一種下視復雜背景弱小運動目標檢測方法
【專利摘要】本發(fā)明涉及光電產(chǎn)品應用【技術(shù)領(lǐng)域】，具體涉及一種下視復雜背景弱小運動目標檢測方法。為在遠距離、地物背景中，解決復雜地物背景中檢測、識別出紅外弱小運動目標的問題，該方法充分考慮實時性的問題，首先對圖像進行對齊，對于含地物的復雜背景，采用時域與空域綜合估計的方法，準確估計出靜態(tài)背景，再與當前圖像差分，從而得到背景被嚴重抑制的圖像；然后采用邊緣抑制方法消除差分圖像中的強邊緣；再根據(jù)小目標灰度的類高斯型分布，采用小面模型擬合法分割出目標，最后經(jīng)過目標標記和特征提取，通過多幀關(guān)聯(lián)可以排除隨機噪聲的干擾，最終提取出正確的目標。該方法可以準確檢測出運動中的弱小目標。
【專利說明】一種下視復雜背景弱小運動目標檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及光電產(chǎn)品應用【技術(shù)領(lǐng)域】，具體涉及一種下視復雜背景弱小運動目標檢測方法。
【背景技術(shù)】
[0002]小目標探測技術(shù)實際上是一種廣泛應用于軍事和民用諸多領(lǐng)域通用技術(shù)。所謂弱小目標，是指目標在探測器平面上占有的像元個數(shù)較少且信噪比較低的情況。根據(jù)弱小目標的不同性質(zhì)，弱小目標可以分為兩類，一類是低對比度的目標，即灰度弱的目標，另一類是像素少的目標，即小目標。針對紅外系統(tǒng)提出了小目標的概念，國內(nèi)外學者經(jīng)過十多年對該問題的深入研究，已經(jīng)取得了不少成果。對于弱小目標的探測問題，目標的一些先驗信息，如目標的形狀、大小、目標灰度變化在時間上的連續(xù)性、目標運動軌跡的連續(xù)性等特征是有效分割目標和噪聲的關(guān)鍵。
[0003]飛行器在低空、超低空環(huán)境下作戰(zhàn)，目標可能處于地物背景中，同時要求機載武器的作用距離要足夠遠，此時目標在探測器視場中只有幾個像素的大小，這就需要解決復雜地物背景中檢測、識別出紅外弱小運動目標的問題。

【發(fā)明內(nèi)容】

[0004](一)要解決的技術(shù)問題
[0005]本發(fā)明要解決的技術(shù)問題是如何在遠距離、地物背景中，解決復雜地物背景中檢測、識別出紅外弱小運動目標的問題。
[0006](二)技術(shù)方案
[0007]為了解決上述技術(shù)問題，本發(fā)明提供一種下視復雜背景弱小運動目標檢測方法，所述方法包括:
[0008]步驟S1:將背景運動的圖像序列對齊；
[0009]步驟S2:處理對齊后的圖像序列以獲取背景圖像；
[0010]步驟S3:將當前圖像與估計的背景圖像差分，得到背景被嚴重抑制的圖像；
[0011]步驟S4:使用邊緣抑制方法消除分割出來的強背景邊緣；
[0012]步驟S5:根據(jù)小目標灰度的類高斯型分布，采用曲面擬合法分割出目標；
[0013]步驟S6:采用多幀關(guān)聯(lián)方法排除隨機噪聲的干擾，得到正確的目標。
[0014]其中，所述步驟SI中，利用六參數(shù)的仿射模型將背景運動的圖像序列對齊，相鄰幀之間采用特征塊匹配的方法估計出仿射變換的六參數(shù)，通過仿射變換將圖像都對齊到同一坐標系下。
[0015]其中，所述步驟S2中，使用高斯背景建模的方法處理對齊后的圖像序列以獲取背景圖像。
[0016]其中，所述步驟S2包括:
[0017]步驟S201:預設(shè)定某一均值作為基線；[0018]步驟S202:假設(shè)像素值服從高斯分布，在所述基線附近做不超過一定偏差的隨機振蕩，滿足此條件的像素為背景像素。
[0019]其中，所述步驟S4中，采用基于海森矩陣的邊緣抑制方法來消除分割出來的強背景邊緣。
[0020]其中，所述步驟S4包括:
[0021]步驟S401:計算出每個分割出來的候選目標區(qū)域的海森矩陣；
[0022]步驟S402:通過計算該海森矩陣的跡和行列式值來計算出該區(qū)域的邊緣強度；
[0023]步驟S403:濾除邊緣強度高于指定閾值的點，從而消除強邊緣的干擾。
[0024]其中，所述步驟S5中，根據(jù)小目標灰度的類高斯型分布，采用基于Haralick模型的曲面擬合法分割出目標。
[0025]其中，所述步驟S5包括:
[0026]步驟S501:對于小尺寸的紅外圖像目標在小目標區(qū)域內(nèi)所形成的的凸曲面的擬合灰度曲面，檢測所述凸曲面的中心點；
[0027]步驟S502:對于檢測出的凸曲面，將其與其周圍的像素一起構(gòu)成一個小的鄰域，從而形成一個候選小目標；
[0028]步驟S503:該候選小目標的中心點即為灰度曲面最佳擬合函數(shù)的極大值點，通過確定這些極大值點，即完成目標的初步定位。
[0029]其中，所述步驟S6中，采用基于卡爾曼濾波器的多幀關(guān)聯(lián)方法進一步排除隨機噪聲的干擾。
[0030]其中，所述步驟S6包括:
[0031]步驟S601:將依靠候選目標的灰度、面積、長寬和位置特征，采用基于卡爾曼濾波器的多特征關(guān)聯(lián)方法來剔除干擾；
[0032]步驟S602:每個候選目標確定后，首先建立一個特征矢量T =(μ,Α, (x, y), (w, h));其中μ為亮度，A為面積，(χ, y)為位置坐標，(w, h)為長寬度；
[0033]步驟S603:對當前每幀圖像中提取出的潛在目標，計算其特征矢量，比較候選目標的特征矢量T與各潛在目標特征矢量間的相似性，選取特征最相似的為當前幀目標，用它的特征矢量更新原來的目標特征矢量。
[0034](三)有益效果
[0035]本發(fā)明技術(shù)方案充分考慮實時性的問題，首先對圖像進行對齊，對于含地物的復雜背景，采用時域與空域綜合估計的方法，準確估計出靜態(tài)背景，再與當前圖像差分，從而得到背景被嚴重抑制的圖像；然后采用邊緣抑制方法消除差分圖像中的強邊緣；再根據(jù)小目標灰度的類高斯型分布，采用小面模型擬合法分割出目標，最后經(jīng)過目標標記和特征提取，通過多幀關(guān)聯(lián)可以排除隨機噪聲的干擾，最終提取出正確的目標。該方法可以準確檢測出運動中的弱小目標。
【專利附圖】

【附圖說明】
[0036]圖1為本發(fā)明的下視復雜背景弱小運動目標檢測方法的流程圖。
[0037]圖2為本發(fā)明的復雜背景小運動小目標檢測原理框圖。
[0038]圖3為本發(fā)明的復雜背景弱小運動目標檢測效果圖?！揪唧w實施方式】
[0039]為使本發(fā)明的目的、內(nèi)容、和優(yōu)點更加清楚，下面結(jié)合附圖和實施例，對本發(fā)明的【具體實施方式】作進一步詳細描述。
[0040]針對本發(fā)明所要解決的技術(shù)問題，要設(shè)計出性能優(yōu)良的弱小目標檢測方法，必須充分利用目標及背景的特性信息。此外，由于目標為弱小目標，可提供的信息量有限，因此重點從背景的有效估計著手，找到有效估計背景的方法，防止將目標納入背景中，造成預處理后目標信噪比、信雜比的下降。同時，也要加強對目標運動特性的研究以設(shè)計合適的多幀檢測方法，消除隨機噪聲及處理誤差的影響。此外，還需要在算法滿足要求的情況下充分考慮實時性的問題，對基于系統(tǒng)特定應用環(huán)境的組合方法的開發(fā)存在需求，要求實現(xiàn)方法探測性能好、結(jié)構(gòu)簡單、易于硬件實時實現(xiàn)。
[0041]具體而言，由于目標為弱小目標，可提供的信息量有限，因此重點從背景的有效估計著手。對于天空背景采用一般的形態(tài)濾波方法進行背景抑制，即可得到比較滿意的結(jié)果。對于含地物的復雜背景，采用時域與空域綜合估計的方法，準確估計出靜態(tài)背景，再與當前圖像差分，從而得到背景被嚴重抑制的圖像；經(jīng)原始圖像與估計的背景圖像差分后，還可能存在強邊緣等雜波，使用邊緣抑制方法消除差分圖像中的強邊緣；經(jīng)過背景抑制、強邊緣濾除等圖像預處理后，根據(jù)小目標灰度的類高斯型分布，采用小面模型擬合法分割出目標；對于含地物的復雜背景，經(jīng)過上述一系列處理后，分割后的圖像還可能包含少量高對比度噪聲點，經(jīng)過目標標記和特征提取，通過多幀關(guān)聯(lián)可以排除隨機噪聲的干擾，最終提取出正確的目標。
[0042]此外，探測器采集的圖像序列隨飛行載體的運動動態(tài)變化，必須對圖像序列進行對齊，以便于背景的準確估計以及多幀信息關(guān)聯(lián)處理。圖像對齊先使用全局運動估計方法估計出當前幀圖像與參考幀圖像間的偏移量，再對當前幀圖像進行變換使其與參考幀圖像對齊，圖像背景的估計及目標多幀信息關(guān)聯(lián)都是在對齊的圖像序列上進行的。
[0043]下面，通過【具體實施方式】及附圖來詳述本發(fā)明技術(shù)方案以及技術(shù)效果。
[0044]實施例
[0045]本實施例提供一種下視復雜背景弱小運動目標檢測方法，可分解為幾個處理階段。主要包括:圖像對齊環(huán)節(jié)設(shè)計的全局運動估計與補償步驟；背景估計環(huán)節(jié)設(shè)計的背景建模步驟；邊緣濾除環(huán)節(jié)的基于海森矩陣(Hessian matrix)的處理步驟；圖像分割環(huán)節(jié)設(shè)計的基于Haralick模型的曲面擬合分割步驟；多幀信息處理環(huán)節(jié)分別介紹了多幀關(guān)聯(lián)步驟。如圖1及圖2所示，所述方法包括下述三個階段:
[0046]第一階段:基于背景運動對齊及高斯建模方法的背景估計
[0047]具體包括:
[0048]步驟S1:將背景運動的圖像序列對齊；
[0049]步驟S2:處理對齊后的圖像序列以獲取背景圖像；
[0050]其中，所述步驟SI中，攝像機采集的圖像序列隨飛行載體的運動動態(tài)變化，必須對圖像序列進行對齊，此處利用六參數(shù)的仿射模型將背景運動的圖像序列對齊，相鄰幀之間采用特征塊匹配的方法估計出仿射變換的六參數(shù)，通過仿射變換將圖像都對齊到同一坐標系下。[0051]所述步驟S2中，對于對齊后的圖像序列，背景固定，對齊后相鄰幀的差分效果如圖由于圖像噪聲、物體表面反射特性的變化、光照條件的變化以及運動估計與補償存在的誤差等種種因素的影響，差分圖像往往存在很多雜散點，直接對差分圖像進行分割提取目標會產(chǎn)生非常大的誤差。為了消除這些噪聲、雜散點的影響，本實施例根據(jù)所研究的場景環(huán)境的特點，使用高斯背景建模的方法處理對齊后的圖像序列以獲取背景圖像。所述步驟S2包括:預設(shè)定某一均值作為基線；假設(shè)像素值服從高斯分布，在所述基線附近做不超過一定偏差的隨機振蕩，滿足此條件的像素為背景像素。
[0052]第二階段:基于曲面擬合分割及強邊緣濾除方法的目標提取
[0053]具體包括:
[0054]步驟S3:將當前圖像與估計的背景圖像差分，得到背景被嚴重抑制的圖像；
[0055]步驟S4:使用邊緣抑制方法消除分割出來的強背景邊緣；
[0056]步驟S5:根據(jù)小目標灰度的類高斯型分布，采用曲面擬合法分割出目標；
[0057]其中，所述步驟S4中，原始圖像與估計的背景圖像差分后，絕大部分背景都被有效的抑制，但是一些背景的強邊緣由于圖像配準誤差或灰度的突變而保存下來，對后續(xù)的目標分割造成了很大的干擾，必須采取強邊緣抑制方法來消除它們的干擾，本實施例采用基于海森矩陣的邊緣抑制方法來消除分割出來的強背景邊緣。所述步驟S4包括:計算出每個分割出來的候選目標區(qū)域的海森矩陣，通過計算該矩陣的跡和行列式值可以計算出該區(qū)域的邊緣強度，濾除邊緣強度高于指定閾值的點可以有效消除強邊緣的干擾。
[0058]其中，經(jīng)過背景抑制、強邊緣濾除等圖像預處理后，在所述步驟S5中，根據(jù)小目標灰度的類高斯型分布，本實施例采用基于Haralick模型的曲面擬合法分割出目標。所述步驟S5包括:由于紅外圖像目標尺寸小，與背景對比度較差，噪聲較大，信噪比很低，但其平均灰度要高于噪聲的平均值，因此在小目標區(qū)域的擬合灰度曲面將是一個凸曲面。凸曲面的中心就對應目標中心所在的位置。小目標的檢測就是尋找這些凸曲面的中心點，并與其周圍的像素一起構(gòu)成一個小的鄰域，即一個候選小目標。而這個可能的目標中心點就是灰度曲面最佳擬合函數(shù)的極大值點。如果能迅速地確定這些極大值點，即可完成目標的粗定位。
[0059]第三階段:基于多幀關(guān)聯(lián)方法的目標確認
[0060]具體包括:
[0061]步驟S6:采用基于卡爾曼濾波器的多幀關(guān)聯(lián)方法進一步排除隨機噪聲的干擾，得到正確的目標。所述步驟S6包括:為了消除高亮度隨機噪聲對目標檢測的影響，將依靠候選目標的灰度、面積、長寬和位置特征，采用多特征關(guān)聯(lián)的方法基于卡爾曼(Kalman)濾波器來剔除干擾；每個候選目標確定后，首先建立一個特征矢量T= (μ,Α, (x, y), (w, h));其中U為亮度，A為面積，(x，y)為位置坐標，(w,h)為長寬度；此后對當前每巾貞圖像中提取出的潛在目標，計算其特征矢量，比較候選目標的特征矢量T與各潛在目標特征矢量間的相似性，選取特征最相似的為當前幀目標，用它的特征矢量更新原來的目標特征矢量。
[0062]為了說明本發(fā)明的技術(shù)效果，圖3給出了下視復雜背景弱小運動目標檢測圖像，其中，圖3中的左圖為輸入的圖像，右圖為檢測后的二值圖像，背景為黑色，目標為白色。可以看出本發(fā)明技術(shù)方案比較準確的檢測出了運動的弱小目標。
[0063]以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本【技術(shù)領(lǐng)域】的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發(fā)明的保護范圍。
【權(quán)利要求】
1.一種下視復雜背景弱小運動目標檢測方法，其特征在于，所述方法包括: 步驟S1:將背景運動的圖像序列對齊； 步驟S2:處理對齊后的圖像序列以獲取背景圖像； 步驟S3:將當前圖像與估計的背景圖像差分，得到背景被嚴重抑制的圖像； 步驟S4:使用邊緣抑制方法消除分割出來的強背景邊緣； 步驟S5:根據(jù)小目標灰度的類高斯型分布，采用曲面擬合法分割出目標； 步驟S6:采用多幀關(guān)聯(lián)方法排除隨機噪聲的干擾，得到正確的目標。
2.如權(quán)利要求1所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟SI中，利用六參數(shù)的仿射模型將背景運動的圖像序列對齊，相鄰幀之間采用特征塊匹配的方法估計出仿射變換的六參數(shù)，通過仿射變換將圖像都對齊到同一坐標系下。
3.如權(quán)利要求1所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S2中，使用高斯背景建模的方法處理對齊后的圖像序列以獲取背景圖像。
4.如權(quán)利要求3所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S2包括: 步驟S201:預設(shè)定某一均值作為基線； 步驟S202:假設(shè)像素值服從高斯分布，在所述基線附近做不超過一定偏差的隨機振蕩，滿足此條件的像素為背景像素。
5.如權(quán)利要求1所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S4中，采用基于海森矩陣的邊緣抑制方法來消除分割出來的強背景邊緣。
6.如權(quán)利要求5所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S4包括: 步驟S401:計算出每個分割出來的候選目標區(qū)域的海森矩陣； 步驟S402:通過計算該海森矩陣的跡和行列式值來計算出該區(qū)域的邊緣強度； 步驟S403:濾除邊緣強度高于指定閾值的點，從而消除強邊緣的干擾。
7.如權(quán)利要求1所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S5中，根據(jù)小目標灰度的類高斯型分布，采用基于Haralick模型的曲面擬合法分割出目標。
8.如權(quán)利要求1所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S5包括: 步驟S501:對于小尺寸的紅外圖像目標在小目標區(qū)域內(nèi)所形成的的凸曲面的擬合灰度曲面，檢測所述凸曲面的中心點； 步驟S502:對于檢測出的凸曲面，將其與其周圍的像素一起構(gòu)成一個小的鄰域，從而形成一個候選小目標； 步驟S503:該候選小目標的中心點即為灰度曲面最佳擬合函數(shù)的極大值點，通過確定這些極大值點，即完成目標的初步定位。
9.如權(quán)利要求1所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S6中，采用基于卡爾曼濾波器的多幀關(guān)聯(lián)方法進一步排除隨機噪聲的干擾。
10.如權(quán)利要求9所述的下視復雜背景弱小運動目標檢測方法，其特征在于，所述步驟S6包括:步驟S601:將依靠候選目標的灰度、面積、長寬和位置特征，采用基于卡爾曼濾波器的多特征關(guān)聯(lián)方法來剔除干擾； 步驟S602:每個候選目標確定后，首先建立一個特征矢量T = (μ , A, (x, y), (w, h))；其中μ為亮度，A為面積，(x，y)為位置坐標，(w, h)為長寬度； 步驟S603:對當前每幀圖像中提取出的潛在目標，計算其特征矢量，比較候選目標的特征矢量T與各潛在目標特征矢量間的相似性，選取特征最相似的為當前幀目標，用它的特征矢量更新原來 的目標特征矢量。
【文檔編號】G06T7/20GK103700113SQ201210365285
【公開日】2014年4月2日 申請日期:2012年9月27日 優(yōu)先權(quán)日:2012年9月27日
【發(fā)明者】劉峰, 覃奮, 朱振福, 王鵬飛, 劉忠領(lǐng) 申請人:中國航天科工集團第二研究院二O七所