CN116645580B - 一种基于时空特征差异的弱小目标检测方法及装置 - Google Patents

一种基于时空特征差异的弱小目标检测方法及装置 Download PDF

Info

Publication number
CN116645580B
CN116645580B CN202310657125.0A CN202310657125A CN116645580B CN 116645580 B CN116645580 B CN 116645580B CN 202310657125 A CN202310657125 A CN 202310657125A CN 116645580 B CN116645580 B CN 116645580B
Authority
CN
China
Prior art keywords
pixel
value
feature map
window
pixel grid
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
CN202310657125.0A
Other languages
English (en)
Other versions
CN116645580A (zh
Inventor
祝闯
赵永康
刘芳
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202310657125.0A priority Critical patent/CN116645580B/zh
Publication of CN116645580A publication Critical patent/CN116645580A/zh
Application granted granted Critical
Publication of CN116645580B publication Critical patent/CN116645580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明提供一种基于时空特征差异的弱小目标检测方法及装置，所述方法的步骤包括：获取当前帧图像和历史帧图像，采用滑动窗口的方式计算所述当前帧图像和历史帧图像中每个窗口的特征值，构建空间特征图；基于所述空间特征图中每个像素格的灰度值将对应位置的像素格进行第一融合计算，融合为时域特征图；基于所述空间特征图和时域特征图中每个像素格的像素值，将所述空间特征图和时域特征图进行第二融合计算，得到联合特征图；对所述联合特征图中采用滑窗进行窗口采集，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较计算，得到背景抑制特征图；对所述背景抑制特征图进行二值化分割处理，得到目标图像。

Description

一种基于时空特征差异的弱小目标检测方法及装置
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于时空特征差异的弱小目标检测方法及装置。
背景技术
红外探测系统利用目标和背景的辐射能量的不同来进行目标探测识别，基于红外的目标检测系统有着不辐射电磁波，不受电磁干扰，不易被对方探测到等优点，在现实中有着广泛的应用，如航空航天、无人机飞行拍摄和夜间拍摄等。
基于红外图像的弱小目标检测更是当前重要的应用之一，在红外图像场景下，小目标存在着能量强度低，与背景的对比度低，有着复杂的运动特性等难题，同时背景也存在着复杂的噪声影响着对小目标的检测，例如无人机拍摄场景下的背景运动和抖动产生的噪声。因此针对不同的目标特性和背景特点，采取不同的目标检测技术对背景进行抑制，提高目标的信噪比对于红外图像场景下的弱小目标检测有着至关重要的作用。但是现有的基于图像序列的时空联合红外弱小目标的检测方法都使用了未来帧的信息，因此需要等待未来帧图像的到来才能对当前时刻的小目标进行监测，存在不可避免的时延问题。
发明内容
鉴于此，本发明的实施例提供了一种基于时空特征差异的弱小目标检测方法，以消除或改善现有技术中存在的一个或更多个缺陷。
本发明的一个方面提供了一种基于时空特征差异的弱小目标检测方法，所述方法的步骤包括：
获取当前帧图像和历史帧图像，采用滑动窗口的方式计算所述当前帧图像和历史帧图像中每个窗口的特征值，基于每个窗口的所述特征值分别构建对应所述当前帧图像和每个历史帧图像的空间特征图；
基于所述空间特征图中每个像素格的灰度值将对应位置的像素格进行第一融合计算，将多个所述空间特征图融合为时域特征图；
基于所述空间特征图和时域特征图中每个像素格的像素值，将所述空间特征图和时域特征图进行第二融合计算，得到联合特征图；
对所述联合特征图中采用滑窗进行窗口采集，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较计算，得到背景抑制特征图中每个位置的像素格的像素值；
对所述背景抑制特征图进行二值化分割处理，得到目标图像。
采用上述方案，本方案首先计算出了每一帧的空间特征图，在基于每一帧的空间特征图计算时域特征图，再基于时域特征图和空间特征图综合得到联合特征图，并进一步转化得到目标图像，本方案应用了多张图像，保证的输出的目标图像的精准度，且本方案不需要应用未来帧的图像，提高目标图像输出的实时性。
在本发明的一些实施方式中，所述采用滑动窗口的方式计算所述当前帧图像和历史帧图像中每个窗口的特征值的步骤包括：
对采集到的窗口图像中边缘处像素格进行编号，计算所述窗口图像中边缘处像素格中每两个相对位置的像素格的对比度；
基于计算出的对比度中的最大值和最小值计算对应窗口处的特征值。
在本发明的一些实施方式中，在计算所述窗口图像中边缘处像素格中每两个相对位置的像素格的对比度的步骤中，根据如下公式计算相对位置的像素格的对比度：
其中，Dij表示编号为i和j两个像素格的对比度，MAXT表示所述窗口图像中像素格中最大的灰度值，表示编号为i的像素格的灰度值，/>表示编号为j的像素格的灰度值。
在本发明的一些实施方式中，在基于计算出的对比度中的最大值和最小值计算对应窗口处的特征值的步骤中，根据如下公式计算所述特征值：
Smap＝max(Dij)·min(Dkl)；
Smap表示特征值，max(Dij)表示窗口范围内计算出的对比度中的最大值，min(Dkl)表示窗口范围内计算出的对比度中的最小值。
在本发明的一些实施方式中，在基于每个窗口的所述特征值分别构建对应所述当前帧图像和每个历史帧图像的空间特征图的步骤中，基于每个窗口所计算出的特征值，将所述空间特征图中对应位置的灰度值渲染为特征值大小。
在本发明的一些实施方式中，基于所述空间特征图中每个像素格的灰度值将对应位置的像素格进行第一融合计算，将多个所述空间特征图融合为时域特征图的步骤包括：
分别获取所述当前帧图像和历史帧图像所对应的多个所述空间特征图，分别获取多个所述空间特征图中对应位置像素格的最大灰度值和最小灰度值；
计算对应位置像素格的最大灰度值和最小灰度值的差，作为所述时域特征图中对应位置的像素格的灰度值。
在本发明的一些实施方式中，在基于所述空间特征图和时域特征图中每个像素格的像素值，将所述空间特征图和时域特征图进行第二融合计算，得到联合特征图的步骤中，将所述当前帧图像对应的空间特征图与时域特征图对应位置像素格的灰度值相乘，并对乘积进行归一化处理，将归一化处理得到的值作为联合特征图中对应位置的像素格的灰度值。
在本发明的一些实施方式中，在对所述联合特征图中采用滑窗进行窗口采集，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较计算，得到背景抑制特征图中每个位置的像素格的像素值的步骤中，
将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较；
若窗口中像素格的像素值与窗口中心位置的像素格的像素值相等，则输出背景抑制特征图中对应位置的像素格的像素值为窗口中心位置的像素格的像素值；
若窗口中像素格的像素值与窗口中心位置的像素格的像素值不相等，则输出背景抑制特征图中对应位置的像素格的像素值为窗口中心位置的像素格的像素值与窗口中像素格的像素值的乘积大小。
在本发明的一些实施方式中，在对所述背景抑制特征图进行二值化分割处理，得到目标图像的步骤中，将所述背景抑制特征图中每个像素格的灰度值与门限值进行比较，若大于门限值则将将灰度值修改为第一灰度值；若小于门限值则将将灰度值修改为第二灰度值。
本发明的第二方面还提供一种基于时空特征差异的弱小目标检测装置，该装置包括计算机设备，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指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法所实现的步骤。
本发明的第三方面还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于时空特征差异的弱小目标检测方法所实现的步骤。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1为本发明基于时空特征差异的弱小目标检测方法一种实施方式的示意图；
图2为本发明基于时空特征差异的弱小目标检测方法另一种实施方式的示意图；
图3为本发明架构示意图。
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，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
现有技术介绍：
现有技术1，MPCM(Multiscale patch-based contrast measure)多尺度块对比方法。该方法通过使用空间滤波器，计算中心区域与周边区域的梯度获取目标域背景的对比度差异，并通过计算不同方向上对比度差异的方法，增强弱小目标的能量强度，抑制背景强度。该方法从单帧图像入手，同时增强比背景强和比背景弱的目标，实现对单帧红外图像的弱小目标检测任务，但该方案没有融合多个帧，精度交底。
现有技术2，STLDF(Spatial–Temporal Local Difference Measure)时空局部差异方法。该方法通过将红外图像序列看做一个3-D的单帧图像输入，取时间序列上相邻的三帧图像组合输入，得到h*w*n的输入矩阵(其中，h*w表示灰度图像的长和宽，n为组合的帧数，一般为3)。计算该矩阵在h*w维度上的局部空间对比度，并计算在n维度上(即时间维度上)的对比度差异，通过融合两个维度上的对比度特征从而实现对红外图像序列的弱小目标检测任务，该方案应用了未来帧数据，实时性较差。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
为解决以上问题，如图1和3所示，本发明提出一种基于时空特征差异的弱小目标检测方法，所述方法的步骤包括：
步骤S100，获取当前帧图像和历史帧图像，采用滑动窗口的方式计算所述当前帧图像和历史帧图像中每个窗口的特征值，基于每个窗口的所述特征值分别构建对应所述当前帧图像和每个历史帧图像的空间特征图；
在具体实施过程中，所述当前帧图像和历史帧图像均为灰度图像。
在本发明的一些实施方式中，所述历史帧图像包括等时间间隔的两个历史帧图像。
在本发明的一些实施方式中，在采用滑动窗口的方式计算所述当前帧图像和历史帧图像中每个窗口的特征值的步骤中，窗口大小为3*3，步长为1。
采用上述方案，此处为空间滤波模块，通过设计的空间滤波器，提取每一帧的空间特征。
步骤S200，基于所述空间特征图中每个像素格的灰度值将对应位置的像素格进行第一融合计算，将多个所述空间特征图融合为时域特征图；
在具体实施过程中，所述当前帧图像和历史帧图像中每个图像均对应一个所述空间特征图，将多个所述空间特征图融合为时域特征图。
采用上述方案，体现本方案的时域特性。
步骤S300，基于所述空间特征图和时域特征图中每个像素格的像素值，将所述空间特征图和时域特征图进行第二融合计算，得到联合特征图；
在具体实施过程中，所述空间特征图和时域特征图大小相等，所述空间特征图中每个位置的像素格，在所述时域特征图中均存在相同位置的像素格，两个像素格相互对应。
步骤S400，对所述联合特征图中采用滑窗进行窗口采集，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较计算，得到背景抑制特征图中每个位置的像素格的像素值；
在具体实施过程中，在对所述联合特征图中采用滑窗进行窗口采集的步骤中，窗口大小可以为3*3，也可以为15*15，步长为1。
步骤S500，对所述背景抑制特征图进行二值化分割处理，得到目标图像。
在具体实施过程中，通过时域滤波模块，使用当前帧及其时间维度上之前等间隔的2帧的空间特征图，使用时域滤波器得到时域特征；再通过时空联合的自适应背景抑制模块，通过融合空域和时域的特征，并通过设计的自适应背景抑制滤波器，得到最终的背景抑制特征图；再通过门限分割模块，根据自适应的门限，输出最终的目标检测二值图，即目标图像。
在具体实施过程中，所述当前帧图像、历史帧图像、空间特征图、时域特征图、联合特征图和背景抑制特征图的大小均相等，具体可以为9*9的包括81个像素格的图像。
采用上述方案，本方案首先计算出了每一帧的空间特征图，在基于每一帧的空间特征图计算时域特征图，再基于时域特征图和空间特征图综合得到联合特征图，并进一步转化得到目标图像，本方案应用了多张图像，保证的输出的目标图像的精准度，且本方案不需要应用未来帧的图像，提高目标图像输出的实时性。
如图2和3所示，在本发明的一些实施方式中，所述采用滑动窗口的方式计算所述当前帧图像和历史帧图像中每个窗口的特征值的步骤包括：
步骤S110，对采集到的窗口图像中边缘处像素格进行编号，计算所述窗口图像中边缘处像素格中每两个相对位置的像素格的对比度；
在具体实施过程中，计算所述窗口图像中边缘处像素格中每两个相对位置的像素格的对比度，若窗口大小为3*3，则包括8个边缘处像素格和一个中央处的像素格，所述相对位置的像素格即为以所述中央处的像素格为中心，中心对称的两个像素格。
在具体实施过程中，在对采集到的窗口图像中边缘处像素格进行编号的步骤中，若窗口大小为3*3，则可以由窗口左上角的像素格开始标记，标记为1，并沿顺时针方向依次标记像素格，顺序标记为1、2、3、4、5、6、7、8，则相对位置的像素格即为1-5、2-6、3-7、4-8。
步骤S120，基于计算出的对比度中的最大值和最小值计算对应窗口处的特征值。
采用上述方案，本方案在每次的窗口计算中，均利用了相对位置的像素格的灰度值，并最后基于计算出的多个对比度计算该窗口的特征值，保证的计算的全局性，提高计算精度。
在本发明的一些实施方式中，在计算所述窗口图像中边缘处像素格中每两个相对位置的像素格的对比度的步骤中，根据如下公式计算相对位置的像素格的对比度：
其中，Dij表示编号为i和j两个像素格的对比度，MAXT表示所述窗口图像中像素格中最大的灰度值，表示编号为i的像素格的灰度值，/>表示编号为j的像素格的灰度值。
在本发明的一些实施方式中，在基于计算出的对比度中的最大值和最小值计算对应窗口处的特征值的步骤中，根据如下公式计算所述特征值：
Smap＝max(Dij)·min(Dkl)；
Smap表示特征值，max(Dij)表示窗口范围内计算出的对比度中的最大值，jmin(Dkl)表示窗口范围内计算出的对比度中的最小值。
在本发明的一些实施方式中，在基于每个窗口的所述特征值分别构建对应所述当前帧图像和每个历史帧图像的空间特征图的步骤中，步骤S130，基于每个窗口所计算出的特征值，将所述空间特征图中对应位置的灰度值渲染为特征值大小。
采用上述方案，保证每张所述空间特征图的准确性。
如图2和3所示，在本发明的一些实施方式中，基于所述空间特征图中每个像素格的灰度值将对应位置的像素格进行第一融合计算，将多个所述空间特征图融合为时域特征图的步骤包括：
步骤S210，分别获取所述当前帧图像和历史帧图像所对应的多个所述空间特征图，分别获取多个所述空间特征图中对应位置像素格的最大灰度值和最小灰度值；
步骤S220，计算对应位置像素格的最大灰度值和最小灰度值的差，作为所述时域特征图中对应位置的像素格的灰度值。
采用上述方案，计算时域上三帧图像在空间维度对应像素特征的最大值和最小值，并进行对应像素做差得到最终的时域特征图。
在具体实施过程中，每张所述空间特征图大小均相等，任一所述空间特征图中每个位置的像素格，在其他所述空间特征图中均存在相同位置的像素格，两个像素格相互对应。
在本发明的一些实施方式中，在基于所述空间特征图和时域特征图中每个像素格的像素值，将所述空间特征图和时域特征图进行第二融合计算，得到联合特征图的步骤中，将所述当前帧图像对应的空间特征图与时域特征图对应位置像素格的灰度值相乘，并对乘积进行归一化处理，将归一化处理得到的值作为联合特征图中对应位置的像素格的灰度值。
在具体实施过程中，在对乘积进行归一化处理的步骤中，每个位置的乘积均除以得到的乘积的最大值，将联合特征图的像素格的灰度值限制到[0,1]之间。
在具体实施过程中，在将所述空间特征图和时域特征图进行第二融合计算的步骤中，将当前帧图像对应的空间特征图带入计算。
在具体实施过程中，每张所述空间特征图和时域特征图大小均相等，任一所述空间特征图中每个位置的像素格，在所述时域特征图中均存在相同位置的像素格，两个像素格相互对应。
如图2和3所示，在本发明的一些实施方式中，在对所述联合特征图中采用滑窗进行窗口采集，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较计算，得到背景抑制特征图中每个位置的像素格的像素值的步骤中，
步骤S410，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较；
步骤S420，若窗口中像素格的像素值与窗口中心位置的像素格的像素值相等，则输出背景抑制特征图中对应位置的像素格的像素值为窗口中心位置的像素格的像素值；
步骤S430，若窗口中像素格的像素值与窗口中心位置的像素格的像素值不相等，则输出背景抑制特征图中对应位置的像素格的像素值为窗口中心位置的像素格的像素值与窗口中像素格的像素值的乘积大小。
在本发明的一些实施方式中，在对所述背景抑制特征图进行二值化分割处理，得到目标图像的步骤中，将所述背景抑制特征图中每个像素格的灰度值与门限值进行比较，若大于门限值则将将灰度值修改为第一灰度值；若小于或等于门限值则将将灰度值修改为第二灰度值。
在具体实施过程中，所述第一灰度值可以为255，所述第二灰度值可以为0。
在具体实施过程中，所述门限值根据如下公式计算得到：
Threshold＝μ+kσ
其中，Threshold表示门限值，μ和σ分别表示背景抑制特征图中像素格灰度值的均值和标准差，k为预设的参数。
采用上述方案，本方案能够解决因相机运动造成的背景运动和抖动问题，并且不引入未来帧信息从而避免该问题产生的时延问题。且本发明从红外图像序列入手，基于已有研究，提出了空域滤波器、时域滤波器和自适应背景抑制模块等一整套完整的红外弱小目标检测解决方案；本发明旨在通过采用空域和时域滤波器滤波的方式，并引入自适应的背景抑制方法，解决运动场景下红外弱小目标的检测问题，并抑制由于未来信息的使用以及相机运动带来的时延和噪声问题。
本发明实施例还提供一种基于时空特征差异的弱小目标检测装置，该装置包括计算机设备，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指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法所实现的步骤。
本发明的有益效果包括：
1、使用了时域信息，对图像序列的检测结果更加精确；
2、不需要引入时域上未来时间的信息，解决了实际应用中不可避免的时延问题；
3、通过背景抑制可以对因背景的运动和抖动产生的噪声进行有效的抑制。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于时空特征差异的弱小目标检测方法所实现的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于时空特征差异的弱小目标检测方法，其特征在于，所述方法的步骤包括：
获取当前帧图像和历史帧图像，采用滑动窗口的方式计算所述当前帧图像和历史帧图像中每个窗口的特征值，对采集到的窗口图像中边缘处像素格进行编号，计算所述窗口图像中边缘处像素格中每两个相对位置的像素格的对比度；基于计算出的对比度中的最大值和最小值计算对应窗口处的特征值，基于每个窗口的所述特征值分别构建对应所述当前帧图像和每个历史帧图像的空间特征图；
基于所述空间特征图中每个像素格的灰度值将对应位置的像素格进行第一融合计算，将多个所述空间特征图融合为时域特征图，分别获取所述当前帧图像和历史帧图像所对应的多个所述空间特征图，分别获取多个所述空间特征图中对应位置像素格的最大灰度值和最小灰度值；计算对应位置像素格的最大灰度值和最小灰度值的差，作为所述时域特征图中对应位置的像素格的灰度值；
基于所述空间特征图和时域特征图中每个像素格的像素值，将所述空间特征图和时域特征图进行第二融合计算，得到联合特征图；
对所述联合特征图中采用滑窗进行窗口采集，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较计算，得到背景抑制特征图中每个位置的像素格的像素值，将窗口中每个位置的像素格的像素值均与窗口中心位置的像素格的像素值进行比较；若窗口中像素格的像素值与窗口中心位置的像素格的像素值相等，则输出背景抑制特征图中对应位置的像素格的像素值为窗口中心位置的像素格的像素值；若窗口中像素格的像素值与窗口中心位置的像素格的像素值不相等，则输出背景抑制特征图中对应位置的像素格的像素值为窗口中心位置的像素格的像素值与窗口中像素格的像素值的乘积大小；
对所述背景抑制特征图进行二值化分割处理，得到目标图像。
2.根据权利要求1所述的基于时空特征差异的弱小目标检测方法，其特征在于，在计算所述窗口图像中边缘处像素格中每两个相对位置的像素格的对比度的步骤中，根据如下公式计算相对位置的像素格的对比度：
其中，Dij表示编号为i和j两个像素格的对比度，MAXT表示所述窗口图像中像素格中最大的灰度值，表示编号为i的像素格的灰度值，/>表示编号为j的像素格的灰度值。
3.根据权利要求1所述的基于时空特征差异的弱小目标检测方法，其特征在于，在基于计算出的对比度中的最大值和最小值计算对应窗口处的特征值的步骤中，根据如下公式计算所述特征值：
Smap＝max(Dij)·min(Dkl)；
Smap表示特征值，max(Dij)表示窗口范围内计算出的对比度中的最大值，min(Dkl)表示窗口范围内计算出的对比度中的最小值。
4.根据权利要求1所述的基于时空特征差异的弱小目标检测方法，其特征在于，在基于每个窗口的所述特征值分别构建对应所述当前帧图像和每个历史帧图像的空间特征图的步骤中，基于每个窗口所计算出的特征值，将所述空间特征图中对应位置的灰度值渲染为特征值大小。
5.根据权利要求1所述的基于时空特征差异的弱小目标检测方法，其特征在于，在基于所述空间特征图和时域特征图中每个像素格的像素值，将所述空间特征图和时域特征图进行第二融合计算，得到联合特征图的步骤中，将所述当前帧图像对应的空间特征图与时域特征图对应位置像素格的灰度值相乘，并对乘积进行归一化处理，将归一化处理得到的值作为联合特征图中对应位置的像素格的灰度值。
6.根据权利要求1所述的基于时空特征差异的弱小目标检测方法，其特征在于，在对所述背景抑制特征图进行二值化分割处理，得到目标图像的步骤中，将所述背景抑制特征图中每个像素格的灰度值与门限值进行比较，若大于门限值则将将灰度值修改为第一灰度值；若小于门限值则将将灰度值修改为第二灰度值。
7.一种基于时空特征差异的弱小目标检测装置，其特征在于，该装置包括计算机设备，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指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如权利要求1-6任一项所述方法所实现的步骤。
CN202310657125.0A 2023-06-05 2023-06-05 一种基于时空特征差异的弱小目标检测方法及装置 Active CN116645580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310657125.0A CN116645580B (zh) 2023-06-05 2023-06-05 一种基于时空特征差异的弱小目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310657125.0A CN116645580B (zh) 2023-06-05 2023-06-05 一种基于时空特征差异的弱小目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN116645580A CN116645580A (zh) 2023-08-25
CN116645580B true CN116645580B (zh) 2023-11-14

Family

ID=87643190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310657125.0A Active CN116645580B (zh) 2023-06-05 2023-06-05 一种基于时空特征差异的弱小目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN116645580B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101173987A (zh) * 2007-10-31 2008-05-07 北京航空航天大学 多模多目标精密跟踪装置和方法
CN101563931A (zh) * 2006-12-20 2009-10-21 英特尔公司 用于视频处理的运动检测
CN103729854A (zh) * 2014-01-16 2014-04-16 重庆邮电大学 一种基于张量模型的红外弱小目标检测方法
CN104103080A (zh) * 2014-07-02 2014-10-15 华中科技大学 一种复杂背景下弱小目标检测的方法
CN104299229A (zh) * 2014-09-23 2015-01-21 西安电子科技大学 一种基于时空域背景抑制的红外弱小目标检测方法
CN104657945A (zh) * 2015-01-29 2015-05-27 南昌航空大学 复杂背景下多尺度时空联合滤波的红外小目标检测方法
KR101533925B1 (ko) * 2014-05-20 2015-07-03 한양대학교 에리카산학협력단 적외선 영상에서 소형 표적 검출 방법 및 그 장치
CN107092911A (zh) * 2017-03-29 2017-08-25 中国电子科技集团公司第十研究所 一种时空联合弱小目标检测方法与装置
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109523575A (zh) * 2018-11-12 2019-03-26 南通理工学院 红外弱小目标检测方法
CN111027496A (zh) * 2019-12-16 2020-04-17 电子科技大学 基于空时联合局部对比度的红外弱小目标检测方法
CN111160154A (zh) * 2019-12-16 2020-05-15 浙江大学 串级时空特征融合远距离弱小目标视觉检测方法
CN115830502A (zh) * 2022-12-02 2023-03-21 辽宁工程技术大学 一种基于背景抑制与特征融合的红外小目标检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101563931A (zh) * 2006-12-20 2009-10-21 英特尔公司 用于视频处理的运动检测
CN101173987A (zh) * 2007-10-31 2008-05-07 北京航空航天大学 多模多目标精密跟踪装置和方法
CN103729854A (zh) * 2014-01-16 2014-04-16 重庆邮电大学 一种基于张量模型的红外弱小目标检测方法
KR101533925B1 (ko) * 2014-05-20 2015-07-03 한양대학교 에리카산학협력단 적외선 영상에서 소형 표적 검출 방법 및 그 장치
CN104103080A (zh) * 2014-07-02 2014-10-15 华中科技大学 一种复杂背景下弱小目标检测的方法
CN104299229A (zh) * 2014-09-23 2015-01-21 西安电子科技大学 一种基于时空域背景抑制的红外弱小目标检测方法
CN104657945A (zh) * 2015-01-29 2015-05-27 南昌航空大学 复杂背景下多尺度时空联合滤波的红外小目标检测方法
CN107092911A (zh) * 2017-03-29 2017-08-25 中国电子科技集团公司第十研究所 一种时空联合弱小目标检测方法与装置
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109523575A (zh) * 2018-11-12 2019-03-26 南通理工学院 红外弱小目标检测方法
CN111027496A (zh) * 2019-12-16 2020-04-17 电子科技大学 基于空时联合局部对比度的红外弱小目标检测方法
CN111160154A (zh) * 2019-12-16 2020-05-15 浙江大学 串级时空特征融合远距离弱小目标视觉检测方法
CN115830502A (zh) * 2022-12-02 2023-03-21 辽宁工程技术大学 一种基于背景抑制与特征融合的红外小目标检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Local Contrast Method for Small Infrared Target Detection;C. L. P. Chen等;《 IEEE Transactions on Geoscience and Remote Sensing》;第52卷(第1期);574-581 *
A novel spatio-temporal saliency approach for robust dim moving target detection from airborne infrared image sequences;Li Y等;《information sciences》;第369卷;548-563 *
An Adaptive Spatial-Temporal Local Feature Difference Method for Infrared Small-moving Target Detection;Zhao Y等;《arXiv:2309.02054》;1-8 *
一种基于红外杂波背景条件下运动的小目标检测方法;李吉成等;《中国航空学会信号与信息处理专业第六届学术会议论文集》;81-85 *
基于局部三阶差的红外小目标图像背景抑制算法;李晓龙等;《激光与红外》;第43卷(第4期);447-451 *
基于时空域融合的红外弱小目标检测算法;胡涛涛等;《弹箭与制导学报》;第31卷(第2期);225-227 *

Also Published As

Publication number Publication date
CN116645580A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
US9129397B2 (en) Human tracking method and apparatus using color histogram
CN110910421B (zh) 基于分块表征和可变邻域聚类的弱小运动目标检测方法
US9501839B1 (en) Methods and systems for detecting moving objects in a sequence of image frames produced by sensors with inconsistent gain, offset, and dead pixels
CN111368717B (zh) 视线确定方法、装置、电子设备和计算机可读存储介质
CN111144337B (zh) 火灾检测方法、装置及终端设备
CN111340749B (zh) 图像质量的检测方法、装置、设备及存储介质
JP4764487B2 (ja) 映像監視システム
CN112947419B (zh) 避障方法、装置及设备
KR20210012012A (ko) 물체 추적 방법들 및 장치들, 전자 디바이스들 및 저장 매체
CN112001912B (zh) 目标检测方法和装置、计算机系统和可读存储介质
CN110706262A (zh) 图像处理方法、装置、设备及存储介质
Chowdhury et al. Robust human detection and localization in security applications
CN116645580B (zh) 一种基于时空特征差异的弱小目标检测方法及装置
CN110765875B (zh) 交通目标的边界检测方法、设备及装置
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
JP7384158B2 (ja) 画像処理装置、移動装置、および方法、並びにプログラム
JP7286310B2 (ja) オブジェクト検出のための画像からのクラッタ背景の除去
KR101438451B1 (ko) 비고정 카메라 영상에 대한 이중모드 ｓｇｍ 기반의 이동체 고속 검출 방법 및 이를 위한 컴퓨터로 판독가능한 기록매체
Kumari et al. Artificial intelligent based smart system for safe mining during foggy weather
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
CN115115546A (zh) 一种图像处理方法、系统、电子设备及可读存储介质
CN114842359A (zh) 一种基于视觉的固定翼无人机自主着陆跑道检测方法
CN113721240A (zh) 一种目标关联方法、装置、电子设备及存储介质
CN116711295A (zh) 图像处理方法和设备

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