基于结构相似度和显著性分析的红外运动目标检测方法技术

一种图像处理领域的基于结构相似度和显著性分析的红外运动目标检测方法，利用GBVS对源图像显著性分析，得到显著性区域；再将源图像通过改进的SSIM区分为变化剧烈区域和变化平缓区域，并采用不同学习率的方式优化高斯混合模型；最后利用优化后的高斯混合模型检测出封闭区域，该封闭区域与显著性区域的重叠区域即为当前帧的最终运动目标。本发明专利技术解决了混合高斯算法边缘模糊的问题，具有较好的自适应性和检测效果。

【技术实现步骤摘要】
基于结构相似度和显著性分析的红外运动目标检测方法
本专利技术涉及的是一种图像处理领域的技术，具体是一种基于结构相似度和显著性分析的红外运动目标检测方法。
技术介绍
运动目标实时检测是后续目标跟踪，识别的前提，其效果直接影响后续工作的稳健性和准确性。运动目标检测是指在视频序列中提取与背景存在着相对运动的前景目标，为随后的目标跟踪等更高级的运动分析做准备，是计算机视觉领域的一个重要研究方向，在智能监控系统、人机交互系统等领域得到广泛应用。运动目标检测通过对图像传感器拍摄到的图像序列进行分析，检测出运动目标，为更高层的行为理解打下良好基础。运动目标检测是视频序列分析的重点和难点。在运动目标检测的长期研究中，人们提出包括差分法、背景差法、光流法等许多经典算法。其中：以背景差分法应用最广泛，通过获取背景模型并比较帧间差异检测运动目标。背景模型的精度决定背景差分法的有效性，若背景建模过程发生场景变动，成像设备颤动等情况，会严重降低图像的对比度和信噪比，影响对红外目标的识别。基于高斯混合模型的背景建模方法，依靠连续的高斯分量建模背景信息，再利用背景信息差异检测出运动目标，能较好地解决多模态背景问题，尤其适合室外光线和天气变化小而速度快的运动目标检测。但当高斯混合模型初始化，新模型建立以及学习率不匹配时都会产生虚影现象。经过对现有技术的检索发现，中国专利文献号CN103810703A公开(公告)日2014.05.21，公开了一种基于图像处理的隧道视频运动目标检测方法，该方法包括以下步骤：建立初始背景模型；建立实时动态更新背景模型；构造局部结构相似性测度函数；构造局部灰度统计测度函数；根据局部结构相似性测度函数和局部灰度统计测度函数提取运动目标区域。但该技术单纯地判断有无运动目标，通过算法提取运动目标是离散的，不包含原始目标的特征信息，无法为后续对运动目标的进一步处理提供支撑。
技术实现思路
本专利技术针对传统高斯混合模型不能及时检测出背景的变化，通过其检测得到的红外目标包含虚假轮廓，不易准确识别的不足，提出一种基于结构相似度和显著性分析的红外运动目标检测方法及系统，通过分水岭算法结合表征目标区域离散像素点的空间信息得到闭合区域，再通过基于PCNN(PulseCoupledNeuralNetwork，脉冲耦合神经网络)的分割算法消除虚影，最终检测出完整的红外运动目标，从而能够较好地提取前景目标，具有较好的效果以及较强的鲁棒性。本专利技术是通过以下技术方案实现的：本专利技术涉及一种基于结构相似度和显著性分析的红外运动目标检测方法，首先利用GBVS(Graph-BasedVisualSaliency，基于图论的图像显著性分析算法)对源图像显著性分析，得到显著性区域；再将源图像通过改进的SSIM(Structuralsimilarity，结构相似度算法)区分为变化剧烈区域和变化平缓区域，并采用不同学习率的方式优化高斯混合模型；最后利用优化后的高斯混合模型检测出封闭区域，该封闭区域与显著性区域的重叠区域即为当前帧的最终运动目标。所述的显著性区域，利用GBVS对红外序列图像进行显著性分析得到。所述的变化剧烈区域和变化平缓区域，通过以下方式得到：1)利用改进的SSIM算法求取红外序列图像中相邻两帧图的局部子块的结构相似度；2)采用滑动窗口方式计算局部子块的结构相似度统计值，并在此基础上生成基于红外序列图像的统计图；3)利用CDF方式计算统计图中图像局部变化情况，找到平滑后分布曲线曲率最大的点对应的累加数Aumax，将统计图中大于Aumax的点构成的区域区分为变化剧烈区域，其余为变化平缓区域。所述的优化高斯混合模型是指：针对变化剧烈区域采用较大学习率、变化平缓区域采用较小学习率。本专利技术涉及一种实现上述方法的系统，包括：显著性区域提取模块、结构相似度分类模块、高斯模型更新模块以及封闭区域检测模块，其中：结构相似度分类模块将图像分成背景区域和目标区域，高斯模型更新模块与结构相似度分类模块相连，分别采用不同学习率更新背景区域和目标区域，传输离散运动目标信息，封闭区域检测模块与高斯模型更新模型相连传输闭合目标信息，显著性区域提取模块与封闭区域检测模块相连传输精确地运动目标信息。技术效果与现有技术相比，本专利技术在模型学习方面，为解决背景模型的更新问题，利用结构相似度算法将红外图像背景分为梯度变化明显与缓慢的区域，分别设定不同的学习率更新高斯混合模型，保证模型的准确性和稳定性，以快速获取红外运动目标区域的位置；在目标检测方面，利用基于空间信息的分水岭算法获取目标的闭合区域，再利用基于图形的视觉显著性(Graph-BasedVisualSalience，GBVS)算法去除虚影，最终得到完整的运动目标。实验结果表明，本方法很好的解决了混合高斯算法边缘模糊的问题，具有较好的自适应性和检测效果。附图说明图1为累积分布函数图；图2为本专利技术流程示意图；图3为实施例1效果示意图；图中：(a)，(b)分别为红外序列图像第18，19帧，(c)，(d)分别为恒定学习率和变学习率检测的目标区域，(e)-(h)分别为通过分水岭算法、邻间帧差法、背景差分法和本专利技术方法得到的检测结果。图4为由图3(b)手工分割得到的准确目标区域。具体实施方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例1如图2所示，本实施例对红外序列图像为At(t＝1…n)进行以下处理：第一步：利用GBVS算法对红外序列图像At进行显著性分析，得到显著性区域Bt，具体步骤包括：1.1)定义序列图像At特征图的两个像素点m1(i1,j1)和m2(i2,j2)的差异性：其中：Mf(·)为特征图中的像素点。1.2)得到图像中任意两点的差异性后构建出全连接的图，图中每个顶点代表一个像素，每条边代表两个像素点之间的权重，即其中：σ为尺度因子，m1(i1,j1)和m2(i2,j2)为两个像素点；1.3)经过对所有权重进行归一化处理后得到显著性区域。第二步：利用改进的SSIM算法求取红外序列图像中相邻两帧图的局部子块的结构相似度，具体步骤包括：2.1)将整幅图像通过7×7像素大小的滑动窗口按由上至下，由左至右顺序分成若干重叠子块，滑动窗口超出图像范围时则对图像进行镜像扩展获取7×7子块，若图像的尺寸为m×n时，则得到的子块数为m×n；2.2)来自图像F和图像L中同一位置的子块Block(x,y)的结构相似度为：其中：(x,y)表示子块中心像素，uF、uL、σF、σL分别表示图像F和图像L的子块Block(x,y)的均值和方差；C1、C2分别为趋于0的正常量。第三步：采用滑动窗口方式计算局部子块的结构相似度统计值At'(x,y)，并在此基础上生成基于红外序列图像的统计图：Dt(x,y)＝At'(x,y)-At(x,y)，其中：Ones(x,y)为以(x,y)为中心7×7大小的全1矩阵，当局部子块的结构相似度高于0.9时，认为其变化程度不大，At(x,y)不变，当子块的结构相似度小于0.9时，以(x,y)为中心7×7的矩阵的统计值均加1。所述的统计图Dt(x,y)中灰度值越大的区域表示该区域变化程度越剧烈。第四步：利用本文档来自技高网...

【技术保护点】
一种基于结构相似度和显著性分析的红外运动目标检测方法，其特征在于，首先利用GBVS对源图像显著性分析，得到显著性区域；再将源图像通过改进的SSIM区分为变化剧烈区域和变化平缓区域，并采用不同学习率的方式优化高斯混合模型；最后利用优化后的高斯混合模型检测出封闭区域，该封闭区域与显著性区域的重叠区域即为当前帧的最终运动目标。

【技术特征摘要】
1.一种基于结构相似度和显著性分析的红外运动目标检测方法，其特征在于，首先利用GBVS对源图像显著性分析，得到显著性区域；再将源图像通过改进的SSIM区分为变化剧烈区域和变化平缓区域，并采用不同学习率的方式优化高斯混合模型；最后利用优化后的高斯混合模型检测出封闭区域，该封闭区域与显著性区域的重叠区域即为当前帧的最终运动目标；所述的变化剧烈区域和变化平缓区域，通过以下方式得到：1)利用改进的SSIM算法求取红外序列图像中相邻两帧图的局部子块的结构相似度；2)采用滑动窗口方式计算局部子块的结构相似度统计值At'(x,y)，并在此基础上生成基于红外序列图像的统计图Dt(x,y)；3)利用CDF方式计算统计图Dt(x,y)中图像局部变化情况，找到平滑后分布曲线曲率最大的点对应的累加数Aumax，将统计图Dt(x,y)中大于Aumax的点构成的区域区分为变化剧烈区域Atr，其余为变化平缓区域Atg；所述的局部子块的结构相似度，通过以下方式得到：i)将整幅图像通过7×7像素大小的滑动窗口按由上至下，由左至右顺序分成若干重叠子块，滑动窗口超出图像范围时则对图像进行镜像扩展获取7×7子块，若图像的尺寸为m×n时，则得到的子块数为m×n；ii)来自图像F和图像L中同一位置的子块Block(x,y)的结构相似度为：其中：(x,y)表示子块中心像素，uF，uL，σF，σL分别表示图像F和图像L的子块Block(x,y)的均值和方差；C1，C2分别为趋于0的正常量；所述的基于红外序列图像的统计图，采用滑动窗口方式计算局部子块的结构相似度统计值At'(x,y)，并在此基础上生成Dt(x,y)＝At'(x,y)-At(x,y)，其中：Ones(x,y)为以(x,y)为中心7×7大小的1矩阵，当局部子块的结构相似度高于0.9时，认为其变化程度不大，At(x,y)不变，当子块的结构相似度小于0.9时，以(x,y)为中心7×7的矩阵的统计值均加1。2.根据权利要求1所述的方法，其特征是，所述的显著性区域，利用GBVS算法对红外序列图像At进行显著性分析得到，具体步骤包括：1.1)定义序列图像At特征图的两个像素点m1(i1,j1)和m2(i2,j2)的差异性：其中：Mf(·)为特征图中的像素点；1.2)得到图像中任意两点的差异性后构建出全连接的图，图中每个顶点代表一个像素，每条边代表两个像素点之间的权重，即其中：σ为尺度因子，m1(i1,j1)和m2(i2,j2)为两个像素点；1.3)经过对所有权重进行归一化处理后得到显著性区域。3.根据权利要求1所述的方法，其特征是，所述的图像局部变化情况，通过计算累积分布函数，即图像的局部变化程度的函数得到：计算统计图Dt(x,y)中像素值出现的概率P(s)，累积分布函数CDF(s)＝P(S≤s)经过10次差值拟合获取平滑曲线函数，该曲线曲率最大的点所对应Dt(x,y)的值Aumax，将Dt(x,y)中像素值大于Aumax的点组成的区域即为变化剧烈区域。4.根据权利要求2所述的方法，其特征是，所述的优化高斯混合模型是指：将红外序列图像通过不...

【专利技术属性】
技术研发人员：张宝华，刘鹤，黄显武，裴海全，周文涛，
申请(专利权)人：内蒙古科技大学，
类型：发明
国别省市：内蒙古;15