积神经网络(Convolutional Neural Networks,CNN)、YOLO等，对于极暗弱目标，深度网络模型很难构建外观模型，导致其鲁棒性不高。以上方法均难以对近地小天体的监测和预警中极暗弱运动目标进行检测。
发明内容
本发明的目的在于克服上述技术缺陷，提出一种基于涨落分析的极暗弱运动目标关联检测方法，关联检测的核心思想是利用目标和背景在时间分布上的序贯差异性。序贯差异性是由于目标运动扰动了短时平稳的背景与噪声，从而导致背景噪声在不同时段的分布特性发生变化。利用高帧频采样能够获取时域的分布特性，而关联度量方法能够将这种微弱的时序分布变化提取出来，从而反演出运动目标的存在。
为实现上述目的，本发明提出了一种基于涨落分析的极暗弱运动目标关联检测方法，所述方法包括：
步骤1)对高帧频图像序列在时序上做归一化预处理，得到图像上每个像元的时序信号；
步骤2)根据帧频以及信号驻留时间，将每个像元的时序信号划分为多个等长的时间窗口，在相邻两个时间窗口上提取第一次关联特征；
步骤3)基于第一次关联特征，重新进行时间窗口划分，设置能量参数和速度参数，在相邻两个时间窗口上提取第二次关联特征；
步骤4)基于每个像元的时序信号的第二次关联特征，寻找第二关联特征变化异常的位置，作为空间轨迹判别的依据；
步骤5)根据目标速度和跨越像元的距离，划出一定大小空间窗口，若空间窗口内检测出的目标存在，则判断为目标轨迹，否则，转入步骤3)。
作为上述方法的一种改进，所述根据帧频以及信号驻留时间，将每一个像元的时序信号划分为多个等长的时间窗口，在每两个相邻时间窗口上提取第一次关联特征；具体包括：
将一个整个向量长度为T的时序信号划分为N个窗口；
计算第n个窗口和第n+1个窗口的第一关联特征Δ1(xn-xτn)：
其中，n表示窗口的序号，1≤n≤N-1，k表示一个窗口内的采样点，T＝N*k；xni表示第n个窗口的第i个采样点，xτni表示第n+1窗口的第i个采样点，η为相机固定参数，和像元的响应率曲线有关，e1是第一次提取关联特征的能量参数，和目标能量大小相关；σ1是第一次提取关联特征的速度参数，和目标速度和像元大小相关。
作为上述方法的一种改进，所述基于第一次关联特征，重新进行时间窗口划分，设置能量参数和速度参数，在相邻两个时间窗口上提取第二次关联特征；具体包括：
基于第一次关联特征，对时序信号重新进行时间窗口划分，m表示窗口的序号，1≤m≤N-2；s表示一个窗口内的采样点；
则第m个窗口和第m+1个窗口的第二次关联特征为
其中，表示为第一次提取特征后的向量中第m个窗口的第j个采样点，/>表示相邻的第m+1个窗口的第j个采样点，η为相机固定参数，和像元的响应率曲线有关，e2是第二次提取关联特征的能量参数，和目标能量大小相关；σ2是第二次提取关联特征的速度参数，和目标速度和像元大小相关。
作为上述方法的一种改进，所述空间窗口的大小为：3×3或9×9。
本发明的优势在于：
1、本发明的方法利用目标运动导致时间维度上关联分布的异常来反演运动目标特性，不直接依赖于目标能量和背景、噪声能量之间的差异；
2、本发明的方法的关联特征的提取方式采用在时域上两次提取局部特征再提取全局特征的特征提取方法，增加了目标特征信息提取的准确度；
3、本发明的方法不依赖于空间和时间滤波，简化运动目标的检测过程，检测时间短，能降低对系统的能量要求，进而可实现高速多目标的实时检测。
附图说明
图1为本发明的基于涨落分析的极暗弱运动目标关联检测方法的流程图；
图2(a)为目标信号；
图2(b)为高斯噪声中加入目标信号；
图3(a)为高斯噪声条件下仿真检测结果；
图3(b)为泊松噪声条件下仿真检测结果；
图3(c)为瑞丽噪声条件下仿真检测结果；
图3(d)为威布尔噪声条件下仿真检测结果；
图4(a)为暗弱运动目标半物理仿真实验的MaxMedian方法的检测结果示意图；
图4(b)为暗弱运动目标半物理仿真实验的MaxMean方法的检测结果示意图；
图4(c)为暗弱运动目标半物理仿真实验的LCM方法的检测结果示意图；
图4(d)为暗弱运动目标半物理仿真实验的IPI方法的检测结果示意图；
图4(e)为暗弱运动目标半物理仿真实验的背景建模方法的检测结果示意图；
图4(f)为暗弱运动目标半物理仿真实验的本发明的方法检测结果示意图；
图5(a)为原始图像；
图5(b)为检测结果示意图；
图6(a)为近地小行星检测实验的MaxMedian方法的局部区域检测结果示意图；
图6(b)为近地小行星检测实验的MaxMean方法的局部区域检测结果示意图；
图6(c)为近地小行星检测实验的LCM方法的局部区域检测结果示意图；
图6(d)为近地小行星检测实验的IPI方法的局部区域检测结果示意图；
图6(e)为近地小行星检测实验的背景建模方法的局部区域检测结果示意图；
图6(f)为近地小行星检测实验的本发明的方法局部区域检测结果示意图。
具体实施方式
本发明的方法首先开展背景信号涨落分析，建立运动目标时序信号模型，利用一维时序信号仿真验证关联特征的有效性，用真实采集的无运动目标图像序列和仿真得到的运动目标模型得到半物理仿真数据，利用半物理仿真数据将关联检测方法和其它常用方法进行对比分析，最后利用真实数据对关联检测方法的泛化能力进行检验并与其它方法比较分析。
下面结合附图对本发明的技术方案进行详细说明。
由于光与物质之间的相互作用是随机进行的，在光的测量中都会伴随一定程度的涨落，使得在测量中都会存在随机性。对于暗弱运动目标，其自身能量和信噪比极低，此时的目标图像会极大地区别于传统的灰度图像，信号分布也与传统极大不同。极低信噪比暗弱目标信号表现离散性，幅度上类似于脉冲信号，时域上满足概率分布的随机性特征，此时对暗弱目标信号的检测方法也将不同于传统的基于时域连续的方法，需要针对其离散性和概率性分布来针对性考虑，本发明从光场的涨落统计分布规律探讨对暗弱运动目标的检测是一有效的方法。
对于暗弱运动目标，目标信号的能量极低，此时，光子服从统计分布，利用分析光子的统计分布特征来研究暗弱目标光场在时间和空间上的分布。在暗弱运动目标图像中，背景的暗噪声以及探测器的暗计数会在图像中造成随机噪声点，目标信号会因此湮没在噪声中，难以对其进行区分。此时背景噪声和运动目标的信号都很弱，两者均近似于服从泊松分布。此时采用统计检验的方法来处理目标时序信号，目的是抑制噪声和背景干扰，以提高暗弱运动目标的时域信噪比。
强背景信号的涨落在时间维度上稳定分布和稳定变化，运动目标的一个周期也符合涨落的理念，当目标穿越像元中分布稳定的背景和噪声时，由目标运动导致的瞬态涨落也混叠在整个光场的涨落之中，导致背景和噪声的分布发生变化，因此可以从涨落变化中反演运动目标的信息。在这里，光子涨落的大小利用偏差的均方根来表示：
式中，xn表示在一个特定模内某单一时刻的光子数，/>为其均值，Pn表示/>的条件下xn出现的概率。自然光属于热辐射光，对于暗弱运动目标探测而言，对应的光场在时间维度上有很大的波动，这种不稳定性和光子的到达时间密切相关，因而不属于独立发生的事件。对于热辐射光，其积分光强的概率分布函数如下：
其中ω表示光强，η为光子探测系统的量子效率。在每一个像元内，将时间轴分成大小相同的离散的时间区间，则相邻时间区间内的涨落Δ(x-xτ)可以定义为：
d(x-xτ)表示对于有序离散分量长度为N的x和xτ的距离计算，为两个向量的概率涨落。通过相邻时间区间内的涨落变化提取关联特征，再通过阈值分割找出关联特征变化异常的位置，进而反演出运动目标的存在。
由于暗弱运动目标的能量极低，会被背景或噪声湮没，此时若提取整个时域上的全局特征则无法反映出暗弱运动目标的存在，因此在时域上通过划分时间窗口的方式来提取局部特征，即在涨落分析中时间区间上的涨落Δ(xn-xτn)反映为两个区间的关联特征。对于背景和噪声而言，这种特征在分布上具有一定的稳定性，当某一时间区间内有目标经过时，关联特征就会发生变化，通过关联特征的变化进而检测出暗弱运动目标的存在，然后通过时间窗口滑动遍历单个像元上的整个时序信号来构建全局特征。
这种关联特征的提取方式能够避免暗弱运动目标的特征被背景或噪声湮没，时间窗口的大小也会影响到关联特征的提取。时间窗口越小则关联特征的灵敏度越高，对应的稳定性会降低，而当窗口选取得过大时，关联特征的变化则不会很明显，不易检测出暗弱运动目标。在实际检测中，会根据帧频大小、目标驻留时间等因素来划分时间窗口的大小，一般时间窗口的大小选择在5-30之间。
如图1所示，本发明提出了一种基于涨落分析的极暗弱运动目标关联检测方法，包括：
Step1：将输入的高帧频图像序列在时序上做归一化预处理。
Step2：在每一个像元的时序信号上根据帧频以及信号驻留时间等因素划分时间窗口，然后进行第一次关联特征提取，考虑到噪声的影响，该值不一定最大，提取到的特征值反映了包括目标信号以及噪声带来的分布变化。
将一个整个向量长度为T的时序信号划分为N个窗口；
计算第n个窗口和第n+1个窗口的第一关联特征Δ1(xn-xτn)：
其中，n表示窗口的序号，1≤n≤N-1，k表示一个窗口内的采样点，T＝N*k；xni表示第n个窗口的第i个采样点，xτni表示第n+1窗口的第i个采样点，η为相机固定参数，和像元的响应率曲线有关，e1是第一次提取关联特征的能量参数，和目标能量大小相关；σ1是第一次提取关联特征的速度参数，和目标速度和像元大小相关。
Step3：在第一次提取到的关联特征基础上再进行窗口划分和第二次关联特征提取，由于背景、噪声和目标三者的连续性不一致，且目标变化相对剧烈，噪声的分布相对稳定，进而通过阈值分割反演目标的存在。
基于第一次关联特征，对时序信号重新进行时间窗口划分，m表示窗口的序号，1≤m≤N-2；s表示一个窗口内的采样点；
则第m个窗口和第m+1个窗口的第二次关联特征为
其中，表示为第一次提取特征后的向量中第m个窗口的第j个采样点，/>表示相邻的第m+1个窗口的第j个采样点，η为相机固定参数，和像元的响应率曲线有关，e2是第二次提取关联特征的能量参数，和目标能量大小相关；σ2是第二次提取关联特征的速度参数，和目标速度和像元大小相关。
Step4：将提取出的目标信号进行空间轨迹关联，若邻近像元内存在检测出的目标信号，则判断为轨迹，反之，若没有轨迹输出则返回第二次窗口划分处改变参数继续进行检测。
首先通过时域上的仿真实验来验证统计关联特征的有效性，然后通过处理低信噪比的半物理仿真图像序列将该方法与其它常用方法作比较，最后利用天文台的真实数据对该方法进行实验验证，并与其它方法作比较分析。
为了验证统计关联特征的有效性，在一维高斯噪声、泊松噪声、瑞丽噪声、韦布尔噪声等背景下添加一定长度低信噪比的目标信号以仿真单像元中的时序信号，目标信号由以下公式产生：
式中I(t)为目标信号的强度大小，A表示在时间t处目标信号的大小，t0处目标信号强度取得最大值，即此时目标信号位于该像元的中心位置，t1,t2表示目标信号进入和离开该像元的时间点，v为该目标的运动速率，σs表示传感器在二维空间坐标上的扩展参数。
本文中信噪比的定义为：
式中ps表示目标信号的平均功率，σn表示噪声功率。信噪比为-5dB的目标信号波形图及在高斯噪声中加入目标信号的波形图如图2(a)和图2(b)所示，横坐标为时间t，纵坐标为信号强度I。图2(b)中高斯噪声均值为10，方差为2，目标信号加入的时刻在t＝500处，可见该目标信号完全湮没在高斯噪声之中。图3(a)、图3(b)、图3(c)、图3(d)为在不同噪声背景下，分别加入信噪比为0dB、-2dB、-5dB、-8dB的目标信号后利用关联检测方法进行检测的结果，横坐标为时间t，纵坐标为关联后的特征值E。
结合图2(b)和图3(a)可以看出尽管目标信号被湮没在高斯噪声中，但利用关联检测方法能检测出信噪比分别为0dB、-2dB、-5dB以及-8dB的目标信号。图3(b)、图3(c)和图3(d)为其它背景下的检测结果，结果和在高斯背景下的结果相近，验证了该关联检测算法的有效性。
为了进一步验证该关联检测算法在图像序列中检测目标信号的有效性和泛化能力，以真实采集的1000帧图像序列为背景图像，其图像大小为128×128，然后由公式(10)仿真得到信噪比为-5dB的一序列亚像元运动目标信号，再将该目标信号加入到真实采集的背景图像序列中去，进而得到半物理仿真的含有暗弱运动目标的图像序列，且该目标信号一共经过41个像元，最后利用文中方法进行检测，并与其它常用运动目标检测方法作对比分析。
图4(a)和图4(b)分别为基于最大中值滤波和最大均值滤波的处理结果，图4(c)和图4(d)分别为基于局部对比度(Local Contrast Measure,LCM)和红外块图像(InfraredPatch-Image,IPI)方法的处理结果，图4(e)和图4(f)则分别为基于多帧背景建模和通过本发明方法处理的结果。表1为上述各种方法的目标检测率和虚警率的统计表，检测率D表示正类样本被正确分类的数目占所有正类样本的比例，这里正类样本即为目标轨迹；虚警率F表示在负类样本中被分为正类样本的数目占所有负类样本的比例，负类样本即表示除去目标轨迹的所有像元数目，D和P的计算公式分别为：
对应于该实验场景，式中NTP表示目标轨迹上被检测出的像元数目，NP表示目标轨迹总的像元数目，NFP表示非目标轨迹上被检测出的像元数目，NN表示除去目标轨迹的所有像元数目。
从对比结果中可以看出，通过本文方法的检测效果最佳，其检测率为87.8％，比其它方法的检测率至少高出11％，虚警率为0.09％，也远低于其它方法的虚警率。进而验证了该关联检测算法在图像序列中检测暗弱运动目标信号的可行性和有效性。
表1不同方法检测结果对比
从对比结果中可以看出，本发明方法的检测效果最佳，其检测率为87.8％，比其它方法的检测率至少高出11％，虚警率为0.09％，也远低于其它方法的虚警率。进而验证了该关联检测方法在图像序列中检测暗弱运动目标信号的可行性和有效性。
为了进一步验证该关联检测算法在实际暗弱运动目标探测中的性能，用该算法进行近地小行星的检测实验。
用中科院国家天文台兴隆站天文望远镜以凝视模型观测15.8星等的近地小行星，望远镜口径50cm，焦比f/9.5，单像元规格6.5毫米，以大小为2048×2048，帧频为1000帧的采样频率进行采样，图5(a)为原始图像，图5(b)为利用本文方法的检测结果，从图5(a)中可以看出在原始图像的天光条件下，目标完全湮没在观测背景中，从图5(b)的检测结果可以看出，利用本文提出的关联检测算法成功地检测出了该近地小行星，根据检测结果中的目标位置，在原始数据中由公式(9)求得该近地小行星的信噪比约为-4dB。
为了便于与其它检测方法作比较，选取图5(a)中黑色框里的区域作为检测区域，图6(a)、图6(b)、图6(c)、图6(d)、图6(e)和图6(f)分别为利用MaxMedian、MaxMean、LCM、IPI、背景建模和本发明方法对框出的局部区域进行检测的结果对比图，表2为这6种方法对该局部区域进行检测的目标检测率和虚警率的统计表，检测率和虚警率分别由公式(10)和公式(11)求得。从表2可以看出，这6种方法中利用本文方法的检测结果在检测率和虚警率两方面均明显优于其它方法，在虚警率低至0.05％的情况下能达到高于70％的目标检测率，且检测率高于其他方法17％以上，从而验证了该关联检测算法在实际暗弱运动目标探测中的高效性和可行性。
表2局部区域检测结果对比
本发明针对被动探测中极低信噪比高速运动目标难以检测问题，提出一种基于涨落分析的暗弱运动目标关联检测方法。基于强背景信号的涨落在时间维度上稳定分布和稳定变化的特点，利用目标运动导致的瞬态涨落在时间维度上分布的变化反演出运动目标的存在。通过将目标检测问题建模为基于单个像元灰度时序序列的一维信号检测问题，采用在时域上划分时间窗口的方式来提取关联特征，由关联特征的变化来检测目标信号。
一维时序信号的仿真实验在高斯噪声、泊松噪声、瑞丽噪声、韦布尔噪声等背景下检测出了信噪比低至-8dB的目标信号。暗弱运动目标半物理仿真实验验证了该关联检测算法在图像序列中检测暗弱运动目标信号的可行性和有效性，同时与其它常用运动目标检测方法进行对比分析，实验结果表明，与经典检测方法相比，该方法在检测极低信噪比暗弱运动目标方面表现得更好，在该仿真实验中，对于信噪比为-5dB的运动目标，其检测率为87.80％，比其它几种方法的检测率至少高出11％，虚警率为0.09％，也远低于其它方法的虚警率。在真实实验中，在目标信号完全湮没于背景噪声中的天光背景下成功检测出了15.8星等的近地小行星，且轨迹清晰，检测结果在检测率和虚警率方面都明显优于其它几种常用方法，进一步验证了基于涨落分析的关联检测方法的实用性和有效性。上述实验表明了该暗弱运动目标关联检测方法在仿真数据和真实实验数据中都有很好的检测效果。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于涨落分析的极暗弱运动目标关联检测方法，所述方法包括：
步骤1)对高帧频图像序列在时序上做归一化预处理，得到图像上每个像元的时序信号；
步骤2)根据帧频以及信号驻留时间，将每个像元的时序信号划分为多个等长的时间窗口，在相邻两个时间窗口上提取第一次关联特征；
步骤3)基于第一次关联特征，重新进行时间窗口划分，设置能量参数和速度参数，在相邻两个时间窗口上提取第二次关联特征；
步骤4)基于每个像元的时序信号的第二次关联特征，寻找第二关联特征变化异常的位置，作为空间轨迹判别的依据；
步骤5)根据目标速度和跨越像元的距离，划出设定大小空间窗口，若空间窗口内检测出的目标存在，则判断为目标轨迹，否则，转入步骤3)。
2.根据权利要求1所述的基于涨落分析的极暗弱运动目标关联检测方法，其特征在于，所述根据帧频以及信号驻留时间，将每一个像元的时序信号划分为多个等长的时间窗口，在每两个相邻时间窗口上提取第一次关联特征；具体包括：
将一个整个向量长度为T的时序信号划分为N个窗口；
计算第n个窗口和第n+1个窗口的第一关联特征Δ1(xn-xτn)：
其中，n表示窗口的序号，1≤n≤N-1，k表示一个窗口内的采样点，T＝N*k；xni表示第n个窗口的第i个采样点，xτni表示第n+1窗口的第i个采样点，η为相机固定参数，和像元的响应率曲线有关，e1是第一次提取关联特征的能量参数，和目标能量大小相关；σ1是第一次提取关联特征的速度参数，和目标速度和像元大小相关。
3.根据权利要求2所述的基于涨落分析的极暗弱运动目标关联检测方法，其特征在于，所述基于第一次关联特征，重新进行时间窗口划分，设置能量参数和速度参数，在相邻两个时间窗口上提取第二次关联特征；具体包括：
基于第一次关联特征，对时序信号重新进行时间窗口划分，m表示窗口的序号，1≤m≤N-2；s表示一个窗口内的采样点；
则第m个窗口和第m+1个窗口的第二次关联特征为
其中，表示为第一次提取特征后的向量中第m个窗口的第j个采样点，/>表示相邻的第m+1个窗口的第j个采样点，η为相机固定参数，和像元的响应率曲线有关，e2是第二次提取关联特征的能量参数，和目标能量大小相关；σ2是第二次提取关联特征的速度参数，和目标速度和像元大小相关。
4.根据权利要求3所述的基于涨落分析的极暗弱运动目标关联检测方法，其特征在于，所述空间窗口的大小为：3×3或9×9。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010564687.7A CN111784738B (zh) | 2020-06-19 | 2020-06-19 | 一种基于涨落分析的极暗弱运动目标关联检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010564687.7A CN111784738B (zh) | 2020-06-19 | 2020-06-19 | 一种基于涨落分析的极暗弱运动目标关联检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111784738A CN111784738A (zh) | 2020-10-16 |
| CN111784738B true CN111784738B (zh) | 2023-10-31 |
Family
ID=72757480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010564687.7A Active CN111784738B (zh) | 2020-06-19 | 2020-06-19 | 一种基于涨落分析的极暗弱运动目标关联检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784738B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487645B (zh) * | 2021-06-10 | 2022-04-26 | 中国科学院国家空间科学中心 | 一种基于时域事件触发的暗弱运动目标检测方法及其系统 |
| CN115359258B (zh) * | 2022-08-26 | 2023-04-28 | 中国科学院国家空间科学中心 | 一种成分不确定度测量的弱小目标检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
| WO2015136102A1 (fr) * | 2014-03-14 | 2015-09-17 | Centre National De La Recherche Scientifique Cnrs | Procede de detection optique de mobiles spatiaux, systemes de telescopes pour la detection de mobiles spatiaux |
| JP2017225808A (ja) * | 2016-06-22 | 2017-12-28 | 韓國電子通信研究院Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ | 心拍変異度分析装置及びそれを利用した心拍変異度検出方法 |
| CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
| CN108875367A (zh) * | 2018-06-13 | 2018-11-23 | 苏州若依玫信息技术有限公司 | 一种基于时序的云计算智能安全系统 |
| CN109242886A (zh) * | 2018-09-06 | 2019-01-18 | 中国人民解放军63921部队 | 一种空间集群目标运动轨迹建模与预报方法 |
| CN109685728A (zh) * | 2018-11-30 | 2019-04-26 | 中南大学 | 基于局部时频域变换的数字图像处理方法 |
| CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
| CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
| CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
-
2020
- 2020-06-19 CN CN202010564687.7A patent/CN111784738B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
| WO2015136102A1 (fr) * | 2014-03-14 | 2015-09-17 | Centre National De La Recherche Scientifique Cnrs | Procede de detection optique de mobiles spatiaux, systemes de telescopes pour la detection de mobiles spatiaux |
| JP2017225808A (ja) * | 2016-06-22 | 2017-12-28 | 韓國電子通信研究院Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ | 心拍変異度分析装置及びそれを利用した心拍変異度検出方法 |
| CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
| CN108875367A (zh) * | 2018-06-13 | 2018-11-23 | 苏州若依玫信息技术有限公司 | 一种基于时序的云计算智能安全系统 |
| CN109242886A (zh) * | 2018-09-06 | 2019-01-18 | 中国人民解放军63921部队 | 一种空间集群目标运动轨迹建模与预报方法 |
| CN109685728A (zh) * | 2018-11-30 | 2019-04-26 | 中南大学 | 基于局部时频域变换的数字图像处理方法 |
| CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
| CN110147802A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 基于多重分形去趋势波动分析的惰质组分类方法及系统 |
| CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Coherent Integration Method Based on Radon-NUFFT for Moving Target Detection Using Frequency Agile Radar;Jiameng Pan等;《Sensors》;第20卷(第8期);1-14 * |
| im moving target detection method based on time-frequency analysis;Zhengzhou Li等;《The International Society for Optical Engineering》;第8193卷(第9期);1-7 * |
| Moving Point Target Detection Based on Higher Order Statistics in Very Low SNR;Wenlong Niu等;《IEEE Geoscience and Remote Sensing Letters 》;第15卷(第2期);217-221 * |
| 基于涨落分析的暗弱运动目标关联检测;邓昊等;《光学精密工程》;第28卷(第11期);2517-2526 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111784738A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tzannes et al. | Detecting small moving objects using temporal hypothesis testing | |
| Tom et al. | Morphology-based algorithm for point target detection in infrared backgrounds | |
| CN111784738B (zh) | 一种基于涨落分析的极暗弱运动目标关联检测方法 | |
| CN110046659B (zh) | 一种基于tld的长时间单目标跟踪方法 | |
| CN112986950A (zh) | 基于深度学习的单脉冲激光雷达回波特征提取方法 | |
| Liu et al. | Space target detection in optical image sequences for wide-field surveillance | |
| Silverman et al. | Temporal filtering for point target detection in staring IR imagery: II. Recursive variance filter | |
| Hu et al. | An infrared target intrusion detection method based on feature fusion and enhancement | |
| Niu et al. | Moving point target detection based on higher order statistics in very low SNR | |
| Wang et al. | Unsupervised ship detection for single-channel SAR images based on multiscale saliency and complex signal kurtosis | |
| Chapple et al. | Stochastic model-based processing for detection of small targets in non-gaussian natural imagery | |
| Askar et al. | Performance analysis of dim moving point target detection algorithms | |
| Zhang et al. | Neural-network-based single-frame detection of dim spot target in infrared images | |
| Zhu et al. | Dbu-net based robust target detection for multi-frame track-before-detect method | |
| Patel et al. | Depthwise convolution for compact object detector in nighttime images | |
| Bing et al. | The predicting and matching detection algorithm of moving point target in image sequences | |
| Abdo et al. | New approach in processing of the infrared image sequence for moving dim point targets detection | |
| Cao et al. | Practical detection and tracking of flying small objects in infrared images | |
| Fu et al. | LD‐Net: A novel one‐stage knowledge distillation algorithm for lightning detection network | |
| Abdo et al. | Adaptive Recursive Statistical Algorithm for IR Clutter Rejection | |
| Kalashev et al. | Machine learning based background rejection for Baikal-GVD neutrino telescope | |
| Weihua et al. | A real-time target detection algorithm for panorama infrared search and track system | |
| Wu et al. | An Infrared Target Images Recognition and Processing Method Based on the Fuzzy Comprehensive Evaluation | |
| Chen et al. | Adaptive spatiotemporal multiple sensor fusion | |
| Liu et al. | New method of detecting moving dim-point targets in image sequences |
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 |