CN103700113B - 一种下视复杂背景弱小运动目标检测方法 - Google Patents

Abstract

本发明涉及光电产品应用技术领域，具体涉及一种下视复杂背景弱小运动目标检测方法。为在远距离、地物背景中，解决复杂地物背景中检测、识别出红外弱小运动目标的问题，该方法充分考虑实时性的问题，首先对图像进行对齐，对于含地物的复杂背景，采用时域与空域综合估计的方法，准确估计出静态背景，再与当前图像差分，从而得到背景被严重抑制的图像；然后采用边缘抑制方法消除差分图像中的强边缘；再根据小目标灰度的类高斯型分布，采用小面模型拟合法分割出目标，最后经过目标标记和特征提取，通过多帧关联可以排除随机噪声的干扰，最终提取出正确的目标。该方法可以准确检测出运动中的弱小目标。

Description

一种下视复杂背景弱小运动目标检测方法

技术领域

本发明涉及光电产品应用技术领域，具体涉及一种下视复杂背景弱小运动目标检测方法。

背景技术

小目标探测技术实际上是一种广泛应用于军事和民用诸多领域通用技术。所谓弱小目标，是指目标在探测器平面上占有的像元个数较少且信噪比较低的情况。根据弱小目标的不同性质，弱小目标可以分为两类，一类是低对比度的目标，即灰度弱的目标，另一类是像素少的目标，即小目标。针对红外***提出了小目标的概念，国内外学者经过十多年对该问题的深入研究，已经取得了不少成果。对于弱小目标的探测问题，目标的一些先验信息，如目标的形状、大小、目标灰度变化在时间上的连续性、目标运动轨迹的连续性等特征是有效分割目标和噪声的关键。

飞行器在低空、超低空环境下作战，目标可能处于地物背景中，同时要求机载武器的作用距离要足够远，此时目标在探测器视场中只有几个像素的大小，这就需要解决复杂地物背景中检测、识别出红外弱小运动目标的问题。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是如何在远距离、地物背景中，解决复杂地物背景中检测、识别出红外弱小运动目标的问题。

（二）技术方案

为了解决上述技术问题，本发明提供一种下视复杂背景弱小运动目标检测方法，所述方法包括：

步骤S1：将背景运动的图像序列对齐；

步骤S2：处理对齐后的图像序列以获取背景图像；

步骤S3：将当前图像与估计的背景图像差分，得到背景被严重抑制的图像；

步骤S4：使用边缘抑制方法消除分割出来的强背景边缘；

步骤S5：根据小目标灰度的类高斯型分布，采用曲面拟合法分割出目标；

步骤S6：采用多帧关联方法排除随机噪声的干扰，得到正确的目标。

其中，所述步骤S1中，利用六参数的仿射模型将背景运动的图像序列对齐，相邻帧之间采用特征块匹配的方法估计出仿射变换的六参数，通过仿射变换将图像都对齐到同一坐标系下。

其中，所述步骤S2中，使用高斯背景建模的方法处理对齐后的图像序列以获取背景图像。

其中，所述步骤S2包括：

步骤S201：预设定某一均值作为基线；

步骤S202：假设像素值服从高斯分布，在所述基线附近做不超过一定偏差的随机振荡，满足此条件的像素为背景像素。

其中，所述步骤S4中，采用基于海森矩阵的边缘抑制方法来消除分割出来的强背景边缘。

其中，所述步骤S4包括：

步骤S401：计算出每个分割出来的候选目标区域的海森矩阵；

步骤S402：通过计算该海森矩阵的迹和行列式值来计算出该区域的边缘强度；

步骤S403：滤除边缘强度高于指定阈值的点，从而消除强边缘的干扰。

其中，所述步骤S5中，根据小目标灰度的类高斯型分布，采用基于Haralick模型的曲面拟合法分割出目标。

其中，所述步骤S5包括：

步骤S501：对于小尺寸的红外图像目标在小目标区域内所形成的的凸曲面的拟合灰度曲面，检测所述凸曲面的中心点；

步骤S502：对于检测出的凸曲面，将其与其周围的像素一起构成一个小的邻域，从而形成一个候选小目标；

步骤S503：该候选小目标的中心点即为灰度曲面最佳拟合函数的极大值点，通过确定这些极大值点，即完成目标的初步定位。

其中，所述步骤S6中，采用基于卡尔曼滤波器的多帧关联方法进一步排除随机噪声的干扰。

其中，所述步骤S6包括：

步骤S601：将依靠候选目标的灰度、面积、长宽和位置特征，采用基于卡尔曼滤波器的多特征关联方法来剔除干扰；

步骤S602：每个候选目标确定后，首先建立一个特征矢量T＝(μ,A,(x,y),(w,h))；其中μ为亮度，A为面积，(x,y)为位置坐标，(w，h)为长宽度；

步骤S603：对当前每帧图像中提取出的潜在目标，计算其特征矢量，比较候选目标的特征矢量T与各潜在目标特征矢量间的相似性，选取特征最相似的为当前帧目标，用它的特征矢量更新原来的目标特征矢量。

（三）有益效果

本发明技术方案充分考虑实时性的问题，首先对图像进行对齐，对于含地物的复杂背景，采用时域与空域综合估计的方法，准确估计出静态背景，再与当前图像差分，从而得到背景被严重抑制的图像；然后采用边缘抑制方法消除差分图像中的强边缘；再根据小目标灰度的类高斯型分布，采用小面模型拟合法分割出目标，最后经过目标标记和特征提取，通过多帧关联可以排除随机噪声的干扰，最终提取出正确的目标。该方法可以准确检测出运动中的弱小目标。

附图说明

图1为本发明的下视复杂背景弱小运动目标检测方法的流程图。

图2为本发明的复杂背景小运动小目标检测原理框图。

图3为本发明的复杂背景弱小运动目标检测效果图。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

针对本发明所要解决的技术问题，要设计出性能优良的弱小目标检测方法，必须充分利用目标及背景的特性信息。此外，由于目标为弱小目标，可提供的信息量有限，因此重点从背景的有效估计着手，找到有效估计背景的方法，防止将目标纳入背景中，造成预处理后目标信噪比、信杂比的下降。同时，也要加强对目标运动特性的研究以设计合适的多帧检测方法，消除随机噪声及处理误差的影响。此外，还需要在算法满足要求的情况下充分考虑实时性的问题，对基于***特定应用环境的组合方法的开发存在需求，要求实现方法探测性能好、结构简单、易于硬件实时实现。

具体而言，由于目标为弱小目标，可提供的信息量有限，因此重点从背景的有效估计着手。对于天空背景采用一般的形态滤波方法进行背景抑制，即可得到比较满意的结果。对于含地物的复杂背景，采用时域与空域综合估计的方法，准确估计出静态背景，再与当前图像差分，从而得到背景被严重抑制的图像；经原始图像与估计的背景图像差分后，还可能存在强边缘等杂波，使用边缘抑制方法消除差分图像中的强边缘；经过背景抑制、强边缘滤除等图像预处理后，根据小目标灰度的类高斯型分布，采用小面模型拟合法分割出目标；对于含地物的复杂背景，经过上述一系列处理后，分割后的图像还可能包含少量高对比度噪声点，经过目标标记和特征提取，通过多帧关联可以排除随机噪声的干扰，最终提取出正确的目标。

此外，探测器采集的图像序列随飞行载体的运动动态变化，必须对图像序列进行对齐，以便于背景的准确估计以及多帧信息关联处理。图像对齐先使用全局运动估计方法估计出当前帧图像与参考帧图像间的偏移量，再对当前帧图像进行变换使其与参考帧图像对齐，图像背景的估计及目标多帧信息关联都是在对齐的图像序列上进行的。

下面，通过具体实施方式及附图来详述本发明技术方案以及技术效果。

实施例

本实施例提供一种下视复杂背景弱小运动目标检测方法，可分解为几个处理阶段。主要包括：图像对齐环节设计的全局运动估计与补偿步骤；背景估计环节设计的背景建模步骤；边缘滤除环节的基于海森矩阵（Hessianmatrix）的处理步骤；图像分割环节设计的基于Haralick模型的曲面拟合分割步骤；多帧信息处理环节分别介绍了多帧关联步骤。如图1及图2所示，所述方法包括下述三个阶段：

第一阶段：基于背景运动对齐及高斯建模方法的背景估计

具体包括：

步骤S1：将背景运动的图像序列对齐；

步骤S2：处理对齐后的图像序列以获取背景图像；

其中，所述步骤S1中，摄像机采集的图像序列随飞行载体的运动动态变化，必须对图像序列进行对齐，此处利用六参数的仿射模型将背景运动的图像序列对齐，相邻帧之间采用特征块匹配的方法估计出仿射变换的六参数，通过仿射变换将图像都对齐到同一坐标系下。

所述步骤S2中，对于对齐后的图像序列，背景固定，对齐后相邻帧的差分效果如图由于图像噪声、物体表面反射特性的变化、光照条件的变化以及运动估计与补偿存在的误差等种种因素的影响，差分图像往往存在很多杂散点，直接对差分图像进行分割提取目标会产生非常大的误差。为了消除这些噪声、杂散点的影响，本实施例根据所研究的场景环境的特点，使用高斯背景建模的方法处理对齐后的图像序列以获取背景图像。所述步骤S2包括：预设定某一均值作为基线；假设像素值服从高斯分布，在所述基线附近做不超过一定偏差的随机振荡，满足此条件的像素为背景像素。

第二阶段：基于曲面拟合分割及强边缘滤除方法的目标提取

具体包括：

步骤S3：将当前图像与估计的背景图像差分，得到背景被严重抑制的图像；

步骤S4：使用边缘抑制方法消除分割出来的强背景边缘；

步骤S5：根据小目标灰度的类高斯型分布，采用曲面拟合法分割出目标；

其中，所述步骤S4中，原始图像与估计的背景图像差分后，绝大部分背景都被有效的抑制，但是一些背景的强边缘由于图像配准误差或灰度的突变而保存下来，对后续的目标分割造成了很大的干扰，必须采取强边缘抑制方法来消除它们的干扰，本实施例采用基于海森矩阵的边缘抑制方法来消除分割出来的强背景边缘。所述步骤S4包括：计算出每个分割出来的候选目标区域的海森矩阵，通过计算该矩阵的迹和行列式值可以计算出该区域的边缘强度，滤除边缘强度高于指定阈值的点可以有效消除强边缘的干扰。

其中，经过背景抑制、强边缘滤除等图像预处理后，在所述步骤S5中，根据小目标灰度的类高斯型分布，本实施例采用基于Haralick模型的曲面拟合法分割出目标。所述步骤S5包括：由于红外图像目标尺寸小，与背景对比度较差，噪声较大，信噪比很低，但其平均灰度要高于噪声的平均值，因此在小目标区域的拟合灰度曲面将是一个凸曲面。凸曲面的中心就对应目标中心所在的位置。小目标的检测就是寻找这些凸曲面的中心点，并与其周围的像素一起构成一个小的邻域，即一个候选小目标。而这个可能的目标中心点就是灰度曲面最佳拟合函数的极大值点。如果能迅速地确定这些极大值点，即可完成目标的粗定位。

第三阶段：基于多帧关联方法的目标确认

具体包括：

步骤S6：采用基于卡尔曼滤波器的多帧关联方法进一步排除随机噪声的干扰，得到正确的目标。所述步骤S6包括：为了消除高亮度随机噪声对目标检测的影响，将依靠候选目标的灰度、面积、长宽和位置特征，采用多特征关联的方法基于卡尔曼（Kalman）滤波器来剔除干扰；每个候选目标确定后，首先建立一个特征矢量T＝(μ,A,(x,y),(w,h))；其中μ为亮度，A为面积，(x,y)为位置坐标，(w，h)为长宽度；此后对当前每帧图像中提取出的潜在目标，计算其特征矢量，比较候选目标的特征矢量T与各潜在目标特征矢量间的相似性，选取特征最相似的为当前帧目标，用它的特征矢量更新原来的目标特征矢量。

为了说明本发明的技术效果，图3给出了下视复杂背景弱小运动目标检测图像，其中，图3中的左图为输入的图像，右图为检测后的二值图像，背景为黑色，目标为白色。可以看出本发明技术方案比较准确的检测出了运动的弱小目标。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种下视复杂背景弱小运动目标检测方法，其特征在于，所述方法包括：

步骤S1：将背景运动的图像序列对齐；

步骤S2：处理对齐后的图像序列以获取背景图像；

步骤S3：将当前图像与估计的背景图像差分，得到背景被严重抑制的图像；

步骤S4：使用边缘抑制方法消除分割出来的强背景边缘；

步骤S5：根据小目标灰度的类高斯型分布，采用曲面拟合法分割出目标；

步骤S6：采用多帧关联方法排除随机噪声的干扰，得到正确的目标；

所述步骤S2中，使用高斯背景建模的方法处理对齐后的图像序列以获取背景图像；

所述步骤S2包括：

步骤S201：预设定某一均值作为基线；

步骤S202：假设像素值服从高斯分布，在所述基线附近做不超过一定偏差的随机振荡，满足此条件的像素为背景像素。

2.如权利要求1所述的下视复杂背景弱小运动目标检测方法，其特征在于，所述步骤S1中，利用六参数的仿射模型将背景运动的图像序列对齐，相邻帧之间采用特征块匹配的方法估计出仿射变换的六参数，通过仿射变换将图像都对齐到同一坐标系下。

3.如权利要求1所述的下视复杂背景弱小运动目标检测方法，其特征在于，所述步骤S4中，采用基于海森矩阵的边缘抑制方法来消除分割出来的强背景边缘。

4.如权利要求3所述的下视复杂背景弱小运动目标检测方法，其特征在于，所述步骤S4包括：

步骤S401：计算出每个分割出来的候选目标区域的海森矩阵；

步骤S402：通过计算该海森矩阵的迹和行列式值来计算出该区域的边缘强度；

步骤S403：滤除边缘强度高于指定阈值的点，从而消除强边缘的干扰。

5.如权利要求1所述的下视复杂背景弱小运动目标检测方法，其特征在于，所述步骤S5中，根据小目标灰度的类高斯型分布，采用基于Haralick模型的曲面拟合法分割出目标。

6.如权利要求1所述的下视复杂背景弱小运动目标检测方法，其特征在于，所述步骤S5包括：

步骤S501：对于小尺寸的红外图像目标在小目标区域内所形成的凸曲面的拟合灰度曲面，检测所述凸曲面的中心点；

步骤S502：对于检测出的凸曲面，将其与其周围的像素一起构成一个小的邻域，从而形成一个候选小目标；

步骤S503：该候选小目标的中心点即为灰度曲面最佳拟合函数的极大值点，通过确定这些极大值点，即完成目标的初步定位。

7.如权利要求1所述的下视复杂背景弱小运动目标检测方法，其特征在于，所述步骤S6中，采用基于卡尔曼滤波器的多帧关联方法进一步排除随机噪声的干扰。

8.如权利要求7所述的下视复杂背景弱小运动目标检测方法，其特征在于，所述步骤S6包括：

步骤S601：将依靠候选目标的灰度、面积、长宽和位置特征，采用基于卡尔曼滤波器的多特征关联方法来剔除干扰；

步骤S602：每个候选目标确定后，首先建立一个特征矢量T＝(μ,A,(x,y),(w,h))；其中μ为亮度，A为面积，(x,y)为位置坐标，(w,h)为长宽度；

步骤S603：对当前每帧图像中提取出的潜在目标，计算其特征矢量，比较候选目标的特征矢量T与各潜在目标特征矢量间的相似性，选取特征最相似的为当前帧目标，用它的特征矢量更新原来的目标特征矢量。