CN116228819A - 红外运动目标检测方法及装置 - Google Patents

红外运动目标检测方法及装置 Download PDF

Info

Publication number
CN116228819A
CN116228819A CN202310466175.0A CN202310466175A CN116228819A CN 116228819 A CN116228819 A CN 116228819A CN 202310466175 A CN202310466175 A CN 202310466175A CN 116228819 A CN116228819 A CN 116228819A
Authority
CN
China
Prior art keywords
infrared
image
characteristic image
derivative
different scales
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.)
Granted
Application number
CN202310466175.0A
Other languages
English (en)
Other versions
CN116228819B (zh
Inventor
刘雨菡
周光尧
胡玉新
郭拯坤
陈瑶
潘宗序
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310466175.0A priority Critical patent/CN116228819B/zh
Publication of CN116228819A publication Critical patent/CN116228819A/zh
Application granted granted Critical
Publication of CN116228819B publication Critical patent/CN116228819B/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
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供一种红外运动目标检测方法及装置，涉及红外目标检测及图像处理领域，方法包括：从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像；构建不同尺度的平滑滤波器；采用不同尺度的平滑滤波器对红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像分别进行滤波，得到分别对应的第一显著性特征图像、第二显著性特征图像和第三显著性特征图像；将三种显著性特征图像融合，得到融合特征图像；根据对应于红外图像序列中多个待检测的红外图像的融合特征图像，确定红外运动目标的检测结果。该方法及装置解决了现有方法中目标与背景难以区分、单一特征描述不充分、虚警干扰高及时效性慢等问题。

Description

红外运动目标检测方法及装置
技术领域
本发明涉及红外目标检测及图像处理技术领域，尤其涉及一种红外运动目标检测方法及装置。
背景技术
红外成像与探测系统由于具有灵活性、便携性、全天时视物、穿透能力强等优势，已经在安防、环境检测、气象观测等多个领域有着广泛的应用。近年来，航天、遥感等领域的空中目标探测，引起了各国学者的关注，而红外探测也在其中发挥着巨大的作用。这些应用主要依赖于红外搜索与跟踪系统（Infrared searching and tracking system，IRSTS）对关注目标的定位与发现，而红外运动目标检测技术又是不可或缺的关键环节。然而，由于红外成像探测的距离相对较远，传输过程受到大气影响以及自然场景中存在大量具有高辐射特性的虚警源，导致目标成像后像元面积小，仅占几个像素，不具备明显的颜色、纹理、几何形态特性。同时，由于背景杂波与大气干扰，以及传感器固有的缺陷，导致目标成像后信噪比较低，可探测性较差。除此之外，目标运动规律多变，时间敏感度高，这使得目标的检测更为困难。
目前，世界各国学者都争相在红外弱小运动目标检测领域开展技术研究，主流的检测方法也基本可以分为3类：基于背景一致性假设的检测方法、基于视觉显著性特征的检测方法以及基于低秩稀疏分解的检测方法。基于背景一致性假设的检测方法如Tophat滤波、高斯滤波、小面核滤波等都是基于红外图像中目标与背景的灰度分布差异对目标进行突出，对背景进行抑制。而单纯使用原始图像的灰度特征难以对目标与其他高辐射背景进行区分，在滤波后仍然会有强边缘、强噪点对目标产生干扰。基于视觉显著性特征的方法需要对整幅图像进行滑窗遍历，由此计算出每个区域的局部对比度特征，这种操作会严重影响检测的时效性，使得其在实际应用中具有局限性。大多数基于背景一致性假设和视觉显著性特征的检测方法对图像的表征能力还有待提升，大多都只提取了单一的特征，而单一的特征往往很难对目标和背景进行全面的描述与区分，无法对图像进行较优的描述。
发明内容
针对上述技术问题，本发明提供一种红外运动目标检测方法及装置，用于至少部分解决上述技术问题。
基于此，本发明第一方面提供一种红外运动目标检测方法，包括：从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像；构建不同尺度的平滑滤波器；采用不同尺度的平滑滤波器对红外梯度特征图像进行滤波，得到第一显著性特征图像；采用不同尺度的平滑滤波器对红外二阶导数特征图像进行滤波，得到第二显著性特征图像；采用不同尺度的平滑滤波器对红外三阶导数特征图像进行滤波，得到第三显著性特征图像；将第一显著性特征图像、第二显著性特征图像和第三显著性特征图像进行融合，得到融合特征图像；根据对应于红外图像序列中多个待检测的红外图像的融合特征图像，确定红外运动目标的检测结果。
根据本发明的实施例，从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像包括：求解待检测的红外图像中各个像素点灰度的水平方向导数和垂直方向导数，得到红外梯度特征图像；求解红外梯度特征图像中各个像素点灰度的水平方向导数和垂直方向导数，得到红外二阶导数特征图像；求解红外二阶导数特征图像中各个像素点灰度的水平方向导数和垂直方向导数，得到红外三阶导数特征图像。
根据本发明的实施例，构建不同尺度的平滑滤波器包括：根据
Figure SMS_1
构建平滑滤波器H k (x,y)，k表示平滑滤波器的尺度，(x,y)为图像中像素点的位置，σ k 为不同尺度的平滑滤波器的标准差，标准差用于控制平滑滤波器对图像的平滑程度。
根据本发明的实施例，采用不同尺度的平滑滤波器对红外梯度特征图像进行滤波，得到第一显著性特征图像包括：采用多个不同尺度的平滑滤波器分别对红外梯度特征图像进行平滑滤波，得到多个第一滤波响应值；根据多个第一滤波响应值中最大第一滤波响应值确定第一显著性特征图像；采用不同尺度的平滑滤波器对红外二阶导数特征图像进行滤波，得到第二显著性特征图像包括：采用多个不同尺度的平滑滤波器分别对红外二阶导数特征图像进行平滑滤波，得到多个第二滤波响应值；根据多个第二滤波响应值中最大第二滤波响应值确定第二显著性特征图像；采用不同尺度的平滑滤波器对红外三阶导数特征图像进行滤波，得到第二显著性特征图像包括：采用多个不同尺度的平滑滤波器分别对红外三阶导数特征图像进行平滑滤波，得到多个第三滤波响应值；根据多个第三滤波响应值中最大第三滤波响应值确定第三显著性特征图像。
根据本发明的实施例，根据
Figure SMS_2
对红外梯度特征图像G 1(x,y)或红外二阶导数特征图像G 2(x,y)或红外三阶导数特征图像G 3(x,y)进行平滑滤波，其中，(x,y)为图像中像素点的位置，k表示平滑滤波器的尺度，H k (x,y)为不同尺度的平滑滤波器，*表示图像卷积运算，n取1或2或3，
Figure SMS_3
为对应于不同尺度k的第一滤波响应值，/>
Figure SMS_4
为对应于不同尺度k的第二滤波响应值，/>
Figure SMS_5
为对应于不同尺度k的第三滤波响应值。
根据本发明的实施例，将第一显著性特征图像、第二显著性特征图像和第三显著性特征图像进行融合，得到融合特征图像包括：根据
Figure SMS_6
确定融合特征图像F(x,y)，其中，
Figure SMS_7
为最大第一滤波响应值，
Figure SMS_8
为最大第二滤波响应值，/>
Figure SMS_9
为最大第三滤波响应值，ω 1、ω 2、ω 3分别为最大第一滤波响应值对应的权重、最大第二滤波响应值对应的权重、最大第三滤波响应值对应的权重。
根据本发明的实施例，根据对应于红外图像序列中多个待检测的红外图像的融合特征图像，确定红外运动目标的检测结果：采用自适应阈值对每一个融合特征图像分别进行二值分割，得到多个二值分割结果；对多个二值分割结果进行时域最大值抑制，确定最大灰度值的融合特征图像；根据最大灰度值的融合特征图像确定检测结果。
根据本发明的实施例，自适应阈值的计算公式为：
Figure SMS_10
其中，T为自适应阈值，μ为融合特征图像的灰度均值，τ为融合特征图像的灰度标准差，m为常数。
本发明的第二方面提供一种红外运动目标检测装置，包括：提取模块，用于从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像；构建模块，用于构建不同尺度的平滑滤波器；滤波模块，用于采用不同尺度的平滑滤波器对红外梯度特征图像进行滤波，得到第一显著性特征图像；采用不同尺度的平滑滤波器对红外二阶导数特征图像进行滤波，得到第二显著性特征图像；采用不同尺度的平滑滤波器对红外三阶导数特征图像进行滤波，得到第三显著性特征图像；融合模块，用于将第一显著性特征图像、第二显著性特征图像和第三显著性特征图像进行融合，得到融合特征图像；确定模块，用于根据对应于红外图像序列中多个待检测的红外图像的融合特征图像，确定红外运动目标的检测结果。
根据本发明实施例提供的红外运动目标检测方法及装置，至少包括以下有益效果：
对红外图像进行不同阶导数特征的提取，由此解决以往单纯使用灰度特征难以区分目标与背景的问题。同时，采用多尺度的平滑滤波器对不同阶导数特征进行平滑滤波，泛化能力更强，由此对不同层次特征图像中的目标进行突显，对背景进行抑制，提高目标检测的准确性。除此之外，利用融合特征解决单一特征描述不充分的问题。
融合的多尺度多阶导数特征能够对红外图像进行更加全面的描述，采用滤波器对图像整体进行滤波，能够解决滑窗处理时效性慢的问题。
在自适应阈值分割的基础上，结合目标时域灰度变化的特性，采用时域最大值抑制思想，对虚警干扰进行进一步的抑制，进一步提高目标检测的准确性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征图像和优点将更为清楚，在附图中：
图1示意性示出了本发明实施例提供的红外运动目标检测方法流程图。
图2示意性示出了本发明实施例提供的红外运动目标检测装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。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。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征图像、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征图像、步骤、操作或部件。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或可以互相通讯；可以是直接连接，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要理解的是，术语“纵向”、“长度”、“周向”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的子系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
贯穿附图，相同的元素由相同或相近的附图标记来表示。可能导致本发明的理解造成混淆时，将省略常规结构或构造。并且图中各部件的形状、尺寸、位置关系不反映真实大小、比例和实际位置关系。另外，在本公开中，不应将位于括号之间的任何参考符号构造成对本公开的限制。
类似地，为了精简本发明并帮助理解各个公开方面中的一个或多个，在上面对本发明示例性实施例的描述中，本发明的各个特征图像有时被一起分到单个实施例、图或者对其描述中。参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征图像、结构、材料或者特点包含于本发明的至少一个实施例或示例中。本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征图像、结构、材料或者特点可以在任何的一个或者多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征图像的数量。因此，限定有“第一”、“第二”的特征图像可以明示或者隐含地包括一个或者更多个该特征图像。在本发明的描述中，“多个”的含义是至少两个，例如两个、三个等，除非另有明确具体的限定。
本发明针对红外图像特征挖掘不够深入，单一特征表征难以及检测时效性要求高等问题，提出了一种融合多尺度多阶导数特征的红外空中运动目标检测方法，利用目标与背景在高阶统计特征中的差异，采用能够适应不同目标尺寸的多尺度滤波器对目标进行增强，对背景抑制，由此挖掘图像的深层次特征。同时，根据特征融合思想对不同特征进行融合，以获取图像更加全面、更优的特征描述。最后，直接对整幅图像进行显著特征提取，避免冗余的滑窗与分块计算，进一步解决算法的时效性问题。下面结合具体的实施例对红外运动目标检测方法进行详细说明。
图1示意性示出了本发明实施例提供的红外运动目标检测方法流程图。
如图1所示，该红外运动目标检测方法包括操作S110~操作S150。
在操作S110，从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像。
在操作S120，构建不同尺度的平滑滤波器。
在操作S130，采用不同尺度的平滑滤波器对红外梯度特征图像进行滤波，得到第一显著性特征图像；采用不同尺度的平滑滤波器对红外二阶导数特征图像进行滤波，得到第二显著性特征图像；采用不同尺度的平滑滤波器对红外三阶导数特征图像进行滤波，得到第三显著性特征图像。
在操作S140，将第一显著性特征图像、第二显著性特征图像和第三显著性特征图像进行融合，得到融合特征图像。
在操作S150，根据对应于红外图像序列中多个待检测的红外图像的融合特征图像，确定红外运动目标的检测结果。
在本发明的实施例中，操作S110的目的是提取图像的不同阶导数特征，例如可以包括：求解待检测的红外图像中各个像素点灰度的水平方向导数和垂直方向导数，得到红外梯度特征图像。求解红外梯度特征图像中各个像素点灰度的水平方向导数和垂直方向导数，得到红外二阶导数特征图像。求解红外二阶导数特征图像中各个像素点灰度的水平方向导数和垂直方向导数，得到红外三阶导数特征图像。
示例性的，红外图像的红外梯度特征图像的计算公式可以为：
Figure SMS_11
其中，(x,y)为图像中像素点的位置，d h (x,y)和d v (x,y)分别为(x,y)像素点的水平方向导数和垂直方向导数。而二阶导数图像和三阶导数图像则同理对红外梯度特征图像继续进行求导。
本发明实施例的红外运动目标检测方法利用图像的灰度变化、不同阶统计特征对红外运动弱小目标与背景进行区分，弥补了单一使用灰度特征难以区分强辐射干扰的缺陷，对红外图像的特征进行了更深层次的挖掘。
在本发明的实施例中，平滑滤波器可以为高斯导数滤波器。构建不同尺度的平滑滤波器包括：
根据
Figure SMS_12
构建平滑滤波器H k (x,y)，k表示平滑滤波器的尺度，(x,y)为图像中像素点的位置，σ k 为不同尺度的平滑滤波器的标准差，标准差用于控制平滑滤波器对图像的平滑程度。
本发明实施例的红外运动目标检测方法考虑到目标的尺寸是多样性的，因此在设计中采用了不同标准差的高斯滤波器组，由此提高本发明的泛化能力。
在本发明的实施例中，操作S130中的采用不同尺度的平滑滤波器对红外梯度特征图像进行滤波，得到第一显著性特征图像包括：采用多个不同尺度的平滑滤波器分别对红外梯度特征图像进行平滑滤波，得到多个第一滤波响应值，根据多个第一滤波响应值中最大第一滤波响应值确定第一显著性特征图像。
操作S130中的采用不同尺度的平滑滤波器对红外二阶导数特征图像进行滤波，得到第二显著性特征图像包括：采用多个不同尺度的平滑滤波器分别对红外二阶导数特征图像进行平滑滤波，得到多个第二滤波响应值；根据多个第二滤波响应值中最大第二滤波响应值确定第二显著性特征图像。
操作S130中的采用不同尺度的平滑滤波器对红外三阶导数特征图像进行滤波，得到第二显著性特征图像包括：采用多个不同尺度的平滑滤波器分别对红外三阶导数特征图像进行平滑滤波，得到多个第三滤波响应值；根据多个第三滤波响应值中最大第三滤波响应值确定第三显著性特征图像。
进一步的，根据
Figure SMS_13
对红外梯度特征图像G 1(x,y)或红外二阶导数特征图像G 2(x,y)或红外三阶导数特征图像G 3(x,y)进行平滑滤波，其中，(x,y)为图像中像素点的位置，k表示平滑滤波器的尺度，H k (x,y)为不同尺度的平滑滤波器，*表示图像卷积运算，n取1或2或3，
Figure SMS_14
为对应于不同尺度k的第一滤波响应值，/>
Figure SMS_15
为对应于不同尺度k的第二滤波响应值，
Figure SMS_16
为对应于不同尺度k的第三滤波响应值。这一操作能够对图像不同的统计特征中的目标进行突出，对背景进行抑制，同时解决了局部对比度特征需要利用滑窗对图像进行遍历带来的检测速度慢的问题。
同时，由于红外图像中目标的尺寸会发生变化，本发明采用不同尺度滤波器处理后的最大滤波响应作为获得的显著性特征图，即：
Figure SMS_17
其中，
Figure SMS_18
为n阶导数特征的最大滤波响应值（特征图），具体的，/>
Figure SMS_19
为最大第一滤波响应值，/>
Figure SMS_20
为最大第二滤波响应值，/>
Figure SMS_21
为最大第三滤波响应值。
在本发明的实施例中，操作S140中的将第一显著性特征图像、第二显著性特征图像和第三显著性特征图像进行融合，得到融合特征图像包括：
根据
Figure SMS_22
确定融合特征图像F(x,y)，其中，ω 1、ω 2、ω 3分别为最大第一滤波响应值对应的权重、最大第二滤波响应值对应的权重、最大第三滤波响应值对应的权重。这一操作有效解决了单一特征对红外图像描述不全面、表征有限的问题，能够获得更优的图像特征描述。
在本发明的实施例中，操作S150中的根据对应于红外图像序列中多个待检测的红外图像的融合特征图像，确定红外运动目标的检测结果：采用自适应阈值对每一个融合特征图像分别进行二值分割，得到多个二值分割结果。对多个二值分割结果进行时域最大值抑制，确定最大灰度值的融合特征图像；根据最大灰度值的融合特征图像确定检测结果
进一步的，自适应阈值的计算公式为：
Figure SMS_23
其中，T为自适应阈值，μ为融合特征图像的灰度均值，τ为融合特征图像的灰度标准差，m为常数。
对于不同待检测图像的融合特征图，可以根据相应的阈值获得备选的目标点。之后，为了解决以往检测方法对序列图像时域信息利用不充分的问题，本发明进一步采用了时域最大值抑制方法。由每一帧备选点图像构成的序列图像，其每帧图像中仍然可能存在虚警点。但是，由于目标的强辐射特性，其灰度值会相对更高。因此，对于每个像素位置，当有目标出现时，其灰度值会很大。因此，本发明在备选点组成的序列图像中，只保留备选点所在位置在时域上最大灰度值的那一帧备选点。由此，可以将备选点中的高辐射虚警干扰进行进一步的抑制，由此获得最终的检测结果。
综上所述，本发明的实施例提供的红外运动目标检测方法，通过对红外图像进行不同阶导数特征的提取，由此解决以往单纯使用灰度特征难以区分目标与背景的问题。同时，采用多尺度的平滑滤波器对不同阶导数特征进行平滑滤波，泛化能力更强，由此对不同层次特征图像中的目标进行突显，对背景进行抑制，提高目标检测的准确性。除此之外，利用融合特征解决单一特征描述不充分的问题。融合的多尺度多阶导数特征能够对红外图像进行更加全面的描述，采用滤波器对图像整体进行滤波，能够解决滑窗处理时效性慢的问题。在自适应阈值分割的基础上，结合目标时域灰度变化的特性，采用时域最大值抑制思想，对虚警干扰进行进一步的抑制，进一步提高目标检测的准确性。
图2示意性示出了本发明实施例提供的红外运动目标检测装置的框图。
如图2所示，该红外运动目标检测装置200包括：提取模块210、构建模块220、滤波模块230、融合模块240及确定模块250。
提取模块210，用于从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像。
构建模块220，用于构建不同尺度的平滑滤波器。
滤波模块230，用于采用不同尺度的平滑滤波器对红外梯度特征图像进行滤波，得到第一显著性特征图像；采用不同尺度的平滑滤波器对红外二阶导数特征图像进行滤波，得到第二显著性特征图像；采用不同尺度的平滑滤波器对红外三阶导数特征图像进行滤波，得到第三显著性特征图像。
融合模块240，用于将第一显著性特征图像、第二显著性特征图像和第三显著性特征图像进行融合，得到融合特征图像。
确定模块250，用于根据对应于红外图像序列中多个待检测的红外图像的融合特征图像，确定红外运动目标的检测结果。
需要说明的是，装置实施例部分的具体实施细节及带来的技术效果与方法实施例不等对应，此处不再赘述。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种红外运动目标检测方法，其特征在于，包括：
从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像；
构建不同尺度的平滑滤波器；
采用不同尺度的平滑滤波器对所述红外梯度特征图像进行滤波，得到第一显著性特征图像；采用不同尺度的平滑滤波器对所述红外二阶导数特征图像进行滤波，得到第二显著性特征图像；采用不同尺度的平滑滤波器对所述红外三阶导数特征图像进行滤波，得到第三显著性特征图像；
将所述第一显著性特征图像、所述第二显著性特征图像和所述第三显著性特征图像进行融合，得到融合特征图像；
根据对应于红外图像序列中多个待检测的红外图像的所述融合特征图像，确定红外运动目标的检测结果。
2.根据权利要求1所述的红外运动目标检测方法，其特征在于，所述从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像包括：
求解所述待检测的红外图像中各个像素点灰度的水平方向导数和垂直方向导数，得到所述红外梯度特征图像；
求解所述红外梯度特征图像中各个像素点灰度的水平方向导数和垂直方向导数，得到所述红外二阶导数特征图像；
求解所述红外二阶导数特征图像中各个像素点灰度的水平方向导数和垂直方向导数，得到所述红外三阶导数特征图像。
3.根据权利要求1所述的红外运动目标检测方法，其特征在于，所述构建不同尺度的平滑滤波器包括：
根据
Figure QLYQS_1
;
构建平滑滤波器H k (x,y)，k表示平滑滤波器的尺度，(x,y)为图像中像素点的位置，σ k 为不同尺度的平滑滤波器的标准差，所述标准差用于控制所述平滑滤波器对图像的平滑程度。
4.根据权利要求1所述的红外运动目标检测方法，其特征在于，所述采用不同尺度的平滑滤波器对所述红外梯度特征图像进行滤波，得到第一显著性特征图像包括：
采用多个不同尺度的平滑滤波器分别对红外梯度特征图像进行平滑滤波，得到多个第一滤波响应值；
根据多个第一滤波响应值中最大第一滤波响应值确定所述第一显著性特征图像；
所述采用不同尺度的平滑滤波器对所述红外二阶导数特征图像进行滤波，得到第二显著性特征图像包括：
采用多个不同尺度的平滑滤波器分别对红外二阶导数特征图像进行平滑滤波，得到多个第二滤波响应值；
根据多个第二滤波响应值中最大第二滤波响应值确定所述第二显著性特征图像；
所述采用不同尺度的平滑滤波器对所述红外三阶导数特征图像进行滤波，得到第二显著性特征图像包括：
采用多个不同尺度的平滑滤波器分别对红外三阶导数特征图像进行平滑滤波，得到多个第三滤波响应值；
根据多个第三滤波响应值中最大第三滤波响应值确定所述第三显著性特征图像。
5.根据权利要求4所述的红外运动目标检测方法，其特征在于，根据
Figure QLYQS_2
;
对所述红外梯度特征图像G 1(x,y)或所述红外二阶导数特征图像G 2(x,y)或所述红外三阶导数特征图像G 3(x,y)进行平滑滤波，其中，(x,y)为图像中像素点的位置，k表示平滑滤波器的尺度，H k (x,y)为不同尺度的平滑滤波器，*表示图像卷积运算，n取1或2或3，
Figure QLYQS_3
为对应于不同尺度k的第一滤波响应值，/>
Figure QLYQS_4
为对应于不同尺度k的第二滤波响应值，
Figure QLYQS_5
为对应于不同尺度k的第三滤波响应值。
6.根据权利要求5所述的红外运动目标检测方法，其特征在于，所述将所述第一显著性特征图像、所述第二显著性特征图像和所述第三显著性特征图像进行融合，得到融合特征图像包括：
根据
Figure QLYQS_6
;
确定融合特征图像F(x,y)，其中，
Figure QLYQS_7
为最大第一滤波响应值，/>
Figure QLYQS_8
为最大第二滤波响应值，/>
Figure QLYQS_9
为最大第三滤波响应值，ω 1、ω 2、ω 3分别为最大第一滤波响应值对应的权重、最大第二滤波响应值对应的权重、最大第三滤波响应值对应的权重。
7.根据权利要求1所述的红外运动目标检测方法，其特征在于，所述根据对应于红外图像序列中多个待检测的红外图像的所述融合特征图像，确定红外运动目标的检测结果：
采用自适应阈值对每一个所述融合特征图像分别进行二值分割，得到多个二值分割结果；
对所述多个二值分割结果进行时域最大值抑制，确定最大灰度值的融合特征图像；
根据最大灰度值的融合特征图像确定所述检测结果。
8.根据权利要求7所述的红外运动目标检测方法，其特征在于，所述自适应阈值的计算公式为：
Figure QLYQS_10
;
其中，T为自适应阈值，μ为所述融合特征图像的灰度均值，τ为所述融合特征图像的灰度标准差，m为常数。
9.一种红外运动目标检测装置，其特征在于，包括：
提取模块，用于从待检测的红外图像中提取红外梯度特征图像、红外二阶导数特征图像和红外三阶导数特征图像；
构建模块，用于构建不同尺度的平滑滤波器；
滤波模块，用于采用不同尺度的平滑滤波器对所述红外梯度特征图像进行滤波，得到第一显著性特征图像；采用不同尺度的平滑滤波器对所述红外二阶导数特征图像进行滤波，得到第二显著性特征图像；采用不同尺度的平滑滤波器对所述红外三阶导数特征图像进行滤波，得到第三显著性特征图像；
融合模块，用于将所述第一显著性特征图像、所述第二显著性特征图像和所述第三显著性特征图像进行融合，得到融合特征图像；
确定模块，用于根据对应于红外图像序列中多个待检测的红外图像的所述融合特征图像，确定红外运动目标的检测结果。
CN202310466175.0A 2023-04-27 2023-04-27 红外运动目标检测方法及装置 Active CN116228819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310466175.0A CN116228819B (zh) 2023-04-27 2023-04-27 红外运动目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310466175.0A CN116228819B (zh) 2023-04-27 2023-04-27 红外运动目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN116228819A true CN116228819A (zh) 2023-06-06
CN116228819B CN116228819B (zh) 2023-08-08

Family

ID=86579071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310466175.0A Active CN116228819B (zh) 2023-04-27 2023-04-27 红外运动目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN116228819B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011196A (zh) * 2023-08-10 2023-11-07 哈尔滨工业大学 一种基于组合滤波优化的红外小目标检测方法及系统
CN118072224A (zh) * 2024-03-26 2024-05-24 中国科学院空天信息创新研究院 基于多方向滤波的飞行目标检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150003743A1 (en) * 2011-12-19 2015-01-01 Panasonic Corporation Object detection device and object detection method
CN111369458A (zh) * 2020-02-28 2020-07-03 中国人民解放军空军工程大学 基于多尺度滚动引导滤波平滑的红外弱小目标背景抑制方法
CN113763274A (zh) * 2021-09-08 2021-12-07 湖北工业大学 一种联合局部相位锐度定向描述的多源图像匹配方法
CN114463619A (zh) * 2022-04-12 2022-05-10 西北工业大学 基于集成融合特征的红外弱小目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150003743A1 (en) * 2011-12-19 2015-01-01 Panasonic Corporation Object detection device and object detection method
CN111369458A (zh) * 2020-02-28 2020-07-03 中国人民解放军空军工程大学 基于多尺度滚动引导滤波平滑的红外弱小目标背景抑制方法
CN113763274A (zh) * 2021-09-08 2021-12-07 湖北工业大学 一种联合局部相位锐度定向描述的多源图像匹配方法
CN114463619A (zh) * 2022-04-12 2022-05-10 西北工业大学 基于集成融合特征的红外弱小目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚俊亮;何昕;魏仲慧;朱弘;郭立俊;: "采用尺度空间理论的红外弱小目标检测方法", 红外与激光工程, no. 09, pages 273 - 280 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011196A (zh) * 2023-08-10 2023-11-07 哈尔滨工业大学 一种基于组合滤波优化的红外小目标检测方法及系统
CN117011196B (zh) * 2023-08-10 2024-04-19 哈尔滨工业大学 一种基于组合滤波优化的红外小目标检测方法及系统
CN118072224A (zh) * 2024-03-26 2024-05-24 中国科学院空天信息创新研究院 基于多方向滤波的飞行目标检测方法

Also Published As

Publication number Publication date
CN116228819B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN116228819B (zh) 红外运动目标检测方法及装置
CN110378308B (zh) 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN109255317B (zh) 一种基于双网络的航拍图像差异检测方法
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
Wang et al. Unsupervised SAR image change detection based on SIFT keypoints and region information
CN111027496B (zh) 基于空时联合局部对比度的红外弱小目标检测方法
CN104899866A (zh) 一种智能化的红外小目标检测方法
CN107564062A (zh) 位姿异常检测方法及装置
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN115761550A (zh) 一种基于激光雷达点云和相机图像融合的水面目标检测方法
CN107767400A (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN107578424A (zh) 一种基于时空分类的动态背景差分检测方法、系统及装置
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
Fu et al. Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform
CN114549642B (zh) 一种低对比度红外弱小目标检测方法
CN110222638B (zh) 一种基于素描图候选框策略和Fast R-CNN的飞机目标检测方法
CN103679740A (zh) 一种无人机对地目标roi提取方法
CN114648547A (zh) 用于反无人机红外探测系统的弱小目标检测方法和装置
Manandhar et al. Segmentation based building detection in high resolution satellite images
Liu et al. Real-time power line extraction from unmanned aerial system video images
CN112329677B (zh) 基于特征融合的遥感图像河道目标检测方法和装置
Jiao et al. A novel and fast corner detection method for sar imagery
CN115797769A (zh) 基于红外特性及空时显著性的红外弱小目标检测方法
CN103473753A (zh) 一种基于多尺度小波阈值去噪的目标检测方法
CN104732190B (zh) 一种基于正交纹理相关分析的合成孔径声纳目标检测方法

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