CN115511804A - 一种基于管道自适应滤波的海上红外弱小目标检测方法 - Google Patents
一种基于管道自适应滤波的海上红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN115511804A CN115511804A CN202211119581.1A CN202211119581A CN115511804A CN 115511804 A CN115511804 A CN 115511804A CN 202211119581 A CN202211119581 A CN 202211119581A CN 115511804 A CN115511804 A CN 115511804A
- Authority
- CN
- China
- Prior art keywords
- target
- pipeline
- frame
- image
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000001914 filtration Methods 0.000 title claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000000889 atomisation Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 claims description 3
- 150000002894 organic compounds Chemical class 0.000 claims description 2
- GIYXAJPCNFJEHY-UHFFFAOYSA-N N-methyl-3-phenyl-3-[4-(trifluoromethyl)phenoxy]-1-propanamine hydrochloride (1:1) Chemical compound Cl.C=1C=CC=CC=1C(CCNC)OC1=CC=C(C(F)(F)F)C=C1 GIYXAJPCNFJEHY-UHFFFAOYSA-N 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于管道自适应滤波的海上红外弱小目标检测方法,改善了现有海上红外弱小目标检测虚警度高,检测精度仍需提高的问题。该发明将原始连续帧图像进行图像雾化增强;建立初始管道滤波模型,确定初始管道中心目标点和初始管道半径;预测下一帧待测目标的质心坐标、x方向的速度和y方向的速度;对于帧图像中丢失的目标点进行目标信息补偿;对每帧图像的管道中心位置、管道半径通过前一帧图像的管道中心位置、管道半径加上各自的修正因子进行修正,然后在待检测帧里建立检测管道;确定管道内候选范围以及候选目标,得出每帧图像的候选目标点,建立单帧待匹配候选目标管道和可疑目标队列。该技术降低虚警概率,保证算法的实时性。
Description
技术领域
本发明涉及红外弱小目标检测领域,特别是涉及一种基于管道自适应滤波的海上红外弱小目标检测方法。
背景技术
红外目标检测尤其是对于弱小目标检测不同于一般可见光图像中的目标检测,由于传感器固有噪声和自然因素等影响,红外图像普遍存在低分辨率、低对比度和低信噪比的问题。红外图像中目标的成像区域较小,通常仅占据几个像素,呈现为点状特征,且缺乏纹理信息,因此无法使用传统的图像处理技术对于目标进行检测与跟踪。并且在海上检测背景中,由于长距离大气的衰减作用、成像系统的多种噪声干扰,这些都会降低小目标图像的信杂比,消弱目标与周围背景的差异,增加目标检测的困难。
现有红外弱小目标检测技术,在提取目标的过程中存在实时性差、计算复杂、目标轮廓的提取精度较低、虚警率较高的问题。
发明内容
本发明改善了现有海上红外弱小目标检测虚警度高,检测精度仍需提高的问题,提供了能够精确地从连续视频帧图像间完成弱小目标检测的基于管道自适应滤波的海上红外弱小目标检测方法。
本发明的技术解决方案是,提供一种具有以下步骤的基于管道自适应滤波的海上红外弱小目标检测方法:含有以下步骤,
步骤1,获取原始连续帧图像,对其进行图像雾化增强;
步骤2,建立初始管道滤波模型,确定初始管道中心目标点和初始管道半径;
步骤3,采用马尔可夫矩阵预测下一帧待测目标的质心坐标、x方向的速度和y方向的速度;
步骤4,对于帧图像中丢失的目标点进行目标信息补偿;
步骤5,对每帧图像的管道中心位置、管道半径通过前一帧图像的管道中心位置、管道半径加上各自的修正因子进行修正,然后在待检测帧里建立检测管道;
步骤6,确定管道内候选范围以及候选目标,得出每帧图像的候选目标点,并对候选目标进行匹配,建立单帧待匹配候选目标管道和可疑目标队列,若待测候选管道中出现弱小目标的次数大于阈值,则判定检测到弱小目标。
优选地,所述步骤1中对原始采集的视频连续帧图像采用多尺度Retinex算法(MSR)进行图像雾化增强,
其中,N表示高斯核的个数;ωk是权值;Fk(x,y)是尺度σn的高斯滤波函数,定义为:
优选地,所述步骤2中以红外图像g中的像素点(x,y)处的灰度值为出发点,定义图像的整体能量ETg与图像窗口的局部能量EL(i,j),于是第k+1帧的小目标检测判据可写为:
EL(k+1)≥Θ(k+1),Θ(k+1)=(1-ε)ELmax(k)
其中ELmax为相邻帧目标区域能量最大值的平均值;ε为局部能量裕量因子,满足0≤ε≤1,由于管道目标点的选取与图像窗口的局部能量有关,则同理可假设管道半径服从以ELmax-EL(i,j)的差值建立的高斯分布,具体是指Ri~N(μ,S2),于是管道目标点的半径Rk按照“3σ”原则可得:Rk=μ+3S。
优选地,所述步骤3中对每帧图像目标点的中心位置xk,yk以及第k帧目标在x方向和y方向的移动速度进行预测,计算待检测状态间各属性的累计状态转移概率pk(st|st-l+1,…,st-1),其表示最早时刻出现的状态st-l+1随着时间沿着各个状态转移到最后一个状态st-1的累计概率,是关于第k帧图像中xk、yk、的状态转移概率的一维向量,进而建立累计状态转移矩阵:
优选地,所述步骤4中进行目标信息补偿的过程如下:
T′N=TN-m+TN-m+1+…+TN-1+TN
其中m是补偿到待预测帧的帧数;T′N和TN分别是待预测帧进行补偿前和补偿后的目标,TN-m,TN-m+1,...,TN-1是待预测帧之前第N-m到N-1帧中的目标;补偿操作分为三种情况:待预测帧中含有完整的目标信息、待预测帧中含有部分目标信息、待预测帧中不含有目标信息。
优选地,所述步骤5中每帧图像的自适应管道中心与管道半径的确定含有以下步骤,
步骤5.1,管道中心位置自适应:管道滤波器检测受管道边缘强噪声对管道中心的影响,将前一帧图像管道中心加上修正因子α对此刻帧图像管道中心自适应,当速度变化时,修正因子αx、αy也会自动随着发生变化调整,
步骤5.2,管道半径自适应:步骤5.1中强噪声会对管道滤波器半径产生影响,则以目标移动速度作为阈值,将前一帧图像管道半径加上修正因子d得到此刻帧图像管道半径,当速度变化时,修正因子d会自动随着发生变化调整,具体由以下定义:
Rk=Rk-1+dk
其中,Rk是第k帧管道半径;Rk-1是第k-1帧管道半径;dk是第k帧管道半径的修正因子,具体由以下定义:
优选地,所述步骤6包括以下步骤:
步骤6.1,在初始时刻设定可疑队列长度为N,管道关联帧数为K,建立可疑目标队列与待候选目标管道,根据单帧图像中的可疑目标集建立一个动态更新的管道,其中可疑目标队列输出匹配成功的待候选目标,待候选目标管道输出检测成功的目标图像;
步骤6.2,判断第i帧图像是否检测到目标点,且记该目标点为xi,如果没有则读入下一帧图像继续判断;否则进入检测状态;
步骤6.3,遍历当前第i帧图像的待匹配目标集合,并记为Xi,则有Xi={x1,x2,...,xn},记录待匹配目标xi的质心位置、灰度值、当前管道帧数i;
步骤6.4,设定当前第i帧获得的待匹配目标集合Xi作为参考目标集合,将待匹配的目标xj与已有的可疑目标队列中的目标xk以其像素点灰度值为出发点,进行K-means聚类匹配,若匹配成功则表示当前目标xj属于xk目标队列,加入该目标的可疑队列Lk;匹配不成功的则作为新的可疑目标xk+1创建新的可疑目标队列Lk+1,继续对当前帧的候选目标进行匹配,直至所有的候选目标匹配完成,K-means聚类中待测帧中目标灰度值与聚类中心的欧式距离,具体如下定义:
其中,Xi表示第i个目标的灰度值,1≤i≤n;Cj表示第j个聚类中心,1≤j≤k;Xit表示第i个目标灰度值的第t个属性,1≤t≤m;Cjt表示表示第j个聚类中心的第t个属性,类簇中心Ct就是类簇内所有对象在各个维度的均值,满足:
其中,Cl表示第l个聚类的中心,1≤l≤k;Sl表示第l个类簇中对象的个数,Xi表示第l个类簇中第i个对象,1≤i≤|Sl|;
步骤6.5,如果可疑目标队列Lk的最大长度大于等于N,则判定为待候选目标,并转入待候选目标管道;否则继续作为可疑目标队列予以保留,以待下次匹配;
步骤6.6,判断待候选目标管道的帧关联次数是否大于等于K,如果是,则表示该目标为真实目标;如果否,则判定为假目标且予以删除;
步骤6.7,重复上述过程,直至所有帧图像处理完,输出真实目标点的质心位置。
与现有技术相比,本发明基于管道自适应滤波的海上红外弱小目标检测方法具有以下优点:
1、传统管道滤波算法对于非目标点比较强的帧图像,例如当强噪点nB比较靠近目标0,有可能会造成误检。即在噪点nB的影响下,则下一帧检测管道的中心可能会错误的移到nB所在的位置,造成下一帧检测管道没有能够包含目标,也就无法检测出真实目标。对于目标被暂时性丢失的帧图像,在传统管道滤波器进行检测时,由于没有目标点,所以也会使检测无法有效继续进行。并且传统管道滤波算法在完成目标管道建立后,若管道内目标关联帧数大于阈值,则直接判定为小目标。这样会有某些通过管道滤波的噪声点,即有一定概率判定为假“目标点”的虚警目标点出现。针对传统管道滤波算法的固定管道目标丢失和溢出问题,本发明利用预测信息进行目标信息补偿,利用目标质心和速度变化信息来实现管道滤波器管道中心和管道半径的自适应,及时更正目标的中心管道位置,提高了系统的检测概率。
2、本发明不仅可以及时识别噪声并予以提出,同时还能准确的检测出真实目标并及时加入动态管道,防止因将目标误判为背景噪声造成漏警。算法的适应性较强具有较好的鲁棒性,同时也兼顾实时性的问题,通过初始输入连续的几帧图像进行目标关联匹配,有效地剔除了大部分的噪声,保留了可能性较大的可疑目标队列,快速准确的判断可疑目标队列的真实性,并及时把虚假目标队列删除,降低虚警概率,同时也保证了算法的实时性。
3、利用马尔可夫矩阵预测信息进行目标信息补偿,利用目标质心和速度变化信息来实现管道滤波器管道中心和管道半径的自适应,并及时更正目标的中心管道位置,提高了系统的检测概率。可以及时识别噪声并予以提出,通过初始输入连续的几帧图像进行目标关联匹配,有效地剔除了大部分的噪声。在图像预处理阶段,采用多尺度Retinex算法(MSR),将不同尺度下的增强结果线性地组合在一起,充分将局部信息和整体信息考虑进去,通过几种不同的尺度的中心围绕函数通过加权平均以后来估计光照分量,可以产生同时拥有良好动态范围压缩、色彩稳定性以及良好色调恢复的单一输出图像。
4、相较于现有管道滤波算法未能定义相邻连续帧之间相应属性的连续性,本发明将一般对序列数据预测的马尔可夫预测方法应用到图像小目标处理中。在数据准备阶段,通过将第k帧图像中四个属性填入到马尔科夫矩阵中,即可得到在下一帧中相应属性的预测值,将预测值与下一帧的真实值进行比较处理,为后续管道中心与半径自适应提供了数据基础。每帧建立的管道中心以马尔可夫预测速度和真实速度的差值为阈值进而设定修正因子,并且在受到强噪点的影响的情况下,采用指数级修正因子修正。每帧建立的管道半径以马尔科夫预测速度的欧氏距离与真实速度对于原点的欧氏距离差值进行自适应调整,并且在受到强噪点的影响的情况下,采用指数级修正因子修正,防止两帧之间的中心点相差过大,减少强噪声的干扰。
5、现有管道滤波算法在匹配目标完成后,若管道内关联帧数大于阈值,则直接判定为小目标。对于某些通过管道滤波后,判定为假“目标点”的噪声点,是有一定概率判定为小目标,即为虚警。自适应管道滤波算法完成后,通过在完成管道建立的待检测候选帧中对目标灰度值、中心位置进行聚类匹配,可最大限度剔除某些假“目标点”的噪声点,极大降低小目标检测的虚警率。
附图说明
图1是本发明基于马尔科夫的管道自适应滤波算法的结构示意图;
图2是本发明的实验结果示意图。
其中图2中第一横排图像是原始红外图像,第二横排图像是经过检测完成的目标图像输出。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
下面结合附图和具体实施方式对本发明基于管道自适应滤波的海上红外弱小目标检测方法作进一步说明:如图1所示,本实施例中含有以下步骤,
1.图像雾化增强
现有的一般图像采集方法对外界环境的干扰非常敏感,特别是在海面环境中,由于水汽雾化等因素,图像采集系统获取的户外图像往往退化严重,主要表现为目标像元信号的对比度低、图像清晰度低、背景噪声干扰较强、场景特征信息模糊等特点,不利于计算机视觉系统对图像真实特征的提取,从而影响其后续的分析、理解、识别等一系列处理,很大程度上降低了视觉系统的实际应用性能,限制了图像的应用价值。所以首先对原始采集的视频各帧图像采用多尺度Retinex算法(MSR)进行图像雾化增强。
多尺度Retinex算法(MSR)将不同尺度下的增强结果线性地组合在一起,充分将局部信息和整体信息考虑进去,其主要思想就是结合几种不同的尺度的中心围绕函数通过加权平均以后来估计光照分量,可以产生同时拥有良好动态范围压缩、色彩稳定性以及良好色调恢复的单一输出图像。MSR算法的公式为:
其中,N表示高斯核的个数;ωk是权值;Fk(x,y)是尺度σn的高斯滤波函数,定义为:
且权值ωk满足:
2.初始管道中心目标点和初始管道半径的选取
虽然小目标对象基本没有明确的形状信息可以使用,但帧间目标像素灰度值的变化一般是非常小的,所以目标灰度特性可以看作一种最直接和有效的目标分割标准。本发明从小目标局部区域较为稳定的灰度特征出发来制订具体的分割标准,在预处理结果图像中选取小滑动窗口来统计图像中各局部区域的局部能量值。
设g(x,y)为红外图像g中的像素点(x,y)处的灰度值。若此图像大小为M×N(M,N∈N),则定义图像的整体能量:
同理,定义图像中大小为m×n,(m,n∈N,m≤M,n≤N),以像素点(i,j),(i,j∈N,0≤i≤M-m,0≤j≤N-n)为起始点的图像窗口的局部能量:
则根据第k帧及前面几帧的滤波结果图像中目标区域能量最大值的平均值ELmax的基础上,再保留一定的裕量作为第k+1帧的局部能量阈值Θ(k+1)来实现对第k+1帧滤波结果图像中小目标的检测。相邻帧目标区域能量最大值的平均值ELmax如下定义:
式(6)中h为参与计算的第k帧帧间目标局部能量最大值平均值的前面帧的数目;UT(k)是参与计算的第i帧中目标区域的局部能量值最大值。于是第k+1帧的小目标检测判据可写为:
EL(k+1)≥Θ(k+1),Θ(k+1)=(1-ε)ELmax(k) (7)
上式中ε为一个局部能量裕量因子,满足0≤ε≤1。当然,如果在第k+1帧中没有检测到目标,即第k+1帧滤波结果图像中没有局部区域满足式(4),则第k+1帧的局部能量最大值UT(k+1)需要由第k帧的目标局部能量最大值UT(k)来进行替换,以保证后续检测过程的正常执行。
由于管道目标点的选取与图像窗口的局部能量有关,则同理可假设管道半径服从以ELmax-EL(i,j)的差值建立的高斯分布,具体是指Ri~N(μ,S2)。其中将ELmax-EL(i,j)的差值分为n份,然后依次建立的高斯分布。定义如下:
管道目标点的半径Rk按照高斯分布的“3σ”原则可得
Rk=μ+3S (11)
3.目标质心和速度预测
对下一帧待测目标的质心和速度(x方向和y方向),可采用马尔可夫矩阵进行预测。马尔科夫状态转移矩阵构造方法如下,将一个马尔科夫模型的参数集表示为:
λ={S,Q,P} (12)
其中λ代表马尔科夫模型,S=(S1,S2,…,SN)表示序列中所有可能存在的状态。Q={q1,q1,…,qN}代表初始状态转移概率集合:
Mi表示序列中处于状态i的数量,N表示状态的总数。于是建立一个状态转移概率矩阵:
4.目标信息补偿
当待测帧图像中目标被暂时性丢失,这时由于目标点不存在,管道滤波器就会选取某个强噪点作为目标点,这个强噪点的质心就会成为下一帧管道滤波检测的管芯。管芯位置出现偏差,就会影响管道滤波器对目标的有效检测,所以在此处进行目标信息补偿:
式(17)中m是补偿到待预测帧的帧数;T′N和TN分别是待预测帧进行补偿前和补偿后的目标;TN-m,TN-m+1,...,TN-1是待预测帧之前第N-m到N-1帧中的目标。
这种补偿操作可分为三种情况:第一种情况,待预测帧中存在完整的目标信息,这时通过补偿操作,待预测帧中的目标信息得到有效增强;第二种情况,待预测帧中只含有部分目标信息,即就是目标被暂时部分丢失,这时通过补偿操作,待预测帧中丢失的部分目标信息能够得到适当补全;第三种情况是待预测帧中完全没有目标,即就是目标被暂时完全丢失,这时通过补偿操作,可以人为的在待预测帧中把目标位置信息估测出来。
5.管道中心位置自适应
管道中心位置主要由目标质心位置来决定,在没有随机噪声干扰的理想情况下,管道中心位置坐标可以直接取目标质心坐标。但实际上管道滤波器检测易受管道内随机噪声的影响,特别是管道边缘强噪声对管道中心的影响。所以,为了提高管道滤波检测算法对强噪声的鲁棒性能,本发明将前一帧图像管道中心加上修正因子α可得到预测的此刻帧图像管道中心,修正因子α由前面目标质心和速度预测综合得到,具体由式(14)定义。由于在进行预测和检测的时候已经获得目标的运动速度和目标质心位置。所以,可以考虑以目标移动速度作为阈值,当速度变化时,修正因子αx、αy也会自动随着发生变化调整,这样可以使管心位置的确定更加具有自适应能力。
取预测速度与真实速度的差值为阈值,修正因子限据前后两帧的目标位置在x、y方向上移动的距离自适应取值。正常情况下,前后两帧的目标位置在x、y方向上移动的距离不会超过目标在x、y方向上预测速度与真实速度的差值,即认为目标移动的距离是合理的。如果目标位置移动的距离超过了目标运动速度,则说明可能是受到了强噪声的干扰,这时修正因子应该相应的减少,以减少强噪声的干扰。由于在进行预测和检测的时候已经获得目标的运动速度和目标质心位置,所以,以速度作为阈值,当速度变化时修正因子也会自动随着发生变化调整,这样可以使管心位置的确定更加具有自适应能力。
6.管道半径自适应
管道半径主要由目标运动速度来决定,一般取目标运动速度的整数倍。考虑以目标移动速度作为阈值,将前一帧图像管道半径加上修正因子d可得到预测的此刻帧图像管道半径。所以,当速度变化时,修正因子d也会自动随着发生变化调整,否则当目标移动距离超出管道范围时就会检测不到目标,使管道滤波器检测失效。因此,为了使管道滤波器的管道半径能够根据变化的速度进行自适应调整,提高检测的鲁棒性,式(21)给出如下管道半径自适应算法,这样可以使管道半径的确定更加具有自适应能力。
Rk=Rk-1+dk (21)
其中,Rk是第k帧管道半径;Rk-1是第k-1帧管道半径;dk是第k帧管道半径的修正因子。dk由式(22)定义。
管道半径自适应算法中,管道半径Rk主要由Rk-1来决定,然后根据预测速度的欧氏距离与真实速度对于原点的欧氏距离差值进行自适应调整。正常情况下,不会超过因此可视为是合理的。突然速度显著变化,超过时,表明此时可能是受到了强噪点的影响,因此就应该减小修正因子d的值,以减少强噪点的干扰。同样的,由于在进行预测和检测的时候已经获得目标的运动速度,所以,以作为阈值,当速度变化时修正因子d也会自动随着发生变化调整,这样可以使管道半径的确定更加具有自适应能力。
7.待候选目标管道以及可疑目标队列的建立
传统管道滤波算法在完成目标管道建立后,若管道内目标关联帧数大于阈值,则直接判定为小目标。这样会有某些通过管道滤波的噪声点,即有一定概率判定为假“目标点”的虚警目标点出现。为降低虚警率,本发明对每帧待检测图像确定管道内候选目标以及候选半径,以得出每帧图像的候选目标点。在初始时刻,设定可疑队列长度为N,管道关联帧数为K,根据单帧图像中的可疑目标集建立一个动态更新的管道,处理下一帧图像时,只需要将新获得的可疑目标加入到候选目标队列中等候判决,没有匹配到的目标则建立新的可疑目标队列,同时更新各个队列的标记和当前的检测帧数。当连续的Ti帧图像中可疑目标出现的次数超过关联帧数K,即Ti>K时,则判定为真实目标予以保留,否则被判定为假目标予以删除并释放队列。接着进入到下一个检测周期,直至全部帧序列图像都检测完成,进而输出已经完成检测的目标图像质心位置。具体步骤为:
步骤7.1,在初始时刻,设定可疑队列长度为N,管道关联帧数为K,建立可疑目标队列与待候选目标管道,则根据单帧图像中的可疑目标集建立一个动态更新的管道。其中可疑目标队列输出匹配成功的待候选目标,待候选目标管道输出检测成功的目标图像;
步骤7.2,判断第i帧图像是否根据步骤3检测到目标点,且记该目标点为xi。如果没有则读入下一帧图像继续判断;否则进入检测状态;
步骤7.3,遍历当前第i帧图像的待匹配目标集合,并记为Xi,则有Xi={x1,x2,...,xn}。记录待匹配目标xi的质心位置、灰度值、当前管道帧数i;
步骤7.4,设定当前第i帧获得的待匹配目标集合Xi作为参考目标集合,将待匹配的目标xj与已有的可疑目标队列中的目标xk以其像素点灰度值为出发点,进行K-means聚类匹配,若匹配成功则表示当前目标xj属于xk目标队列,加入该目标的可疑队列Lk;匹配不成功的则作为新的可疑目标xk+1创建新的可疑目标队列Lk+1,继续对当前帧的候选目标进行匹配,直至所有的候选目标匹配完成。K-means聚类中,待测帧中目标灰度值与聚类中心的欧式距离如式(23)定义:
其中,Xi表示第i个目标的灰度值,1≤i≤n;Cj表示第j个聚类中心,1≤j≤k;Xit表示第i个目标灰度值的第t个属性,1≤t≤m;Cjt表示表示第j个聚类中心的第t个属性。
类簇中心Ct就是类簇内所有对象在各个维度的均值,如式(24)所示
其中,Cl表示第l个聚类的中心,1≤l≤k;Sl表示第l个类簇中对象的个数,Xi表示第l个类簇中第i个对象,1≤i≤|Sl|。
步骤7.5,如果可疑目标队列Lk的最大长度大于等于N,则判定为待候选目标,并转入待候选目标管道;否则继续作为可疑目标队列予以保留,以待下次匹配。
步骤7.6,判断待候选目标管道的帧关联次数是否大于等于K,如果是,则表示该目标为真实目标;否则判定为假目标且予以删除。
步骤7.7,重复上述过程,直至所有帧图像处理完,输出真实目标点的质心位置。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于管道自适应滤波的海上红外弱小目标检测方法,其特征在于:含有以下步骤,
步骤1,获取原始连续帧图像,对其进行图像雾化增强;
步骤2,建立初始管道滤波模型,确定初始管道中心目标点和初始管道半径;
步骤3,采用马尔可夫矩阵预测下一帧待测目标的质心坐标、x方向的速度和y方向的速度;
步骤4,对于帧图像中丢失的目标点进行目标信息补偿;
步骤5,对每帧图像的管道中心位置、管道半径通过前一帧图像的管道中心位置、管道半径加上各自的修正因子进行修正,然后在待检测帧里建立检测管道;
步骤6,确定管道内候选范围以及候选目标,得出每帧图像的候选目标点,并对候选目标进行匹配,建立单帧待匹配候选目标管道和可疑目标队列,若待测候选管道中出现弱小目标的次数大于阈值,则判定检测到弱小目标。
3.根据权利要求1所述的基于管道自适应滤波的海上红外弱小目标检测方法,其特征在于:所述步骤2中以红外图像g中的像素点(x,y)处的灰度值为出发点,定义图像的整体能量ETg与图像窗口的局部能量EL(i,j),于是第k+1帧的小目标检测判据可写为:
EL(k+1)≥Θ(k+1),Θ(k+1)=(1-ε)ELmax(k)
其中ELmax为相邻帧目标区域能量最大值的平均值;ε为局部能量裕量因子,满足0≤ε≤1,由于管道目标点的选取与图像窗口的局部能量有关,则同理可假设管道半径服从以ELmax-EL(i,j)的差值建立的高斯分布,具体是指Ri~N(μ,S2),于是管道目标点的半径Rk按照“3σ”原则可得:Rk=μ+3S。
5.根据权利要求1所述的基于管道自适应滤波的海上红外弱小目标检测方法,其特征在于:所述步骤4中进行目标信息补偿的过程如下:
T′N=TN-m+TN-m+1+…+TN-1+TN
其中m是补偿到待预测帧的帧数;T′N和TN分别是待预测帧进行补偿前和补偿后的目标,TN-m,TN-m+1,...,TN-1是待预测帧之前第N-m到N-1帧中的目标;补偿操作分为三种情况:待预测帧中含有完整的目标信息、待预测帧中含有部分目标信息、待预测帧中不含有目标信息。
6.根据权利要求1所述的基于管道自适应滤波的海上红外弱小目标检测方法,其特征在于:所述步骤5中每帧图像的自适应管道中心与管道半径的确定含有以下步骤,
步骤5.1,管道中心位置自适应:管道滤波器检测受管道边缘强噪声对管道中心的影响,将前一帧图像管道中心加上修正因子α对此刻帧图像管道中心自适应,当速度变化时,修正因子αx、αy也会自动随着发生变化调整,
步骤5.2,管道半径自适应:步骤5.1中强噪声会对管道滤波器半径产生影响,则以目标移动速度作为阈值,将前一帧图像管道半径加上修正因子d得到此刻帧图像管道半径,当速度变化时,修正因子d会自动随着发生变化调整,具体由以下定义:
Rk=Rk-1+dk
其中,Rk是第k帧管道半径;Rk-1是第k-1帧管道半径;dk是第k帧管道半径的修正因子,具体由以下定义:
7.根据权利要求1所述的基于管道自适应滤波的海上红外弱小目标检测方法,其特征在于:所述步骤6包括以下步骤:
步骤6.1,在初始时刻设定可疑队列长度为N,管道关联帧数为K,建立可疑目标队列与待候选目标管道,根据单帧图像中的可疑目标集建立一个动态更新的管道,其中可疑目标队列输出匹配成功的待候选目标,待候选目标管道输出检测成功的目标图像;
步骤6.2,判断第i帧图像是否检测到目标点,且记该目标点为xi,如果没有则读入下一帧图像继续判断;否则进入检测状态;
步骤6.3,遍历当前第i帧图像的待匹配目标集合,并记为Xi,则有Xi={x1,x2,...,xn},记录待匹配目标xi的质心位置、灰度值、当前管道帧数i;
步骤6.4,设定当前第i帧获得的待匹配目标集合Xi作为参考目标集合,将待匹配的目标xj与已有的可疑目标队列中的目标xk以其像素点灰度值为出发点,进行K-means聚类匹配,若匹配成功则表示当前目标xj属于xk目标队列,加入该目标的可疑队列Lk;匹配不成功的则作为新的可疑目标xk+1创建新的可疑目标队列Lk+1,继续对当前帧的候选目标进行匹配,直至所有的候选目标匹配完成,K-means聚类中待测帧中目标灰度值与聚类中心的欧式距离,具体如下定义:
其中,Xi表示第i个目标的灰度值,1≤i≤n;Cj表示第j个聚类中心,1≤j≤k;Xit表示第i个目标灰度值的第t个属性,1≤t≤m;Cjt表示表示第j个聚类中心的第t个属性,类簇中心Ct就是类簇内所有对象在各个维度的均值,满足:
其中,Cl表示第l个聚类的中心,1≤l≤k;Sl表示第l个类簇中对象的个数,Xi表示第l个类簇中第i个对象,1≤i≤|Sl|;
步骤6.5,如果可疑目标队列Lk的最大长度大于等于N,则判定为待候选目标,并转入待候选目标管道;否则继续作为可疑目标队列予以保留,以待下次匹配;
步骤6.6,判断待候选目标管道的帧关联次数是否大于等于K,如果是,则表示该目标为真实目标;如果否,则判定为假目标且予以删除;
步骤6.7,重复上述过程,直至所有帧图像处理完,输出真实目标点的质心位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119581.1A CN115511804A (zh) | 2022-09-14 | 2022-09-14 | 一种基于管道自适应滤波的海上红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119581.1A CN115511804A (zh) | 2022-09-14 | 2022-09-14 | 一种基于管道自适应滤波的海上红外弱小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511804A true CN115511804A (zh) | 2022-12-23 |
Family
ID=84504924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211119581.1A Pending CN115511804A (zh) | 2022-09-14 | 2022-09-14 | 一种基于管道自适应滤波的海上红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511804A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797453A (zh) * | 2023-01-17 | 2023-03-14 | 西南科技大学 | 一种红外微弱目标的定位方法、定位装置及可读存储介质 |
-
2022
- 2022-09-14 CN CN202211119581.1A patent/CN115511804A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797453A (zh) * | 2023-01-17 | 2023-03-14 | 西南科技大学 | 一种红外微弱目标的定位方法、定位装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345472B (zh) | 一种复杂场景的红外运动小目标检测方法 | |
CN110175649B (zh) | 一种关于重新检测的快速多尺度估计目标跟踪方法 | |
CN111461011B (zh) | 基于概率化管道滤波的弱小目标检测方法 | |
CN110728697A (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN109859247B (zh) | 近地面场景红外小目标检测方法 | |
CN111428573B (zh) | 一种复杂背景下的红外弱小目标检测虚警抑制方法 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN111160212A (zh) | 一种基于YOLOv3-Tiny改进的跟踪学习检测系统及方法 | |
CN111681262B (zh) | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 | |
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 | |
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 | |
CN114241008B (zh) | 一种适应场景和目标变化的长时区域跟踪方法 | |
CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
CN113781523A (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
CN113205494A (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 | |
CN117058368A (zh) | 密集恒星长拖尾背景下暗弱凝视碎片目标检测方法 | |
CN108038872B (zh) | 一种基于动静态目标检测与实时压缩感知追踪研究方法 | |
CN114764820A (zh) | 一种基于对比度的红外弱小目标检测、跟踪方法和系统 | |
CN113379639B (zh) | 一种复杂环境中红外目标抗干扰检测跟踪方法 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
CN115409872A (zh) | 一种水下摄像机图像优化方法 | |
CN112508168B (zh) | 基于预测框自动修正的边框回归神经网络构建方法 | |
CN115035397A (zh) | 一种基于水下移动目标识别方法、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 |