CN113888562A - 目标检测方法、装置、计算设备及存储介质 - Google Patents
目标检测方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113888562A CN113888562A CN202111226407.2A CN202111226407A CN113888562A CN 113888562 A CN113888562 A CN 113888562A CN 202111226407 A CN202111226407 A CN 202111226407A CN 113888562 A CN113888562 A CN 113888562A
- Authority
- CN
- China
- Prior art keywords
- window
- sub
- determining
- processing window
- windows
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标检测方法、装置、计算设备及存储介质,其中方法包括:利用预设尺度的处理窗口对红外图像进行滑动遍历;针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;所述中心子窗口被所述邻域子窗口包围;计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图;根据所述对比梯度图确定特征阈值,并根据所述特征阈值和所述对比梯度图确定目标区域。本方案,能够对弱小目标进行准确检测。
Description
技术领域
本发明实施例涉及图像处理技术领域,特别涉及一种目标检测方法、装置、计算设备及存储介质。
背景技术
在军事领域和民用领域中,红外目标检测技术具有广阔的应用前景。通过检测红外图像中的目标,可以实现对目标的搜索和跟踪。但是当目标较为弱小时,由于弱小目标的信噪比过低,弱小目标会被湮没在背景中。因此,目前对于红外图像中的弱小目标的检测准确率较低。
发明内容
本发明实施例提供了一种目标检测方法、装置、计算设备及存储介质,能够提高对红外图像中弱小目标的检测准确率。
第一方面,本发明实施例提供了一种目标检测方法,包括:
利用预设尺度的处理窗口对红外图像进行滑动遍历;
针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;所述中心子窗口被所述邻域子窗口包围;
计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图;
根据所述对比梯度图确定特征阈值,并根据所述特征阈值和所述对比梯度图确定目标区域。
优选地,所述利用预设尺度的处理窗口对红外图像进行滑动遍历,包括:
利用预设尺度的处理窗口按照预设滑动间隔对所述红外图像进行滑动遍历;所述预设滑动间隔不大于所述预设尺度的1/3。
优选地,所述将该处理窗口划分为中心子窗口和邻域子窗口,包括:
将该处理窗口划分为均等的9个子窗口,该9个子窗口在该处理窗口中按照3*3排列,将该处理窗口中第2行第2列的子窗口确定为中心子窗口,其它子窗口确定为邻域子窗口。
优选地,所述计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图,包括:
针对每一个处理窗口,将该处理窗口中的9个子窗口分为若干个观测组,每一个观测组包括以中心子窗口为中心对称的两个邻域子窗口和该中心子窗口;
针对每一个观测组,计算该中心子窗口分别与该观测组中两个邻域子窗口的图像灰度均值的差值,并计算该观测组中两个差值的乘积;
若该若干个观测组的乘积均大于0,则将该若干个观测组的乘积中的最小值确定为该处理窗口的对比度差异;否则,确定该处理窗口的对比度差异为0;
根据每一个处理窗口的对比度差异,得到所述红外图像的对比梯度图。
优选地,所述根据所述对比梯度图确定特征阈值,包括:
根据所述对比梯度图中每一个处理窗口的对比度差异,计算所述红外图像的均值和标准差;
将所述标准差与设定系数的乘积,与所述均值之和,确定为所述特征阈值。
优选地,所述根据所述对比梯度图确定特征阈值,包括:
根据所述对比梯度图中每一个处理窗口的对比度差异,利用大津法识别所述红外图像的前景区域和背景区域,并计算所述前景区域与所述背景区域的类间方差,将所述类间方差确定为所述特征阈值。
优选地,所述根据所述特征阈值和所述对比梯度图确定目标区域,包括:
根据所述对比梯度图中每一个处理窗口的对比度差异,将对比度差异大于所述特征阈值的处理窗口确定为待选窗口;
根据各个待选窗口中分别包括的中间子窗口在所述红外图像中的位置,确定所述红外图像中的目标区域。
第二方面,本发明实施例还提供了一种目标检测装置,包括:
窗口遍历单元,用于利用预设尺度的处理窗口对红外图像进行滑动遍历;
子窗口划分单元,用于针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;所述中心子窗口被所述邻域子窗口包围;
计算单元,用于计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图;
目标区域确定单元,用于根据所述对比梯度图确定特征阈值,并根据所述特征阈值和所述对比梯度图确定目标区域。
第三方面,本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种目标检测方法、装置、计算设备及存储介质,通过使用预设尺度的处理窗口对红外图像进行滑动遍历,使得整个红外图像都能够被遍历到,不会将红外图像中的部分区域漏掉,并且针对滑动遍历到的每一个处理窗口,均可以划分为中心子窗口和邻域子窗口,且中心子窗口被邻域子窗口包围,假设弱小目标位于中心子窗口中,由于处理窗口在红外图像中所占区域较小,那么该中心子窗口会比邻域子窗口具有明显的亮暗差异,即具有较大的对比度差异,因此,通过计算每一个处理窗口中中心子窗口与邻域子窗口的对比度差异,可以得到对比梯度图,利用特征阈值和对比梯度图进行筛选确认,从而可以对弱小目标进行准确检测。。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种目标检测方法流程图;
图2是本发明一实施例提供的一种对处理窗口划分为子窗口的示意图;
图3是本发明一实施例提供的一种计算设备的硬件架构图;
图4是本发明一实施例提供的一种目标检测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
如前所述,在红外图像中的目标较为弱小时,由于弱小目标的信噪比过低,弱小目标会被湮没在背景中。另外,红外没有具体的形状和纹理,因此无法根据形状、纹理等特征进行弱小目标的检测。考虑到整个红外图像的区域较大,弱小目标在整个红外图像中所占区域的比例非常小,因此,将红外图像作为一个整体,在该整个区域内检测弱小目标则会比较困难。若将红外图像划分为多个较小区域,在每一个较小区域内依次检测是否包括弱小目标,相对在整个区域内检测弱小目标会提高检测准确度。另外,在较小区域内检测弱小目标时,若目标存在在该较小区域内,那么该目标区域相对于周围具有明显的亮暗对比,因此,可以通过计算目标区域与周围区域的对比度差异,来检测红外图像中的目标区域。
下面描述以上构思的具体实现方式。
请参考图1,本发明实施例提供了一种目标检测方法,该方法包括:
步骤100,利用预设尺度的处理窗口对红外图像进行滑动遍历;
步骤102,针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;中心子窗口被邻域子窗口包围;
步骤104,计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到红外图像的对比梯度图;
步骤106,根据对比梯度图确定特征阈值,并根据特征阈值和对比梯度图确定目标区域。
本发明实施例中,通过使用预设尺度的处理窗口对红外图像进行滑动遍历,使得整个红外图像都能够被遍历到,不会将红外图像中的部分区域漏掉,并且针对滑动遍历到的每一个处理窗口,均可以划分为中心子窗口和邻域子窗口,且中心子窗口被邻域子窗口包围,假设弱小目标位于中心子窗口中,由于处理窗口在红外图像中所占区域较小,那么该中心子窗口会比邻域子窗口具有明显的亮暗差异,即具有较大的对比度差异,因此,通过计算每一个处理窗口中中心子窗口与邻域子窗口的对比度差异,可以得到对比梯度图,利用特征阈值和对比梯度图进行筛选确认,从而可以对弱小目标进行准确检测。
下面描述图1所示的各个步骤的执行方式。
首先针对步骤100,利用预设尺度的处理窗口对红外图像进行滑动遍历。
其中,该预设尺度可以根据对弱小目标的先验尺寸进行设置。比如,弱小目标一般不超过9*9个像素,那么该预设尺度可以是不大于弱小目标的3倍,即预设尺度可以为27*27个像素。
滑动遍历,是利用该处理窗口从红外图像的第一行第一列的像素开始,并按照预设滑动间隔对红外图像进行滑动遍历,直到遍历到该红外图像的最后一行最后一列的像素,且滑动遍历过程中红外图像中的每一个像素点都会被遍历到。
在本发明一个实施例中,该预设滑动间隔不大于预设尺度的1/3。可以理解,预设滑动间隔越小,那么检测过程的计算量会越高,但检测结果的准确度也会越高。优选地,该预设滑动间隔可以等于预设尺度的1/3。在该预设滑动间隔下,该预设滑动间隔与弱小目标的尺寸相差较小,若弱小目标位于相邻的两个处理窗口的重叠区域,可以更好的对弱小目标进行检测,且该检测过程中的计算量也较合适。
为了对滑动遍历过程进行说明,以红外图像包括300*280个像素点为例,处理窗口的尺度为27*27,滑动间隔为3个相速度,那么滑动遍历到的第一个处理窗口的若干个顶点为红外图像中第1行第1列的像素点、第1行第27列的像素点、第27行第1列的像素点、第27行第27列的像素点;滑动遍历到的第二个处理窗口的若干个顶点为红外图像中第1行第4列的相速度,第1行第30列的像素点,第27行第30列的像素点,第27行第30列的像素点;……。
然后针对步骤102,针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;中心子窗口被邻域子窗口包围。
请参考图2,为一个处理窗口示意图,中心子窗口为子窗口T,邻域子窗口包括子窗口B1、子窗口B2……子窗口B8。可见,中心子窗口被邻域子窗口包围。
在本发明一个实施例中,在将处理窗口划分为中心子窗口和邻域子窗口时,为便于计算比较,本步骤102至少可以包括:将该处理窗口划分为均等的9个子窗口,该9个子窗口在该处理窗口中按照3*3排列,将该处理窗口中第2行第2列的子窗口确定为中心子窗口,其它子窗口确定为邻域子窗口。即图2中的9个子窗口大小是均等的。
将处理窗口划分为均等的9个子窗口,以及9个子窗口在该处理窗口中按照3*3排列,由于每一个子窗口包含的像素点的数量相等,因此在后续过程中计算中心子窗口与每一个邻域子窗口的对比度差异时,可以直接进行比较,而无需考虑像素点数量的差异,计算量较低。
当然,划分后的子窗口也可以不是均等的,只需在计算对比度差异时,需要按照各子窗口所包含像素点数量的比例进行修正即可。
接下来针对步骤104,计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到红外图像的对比梯度图。
在本发明一个实施例中,假设弱小目标位于中心子窗口T中,那么该中心子窗口与邻域子窗口会具有明显的亮暗差异,因此,可以通过中心子窗口与邻域子窗口的图像灰度均值来计算中心子窗口与邻域子窗口的对比度差异。
另外,若弱小目标位于中心子窗口T中,那么在处理窗口中无论是从哪个方向对中心子窗口进行观测,该中心子窗口与该观测方向上位于中心子窗口两侧的邻域子窗口均具有明显的亮暗差异。继续以图2所示的处理窗口为例,若从B2-T-B6观测方向上进行观测,中心子窗口T相对于邻域子窗口B2和邻域子窗口B6具有明显的亮暗差异;再比如,从B1-T-B5观测方向上进行观测,中心子窗口T相对于邻域子窗口B1和邻域子窗口B5具有明显的亮暗差异。可以理解,当中心子窗口T相对于周围的8个邻域子窗口在任一方向上均具有明显的亮暗差异时,则可以确定目标可能是位于中心子窗口T的。当然是否真实位于该中心子窗口T中,还需要进一步筛选确定,以保证检测准确率。
基于此,在本发明一个实施例中,可以利用如下方式得到红外图像的对比梯度图:
S1:针对每一个处理窗口,将该处理窗口中的9个子窗口分为若干个观测组,每一个观测组包括以中心子窗口为中心对称的两个邻域子窗口和该中心子窗口。
其中,该若干个观测组可以包括如下观测组中的两个或多个:
观测组一:邻域子窗口B1、中心子窗口T和邻域子窗口B5;
观测组二:邻域子窗口B2、中心子窗口T和邻域子窗口B6;
观测组三:邻域子窗口B3、中心子窗口T和邻域子窗口B7;
观测组四:邻域子窗口B4、中心子窗口T和邻域子窗口B8。
优选地,该若干个观测组可以为上述观测组二和观测组四。
更优选地,该若干个观测组可以为上述四个观测组。
本实施例中以观测组为上述四个观测组为例进行说明。
S2:针对每一个观测组,计算该中心子窗口分别与该观测组中两个邻域子窗口的图像灰度均值的差值,并计算该观测组中两个差值的乘积。
首先计算每一个观测组中每一个子窗口的图像灰度均值。由于若干个观测组涵盖了处理窗口中的每一个子窗口,因此,该处理窗口中第i(i=1,2,...,9)个子窗口的图像灰度均值可以通过如下公式计算:
然后,计算每一个观测组中的中心子窗口分别与该观测组中每一邻域子窗口的图像灰度均值的差值。同理,可以计算该处理窗口中的中心子窗口与该处理窗口中每一个邻域子窗口的图像灰度均值。其中,中心子窗口与该处理窗口中第i(i=1,2,...,8)个邻域子窗口的图像灰度均值的差值用d(T,Bi)表示,d(T,Bi)的计算方式如下:
d(T,Bi)=mT-mBi,(i=1,2,...,8)
其中,mT为中心子窗口的图像灰度均值,mBi为第i(i=1,2,...,8)个邻域子窗口的图像灰度均值。
最后,计算每一个观测组中两个差值的乘积。针对四个观测组,每一个观测组中两个差值的乘积如下:
S3:若该若干个观测组的乘积均大于0,则将若干个观测组的乘积中的最小值确定为该处理窗口的对比度差异;否则,确定该处理窗口的对比度差异为0。
由上述乘积的公式可知,当d(T,Bi)与d(T,Bi+4)同号(同时为正或同时为负)时,这意味着,无论红外弱小目标是比周围亮或者是暗,都能被很好的筛选出来。而在实践中接触到的情况,为单一亮目标或者暗目标时,应利用如下公式对进行限制:
在小目标检测中,目标区域与背景区域的信噪比应该尽可能的大,同时单目标无论在哪个观测方向都应比邻域具有明显的暗亮差异,因此对于处理窗口中中心子窗口与邻域子窗口进行局部最优对比度的计算是必要的。
根据上述公式可知,若四个观测组的乘积均大于0时,则将若干个观测组的乘积中的最小值确定为该处理窗口的对比度差异,即如下公式确定该处理窗口的对比度差异;否则,确定该处理窗口的对比度差异为0。
其中,D(T(i,j))为处理窗口的对比度差异。
S4:根据每一个处理窗口的对比度差异,得到所述红外图像的对比梯度图。
利用每一个处理窗口的对比度差异表征对应处理窗口,如此得到的图像为该红外图像的对比梯度图。
最后针对步骤106,根据对比梯度图确定特征阈值,并根据特征阈值和对比梯度图确定目标区域。
根据上述步骤104中得到的对比梯度图可知,该对比梯度图中可能包括多个对比度差异大于0的处理窗口,由于噪声的存在,并不是所有对比度差异大于0的处理窗口中的中心子窗口均为目标区域,需要利用特征阈值进行筛选。
在本发明一个实施例中,特征阈值的确定方式至少可以包括如下两种:
方式一,利用固定系数计算得到特征阈值。
方式二,利用大津法计算得到特征阈值。
下面针对上述两种方式分别进行说明。
在方式一中,具体地,根据对比梯度图中每一个处理窗口的对比度差异,计算红外图像的均值和标准差;将标准差与设定系数的乘积,与均值之和,确定为特征阈值。
该方式一中,可以使用如下公式计算:
τ=μ+kδ
其中,τ为特征阈值,μ为对比梯度图的均值,δ为对比梯度图的标准差,k为设定系数,p1q1分别为处理窗口中像素总行数、总列数。
在该方式一中,设定系数k的取值为固定值。根据对比梯度图中每一个处理窗口的对比度差异,代入上述公式可以快速计算得到特征阈值,提高了目标检测的速度。
在红外弱小目标的检测过程中,特征阈值关系到虚警率和误警率,因此特征阈值的大小非常重要。当对比梯度图确定之后,均值和标准差可以计算得到,此时设定系数k的值是关键部分,若设定系数的值是固定值,对于不同背景的复杂红外图像,在检测弱小目标时比较难以适应,因此,为了提高对弱小目标检测的准确率,可以选取自适应的特征阈值,即方式二中,利用大津法确定特征阈值。
在方式二中,具体地,根据对比梯度图中每一个处理窗口的对比度差异,利用大津法识别红外图像的前景区域和背景区域,并计算前景区域与背景区域的类间方差,将类间方差确定为特征阈值。
大津法(OTSU),又称作最大类间方差法,因为按照大津法求得的特征阈值进行图像二值化分割后,前景区域与背景区域的类间方差最大。
对于得到的该对比梯度图,利用大津法可以根据对比梯度图中每一个处理窗口的对比度差异,识别出红外图像的前景区域和背景区域,并可以确定出背景区域的像素数量占红外图像像素数量的比例ω1,以及前景区域的像素数量占红外图像像素数量的比例ω2;另外还可以计算出背景区域的图像灰度均值μ1、前景区域的图像灰度均值μ2、红外图像的图像灰度均值μ0。类间方差是指前景区域与背景区域之间的差异,该差异越大,说明分离度越好,本发明实施例中,该类间方差的计算公式如下:
μ0=ω1*μ1+ω2*μ2
ω1+ω2=1
其中,将上述公式进行整理,得到如下类间方差的计算公式:
利用上述计算公式可以计算得到类间方差的值,将该类间方差确定为特征阈值。
不管是利用上述方式一还是方式二计算得到的特征阈值,在根据特征与之和对比梯度图确定目标区域时,具体地,包括:根据对比梯度图中每一个处理窗口的对比度差异,将对比度差异大于特征阈值的处理窗口确定为待选窗口;根据各个待选窗口中分别包括的中间子窗口在红外图像中的位置,确定红外图像中的目标区域。
在本发明一个实施例中,在根据各个待选窗口中分别包括的中间子窗口在红外图像中的位置,确定红外图像中的目标区域时,至少可以包括:若根据各个待选窗口分别包括的中间子窗口在红外图像中的位置确定,存在离散的中间子窗口,那么可以将该离散的中间子窗口筛除,从连续的中间子窗口中确定出目标区域。
本发明另一个实施例中,可以将该目标检测方法应用在红外弱小目标的跟踪中。在根据各个待选窗口中分别包括的中间子窗口在红外图像中的位置,确定红外图像中的目标区域时,还可以根据与该红外图像相邻的上一个红外图像中的目标区域,来确定该红外图像中的目标区域。比如,相对于上一个红外图像中的目标区域,该红外图像中的目标区域存在一定的像素位置的变化,且该变化位于一个区域范围内,因此可以将区域范围外的中间子窗口筛除。
进一步地,对于连续的中间子窗口,若存在一个中间子窗口其被其它与该中间子窗口相邻的8个中间子窗口包围,那么可以将该中间子窗口与包围该中间子窗口的8个中间子窗口合并,而对于未被合并的中间子窗口筛除。将未被筛除的中间子窗口确定为目标区域。
如图3、图4所示,本发明实施例提供了一种目标检测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图3所示,为本发明实施例提供的一种目标检测装置所在计算设备的一种硬件架构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图4所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种目标检测装置,包括:
窗口遍历单元401,用于利用预设尺度的处理窗口对红外图像进行滑动遍历;
子窗口划分单元402,用于针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;所述中心子窗口被所述邻域子窗口包围;
计算单元403,用于计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图;
目标区域确定单元404,用于根据所述对比梯度图确定特征阈值,并根据所述特征阈值和所述对比梯度图确定目标区域。
在本发明一个实施例中,所述窗口遍历单元401,具体用于利用预设尺度的处理窗口按照预设滑动间隔对所述红外图像进行滑动遍历;所述预设滑动间隔不大于所述预设尺度的1/3。
在本发明一个实施例中,所述子窗口划分单元402,具体用于将该处理窗口划分为均等的9个子窗口,该9个子窗口在该处理窗口中按照3*3排列,将该处理窗口中第2行第2列的子窗口确定为中心子窗口,其它子窗口确定为邻域子窗口。
在本发明一个实施例中,所述计算单元403,具体用于针对每一个处理窗口,将该处理窗口中的9个子窗口分为若干个观测组,每一个观测组包括以中心子窗口为中心对称的两个邻域子窗口和该中心子窗口;针对每一个观测组,计算该中心子窗口分别与该观测组中两个邻域子窗口的图像灰度均值的差值,并计算该观测组中两个差值的乘积;若该若干个观测组的乘积均大于0,则将该若干个观测组的乘积中的最小值确定为该处理窗口的对比度差异;否则,确定该处理窗口的对比度差异为0;根据每一个处理窗口的对比度差异,得到所述红外图像的对比梯度图。
在本发明一个实施例中,所述计算单元403在执行根据所述对比梯度图确定特征阈值时,具体用于:根据所述对比梯度图中每一个处理窗口的对比度差异,计算所述红外图像的均值和标准差;将所述标准差与设定系数的乘积,与所述均值之和,确定为所述特征阈值。
在本发明一个实施例中,所述计算单元403在执行根据所述对比梯度图确定特征阈值时,具体用于:根据所述对比梯度图中每一个处理窗口的对比度差异,利用大津法识别所述红外图像的前景区域和背景区域,并计算所述前景区域与所述背景区域的类间方差,将所述类间方差确定为所述特征阈值。
在本发明一个实施例中,所述目标区域确定单元404,具体用于根据所述对比梯度图中每一个处理窗口的对比度差异,将对比度差异大于所述特征阈值的处理窗口确定为待选窗口;根据各个待选窗口中分别包括的中间子窗口在所述红外图像中的位置,确定所述红外图像中的目标区域。
可以理解的是,本发明实施例示意的结构并不构成对一种目标检测装置的具体限定。在本发明的另一些实施例中,一种目标检测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种目标检测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种目标检测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种目标检测方法,其特征在于,包括:
利用预设尺度的处理窗口对红外图像进行滑动遍历;
针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;所述中心子窗口被所述邻域子窗口包围;
计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图;
根据所述对比梯度图确定特征阈值,并根据所述特征阈值和所述对比梯度图确定目标区域。
2.根据权利要求1所述的方法,其特征在于,所述利用预设尺度的处理窗口对红外图像进行滑动遍历,包括:
利用预设尺度的处理窗口按照预设滑动间隔对所述红外图像进行滑动遍历;所述预设滑动间隔不大于所述预设尺度的1/3。
3.根据权利要求1所述的方法,其特征在于,所述将该处理窗口划分为中心子窗口和邻域子窗口,包括:
将该处理窗口划分为均等的9个子窗口,该9个子窗口在该处理窗口中按照3*3排列,将该处理窗口中第2行第2列的子窗口确定为中心子窗口,其它子窗口确定为邻域子窗口。
4.根据权利要求3所述的方法,其特征在于,所述计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图,包括:
针对每一个处理窗口,将该处理窗口中的9个子窗口分为若干个观测组,每一个观测组包括以中心子窗口为中心对称的两个邻域子窗口和该中心子窗口;
针对每一个观测组,计算该中心子窗口分别与该观测组中两个邻域子窗口的图像灰度均值的差值,并计算该观测组中两个差值的乘积;
若该若干个观测组的乘积均大于0,则将该若干个观测组的乘积中的最小值确定为该处理窗口的对比度差异;否则,确定该处理窗口的对比度差异为0;
根据每一个处理窗口的对比度差异,得到所述红外图像的对比梯度图。
5.根据权利要求1所述的方法,其特征在于,所述根据所述对比梯度图确定特征阈值,包括:
根据所述对比梯度图中每一个处理窗口的对比度差异,计算所述红外图像的均值和标准差;
将所述标准差与设定系数的乘积,与所述均值之和,确定为所述特征阈值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述对比梯度图确定特征阈值,包括:
根据所述对比梯度图中每一个处理窗口的对比度差异,利用大津法识别所述红外图像的前景区域和背景区域,并计算所述前景区域与所述背景区域的类间方差,将所述类间方差确定为所述特征阈值。
7.根据权利要求1-6中任一所述的方法,其特征在于,所述根据所述特征阈值和所述对比梯度图确定目标区域,包括:
根据所述对比梯度图中每一个处理窗口的对比度差异,将对比度差异大于所述特征阈值的处理窗口确定为待选窗口;
根据各个待选窗口中分别包括的中间子窗口在所述红外图像中的位置,确定所述红外图像中的目标区域。
8.一种目标检测装置,其特征在于,包括:
窗口遍历单元,用于利用预设尺度的处理窗口对红外图像进行滑动遍历;
子窗口划分单元,用于针对滑动遍历到的每一个处理窗口,将该处理窗口划分为中心子窗口和邻域子窗口;所述中心子窗口被所述邻域子窗口包围;
计算单元,用于计算每一个处理窗口中的中心子窗口与邻域子窗口的对比度差异,得到所述红外图像的对比梯度图;
目标区域确定单元,用于根据所述对比梯度图确定特征阈值,并根据所述特征阈值和所述对比梯度图确定目标区域。
9.一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111226407.2A CN113888562A (zh) | 2021-10-21 | 2021-10-21 | 目标检测方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111226407.2A CN113888562A (zh) | 2021-10-21 | 2021-10-21 | 目标检测方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888562A true CN113888562A (zh) | 2022-01-04 |
Family
ID=79004061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111226407.2A Pending CN113888562A (zh) | 2021-10-21 | 2021-10-21 | 目标检测方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888562A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820665A (zh) * | 2022-06-30 | 2022-07-29 | 中国人民解放军国防科技大学 | 一种星图背景抑制方法、装置、计算机设备和存储介质 |
-
2021
- 2021-10-21 CN CN202111226407.2A patent/CN113888562A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820665A (zh) * | 2022-06-30 | 2022-07-29 | 中国人民解放军国防科技大学 | 一种星图背景抑制方法、装置、计算机设备和存储介质 |
CN114820665B (zh) * | 2022-06-30 | 2022-09-02 | 中国人民解放军国防科技大学 | 一种星图背景抑制方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627009B (zh) | 一种屏幕检测方法、装置及头戴显示设备 | |
US9311533B2 (en) | Device and method for detecting the presence of a logo in a picture | |
KR101837407B1 (ko) | 영상 기반 표적 추적 장치 및 추적 방법 | |
US6456730B1 (en) | Moving object detection apparatus and method | |
USRE42367E1 (en) | Method for illumination independent change detection in a pair of registered gray images | |
US9715639B2 (en) | Method and apparatus for detecting targets | |
KR20040050909A (ko) | 이미지의 영역들간 판별을 위한 방법 및 장치 | |
US20090324016A1 (en) | Moving target detecting apparatus, moving target detecting method, and computer readable storage medium having stored therein a program causing a computer to function as the moving target detecting apparatus | |
US8811750B2 (en) | Apparatus and method for extracting edge in image | |
CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
US20060257004A1 (en) | Closely-spaced multiple targets detection using a regional window as a discriminant function | |
CN103093185B (zh) | 字符识别装置、图像处理装置及其方法 | |
CN112966654B (zh) | 唇动检测方法、装置、终端设备及计算机可读存储介质 | |
US8693740B1 (en) | System and method for face detection in digital images | |
CN110349188A (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
US6614917B1 (en) | Dynamic process for identifying objects in multi-dimensional data | |
CN113888562A (zh) | 目标检测方法、装置、计算设备及存储介质 | |
KR101991307B1 (ko) | 다중 객체 추적을 위한 트랙렛의 특징 벡터 할당이 가능한 전자 장치 및 그 동작 방법 | |
CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
US11887315B2 (en) | Method and apparatus for tracking an object | |
Heng et al. | High accuracy flashlight scene determination for shot boundary detection | |
CN115713620A (zh) | 一种红外小目标检测方法、装置、计算设备及存储介质 | |
JP2007058722A (ja) | 判別器の学習方法および対象判別装置ならびにプログラム | |
JP3760426B2 (ja) | 走行車線検出方法及びその装置 |
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 |