CN113379639B - 一种复杂环境中红外目标抗干扰检测跟踪方法 - Google Patents

一种复杂环境中红外目标抗干扰检测跟踪方法 Download PDF

Info

Publication number
CN113379639B
CN113379639B CN202110709102.0A CN202110709102A CN113379639B CN 113379639 B CN113379639 B CN 113379639B CN 202110709102 A CN202110709102 A CN 202110709102A CN 113379639 B CN113379639 B CN 113379639B
Authority
CN
China
Prior art keywords
frame
target
interference
image
pipeline
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
CN202110709102.0A
Other languages
English (en)
Other versions
CN113379639A (zh
Inventor
李兴睿
种衍文
潘少明
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110709102.0A priority Critical patent/CN113379639B/zh
Publication of CN113379639A publication Critical patent/CN113379639A/zh
Application granted granted Critical
Publication of CN113379639B publication Critical patent/CN113379639B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种复杂环境中红外目标抗干扰检测跟踪方法。首先让用户在第一帧图像上对跟踪目标进行框选，得到真实目标在图像内的位置与尺寸，完成真实目标框的初始化，接着对第二帧及以后的图像进行干扰物检测，分别对有干扰物靠近、无干扰物靠近的红外图像进行预处理获得候选目标位置，然后利用管道滤波算法完成目标定位，最后分别对有干扰情况、无干扰情况制定相应策略进行持续跟踪。本发明对Robinsonguard滤波的滤波器模板进行改进，同时引入管道滤波算法，提高了检测效率；采用ORB角点检测匹配算法纠正管道中未发现目标物体的特殊情况，削减了其对单帧影像质量的依赖；基于K‑均值聚类的抗干扰算法实现了有干扰情况下的红外目标持续检测跟踪。

Description

一种复杂环境中红外目标抗干扰检测跟踪方法
技术领域
本发明属于红外目标检测跟踪领域，特别是涉及一种复杂环境中红外目标抗干扰检测跟踪方法。
背景技术
红外目标检测跟踪方法是红外成像在检测跟踪领域的一个重要应用。任何温度大于绝对零度的物体均会对外进行热辐射，红外成像技术就是通过光电技术对这种热辐射的红外线信号进行接收，从而在成像系统中显示为人类可识别的图像或图形。目前该技术被广泛应用于军事以及公共安全领域。通常红外目标的信号强度较弱，会被淹没在背景中，且红外目标缺少纹理特征，传统的检测算法往往无法通过纹理特征正确识别红外目标。并且在上述环境中存在较多的干扰源，会影响对目标的识别，出现错跟、跟丢等情况，例如在军事领域，目标飞机会释放干扰弹进行阻拦，在公共安全领域，城市内较多的人造设施也会对目标进行遮蔽。
现有的红外目标跟踪方法大体分为红外图像预处理、目标检测识别和目标持续跟踪三个部分，红外图像预处理部分的目的是用于抑制背景和噪声干扰，增强目标信号，从而提高图像数据的信噪比，使得后续检测与跟踪效率更高。红外图像预处理方法通常分为空间域图像预处理和变换域图像预处理两类，空间域图像预处理是由图像中某像素邻域内的像素值来变化该像素值的方法，一般通过设计一个模板在原始图像内进行变换。变换域图像预处理是将原始图像进行一系列变换，在变换域内对图像进行处理的方法。目前红外目标检测算法主要分为仅考虑当前影像的单帧目标检测算法和考虑空域和时域信息的多帧目标检测算法。目标跟踪算法则通常分为先检测后跟踪和先跟踪后检测两种，分别与检测算法中的单帧目标检测算法和多帧目标检测算法相对应。实际应用中，空间域图像预处理各方法对目标边缘信息具有抑制作用，且作用范围通常为整幅图像，变换域图像预处理存在计算量较大这一问题；先检测后跟踪算法对单帧图像质量依赖性较强，受单帧图像质量影响较大，先跟踪后检测算法则占用运算资源过多，实用性不强。同时，这些算法均未考虑到干扰物靠近对目标跟踪造成的影响，实际应用中会出现目标跟丢或者跟错等情况。
发明内容
本发明针对现有技术的不足，提供一种复杂环境中红外目标抗干扰检测跟踪方法。首先让用户在第一帧图像上对跟踪目标进行框选，得到真实目标在图像内的位置与尺寸，并计算目标像素值集合的均值、中误差，完成真实目标框的初始化，接着对第二帧及以后的图像进行干扰物检测，分别对有干扰物靠近、无干扰物靠近的红外图像进行预处理操作获得候选目标位置，然后利用管道滤波算法完成目标定位，最后分别对有干扰情况、无干扰情况制定相应策略进行持续跟踪。
为了达到上述目的，本发明提供的技术方案是一种复杂环境中红外目标抗干扰检测跟踪方法，包括以下步骤：
步骤1，模型初始化，具体包括以下几个子步骤：
步骤1.1，读取红外视频，并将其逐帧保存。
步骤1.2，向用户展示第一帧图像，让用户使用鼠标对跟踪目标进行框选，得到真实目标在图像内的位置与尺寸。
步骤1.3，提取步骤1.2得到的真实目标框内所有像素值并构成集合，对其进行K-均值聚类(k＝2)，将均值较高的簇视作目标像素值集合，分别求目标像素值集合的均值
Figure BDA0003132659980000023
中误差m1，由此完成真实目标框的初始化操作。
步骤2，对第二帧及以后的图像进行干扰物检测，并构建潜在目标框。
步骤2.1，在真实目标框的外层设置一层干扰物检测框，干扰物检测框中心与真实目标框中心重合，且干扰物检测框尺寸为真实目标框尺寸的两倍。
步骤2.2，提取干扰物检测框边界像素值的最大值。
步骤2.3，取上一帧目标像素值集合的均值
Figure BDA0003132659980000021
中误差mi-1，令
Figure BDA0003132659980000022
C为常数，i为当前帧数，i∈{2,...,n}，比较步骤2.2提取的最大值与α的大小，若最大值小于α，则认为无干扰物靠近，反之则有干扰物靠近。
步骤2.4，以当前帧图像的前5帧真实目标框位移距离为因变量，帧数为自变量进行最小二乘二次曲线拟合，预测当前帧位移。
步骤2.5，以上一帧真实目标框的中心为中心，步骤2.4预测的当前帧位移的2倍与目标尺寸的和为尺寸构建潜在目标框。
步骤3，对有干扰物靠近的红外图像进行预处理，提高图像数据的信噪比。
步骤3.1，有干扰物靠近时，对图像内所有像素以上一帧背景像素值的最大值作为当前帧滤波器边缘像素值的最大值进行Robinson guard滤波。
步骤3.2，对步骤3.1滤波后的图像通过Otsu自适应求阈值，并对图像进行分割，得到二值图像，其中像素值为255的区域为候选目标位置。
步骤3.3，对步骤3.2得到的二值图像进行Unger平滑滤波，抑制随机噪声。
步骤4，对没有干扰物靠近的红外图像进行预处理，提高图像数据的信噪比。
步骤4.1，无干扰物靠近时，对步骤2.5构建的潜在目标框内所有像素以上一帧背景像素值的最大值作为当前帧滤波器边缘像素值的最大值进行Robinson guard滤波。
步骤4.2，对步骤4.1滤波后的图像通过Otsu自适应求阈值，并对图像进行分割，得到二值图像，其中像素值为255的区域为候选目标位置。
步骤4.3，对步骤4.2得到的二值图像进行Unger平滑滤波，抑制随机噪声。
步骤5，利用管道滤波算法进行目标定位。
步骤6，更新真实目标框。
步骤6.1，在无干扰情况下，若步骤5定位后管道的宽度或长度大于上一帧管道宽度或长度的1.4倍时，采用ORB角点检测匹配算法对管道进行纠正得到真实目标框，否则，将当前目标框作为真实目标框。
步骤6.2，在有干扰情况下，需进一步检测干扰物与目标是否分离，若未分离，将目标和干扰物的合框当做真实目标框，若分离，则将最靠近预测位置的高亮部分作为真实目标框。
步骤7，根据步骤6得到的真实目标框的长度l和宽度w更新Robinson guard滤波器模板，更新后模板大小为(2×l-1,2×w-1)，滤波器模板内元素排布方式与传统Robinsonguard滤波器相同。
步骤8，若当前帧为最后一帧时，跟踪结束，否则重复步骤2～步骤7进行下一帧目标的跟踪。
而且，所述步骤2.4中当前帧位移计算方式如下：
Figure BDA0003132659980000031
式中，xi为真实目标框位移距离，ti为帧数。
选用当前帧的前5帧进行求解，存在多余观测，因此采用最小二乘法求解，即拟合位移与真实目标框位移误差的平方和最小，公式如下：
Figure BDA0003132659980000041
式中，x′i为拟合位移，xi为真实目标框位移。
建立误差方程，并求解二次曲线函数的系数矩阵，公式如下：
V＝BX-L (3)
其中，
Figure BDA0003132659980000042
X＝(BTB)-1BTL (4)
式中，V表示拟合位移与真实目标框位移之间的误差矩阵，B表示公式(1)中各系数对应的帧数组合项，X为公式(1)中待求的二次曲线函数的系数矩阵，L为真实目标框位移矩阵。
而且，所述步骤5目标定位是以步骤2.5构建的潜在目标框作为潜在目标管道，并在经过预处理的当前帧图像内对该管道进行缩小，当管道各边缘遇到候选目标位置立即停止缩小，由此完成定位，无干扰情况下定位结果为真实目标框，有干扰情况下定位结果为目标与干扰物合框。
而且，所述步骤6.1在无干扰情况下，若真实目标框中心距离图像边缘小于5个像素，则认为目标脱离图像，跟踪结束；否则，需进一步判断管道尺寸是否急剧扩大。当步骤5定位后管道的宽度或长度大于上一帧管道宽度或长度的1.4倍时，认为管道尺寸急剧扩大。若管道尺寸急剧扩大，则可能是未消除的部分噪声造成的影响，需要对管道进行纠正，首先将上一帧图像与当前帧图像通过Robinson guard滤波进行全图抑制背景滤波，然后通过ORB角点检测匹配，删除当前帧未匹配成功的特征点、以及当前帧与上一帧匹配的特征点在上一帧真实目标框外的特征点，剩余匹配点范围则认为是当前帧的真实目标管道；若管道尺寸未急剧扩大，则认为此时的管道即为当前帧的真实目标管道，然后提取真实目标框内所有像素值并构成集合，对其进行K-均值聚类(k＝2)，将均值较高的簇视作目标像素值集合，计算并更新目标像素值集合的均值
Figure BDA0003132659980000051
中误差mi。这里仅有无干扰物靠近情况下且管道尺寸未急剧扩大时，利用K-均值聚类重新计算当前帧目标像素值集合的均值和中误差，否则均将上一帧目标像素值集合的均值和中误差赋予给当前帧。然后执行步骤7。
而且，所述步骤6.2在有干扰情况下，对管道内全部候选目标位置投影至某投影线上，该投影线角度从-90°到90°，共计算180次投影结果，以各像素在该投影线上的位置坐标(坐标原点可任意规定，坐标为一数值)作为集合，进行K-均值聚类(k＝2)。以DB指数作为衡量标准，对各角度投影线的聚类结果分别计算其DB指数，若DB指数的最小值小于阈值λ(λ为经验值，一般取0.5)，则认为该帧图像内干扰物已分离，反之则未分离。若未分离，则保留合框作为真实目标框继续跟踪；若已经分离，则根据前5帧中真实目标管道位置预测当前帧目标可能位置，选择最靠近预测位置的高亮部分作为真实目标框继续跟踪。若真实目标框中心距离图像边缘小于5个像素，则认为目标脱离图像，跟踪结束；否则，执行步骤7。
与现有技术相比，本发明具有如下优点：(1)对Robinson guard滤波算法的滤波器模板进行改进，通过真实目标管道的尺寸来更新滤波器模板的尺寸，可防止目标边缘信息的抑制现象；(2)引入管道滤波算法完成目标定位，构建潜在目标管道并只对管道内进行滤波，提高了滤波过程的效率，通过对潜在目标管道进行缩小来进行定位，提高了搜索跟踪的效率；(3)采用ORB角点检测匹配算法来纠正管道中未发现目标物体的特殊情况，削减了该改进算法对单帧影像质量的依赖，提高了管道滤波在改进算法中的优势，使得改进算法在具备实时性优势的同时提高了鲁棒性；(4)对有干扰状态下的红外目标，基于K-均值聚类的红外抗干扰算法，通过检测干扰物体靠近、判断干扰物体与目标的分离、目标再跟踪三个步骤，成功实现了目标与干扰物相交后再次跟踪，增强了该算法在复杂环境中的持续跟踪能力。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例运算过程中输出的逐帧图像、Otsu阈值分割图像、Unger平滑滤波图像。
图3为本发明实施例逐帧跟踪的结果图像。
图4为本发明实施例的跟踪结果视频。
具体实施方式
本发明提供一种复杂环境中红外目标抗干扰检测跟踪方法。首先让用户在第一帧图像上对跟踪目标进行框选，得到真实目标在图像内的位置与尺寸，并计算目标像素值集合的均值、中误差，完成真实目标框的初始化，接着对第二帧及以后的图像进行干扰物检测，分别对有干扰物靠近、无干扰物靠近的红外图像进行预处理操作获得候选目标位置，然后利用管道滤波算法完成目标定位，最后分别对有干扰情况、无干扰情况制定相应策略进行持续跟踪。
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例的流程包括以下步骤：
步骤1，模型初始化，具体包括以下几个子步骤：
步骤1.1，读取红外视频，并将其逐帧保存。
步骤1.2，向用户展示第一帧图像，让用户使用鼠标对跟踪目标进行框选，得到真实目标在图像内的位置与尺寸。
步骤1.3，提取步骤1.2得到的真实目标框内所有像素值并构成集合，对其进行K-均值聚类(k＝2)，将均值较高的簇视作目标像素值集合，分别求目标像素值集合的均值
Figure BDA0003132659980000063
中误差m1，由此完成真实目标框的初始化操作。
步骤2，对第二帧及以后的图像进行干扰物检测，并构建潜在目标框。
步骤2.1，在真实目标框的外层设置一层干扰物检测框，干扰物检测框中心与真实目标框中心重合，且干扰物检测框尺寸为真实目标框尺寸的两倍。
步骤2.2，提取干扰物检测框边界像素值的最大值。
步骤2.3，取上一帧目标像素值集合的均值
Figure BDA0003132659980000061
中误差mi-1，令
Figure BDA0003132659980000062
C为常数，i为当前帧数，i∈{2,...,n}，比较步骤2.2提取的最大值与α的大小，若最大值小于α，则认为无干扰物靠近，反之则有干扰物靠近。
步骤2.4，以当前帧图像的前5帧真实目标框位移距离为因变量，帧数为自变量进行最小二乘二次曲线拟合，预测当前帧位移。
当前帧位移计算方式如下：
Figure BDA0003132659980000071
式中，xi为真实目标框位移距离，ti为帧数。
选用当前帧的前5帧进行求解，存在多余观测，因此采用最小二乘法求解，即拟合位移与真实目标框位移误差的平方和最小，公式如下：
Figure BDA0003132659980000072
式中，xi′为拟合位移，xi为真实目标框位移。
建立误差方程，并求解二次曲线函数的系数矩阵，公式如下：
V＝BX-L (3)
其中，
Figure BDA0003132659980000073
X＝(BTB)-1BTL (4)
式中，V表示拟合位移与真实目标框位移之间的误差矩阵，B表示公式(1)中各系数对应的帧数组合项，X为公式(1)中待求的二次曲线函数的系数矩阵，L为真实目标框位移矩阵。
步骤2.5，以上一帧真实目标框的中心为中心，步骤2.4预测的当前帧位移的2倍与目标尺寸的和为尺寸构建潜在目标框。
步骤3，对有干扰物靠近的红外图像进行预处理，提高图像数据的信噪比。
步骤3.1，有干扰物靠近时，对图像内所有像素以上一帧背景像素值的最大值作为当前帧滤波器边缘像素值的最大值进行Robinson guard滤波。
步骤3.2，对步骤3.1滤波后的图像通过Otsu自适应求阈值，并对图像进行分割，得到二值图像，其中像素值为255的区域为候选目标位置。
步骤3.3，对步骤3.2得到的二值图像进行Unger平滑滤波，抑制随机噪声。
步骤4，对没有干扰物靠近的红外图像进行预处理，提高图像数据的信噪比。
步骤4.1，无干扰物靠近时，对步骤2.5构建的潜在目标框内所有像素以上一帧背景像素值的最大值作为当前帧滤波器边缘像素值的最大值进行Robinson guard滤波。
步骤4.2，对步骤4.1滤波后的图像通过Otsu自适应求阈值，并对图像进行分割，得到二值图像，其中像素值为255的区域为候选目标位置。
步骤4.3，对步骤4.2得到的二值图像进行Unger平滑滤波，抑制随机噪声。
步骤5，利用管道滤波算法进行目标定位。
以步骤2.5构建的潜在目标框作为潜在目标管道，并在经过预处理的当前帧图像内对该管道进行缩小，当管道各边缘遇到候选目标位置立即停止缩小，由此完成定位，无干扰情况下定位结果为真实目标框，有干扰情况下定位结果为目标与干扰物合框。
步骤6，更新真实目标框。
步骤6.1，在无干扰情况下，若步骤5定位后管道的宽度或长度大于上一帧管道宽度或长度的1.4倍时，则采用ORB角点检测匹配算法对管道进行纠正得到真实目标框，若管道尺寸未急剧扩大，则将当前目标框作为真实目标框。
在无干扰情况下，若真实目标框中心距离图像边缘小于5个像素，则认为目标脱离图像，跟踪结束；否则，需进一步判断管道尺寸是否急剧扩大。当步骤5定位后管道的宽度或长度大于上一帧管道宽度或长度的1.4倍时，认为管道尺寸急剧扩大。若管道尺寸急剧扩大，则可能是未消除的部分噪声造成的影响，需要对管道进行纠正，首先将上一帧图像与当前帧图像通过Robinson guard滤波进行全图抑制背景滤波，然后通过ORB角点检测匹配，删除当前帧未匹配成功的特征点、以及当前帧与上一帧匹配的特征点在上一帧真实目标框外的特征点，剩余匹配点范围则认为是当前帧的真实目标管道；若管道尺寸未急剧扩大，则认为此时的管道即为当前帧的真实目标管道，然后提取真实目标框内所有像素值并构成集合，对其进行K-均值聚类(k＝2)，将均值较高的簇视作目标像素值集合，计算并更新目标像素值集合的均值
Figure BDA0003132659980000081
中误差mi。这里仅有无干扰物靠近情况下且管道尺寸未急剧扩大时，利用K-均值聚类重新计算当前帧目标像素值集合的均值和中误差，否则均将上一帧目标像素值集合的均值和中误差赋予给当前帧。然后执行步骤7。
步骤6.2，在有干扰情况下，需进一步检测干扰物与目标是否分离，若未分离，将目标和干扰物的合框当做真实目标框，若分离，则将最靠近预测位置的高亮部分作为真实目标框。
在有干扰情况下，对管道内全部候选目标位置投影至某投影线上，该投影线角度从-90°到90°，共计算180次投影结果，以各像素在该投影线上的位置坐标(坐标原点可任意规定，坐标为一数值)作为集合，进行K-均值聚类(k＝2)。以DB指数作为衡量标准，对各角度投影线的聚类结果分别计算其DB指数，若DB指数的最小值小于阈值λ(λ为经验值，一般取0.5)，则认为该帧图像内干扰物已分离，反之则未分离。若未分离，则保留合框作为真实目标框继续跟踪；若已经分离，则根据前5帧中真实目标管道位置预测当前帧目标可能位置，选择最靠近预测位置的高亮部分作为真实目标框继续跟踪。若真实目标框中心距离图像边缘小于5个像素，则认为目标脱离图像，跟踪结束；否则，执行步骤7。
步骤7，根据步骤6得到的真实目标框的长度l和宽度w更新Robinson guard滤波器模板，更新后模板大小为(2×l-1,2×w-1)，滤波器模板内元素排布方式与传统Robinsonguard滤波器相同。
步骤8，若当前帧为最后一帧时，跟踪结束，否则重复步骤2～步骤7进行下一帧目标的跟踪。
具体实施时，以上流程可采用计算机软件技术实现自动运行流程。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于，包括如下步骤：
步骤1，对第一帧图像进行跟踪目标的框选，获得真实目标在图像内的位置与尺寸，并进行真实目标框的初始化操作；
步骤2，对第二帧及以后的图像进行干扰物检测，并构建潜在目标框；
步骤2.1，在真实目标框的外层设置一层干扰物检测框，干扰物检测框中心与真实目标框中心重合，且干扰物检测框尺寸为真实目标框尺寸的t倍；
步骤2.2，提取干扰物检测框边界像素值的最大值；
步骤2.3，取上一帧目标像素值集合的均值
Figure FDA0003683838380000011
中误差mi-1，令
Figure FDA0003683838380000012
C为常数，i为当前帧数，i∈{2,...,N}，比较步骤2.2提取的最大值与α的大小，若最大值小于α，则认为无干扰物靠近，反之则有干扰物靠近；
步骤2.4，以当前帧图像的前n帧真实目标框位移距离为因变量，帧数为自变量进行最小二乘二次曲线拟合，预测当前帧位移；
步骤2.5，以上一帧真实目标框的中心为中心，步骤2.4预测的当前帧位移的γ倍与目标尺寸的和为尺寸构建潜在目标框；
步骤3，对有干扰物靠近的红外图像进行预处理，提高图像数据的信噪比；
步骤4，对没有干扰物靠近的红外图像进行预处理，提高图像数据的信噪比；
步骤4.1，无干扰物靠近时，对步骤2.5构建的潜在目标框内所有像素以上一帧背景像素值的最大值作为当前帧滤波器边缘像素值的最大值进行Robinson guard滤波；
步骤4.2，对步骤4.1滤波后的图像通过Otsu自适应求阈值，并对图像进行分割，得到二值图像，其中像素值为255的区域为候选目标位置；
步骤4.3，对步骤4.2得到的二值图像进行Unger平滑滤波，抑制随机噪声；
步骤5，利用管道滤波算法进行目标定位；
以步骤2.5构建的潜在目标框作为潜在目标管道，并在经过预处理的当前帧图像内对该管道进行缩小，当管道各边缘遇到候选目标位置立即停止缩小，由此完成定位，无干扰情况下定位结果为真实目标框，有干扰情况下定位结果为目标与干扰物合框；
步骤6，更新真实目标框；
步骤6.1，在无干扰情况下，若步骤5定位后管道的宽度或长度大于上一帧管道宽度或长度的k倍时，采用ORB角点检测匹配算法对管道进行纠正得到真实目标框，否则，将当前目标框作为真实目标框；
步骤6.2，在有干扰情况下，需进一步检测干扰物与目标是否分离，若未分离，将目标和干扰物的合框当做真实目标框，若分离，则将最靠近预测位置的高亮部分作为真实目标框；
步骤7，根据步骤6得到的真实目标框的长度l和宽度w更新Robinson guard滤波器模板，更新后模板大小为(2×l-1,2×w-1)，滤波器模板内元素排布方式与传统Robinsonguard滤波器相同；
步骤8，若当前帧为最后一帧时，跟踪结束，否则重复步骤2～步骤7进行下一帧目标的跟踪。
2.如权利要求1所述的一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于：所述步骤1包括以下几个子步骤：
步骤1.1，读取红外视频，并将其逐帧保存；
步骤1.2，向用户展示第一帧图像，让用户使用鼠标对跟踪目标进行框选，得到真实目标在图像内的位置与尺寸；
步骤1.3，提取步骤1.2得到的真实目标框内所有像素值并构成集合，对其进行K-均值聚类，聚类后像素数据分为两个簇，将两个簇中均值较高的簇视作目标像素值集合，分别求目标像素值集合的均值x1、中误差m1，由此完成真实目标框的初始化操作。
3.如权利要求1所述的一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于：所述步骤2.4中当前帧位移计算方式如下：
Figure FDA0003683838380000021
式中，xi为真实目标框位移距离，ti为帧数；
选用当前帧的前n帧进行求解，存在多余观测，因此采用最小二乘法求解，即拟合位移与真实目标框位移误差的平方和最小，公式如下：
Figure FDA0003683838380000031
式中，xi′为拟合位移，xi为真实目标框位移；
建立误差方程，并求解二次曲线函数的系数矩阵，公式如下：
V＝BX-L (3)
其中，
Figure FDA0003683838380000032
X＝(BTB)-1BTL (4)
式中，V表示拟合位移与真实目标框位移之间的误差矩阵，B表示公式(1)中各系数对应的帧数组合项，X为公式(1)中待求的二次曲线函数的系数矩阵，L为真实目标框位移矩阵。
4.如权利要求1所述的一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于：所述步骤3包括以下几个子步骤：
步骤3.1，有干扰物靠近时，对图像内所有像素以上一帧背景像素值的最大值作为当前帧滤波器边缘像素值的最大值进行Robinson guard滤波；
步骤3.2，对步骤3.1滤波后的图像通过Otsu自适应求阈值，并对图像进行分割，得到二值图像，其中像素值为255的区域为候选目标位置；
步骤3.3，对步骤3.2得到的二值图像进行Unger平滑滤波，抑制随机噪声。
5.如权利要求1所述的一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于：所述步骤6.1在无干扰情况下，若真实目标框中心距离图像边缘小于u个像素，则认为目标脱离图像，跟踪结束，否则，需进一步判断步骤5定位后管道的宽度或长度是否大于上一帧管道宽度或长度的k倍。
6.如权利要求5所述的一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于：所述步骤6.1中若步骤5定位后管道的宽度或长度大于上一帧管道宽度或长度的k倍，则可能是未消除的部分噪声造成的影响，需要对管道进行纠正，首先将上一帧图像与当前帧图像通过Robinson guard滤波进行全图抑制背景滤波，然后通过ORB角点检测匹配，删除当前帧未匹配成功的特征点、以及当前帧与上一帧匹配的特征点在上一帧真实目标框外的特征点，剩余匹配点范围则认为是当前帧的真实目标管道；若步骤5定位后管道的宽度或长度小于等于上一帧管道宽度或长度的k倍，则认为此时的管道即为当前帧的真实目标管道，然后提取真实目标框内所有像素值并构成集合，对其进行K-均值聚类，聚类后像素数据分为两个簇，将两个簇中均值较高的簇视作目标像素值集合，计算并更新目标像素值集合的均值xi、中误差mi；这里仅有无干扰物靠近情况下且步骤5定位后管道的宽度或长度小于等于上一帧管道宽度或长度的k倍时，利用K-均值聚类重新计算当前帧目标像素值集合的均值和中误差，否则均将上一帧目标像素值集合的均值和中误差赋予给当前帧；然后执行步骤7。
7.如权利要求1所述的一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于：所述步骤6.2在有干扰情况下，对管道内全部候选目标位置投影至某投影线上，该投影线角度从-90°到90°，共计算180次投影结果，定义任一点为坐标原点，以各像素在该投影线上的位置坐标作为集合，进行K-均值聚类；以DB指数作为衡量标准，对各角度投影线的聚类结果分别计算其DB指数，若DB指数的最小值小于阈值λ，则认为该帧图像内干扰物已分离，反之则未分离。
8.如权利要求7所述的一种复杂环境中红外目标抗干扰检测跟踪方法，其特征在于：所述步骤6.2中若未分离，则保留合框作为真实目标框继续跟踪；若已经分离，则根据前n帧中真实目标管道位置预测当前帧目标可能位置，选择最靠近预测位置的高亮部分作为真实目标框继续跟踪；若真实目标框中心距离图像边缘小于u个像素，则认为目标脱离图像，跟踪结束；否则，执行步骤7。
CN202110709102.0A 2021-06-25 2021-06-25 一种复杂环境中红外目标抗干扰检测跟踪方法 Active CN113379639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110709102.0A CN113379639B (zh) 2021-06-25 2021-06-25 一种复杂环境中红外目标抗干扰检测跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110709102.0A CN113379639B (zh) 2021-06-25 2021-06-25 一种复杂环境中红外目标抗干扰检测跟踪方法

Publications (2)

Publication Number Publication Date
CN113379639A CN113379639A (zh) 2021-09-10
CN113379639B true CN113379639B (zh) 2022-08-05

Family

ID=77579157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110709102.0A Active CN113379639B (zh) 2021-06-25 2021-06-25 一种复杂环境中红外目标抗干扰检测跟踪方法

Country Status (1)

Country Link
CN (1) CN113379639B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920325B (zh) * 2021-12-13 2022-05-13 广州微林软件有限公司 一种基于红外图像特征点减少物体识别图像量的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272546A (ja) * 2003-03-07 2004-09-30 Seiko Epson Corp 空間フィルタ、空間フィルタ作成方法、空間フィルタ作成プログラム並びにその空間フィルタを用いた画像処理装置及び検査装置並びに画像変換方法
CN104036461A (zh) * 2014-06-10 2014-09-10 河南科技大学 一种基于联合滤波的红外复杂背景抑制方法
CN111461011A (zh) * 2020-04-01 2020-07-28 西安电子科技大学 基于概率化管道滤波的弱小目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006119723A (ja) * 2004-10-19 2006-05-11 Canon Inc 画像処理装置、画像処理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272546A (ja) * 2003-03-07 2004-09-30 Seiko Epson Corp 空間フィルタ、空間フィルタ作成方法、空間フィルタ作成プログラム並びにその空間フィルタを用いた画像処理装置及び検査装置並びに画像変換方法
CN104036461A (zh) * 2014-06-10 2014-09-10 河南科技大学 一种基于联合滤波的红外复杂背景抑制方法
CN111461011A (zh) * 2020-04-01 2020-07-28 西安电子科技大学 基于概率化管道滤波的弱小目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Research on Feature Analysis and Detection of Infrared Small Target under Complex Ground Background 》;Xueqi Li1 等；;《2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference》;20191231;第641-646页； *
《红外背景抑制与小目标检测算法》;张世锋 等；;《中国图象图形学报》;20160831;第21卷(第8期);第1039-1047页； *

Also Published As

Publication number Publication date
CN113379639A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN111681197B (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN111429485B (zh) 基于自适应正则化和高信度更新的跨模态滤波跟踪方法
CN114331879B (zh) 一种均衡化二阶梯度直方图描述子的可见光与红外图像配准方法
CN112734816B (zh) 基于CSS-Delaunay的异源图像配准方法
CN115994870B (zh) 一种用于增强去噪的图像处理方法
CN108805915A (zh) 一种抗视角变化的近景影像区域特征匹配方法
CN110245600A (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN113379639B (zh) 一种复杂环境中红外目标抗干扰检测跟踪方法
CN112329764A (zh) 一种基于tv-l1模型的红外弱小目标检测方法
CN112070035A (zh) 基于视频流的目标跟踪方法、装置及存储介质
CN112395944A (zh) 基于加权的多尺度比差联合对比度红外小目标检测方法
CN116381672A (zh) 基于孪生网络雷达x波段多扩展目标自适应跟踪方法
CN108520255B (zh) 一种红外弱小目标检测方法及装置
CN112288780B (zh) 多特征动态加权的目标跟踪算法
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
CN113781523A (zh) 一种足球检测跟踪方法及装置、电子设备、存储介质
CN117611525A (zh) 一种受电弓滑板磨耗视觉检测方法和系统
CN115511804A (zh) 一种基于管道自适应滤波的海上红外弱小目标检测方法
CN115861669A (zh) 一种基于聚类思想的红外弱小目标检测方法
CN112085683B (zh) 一种显著性检测中的深度图可信度检测方法
Varkonyi-Koczy Fuzzy logic supported corner detection
CN114187195A (zh) 一种2d前视声呐图像去噪方法

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