一种复杂场景的红外运动小目标检测方法技术

本发明专利技术公开了一种复杂场景的红外运动小目标检测方法，主要步骤为：1)提取运动目标区域。2)根据图像的灰度特性，将图像分为前景和背景两个部分。3)利用光流法对提取出的运动目标区域进行光流估计，提取目标运动矢量信息。4)对提取的运动目标区域进行形态学滤波，分析形态学滤波后运动目标区域的连通域，对不同运动目标区域进行标识。5)设定连通域的探测概率，确定连通域中待检测的样本特征量个数。对所有连通域进行随机采样。6)对连通域中待检测的样本特征量进行迭代计算，准确提取出运动小目标。本发明专利技术降低了算法复杂度，提高了检测准确率，有效解决了由于背景与目标差别过大、目标局部遮挡造成的目标误检、漏检及误匹配等问题。

【技术实现步骤摘要】
一种复杂场景的红外运动小目标检测方法
本专利技术涉及红外检测领域，具体是一种复杂场景的红外运动小目标检测方法。
技术介绍
红外运动目标传统的检测方法有背景差分、光流法、帧差法等方法，其中背景差分法的关键在于背景建模及其更新，在复杂的地面场景下，易受光照影响，难以用参数化的统计模型来快速准确的描述背景；帧差法是基于像素的时间差分，通过二值化来分割提取运动区域，不易受光照影响，但对环境噪声较为敏感，造成目标检测不完整。光流法根据图像序列的时空梯度来估算运动场，通过分析运动场的变化检测出运动对象，检测精度高，但计算过程较为复杂，实时运行有待提高。运用均值漂移算法在边缘遮挡和背景运动不均的情况下，能很好地完成检测过程，是一种不需要先验知识的无参估计方法，但是需要对每个像素值的特征量进行迭代计算，计算量大，实时性较差。综上所述，在高信噪比环境下采用上述算法能取得较好的检测结果，但是在复杂背景下，易受地面背景干扰，如光照变化、背景扰动、阴影且目标数目和运动速度具有随机性，使现有红外目标检测算法的准确性与实时性难以兼顾。当目标出现局部遮挡、目标与背景比例相差较大时，现有算法易出现目标丢失、误匹配等现象，造成检测准确性降低。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题。为实现本专利技术目的而采用的技术方案是这样的，一种复杂场景的红外运动小目标检测方法，主要包括以下步骤：1)对待检测的原始图像进行预处理，从而提取出运动目标区域。所述预处理主要包括以下步骤：1.1)利用中值滤波法和均值滤波法对原始图像进行背景抑制，从而消除脉冲噪声与高斯噪声，削弱抖动影响。主要步骤如下：1.1.1)利用中值滤波方法对抽取的原始图像进行滤波，消除高频随机噪声。高频随机噪声主要由抖动、电路传输和像元畸变造成。1.1.2)利用均值滤波对消除高频随机噪声的原始图像进行再次滤波，消除高斯噪声，得到保留边缘信息的平滑图像。1.2)利用隔帧差分法对背景抑制后的图像进行与运算，提取出运动目标区域。主要步骤如下：1.2.1)确定图像间隔帧数N。N＝4。1.2.2)记消除高频随机噪声和高斯噪声的四帧图像为fi(x,y)，i＝1，2，3，4。1.2.3)提取差分图像D1(x,y)和差分图像D2(x,y)。差分图像D1(x,y)如下所示：D1(x,y)＝fi(x,y)-fi-n(x,y)。(1)式中，fi(x,y)为消除高频随机噪声和高斯噪声的图像。fi-n(x,y)为和图像fi(x,y)间隔n-1的图像。n-1为间隔帧数。差分图像D2(x,y)如下所示：D2(x,y)＝fi+n(x,y)-fi(x,y)。(2)式中，fi+n(x,y)为和图像fi(x,y)间隔n-1的图像。1.2.4)将差分图像D1(x,y)转换为二值图像FDb(x,y)，将差分图像D2(x,y)转换为二值图像FDf(x,y)。式中，T为改进自适应分割阈值。式中，T为改进自适应分割阈值。1.2.5)对二值图像进行与运算，从而得到运动目标区域E(x,y)。E(x,y)＝FDb(x,y)∩FDf(x,y)。(5)式中，FDb(x,y)和FDf(x,y)均为二值图像。2)根据图像的灰度特性，利用改进的自适应阈值分割法将图像分为前景和背景两个部分。将图像分为前景和背景两个部分的主要步骤如下：2.1)设定待分割图像的前景与背景改进自适应分割阈值为T，前景点数占图像比例为w0，前景平均灰度为u0，背景点数占图像比例为w1，背景平均灰度为u1，图像的总平均灰度为u。其中，总平均灰度u如下所示：u＝w0×u0+w1×u1。(6)式中，w0为前景点数占图像比例。u0为前景平均灰度。w1为背景点数占图像比例。u1为背景平均灰度。2.2)计算得到前景和背景图象的方差g，即：g＝w0×(u0-u)2+w1×(u1-u)2。(7)式中，u为图像的总平均灰度。2.3)计算得到背景和运动目标区域比例权重G(t)，即：式中，为计算系数。的范围为[0,1]。2.4)根据方差g和比例权重G(t)，将图像分为前景和背景两个部分。3)利用光流法对提取出的运动目标区域进行光流估计，从而提取目标运动矢量信息。4)对提取的运动目标区域进行形态学滤波，并分析形态学滤波后运动目标区域的连通域，从而对不同运动目标区域进行标识。5)设定连通域的探测概率，并确定连通域中待检测的样本特征量个数。对所有连通域进行随机采样，同时提取连通域的样本特征量。随机采样步骤如下所示：5.1)设定连通区域的检测概率PM。5.2)根据运动目标区域得到样本空间子集Si，即连通域个数，假设Si中包括属于聚类集合A和不属于聚类集合A的样本集B。其中，样本集样本集B中的元素个数为NB。提取特征向量样本X，即连通域中的像素点。5.3)计算样本X属于集合A的概率p(X∈A)和样本X属于集合B的概率p(X∈B)。式中，NB为集合B的元素总数。为集合Si的元素总数。式中，NB为集合B的元素总数。为集合Si的元素总数。5.4)在Si中重复采样m次。设定m次采样中，事件发生次数ζ大于0的概率P(ζ＞0)如下所示：P(ζ＞0)＝1-P(x∈A)m。(11)式中，m为采样次数。5.5)要求事件ζ大于0的检测概率必须大于等于PM,即：P(ζ＞0)≥PM。(12)式中，PM为设定的检测概率阈值。5.6)m次采样中，聚类集合A的发生次数检测概率如下所示：P(x∈A)n≤1-PM。(13)式中，PM为设定的检测概率阈值。5.7)计算得到采样次数m的最小值即：式中，NB为集合B的元素总数。为集合Si的元素总数。5.8)根据公式14，绘制最小采样次数和样本数的关系曲线图。6)对每个样本特征量进行迭代计算，准确提取出运动小目标。迭代计算的主要步骤如下：6.1)确定初始点(x,y)。6.2)利用核函数窗口内的所有像素点的特征向量计算均值漂移向量。特征向量X主要包括灰度L、轮廓特征Sx,y和速度矢量||u||。特征向量X如下所示：X＝(x,y,||u||,L)；(15)式中，(x,y)代表像素位置。||u||代表像素点速度矢量。L代表像素点灰度。均值漂移向量M如下所示：式中，{Xi}＝1,...,m代表样本空间中特征向量集合。为高斯核函数。h为核函数窗口大小。6.3)将区域内样本点沿着均值漂移向量移动到新位置，并将新位置作为起点，继续计算均值漂移向量，直到搜索到样本点局部密度极大值区域。搜索到样本点局部密度极大值区域后迭代结束。本专利技术的技术效果是毋庸置疑的。本专利技术降低了算法复杂度，解决了因为样本集较大时，计算复杂度高的问题，尤其当目标数较多的时候，实时性较现有算法有显著提高。本专利技术检测准确率高，有效解决背景与目标差别过大造成的目标误检问题；运用非参数的核密度估计方法，包含运动矢量信息，对连通域标记结果进行重新划分，避免只根据单纯的连通性对二值化的数据进行分割，造成大量信息(运动矢量)丢失，最终导致检测结果误差较大的影响。附图说明图1为复杂场景的红外运动小目标检测方法主流程图；图2为复杂场景的红外运动小目标检测方法的当前帧图像；图3为经过中值滤波与均值滤波后的预处理图像；图4为K帧图像；图5为K+4帧图像；图6为运动目标二值化图像；图7为形态学滤波后运动目标二值化图像；图8为最小采样次数与样本数(连本文档来自技高网...

【技术保护点】
1.一种复杂场景的红外运动小目标检测方法，其特征在于，主要包括以下步骤：1)对待检测的所述原始图像进行预处理，从而提取出运动目标区域。2)利用改进的自适应阈值分割法将图像分为前景和背景两个部分。3)利用光流法对提取出的运动目标区域进行光流估计，从而提取目标运动矢量信息；4)对提取的运动目标区域进行形态学滤波，并分析形态学滤波后运动目标区域的连通域，从而对不同运动目标区域进行标识；5)设定连通域的探测概率，并确定连通域中待检测的样本特征量个数；对所有连通域进行随机采样，同时提取连通域的样本特征量；5)对连通域中的待检测样本特征量进行迭代计算，准确提取出运动小目标。

【技术特征摘要】
1.一种复杂场景的红外运动小目标检测方法，其特征在于，主要包括以下步骤：1)对待检测的所述原始图像进行预处理，从而提取出运动目标区域。2)利用改进的自适应阈值分割法将图像分为前景和背景两个部分。3)利用光流法对提取出的运动目标区域进行光流估计，从而提取目标运动矢量信息；4)对提取的运动目标区域进行形态学滤波，并分析形态学滤波后运动目标区域的连通域，从而对不同运动目标区域进行标识；5)设定连通域的探测概率，并确定连通域中待检测的样本特征量个数；对所有连通域进行随机采样，同时提取连通域的样本特征量；5)对连通域中的待检测样本特征量进行迭代计算，准确提取出运动小目标。2.根据权利要求1所述的一种复杂场景的红外运动小目标检测方法，其特征在于，所述预处理主要包括以下步骤：1)利用中值滤波法和均值滤波法对原始图像进行背景抑制，从而消除脉冲噪声与高斯噪声，削弱抖动影响；主要步骤如下：1.1)利用中值滤波方法对抽取的原始图像进行滤波，消除高频随机噪声；1.2)利用均值滤波对消除高频随机噪声的原始图像进行再次滤波，消除高斯噪声，得到保留边缘信息的平滑图像；2)利用隔帧差分法对背景抑制后的图像进行与运算，提取出运动目标区域；主要步骤如下：2.1)确定图像间隔帧数N；N＝4；2.2)记消除高频随机噪声和高斯噪声的四帧图像为fi(x,y)，i＝1，2，3，4；2.3)提取差分图像D1(x,y)和差分图像D2(x,y)；差分图像D1(x,y)如下所示：D1(x,y)＝fi(x,y)-fi-n(x,y)；(1)式中，fi(x,y)为消除高频随机噪声和高斯噪声的图像；fi-n(x,y)为和图像fi(x,y)间隔n-1的图像；n-1为间隔帧数；差分图像D2(x,y)如下所示：D2(x,y)＝fi+n(x,y)-fi(x,y)；(2)式中，fi+n(x,y)为和图像fi(x,y)间隔n-1的图像；2.4)将差分图像D1(x,y)转换为二值图像FDb(x,y)，将差分图像D2(x,y)转换为二值图像FDf(x,y)；式中，T为改进自适应分割阈值；式中，T为改进自适应分割阈值；2.5)对二值图像进行与运算，从而得到运动目标区域E(x,y)；E(x,y)＝FDb(x,y)∩FDf(x,y)；(5)式中，FDb(x,y)和FDf(x,y)均为二值图像。3.根据权利要求1或2所述的一种复杂场景的红外运动小目标检测方法，其特征在于，将图像分为前景和背景两个部分的主要步骤如下：1)设定待分割图像的前景与背景改进自适应分割阈值为T，前景点数占图像比例为w0，前景平均灰度为u0，背景点数占图像比例为w1，背景平均灰度为u1，图像的总平均灰度为u；其中，总平均灰度u如下所...

【专利技术属性】
技术研发人员：石欣，宁强，秦鹏杰，何川，陆未定，王华，王梨，刘昱岑，罗志红，李文昌，朱琦，廖亮，
申请(专利权)人：重庆大学，中国人民解放军陆军研究院工程设计研究所高原山地设防工程设计站，
类型：发明
国别省市：重庆,50