CN113822279B - 基于多特征融合的红外目标检测方法、装置、设备及介质 - Google Patents

基于多特征融合的红外目标检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN113822279B
CN113822279B CN202111384866.3A CN202111384866A CN113822279B CN 113822279 B CN113822279 B CN 113822279B CN 202111384866 A CN202111384866 A CN 202111384866A CN 113822279 B CN113822279 B CN 113822279B
Authority
CN
China
Prior art keywords
target
image
detection
characteristic
candidate
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
CN202111384866.3A
Other languages
English (en)
Other versions
CN113822279A (zh
Inventor
曹东
赵杨
王海波
杨阳
刘林岩
卢德勇
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.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202111384866.3A priority Critical patent/CN113822279B/zh
Publication of CN113822279A publication Critical patent/CN113822279A/zh
Application granted granted Critical
Publication of CN113822279B publication Critical patent/CN113822279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

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

Abstract

本发明公开了一种基于多特征融合的红外目标检测方法、装置、设备及介质，该方法包括获取检测目标图像；对检测目标图像进行全局阈值分割，得到二值化图像；对二值化图像进行连通域标记，得到候选目标；对每个候选目标进行特征提取，对每个特征通道滤波处理，得到每个候选目标的特征分量值；对候选目标进行多特征融合，获取归一化特征向量；判断归一化特征向量是否达到检测门限，若达到检测门限则保留候选目标，否则删除候选目标。本发明针对红外图像对比度低、目标特征信息少等问题，通过挖掘目标和杂波的多种特征信息进行多特征融合处理，利用多个特征通道并行处理，从而提高目标检测概率，降低虚警率。

Description

基于多特征融合的红外目标检测方法、装置、设备及介质
技术领域
本发明属于图像处理及目标检测技术领域，尤其涉及基于多特征融合的红外目标检测方法、装置、设备及介质。
背景技术
红外图像目标检测是红外探测系统最重要的功能之一。相比雷达系统，红外探测不受电子干扰影响，被动接收信号，隐蔽性强，灵敏度高，具有烟雾穿透能力强、探测精度高等优势。相对可见光成像系统，红外探测系统探测距离更远。但是，由于红外目标细节特征信息较少，对比度低，远距离目标信噪比也低，对于红外目标的检测也有很大的难度。
现行红外图像目标检测方法要求背景简单，目标成像信噪比高，受噪声及干扰的影响很大，使得红外目标检测虚警率较高。近年来发展的新方法，如基于神经网络、遗传算法、深度学习等方法，对弱小目标检测还不能有效适应，且由于算法较为复杂，对存储空间要求较高，在实时性方面难以达到工程应用的要求。性能好、计算速度快、工程适用的红外目标检测方法仍然是广大科研工作者追求的目标。
发明内容
本发明的目的在于，为克服现有技术缺陷，提供了一种基于多特征融合的红外目标检测方法、装置、设备及介质,针对红外图像对比度低、目标特征信息少等问题，通过挖掘目标和杂波的多种特征信息进行多特征融合处理，利用多个特征通道并行处理，从而提高目标检测概率，降低虚警率。同时，本发明设计的信号处理方法及装置计算速度快，可满足工程应用的要求。
本发明目的通过下述技术方案来实现：
一种红外目标检测方法，所述方法包括：
获取检测目标图像；
对所述检测目标图像进行全局阈值分割，得到二值化图像；
对所述二值化图像进行连通域标记，得到候选目标；
对每个候选目标进行特征提取，所述特征包括目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，对每个特征通道滤波处理，得到每个候选目标的特征分量值；
对所述候选目标进行多特征融合，获取归一化特征向量；
判断归一化特征向量是否达到检测门限，若达到检测门限则保留所述候选目标，否则删除所述候选目标。
进一步的，所述对所述检测目标图像进行全局阈值分割步骤前还包括：
对所述检测目标图像进行对比度增强处理。
进一步的，所述对所述检测目标图像进行对比度增强处理具体包括：
计算当前帧检测目标图像的灰度直方图，变换到0到2n-1的区间，n为红外图像像素值的位宽。
进一步的，所述对所述检测目标图像进行全局阈值分割具体包括：
计算红外图像的均值，分割阈值计算公式为
Figure 258073DEST_PATH_IMAGE001
；
其中，
Figure 447746DEST_PATH_IMAGE002
为背景均值，k为常系数，二值化分割判定条件为：
Figure DEST_PATH_IMAGE003
；
其中，
Figure 534520DEST_PATH_IMAGE004
表示分割后的图像，
Figure DEST_PATH_IMAGE005
表示待分割的图像，i表示横坐标，j表示纵坐标。
进一步的，所述对所述二值化图像进行连通域标记具体包括：
对所述二值化图像进行8领域的连通域标记，标记后的图像中，所述候选目标各自区域中的值为对应编号。
进一步的，所述对每个特征通道滤波处理具体包括：
判断所述目标点数是否小于阈值，小于阈值则特征通道x1=0，否则x1=1；
判断所述目标均值是否小于
Figure 100630DEST_PATH_IMAGE002
，小于
Figure 402299DEST_PATH_IMAGE002
则特征通道x2=0，否则x2=1；
判断所述目标信噪比是否小于阈值，小于阈值则特征通道x3=0，否则x3=1；
判断所述形状比值是否超过阈值，超过阈值则特征通道x4=0，否则x4=1，所述形状比值为长和宽的比值或宽和长的比值；
判断所述对角局部信噪比是否有任意两个值小于阈值，小于阈值则特征通道x5=0，否则x5=1，所述对角局部信噪比为目标分别位于左上、左下、右上、右下四个局部区域的局部信噪比，局部区域为目标大小的4倍。
进一步的，所述对所述候选目标进行多特征融合，获取归一化特征向量具体包括：
CTm= （x1+ x2+ x3+ x4+ x5）/5，
其中，CTm为第m个目标的归一化特征向量值。
另一方面，本申请还提供了一种红外目标检测装置，所述装置包括：
目标获取模块，用于获取检测目标图像；
全局阈值分割模块，用于对所述检测目标图像进行全局阈值分割，得到二值化图像；
连通域标记模块，用于对所述二值化图像进行连通域标记，得到候选目标；
特征提取模块，用于对每个候选目标进行特征提取，所述特征包括目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，对每个特征通道滤波处理，得到每个候选目标的特征分量值；
特征融合模块，用于对所述候选目标进行多特征融合，获取归一化特征向量；
目标检测模块，用于判断归一化特征向量是否达到检测门限，若达到检测门限则保留所述候选目标，否则删除所述候选目标。
可选地，所述装置还包括对比度增强模块，用于对所述检测目标图像进行全局阈值分割前进行对比度增强处理。
可选地，所述对比度增强模块对所述检测目标图像进行全局阈值分割前进行对比度增强处理具体方法为：计算当前帧检测目标图像的灰度直方图，变换到0到2n-1的区间，n为红外图像像素值的位宽。
可选地，所述全局阈值分割模块对所述检测目标图像进行全局阈值分割具体包括：
计算红外图像的均值，分割阈值计算公式为
Figure 434977DEST_PATH_IMAGE001
；
其中，
Figure 822096DEST_PATH_IMAGE002
为背景均值，k为常系数，二值化分割判定条件为：
Figure 191897DEST_PATH_IMAGE003
；
其中，
Figure 82493DEST_PATH_IMAGE004
表示分割后的图像，
Figure 879547DEST_PATH_IMAGE005
表示待分割的图像，i表示横坐标，j表示纵坐标。
可选地，所述连通域标记模块对所述二值化图像进行连通域标记具体包括：
对所述二值化图像进行8领域的连通域标记，标记后的图像中，所述候选目标各自区域中的值为对应编号。
可选地，所述特征提取模块对每个特征通道滤波处理具体包括：
判断所述目标点数是否小于阈值，小于阈值则特征通道x1=0，否则x1=1；
判断所述目标均值是否小于
Figure 488383DEST_PATH_IMAGE002
，小于
Figure 114406DEST_PATH_IMAGE002
则特征通道x2=0，否则x2=1；
判断所述目标信噪比是否小于阈值，小于阈值则特征通道x3=0，否则x3=1；
判断所述形状比值是否超过阈值，超过阈值则特征通道x4=0，否则x4=1，所述形状比值为长和宽的比值或宽和长的比值；
判断所述对角局部信噪比是否有任意两个值小于阈值，小于阈值则特征通道x5=0，否则x5=1，所述对角局部信噪比为目标分别位于左上、左下、右上、右下四个局部区域的局部信噪比，局部区域为目标大小的4倍。
可选地，所述特征融合模块对所述候选目标进行多特征融合，获取归一化特征向量具体包括：
CTm= （x1+ x2+ x3+ x4+ x5）/5，
其中，CTm为第m个目标的归一化特征向量值。
另一方面，本申请提供了一种计算机设备，计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述的任意一种基于多特征融合的红外目标检测方法。
另一方面，本申请提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述的任意一种基于多特征融合的红外目标检测方法。
本发明的有益效果在于：
（1）本发明针对红外图像对比度低、目标特征信息少等问题，通过挖掘目标和杂波的多种特征信息进行多特征融合处理，利用多个特征通道并行处理，从而提高目标检测概率，降低虚警率。
（2）本发明所选择提取的五种信号特征为目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，上述五种信号特征代表了目标和杂波信号的最大不同，特别是组合在一起之后，可以很容易地将目标和杂波区分开来，采用本发明提供的目标检测方法能够避免检测到大部分杂波，只检测出可疑度最高的目标。
（3）本发明通过归一化特征向量来进行目标检测，不会因为某一个特征的起伏变化而影响对候选目标的判定，这样检测结果会更稳定。
（4）本发明设计的信号处理方法和装置计算速度快，可满足工程应用的要求。
附图说明
图1是本发明实施例提供的基于多特征融合的红外目标检测方法流程框图；
图2是本发明实施例提供的基于多特征融合的红外目标检测方法流程示意图；
图3是对角局部信噪比示意图。
图4是现行的红外目标检测方法检测结果图；
图5是本发明实施例提供的基于多特征融合的红外目标检测方法检测结果图；
图6是本发明实施例提供的基于多特征融合的红外目标检测装置结构框图；
图7是本发明实施例提供的另一种基于多特征融合的红外目标检测装置结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
现行红外图像目标检测方法要求背景简单，目标成像信噪比高，受噪声及干扰的影响很大，使得红外目标检测虚警率较高。近年来发展的新方法，如基于神经网络、遗传算法、深度学习等方法，对弱小目标检测还不能有效适应，且由于算法较为复杂，对存储空间要求较高，在实时性方面难以达到工程应用的要求。性能好、计算速度快、工程适用的红外目标检测方法仍然是广大科研工作者追求的目标。
为了解决上述技术问题，提出了本发明的基于多特征融合的红外目标检测方法的各个实施例。
参照图1和图2，如图1所示是本实施例提供的一种基于多特征融合的红外目标检测方法的流程框图，如图2所示是本实施例提供的基于多特征融合的红外目标检测方法的流程示意图。该方法具体包括以下步骤：
步骤S100：获取检测目标图像。
作为一种可选地实施方式，通常红外图像对比度较低，若获取的检测目标图像对比度不满足检测需要，可以首先对红外图像进行对比度增强处理。
具体地，计算当前帧检测目标图像的灰度直方图，变换到0到2n-1的区间，n为红外图像像素值的位宽。本实施例通过基于直方图变换的对比度增强处理方法，把图像变换到了一个统一的度量范围，便于设置线性变化的参数。
步骤S200：对检测目标图像进行全局阈值分割，得到二值化图像。
具体地，计算红外图像的均值，分割阈值计算公式如下式
Figure 125087DEST_PATH_IMAGE001
；
其中，
Figure 93043DEST_PATH_IMAGE002
为背景均值，k为常系数，二值化分割判定条件为：
Figure 189175DEST_PATH_IMAGE003
；
其中，
Figure 900779DEST_PATH_IMAGE004
表示分割后的图像，
Figure 703650DEST_PATH_IMAGE005
表示待分割的图像，i表示横坐标，j表示纵坐标。
步骤S300：对二值化图像进行连通域标记，得到候选目标。
具体地，对步骤S200得到二值化图像进行8邻域的连通域标记，标记后的图像中，候选目标各自区域中的值为相应的编号。例如编号为1的候选目标，各自区域中的值均为1，编号为2的候选目标，各自区域中的值均为2。
步骤S400：对每个候选目标进行特征提取，特征包括目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，对每个特征通道滤波处理，得到每个候选目标的特征分量值。
具体地，判断目标点数是否小于阈值，如果目标点数小于阈值则特征通道x1=0，否则特征通道x1=1。
作为一种实施方式，本实施例中目标点数的阈值为4，当目标点数小于4时，特征通道x1=0，当目标点数大于等于4时，特征通道x1=1。
判断目标均值是否小于
Figure 842507DEST_PATH_IMAGE002
，小于
Figure 425935DEST_PATH_IMAGE002
则特征通道x2=0，否则x2=1。
判断目标信噪比是否小于阈值，小于阈值则特征通道x3=0，否则x3=1。
作为一种实施方式，本实施例中目标信噪比的阈值为3，当目标信噪比小于3时，特征通道x3=0，当目标信噪比大于等于3时，特征通道x3=1。
判断形状比值是否超过阈值，超过阈值则特征通道x4=0，否则x4=1，形状比值为长和宽的比值或宽和长的比值。
作为一种实施方式，本实施例中形状比值的阈值为5，当形状比值大于5时，特征通道x4=0，当形状比值小于等于5时，特征通道x4=1。
判断对角局部信噪比是否有任意两个值小于阈值，小于阈值则特征通道x5=0，否则x5=1，对角局部信噪比为目标分别位于左上、左下、右上、右下四个局部区域的局部信噪比，局部区域为目标大小的4倍。参照图3，如图3所示是对角局部信噪比示意图，椭圆形表示检测目标，长方形表示一个局部区域，检测目标仅占局部区域的4分之1的位置，局部区域是目标大小的四倍。
相对于彩色图像，红外图像的细节特征更少。而云层、陆地、鱼鳞光等干扰杂波在灰度和尺寸上与目标有很大相似。本实施例所选择的这5种特征，代表了目标和杂波信号的最大不同。特别是将这五种特征组合在一起之后，可以很容易将目标和杂波区分开来。
步骤S500：对候选目标进行多特征融合，获取归一化特征向量。
具体地，归一化特征向量的计算方法如下：
CTm= （x1+ x2+ x3+ x4+ x5）/5，
其中，CTm为第m个目标的归一化特征向量值。
步骤S600：判断归一化特征向量是否达到检测门限，若达到检测门限则保留所述候选目标，否则删除所述候选目标，剩余目标为最终的检测结果。
作为一种实施方式，本实施例中检测门限为0.8，当目标的归一化特征向量大于等于0.8时，该目标保留，当目标的归一化特征向量小于0.8时，删除该目标，剩余目标为最终的检测结果。
根据归一化特征向量进行目标检测的优势在于，不会因为某一个特征的起伏变化而影响对候选目标的判定，这样检测结果会更稳定。
参照图4和图5，图4所示是传统红外目标检测方法的最终检测结果，图5所示是本实施例提供的红外目标检测方法的最终检测结果。可以看出传统检测方法检测出的目标远多余本实施例提供的红外目标检测方法检测出的目标。本实施例提供的红外目标检测方法滤去了大部分杂波，只检测出可疑度最高的目标。
本实施例针对红外图像对比度低、目标特征信息少等问题，通过挖掘目标和杂波的多种特征信息进行多特征融合处理，利用多个特征通道并行处理，从而提高目标检测概率，降低虚警率。
本实施例所选择提取的五种信号特征为目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，上述五种信号特征代表了目标和杂波信号的最大不同，特别是组合在一起之后，可以很容易地将目标和杂波区分开来，采用本发明提供的目标检测方法能够避免检测到大部分杂波，只检测出可疑度最高的目标。
本实施例通过归一化特征向量来进行目标检测，不会因为某一个特征的起伏变化而影响对候选目标的判定，这样检测结果会更稳定。
实施例2
参照图6，如图6所示是本实施例提供的一种红外目标检测装置的结构框图，该装置具体包括：
目标获取模块10，用于获取检测目标图像。
全局阈值分割模块30，用于对检测目标图像进行全局阈值分割，得到二值化图像。
连通域标记模块40，用于对二值化图像进行连通域标记，得到候选目标。
特征提取模块50，用于对每个候选目标进行特征提取，特征包括目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，对每个特征通道滤波处理，得到每个候选目标的特征分量值。
特征融合模块60，用于对候选目标进行多特征融合，获取归一化特征向量。
目标检测模块70，用于判断归一化特征向量是否达到检测门限，若达到检测门限则保留候选目标，否则删除候选目标。
作为一种实施方式，装置还包括对比度增强模块20，用于对检测目标图像进行全局阈值分割前进行对比度增强处理。
作为一种实施方式，对比度增强模块20对检测目标图像进行全局阈值分割前进行对比度增强处理具体方法为：计算当前帧检测目标图像的灰度直方图，变换到0到2n-1的区间，n为红外图像像素值的位宽。
作为一种实施方式，全局阈值分割模块30对检测目标图像进行全局阈值分割具体包括：
计算红外图像的均值，分割阈值计算公式为
Figure 675651DEST_PATH_IMAGE001
。
其中，
Figure 660925DEST_PATH_IMAGE002
为背景均值，k为常系数，二值化分割判定条件为：
Figure 148845DEST_PATH_IMAGE003
。
其中，
Figure 219569DEST_PATH_IMAGE004
表示分割后的图像，
Figure 272976DEST_PATH_IMAGE005
表示待分割的图像，i表示横坐标，j表示纵坐标。
作为一种实施方式，连通域标记模块40对二值化图像进行连通域标记具体包括：
对二值化图像进行8领域的连通域标记，标记后的图像中，候选目标各自区域中的值为对应编号。
作为一种实施方式，特征提取模块50对每个特征通道滤波处理具体包括：
判断目标点数是否小于阈值，小于阈值则特征通道x1=0，否则x1=1。
判断目标均值是否小于
Figure 112756DEST_PATH_IMAGE002
，小于
Figure 531099DEST_PATH_IMAGE002
则特征通道x2=0，否则x2=1。
判断目标信噪比是否小于阈值，小于阈值则特征通道x3=0，否则x3=1。
判断形状比值是否超过阈值，超过阈值则特征通道x4=0，否则x4=1，形状比值为长和宽的比值或宽和长的比值。
判断对角局部信噪比是否有任意两个值小于阈值，小于阈值则特征通道x5=0，否则x5=1，对角局部信噪比为目标分别位于左上、左下、右上、右下四个局部区域的局部信噪比，局部区域为目标大小的4倍。
作为一种实施方式，特征融合模块60对候选目标进行多特征融合，获取归一化特征向量具体包括：
CTm= （x1+ x2+ x3+ x4+ x5）/5，
其中，CTm为第m个目标的归一化特征向量值。
本实施例提供的红外目标检测装置，针对红外图像对比度低、目标特征信息少等问题，通过挖掘目标和杂波的多种特征信息进行多特征融合处理，利用多个特征通道并行处理，从而提高目标检测概率，降低虚警率。
本实施例所选择提取的五种信号特征为目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，上述五种信号特征代表了目标和杂波信号的最大不同，特别是组合在一起之后，可以很容易地将目标和杂波区分开来，采用本发明提供的目标检测方法能够避免检测到大部分杂波，只检测出可疑度最高的目标。
本实施例通过归一化特征向量来进行目标检测，不会因为某一个特征的起伏变化而影响对候选目标的判定，这样检测结果会更稳定。
实施例3
本实施例提供了另一种红外目标检测装置的具体实施方式。参照图7，如图7所示是本实施例提供的红外目标检测装置的结构示意图。该装置包括图像分割单元和目标多特征融合处理单元。
图像分割单元用于获取检测目标图像，对检测目标图像进行全局阈值分割，得到二值化图像。
目标多特征融合处理单元用于对二值化图像进行连通域标记，得到候选目标，对每个候选目标进行特征提取，特征包括目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，对每个特征通道滤波处理，得到每个候选目标的特征分量值，对候选目标进行多特征融合，获取归一化特征向量，判断归一化特征向量是否达到检测门限，若达到检测门限则保留候选目标，否则删除候选目标。
该装置主处理器由一片FPGA芯片和一片DSP芯片构成，图像分割单元在FPGA芯片中实现，目标多特征融合处理单元在DSP中实现。
作为一种实施方式，FPGA芯片为Xilinx公司的K7-325T芯片，DSP芯片为TI公司的TMS320C6678芯片。DSP芯片为多核心处理器，其中核1进行目标检测处理，核2进行网络通信，输出目标信息。
本实施例设计的信号处理装置计算速度快，可满足工程应用的要求。本实施例提供的红外目标检测装置的其他有益效果，详见前面的实施例，在此不再赘述。
实施例4
本优选实施例提供了一种计算机设备，该计算机设备可以实现本申请实施例所提供的基于多特征融合的红外目标检测方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的基于多特征融合的红外目标检测方法的有益效果，详见前面的实施例，在此不再赘述。
实施例5
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的基于多特征融合的红外目标检测方法中任一实施例的步骤。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一基于多特征融合的红外目标检测方法实施例中的步骤，因此，可以实现本发明实施例所提供的任一基于多特征融合的红外目标检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于多特征融合的红外目标检测方法，其特征在于，所述方法包括：
获取检测目标图像；
对所述检测目标图像进行对比度增强处理，具体包括：
计算当前帧检测目标图像的灰度直方图，变换到0到2n-1的区间，n为红外图像像素值的位宽；
对所述检测目标图像进行全局阈值分割，得到二值化图像，具体包括：
计算红外图像的均值，分割阈值计算公式为
Figure 509965DEST_PATH_IMAGE001
；
其中，
Figure 519509DEST_PATH_IMAGE002
为背景均值，k为常系数，二值化分割判定条件为：
Figure 897401DEST_PATH_IMAGE003
；
其中，
Figure 966988DEST_PATH_IMAGE004
表示分割后的图像，
Figure 430331DEST_PATH_IMAGE005
表示待分割的图像，i表示横坐标，j表示纵坐标；
对所述二值化图像进行连通域标记，得到候选目标，具体包括：
对所述二值化图像进行8领域的连通域标记，标记后的图像中，所述候选目标各自区域中的值为对应编号；
对每个候选目标进行特征提取，所述特征包括目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，对每个特征通道滤波处理，得到每个候选目标的特征分量值，所述对每个特征通道滤波处理具体包括：
判断所述目标点数是否小于阈值，小于阈值则特征通道x1=0，否则x1=1；
判断所述目标均值是否小于
Figure 509145DEST_PATH_IMAGE002
，小于
Figure 741543DEST_PATH_IMAGE002
则特征通道x2=0，否则x2=1；
判断所述目标信噪比是否小于阈值，小于阈值则特征通道x3=0，否则x3=1；
判断所述形状比值是否超过阈值，超过阈值则特征通道x4=0，否则x4=1，所述形状比值为长和宽的比值或宽和长的比值；
判断所述对角局部信噪比是否有任意两个值小于阈值，小于阈值则特征通道x5=0，否则x5=1，所述对角局部信噪比为目标分别位于左上、左下、右上、右下四个局部区域的局部信噪比，局部区域为目标大小的4倍；
对所述候选目标进行多特征融合，获取归一化特征向量；
判断归一化特征向量是否达到检测门限，若达到检测门限则保留所述候选目标，否则删除所述候选目标。
2.如权利要求1所述的基于多特征融合的红外目标检测方法，其特征在于，所述对所述候选目标进行多特征融合，获取归一化特征向量具体包括：
CTm= （x1+ x2+ x3+ x4+ x5）/5，
其中，CTm为第m个目标的归一化特征向量值。
3.一种红外目标检测装置，其特征在于，所述装置包括：
目标获取模块，用于获取检测目标图像；
对比度增强模块，用于对所述检测目标图像进行全局阈值分割前进行对比度增强处理，具体方法为：计算当前帧检测目标图像的灰度直方图，变换到0到2n-1的区间，n为红外图像像素值的位宽；
全局阈值分割模块，用于对所述检测目标图像进行全局阈值分割，得到二值化图像具体包括：
计算红外图像的均值，分割阈值计算公式为
Figure 496879DEST_PATH_IMAGE001
；
其中，
Figure 181938DEST_PATH_IMAGE002
为背景均值，k为常系数，二值化分割判定条件为：
Figure 798864DEST_PATH_IMAGE003
；
其中，
Figure 885769DEST_PATH_IMAGE006
表示分割后的图像，
Figure 562738DEST_PATH_IMAGE007
表示待分割的图像，i表示横坐标，j表示纵坐标；
连通域标记模块，用于对所述二值化图像进行连通域标记，得到候选目标，具体包括：
对所述二值化图像进行8领域的连通域标记，标记后的图像中，所述候选目标各自区域中的值为对应编号；
特征提取模块，用于对每个候选目标进行特征提取，所述特征包括目标点数、目标均值、目标信噪比、形状比值及对角局部信噪比，对每个特征通道滤波处理，得到每个候选目标的特征分量值；
所述特征提取模块对每个特征通道滤波处理具体包括：
判断所述目标点数是否小于阈值，小于阈值则特征通道x1=0，否则x1=1；
判断所述目标均值是否小于
Figure 735093DEST_PATH_IMAGE002
，小于
Figure 890131DEST_PATH_IMAGE002
则特征通道x2=0，否则x2=1；
判断所述目标信噪比是否小于阈值，小于阈值则特征通道x3=0，否则x3=1；
判断所述形状比值是否超过阈值，超过阈值则特征通道x4=0，否则x4=1，所述形状比值为长和宽的比值或宽和长的比值；
判断所述对角局部信噪比是否有任意两个值小于阈值，小于阈值则特征通道x5=0，否则x5=1，所述对角局部信噪比为目标分别位于左上、左下、右上、右下四个局部区域的局部信噪比，局部区域为目标大小的4倍
特征融合模块，用于对所述候选目标进行多特征融合，获取归一化特征向量；
目标检测模块，用于判断归一化特征向量是否达到检测门限，若达到检测门限则保留所述候选目标，否则删除所述候选目标。
4.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1或2任一项所述的基于多特征融合的红外目标检测方法。
5.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1或2任一项所述的基于多特征融合的红外目标检测方法。
CN202111384866.3A 2021-11-22 2021-11-22 基于多特征融合的红外目标检测方法、装置、设备及介质 Active CN113822279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111384866.3A CN113822279B (zh) 2021-11-22 2021-11-22 基于多特征融合的红外目标检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111384866.3A CN113822279B (zh) 2021-11-22 2021-11-22 基于多特征融合的红外目标检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113822279A CN113822279A (zh) 2021-12-21
CN113822279B true CN113822279B (zh) 2022-02-11

Family

ID=78918053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111384866.3A Active CN113822279B (zh) 2021-11-22 2021-11-22 基于多特征融合的红外目标检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113822279B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359264A (zh) * 2022-03-03 2022-04-15 中国空气动力研究与发展中心计算空气动力研究所 一种抗红外诱饵干扰的弱小目标检测方法和装置
CN116012659B (zh) * 2023-03-23 2023-06-30 海豚乐智科技(成都)有限责任公司 一种红外目标检测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784293A (zh) * 2017-11-13 2018-03-09 中国矿业大学(北京) 一种基于全局特征和稀疏表示分类的人体行为识别方法
CN107886526A (zh) * 2017-11-13 2018-04-06 中国人民解放军国防科技大学 基于时域滤波的序列图像弱小目标检测方法
CN109978851A (zh) * 2019-03-22 2019-07-05 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法
CN111582089A (zh) * 2020-04-27 2020-08-25 中国人民解放军军事科学院国防科技创新研究院 基于卫星红外与可见光图像的海上目标信息融合方法
CN111738124A (zh) * 2020-06-15 2020-10-02 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN113284165A (zh) * 2021-04-06 2021-08-20 深圳元戎启行科技有限公司 目标跟踪方法、装置、计算机设备和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150206386A1 (en) * 2014-01-17 2015-07-23 Wms Gaming Inc. Gaming apparatus and method with threshold-based event trigger
CN104795064B (zh) * 2015-03-30 2018-04-13 福州大学 低信噪比声场景下声音事件的识别方法
CN108470354B (zh) * 2018-03-23 2021-04-27 云南大学 视频目标跟踪方法、装置和实现装置
US11449728B2 (en) * 2018-07-01 2022-09-20 Al Falcon Ltd. Method of optimization of operating a convolutional neural network and system thereof
CN111666944B (zh) * 2020-04-27 2022-10-18 中国空气动力研究与发展中心计算空气动力研究所 一种红外弱小目标检测方法及装置
CN111640160A (zh) * 2020-05-18 2020-09-08 扬州哈工博浩智能科技有限公司 一种ct图像预处理方法
CN113362326B (zh) * 2021-07-26 2023-10-03 广东奥普特科技股份有限公司 一种电池焊点缺陷的检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784293A (zh) * 2017-11-13 2018-03-09 中国矿业大学(北京) 一种基于全局特征和稀疏表示分类的人体行为识别方法
CN107886526A (zh) * 2017-11-13 2018-04-06 中国人民解放军国防科技大学 基于时域滤波的序列图像弱小目标检测方法
CN109978851A (zh) * 2019-03-22 2019-07-05 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法
CN111582089A (zh) * 2020-04-27 2020-08-25 中国人民解放军军事科学院国防科技创新研究院 基于卫星红外与可见光图像的海上目标信息融合方法
CN111738124A (zh) * 2020-06-15 2020-10-02 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN113284165A (zh) * 2021-04-06 2021-08-20 深圳元戎启行科技有限公司 目标跟踪方法、装置、计算机设备和存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"An efficient heart sound segmentation approach using kurtosis and zero frequency filter features";Sumitra Shukla等;《ELSEVIER》;20200331;第1-13页 *
"Measuring and Modeling the Feature Detection Threshold Functions of Colormaps";Colin Ware等;《IEEE Transactions on Visualization and Computer Graphics》;20190930;第25卷(第9期);第2777-2790页 *
"基于特征的单帧红外小目标检测";余贵水等;《舰船电子工程》;20101231(第5期);第78-80页 *
"基于边缘特征的中值滤波的小目标检测法";熊上导等;《光学技术》;20141231(第3期);第273-276页 *
"海天背景下红外舰船自动目标识别算法";郭小威等;《激光与红外》;20121231;第42卷(第12期);第1398-1401页第1-5节 *
"背景自适应的多特征融合的弱小目标检测";陆福星等;《红外与激光工程》;20190331;第48卷(第3期);第1-7页 *

Also Published As

Publication number Publication date
CN113822279A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113822279B (zh) 基于多特征融合的红外目标检测方法、装置、设备及介质
CN110110675B (zh) 一种融合边缘信息的小波域分形红外卷云检测方法
CN109801305B (zh) 基于深度胶囊网络的sar图像变化检测方法
CN110659649A (zh) 一种基于近红外光成像的图像处理与字符识别算法
CN110660065B (zh) 一种红外故障检测识别算法
CN113935984A (zh) 多特征融合的复杂背景中红外弱小目标检测方法及系统
CN113887324A (zh) 基于卫星遥感数据的火点检测方法
CN110751667B (zh) 基于人类视觉系统的复杂背景下红外弱小目标检测方法
Lu et al. Infrared small target detection based on the weighted double local contrast measure utilizing a novel window
He et al. Multiscale local gray dynamic range method for infrared small-target detection
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN116452613B (zh) 一种地质调查中裂缝轮廓提取方法
CN111062954B (zh) 一种基于差分信息统计的红外图像分割方法、装置及设备
CN110796677B (zh) 一种基于多波段特性的卷云虚警源检测方法
CN112686222B (zh) 星载可见光探测器对船舶目标检测的方法和系统
CN113822361B (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN115713620A (zh) 一种红外小目标检测方法、装置、计算设备及存储介质
CN115311532A (zh) 一种基于ResNet网络模型的探地雷达地下空洞目标自动识别方法
CN115330818A (zh) 一种图片分割方法及其计算机可读存储介质
CN115205227A (zh) 一种基于变化检测的sar图像阴影区域检测方法
CN112766109B (zh) 一种红外弱小目标自适应检测方法
CN113963178A (zh) 地空背景下红外弱小目标检测方法、装置、设备及介质
CN112734745A (zh) 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法
CN111968136A (zh) 一种煤岩显微图像分析方法及分析系统
CN112749620B (zh) 一种目标检测方法、装置及可读存储介质

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