CN104766334A - 红外弱小目标检测跟踪方法及其装置 - Google Patents
红外弱小目标检测跟踪方法及其装置 Download PDFInfo
- Publication number
- CN104766334A CN104766334A CN201510190521.2A CN201510190521A CN104766334A CN 104766334 A CN104766334 A CN 104766334A CN 201510190521 A CN201510190521 A CN 201510190521A CN 104766334 A CN104766334 A CN 104766334A
- Authority
- CN
- China
- Prior art keywords
- target
- infrared image
- information
- image
- cphd
- 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.)
- Granted
Links
Landscapes
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种红外弱小目标检测跟踪方法,根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像,根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息,最后根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计;本发明还公开了一种红外弱小目标检测跟踪装置,通过本发明能够易于实现且效果明显优于传统的背景抑制方法,避免了传统多目标跟踪的数据关联问题,能够更加稳定的实时估计随时间变化的多目标状态和数目。
Description
技术领域
本发明属于红外图像处理及目标跟踪技术领域,具体涉及一种红外弱小目标检测跟踪方法及其装置。
背景技术
红外成像技术通过接收目标的红外热辐射工作,具有完全被动、易于隐蔽、作用距离远、可昼夜工作等优点,已被广泛应用于红外精确制导、预警、视频监控、搜索和跟踪等多种军事及民用领域。红外成像技术的各种应用离不开高性能的红外目标检测与跟踪技术的支持,因此研究红外成像的目标检测与跟踪技术具有重要的意义,尤其是复杂背景下红外目标的检测和跟踪一直是近年来研究的热门课题。
当红外探测器作用距离较远且工作环境复杂多变时,红外图像的背景呈现非平稳的空间分布,如起伏的云层背景、明亮的地面背景和各种杂波等,所处其中的飞机、导弹等目标在像平面上仅占几个像素,且缺少形状、纹理等信息,往往会淹没在复杂的背景中,进而呈现出对比度低的特点。且红外图像序列的背景是随时间变化的,在实战中检测跟踪此类目标的难度很大。
经过对现有的技术文献和专利的检索发现,目前对于复杂背景红外图像的预处理多采用形态学滤波的方法,以201210163140.1号专利为例,该发明专利的图像预处理步骤中,采用形态学滤波的方法得到背景图像,用原图像减去背景图像得到含有噪声的背景抑制图像,形态学滤波是一种背景预测的方法,它可以实现抑制背景,但不能同时增强目标,而在目标跟踪阶段,目前多采用基于滤波和数据关联的方法,如数据关联算法包括最近邻数据关联,概率数据关联,联合概率数据关联,多假设跟踪,概率多假设跟踪等;滤波算法包括适用于线性高斯模型的卡尔曼滤波,以及改进的适用于非线性高斯条件下的扩展卡尔曼滤波,无迹卡尔曼滤波和积分卡尔曼滤波,还有适用于非线性非高斯环境的粒子滤波等。如201210275678.1号专利,该发明专利采用多假设跟踪数据关联的方法实现红外弱小目标的搜索与跟踪,数据关联是传统多目标跟踪方法的核心,它很大程度上决定了算法的性能,并且当杂波数据增多和目标数目增大时,会存在组合***的问题,复杂背景下,当目标的数目随时间变化时,存在检测不确定问题,进而会导致数据关联的不确定性。
发明内容
有鉴于此,本发明的主要目的在于提供一种红外弱小目标检测跟踪方法及其装置。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供一种红外弱小目标检测跟踪方法,该方法为:根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像,根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息,最后根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计。
上述方案中,所述根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像,具体为:设k表示红外图像序列的帧数,红外图像的大小为M×N,初始时刻k=1;首先,读取红外图像中的第k帧,采用改进的四阶偏微分方程对第k帧图像进行处理,即将式(1):所定义的扩散系数s(x)带入式(2):中,对原始红外图像进行处理,获得背景抑制和目标增强后的红外图像。
上述方案中,所述根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息,具体为:将所述获得背景抑制和目标增强后的红外图像划分成50个小块,当红外图像的高度和宽度不满足50的倍数时,根据镜像的方法对原始红外图像进行扩展;对于划分后的每一个小块,根据公式(4):分块阈值=(分块图像均值+12×(分块图像方差))×(自适应阈值系数),确定分割阈值,将灰度大于阈值的像素赋值为255,小于阈值的像素赋值为0,自适应阈值分割完成后,截取扩展图像的1到M行,1到N列作为阈值分割后图像,根据分割后图像确定候选目标的位置信息和数目信息。
上述方案中,所述最后根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计,具体为:将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归。
上述方案中,所述将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归,具体通过以下步骤实现:
步骤501:对上一帧存活的目标和当前帧新生目标的状态均值、权值、协方差和数目的概率分布进行预测,得到预测的目标均值mk|k-1、权值wk|k-1、协方差Pk|k-1和预测的目标数目nk|k-1以及目标数目的概率分布pk|k-1;
步骤502:构造目标信息更新所需成分,即构造增益K、新息协方差S和更新协方差Pk|k;
步骤503:设当前帧有Z个量测值,则总共得到mk|k-1+Z×mk|k-1个高斯成分,采用卡尔曼滤波对各个高斯成分进行更新,得到更新的状态均值mk|k、权值wk|k和协方差Pk|k,并且对预测目标数目的概率分布pk|k-1进行更新,得到更新的目标数目概率分布pk|k;
步骤504:根据剪枝的方法将权值小于阈值的高斯成分剔除,在剪枝后的高斯成分中,将状态差异小于合并阈值的高斯成分合并;
步骤505:在剪枝合并后的高斯成分中提取出多目标的状态并计算更新的目标数目,作为最后的滤波输出;
步骤506:判断当前帧是否有新生目标,如果有,则将新生目标的状态和数目送入下一帧的GM-CPHD预测中。
本发明实施例还提供一种红外弱小目标检测跟踪装置,该装置包括:增强单元、提取单元、过滤单元;
所述增强单元,用于根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像;
所述提取单元,用于根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息;
所述过滤单元,用于根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计。
上述方案中,所述增强单元,具体用于设k表示红外图像序列的帧数,红外图像的大小为M×N,初始时刻k=1;读取红外图像中的第k帧,采用改进的四阶偏微分方程对第k帧图像进行处理,即将式(1):所定义的扩散系数s(x)带入式(2):中,对原始红外图像进行处理,获得背景抑制和目标增强后的红外图像。
上述方案中,所述提取单元,具体用于将所述获得背景抑制和目标增强后的红外图像划分成50个小块,当红外图像的高度和宽度不满足50的倍数时,根据镜像的方法对原始红外图像进行扩展;对于划分后的每一个小块,根据公式(4):分块阈值=(分块图像均值+12×(分块图像方差))×(自适应阈值系数),确定分割阈值,将灰度大于阈值的像素赋值为255,小于阈值的像素赋值为0,自适应阈值分割完成后,截取扩展图像的1到M行,1到N列作为阈值分割后图像,根据分割后图像确定候选目标的位置信息和数目信息。
上述方案中,所述过滤单元,具体用于将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归。
上述方案中,所述过滤单元,具体用于对上一帧存活的目标和当前帧新生目标的状态均值、权值、协方差和数目的概率分布进行预测,得到预测的目标均值mk|k-1、权值wk|k-1、协方差Pk|k-1和预测的目标数目nk|k-1以及目标数目的概率分布pk|k-1;
构造目标信息更新所需成分,即构造增益K、新息协方差S和更新协方差Pk|k;
设当前帧有Z个量测值,则总共得到mk|k-1+Z×mk|k-1个高斯成分,采用卡尔曼滤波对各个高斯成分进行更新,得到更新的状态均值mk|k、权值wk|k和协方差Pk|k,并且对预测目标数目的概率分布pk|k-1进行更新,得到更新的目标数目概率分布pk|k;
根据剪枝的方法将权值小于阈值的高斯成分剔除,在剪枝后的高斯成分中,将状态差异小于合并阈值的高斯成分合并;
在剪枝合并后的高斯成分中提取出多目标的状态并计算更新的目标数目,作为最后的滤波输出;
判断当前帧是否有新生目标,如果有,则将新生目标的状态和数目送入下一帧的GM-CPHD预测中。
与现有技术相比,本发明的有益效果:
本发明采用改进的四阶偏微分方程实现红外图像复杂背景的抑制和目标增强,算法简单、易于实现且效果明显优于传统的背景抑制方法,利用GM-CPHD滤波器进行目标跟踪,避免了传统多目标跟踪的数据关联问题,且相比于GM-PHD滤波器,能够更加稳定的实时估计随时间变化的多目标状态和数目,能够广泛应用于复杂背景的红外弱小目标跟踪***中。
附图说明
图1为本发明的流程示意图;
图2为本发明的GM-CPHD滤波器递归的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明实施例提供一种红外弱小目标检测跟踪方法,如图1所示,该方法通过以下步骤实现:
步骤101:根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像。
具体的,设k表示红外图像序列的帧数,红外图像的大小为M×N,初始时刻k=1;首先,读取红外图像中的第k帧,采用改进的四阶偏微分方程对第k帧图像进行处理,即将式(1):所定义的扩散系数s(x)带入式(2):中,对原始红外图像进行处理,获得背景抑制和目标增强后的红外图像。
(1)、改进的四阶偏微分方程原理
要在复杂背景下检测出红外弱小目标,首先需要抑制背景杂波,降低虚警数目,其次需要增大弱小目标强度,以提高对比度,进而提高检测率。要将四阶偏微分方程应用到红外弱小目标检测领域,首先需要重新设置扩散系数的取值,其中u代表红外图像的强度函数。设s代表新的扩散系数,则s的设置如表1所示。
表1 根据红外图像不同区域的特点,调整s(x)的取值
根据新扩散系数的设置,采用一个新的扩散系数表达式,如(1)式
设背景抑制和目标增强后的红外图像由表示,则可以由(2)式表达。
式中是图像灰度值的二阶差分,可表示为(3)式
式中i,j表示像素在图像中所处位置。
(2)、根据改进的四阶偏微分方程实现背景抑制和目标增强。
a.当图像的某个区域灰度均匀分布或灰度等梯度分布,该区域很可能是背景,这时根据(3)式,趋近于0,由表一可得进而由(2)式可得即背景被抑制或移除。
b.当图像中某个小区域灰度变化剧烈,该区域很可能存在感兴趣的目标,这时根据(3)式,可得该区域进而由(2)式可得因此在该区域的灰度值会被增大近16N倍,即目标被增强。
c.在图像的边缘轮廓区域,也满足因此进而由(2)式可得因此图像边缘轮廓区域的灰度会被增大近4N倍,即边缘轮廓会被较小程度的增强。
步骤102:根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息。
具体的,将所述获得背景抑制和目标增强后的红外图像划分成50个小块,当红外图像的高度和宽度不满足50的倍数时,根据镜像的方法对原始红外图像进行扩展,即即M不能整除50,N不能整除50时,设m1为的整数部分,n1为的整数部分,则扩展后的图像大小为50×(m1+1)×(n1+1);对于划分后的每一个小块,根据公式(4):分块阈值=(分块图像均值+12×(分块图像方差))×(自适应阈值系数),确定分割阈值,将灰度大于阈值的像素赋值为255,小于阈值的像素赋值为0,自适应阈值分割完成后,截取扩展图像的1到M行,1到N列作为阈值分割后图像,根据分割后图像确定候选目标的位置信息和数目信息。
步骤103:最后根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计。
具体的,将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归。
所述GM-CPHD滤波器的递归具体步骤:
设任意时刻k多目标状态和量测的随机有限集可由(5)、(6)两式来描述
其中,(5)式中Xk-1代表k-1时刻的多目标状态集,Sk|k-1表示由k-1时刻生存下来目标随机有限集,Γk表示k时刻新生的目标随机有限集,(6)式中Kk表示观测到的杂波随机有限集,Θk(x)表示由k时刻的目标生成的量测。
设红外图像中目标数目的上限为Nmax,且剪枝阈值、合并阈值和估计阈值给定。
所述将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归,如图2所示,具体通过以下步骤实现:
步骤201:对上一帧存活的目标和当前帧新生目标的状态均值、权值、协方差和数目的概率分布进行预测,得到预测的目标均值mk|k-1、权值wk|k-1、协方差Pk|k-1和预测的目标数目nk|k-1以及目标数目的概率分布pk|k-1;
具体的,根据 以及wk|k-1=pS×wk-1对当前帧红外图像中目标状态均值mk|k-1、权值wk|k-1以及协方差Pk|k-1行预测,其中ps为上一帧的目标在当前帧仍然存活的概率,根据GM-CPHD滤波目标数目概率分布预测公式对当前帧的目标数目进行预测,得到预测的目标数概率分布pk|k-1,再根据式nk|k-1=sum([0:Nmax]×pk|k-1)得到当前帧预测的目标数目nk|k-1,将每一个预测的目标看作一个高斯成分。
步骤202:构造目标信息更新所需成分,即构造增益K、新息协方差S和更新协方差Pk|k;
具体的,根据卡尔曼滤波方法构造GM-CPHD滤波更新所需要的增益K、新息协方差S和更新协方差Pk|k。
步骤203:设当前帧有Z个量测值,则总共得到mk|k-1+Z×mk|k-1个高斯成分,采用卡尔曼滤波对各个高斯成分进行更新,得到更新的状态均值mk|k、权值wk|k和协方差Pk|k,并且对预测目标数目的概率分布pk|k-1进行更新,得到更新的目标数目概率分布pk|k;
具体的,将自适应阈值分割环节所得的候选目标数目和状态作为当前帧的测量值,采用卡尔曼滤波的方法对预测的高斯成分进行更新。设当前帧有Z个量测值,则更新完成后总共得到mk|k-1+Z×mk|k-1个高斯成分。每个高斯成分都含有更新的目标状态均值mk|k、权值wk|k、协方差Pk|k,根据GM-CPHD滤波目标数目更新公式以及预测的目标数目概率分布pk|k-1计算更新的目标数目概率分布pk|k。
步骤204:根据剪枝的方法将权值小于阈值的高斯成分剔除,在剪枝后的高斯成分中,将状态差异小于合并阈值的高斯成分合并;
具体的,将GM-CPHD滤波更新后权值小于剪枝阈值的高斯成分直接剔除,剪枝完成后,选出一个权值最大的高斯成分,在剩下的高斯成分中进行遍历,若某个高斯成分与权值最大的高斯成分之间的马氏距离小于合并阈值,则将这个高斯成分与权值最大的高斯成分进行合并。一轮合并完成后,在剩余的高斯成分中重复上述步骤,直到所有的高斯成分得到合并。
步骤205:在剪枝合并后的高斯成分中提取出多目标的状态并计算更新的目标数目,作为最后的滤波输出;
具体的,将权值大于估计阈值的高斯成分作为目标状态进行输出,并且根据式nk|k=sum([0:N_max]×pk|k)计算出更新的目标数目。
步骤206:判断当前帧是否有新生目标,如果有,则将新生目标的状态和数目送入下一帧的GM-CPHD预测中。
本发明实施例还提供一种红外弱小目标检测跟踪装置,该装置包括:增强单元、提取单元、过滤单元;
所述增强单元,用于根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像;
所述提取单元,用于根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息;
所述过滤单元,用于根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计。
所述增强单元,具体用于设k表示红外图像序列的帧数,红外图像的大小为M×N,初始时刻k=1;读取红外图像中的第k帧,采用改进的四阶偏微分方程对第k帧图像进行处理,即将式(1):所定义的扩散系数s(x)带入式(2):对原始红外图像进行处理,获得背景抑制和目标增强后的红外图像。
所述提取单元,具体用于将所述获得背景抑制和目标增强后的红外图像划分成50个小块,当红外图像的高度和宽度不满足50的倍数时,根据镜像的方法对原始红外图像进行扩展;对于划分后的每一个小块,根据公式(4):分块阈值=(分块图像均值+12×(分块图像方差))×(自适应阈值系数),确定分割阈值,将灰度大于阈值的像素赋值为255,小于阈值的像素赋值为0,自适应阈值分割完成后,截取扩展图像的1到M行,1到N列作为阈值分割后图像,根据分割后图像确定候选目标的位置信息和数目信息。
所述过滤单元,具体用于将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归。
所述过滤单元,具体用于对上一帧存活的目标和当前帧新生目标的状态均值、权值、协方差和数目的概率分布进行预测,得到预测的目标均值mk|k-1、权值wk|k-1、协方差Pk|k-1和预测的目标数目nk|k-1以及目标数目的概率分布pk|k-1;
构造目标信息更新所需成分,即构造增益K、新息协方差S和更新协方差Pk|k;
设当前帧有Z个量测值,则总共得到mk|k-1+Z×mk|k-1个高斯成分,采用卡尔曼滤波对各个高斯成分进行更新,得到更新的状态均值mk|k、权值wk|k和协方差Pk|k,并且对预测目标数目的概率分布pk|k-1进行更新,得到更新的目标数目概率分布pk|k;
根据剪枝的方法将权值小于阈值的高斯成分剔除,在剪枝后的高斯成分中,将状态差异小于合并阈值的高斯成分合并;
在剪枝合并后的高斯成分中提取出多目标的状态并计算更新的目标数目,作为最后的滤波输出;
判断当前帧是否有新生目标,如果有,则将新生目标的状态和数目送入下一帧的GM-CPHD预测中。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种红外弱小目标检测跟踪方法,其特征在于,该方法为:根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像,根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息,最后根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计。
2.根据权利要求1所述的红外弱小目标检测跟踪方法,其特征在于,所述根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像,具体为:设k表示红外图像序列的帧数,红外图像的大小为M×N,初始时刻k=1;首先,读取红外图像中的第k帧,采用改进的四阶偏微分方程对第k帧图像进行处理,即将式(1):所定义的扩散系数s(x)带入式(2):中,对原始红外图像进行处理,获得背景抑制和目标增强后的红外图像。
3.根据权利要求1所述的红外弱小目标检测跟踪方法,其特征在于,所述根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息,具体为:将所述获得背景抑制和目标增强后的红外图像划分成50个小块,当红外图像的高度和宽度不满足50的倍数时,根据镜像的方法对原始红外图像进行扩展;对于划分后的每一个小块,根据公式(4):分块阈值=(分块图像均值+12×(分块图像方差))×(自适应阈值系数),确定分割阈值,将灰度大于阈值的像素赋值为255,小于阈值的像素赋值为0,自适应阈值分割完成后,截取扩展图像的1到M行,1到N列作为阈值分割后图像,根据分割后图像确定候选目标的位置信息和数目信息。
4.根据权利要求1所述的红外弱小目标检测跟踪方法,其特征在于,所述最后根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计,具体为:将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归。
5.根据权利要求4所述的红外弱小目标检测跟踪方法,其特征在于,所述将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归,具体通过以下步骤实现:
步骤501:对上一帧存活的目标和当前帧新生目标的状态均值、权值、协方差和数目的概率分布进行预测,得到预测的目标均值mk|k-1、权值wk|k-1、协方差Pk|k-1和预测的目标数目nk|k-1以及目标数目的概率分布pk|k-1;
步骤502:构造目标信息更新所需成分,即构造增益K、新息协方差S和更新协方差Pk|k;
步骤503:设当前帧有Z个量测值,则总共得到mk|k-1+Z×mk|k-1个高斯成分,采用卡尔曼滤波对各个高斯成分进行更新,得到更新的状态均值mk|k、权值wk|k和协方差Pk|k,并且对预测目标数目的概率分布pk|k-1进行更新,得到更新的目标数目概率分布pk|k;
步骤504:根据剪枝的方法将权值小于阈值的高斯成分剔除,在剪枝后的高斯成分中,将状态差异小于合并阈值的高斯成分合并;
步骤505:在剪枝合并后的高斯成分中提取出多目标的状态并计算更新的目标数目,作为最后的滤波输出;
步骤506:判断当前帧是否有新生目标,如果有,则将新生目标的状态和数目送入下一帧的GM-CPHD预测中。
6.一种红外弱小目标检测跟踪装置,其特征在于,该装置包括:增强单元、提取单元、过滤单元;
所述增强单元,用于根据改进的四阶偏微分方程方法对原始红外图像进行处理获得背景抑制和目标增强后的红外图像;
所述提取单元,用于根据分块自适应阈值分割的方法提取所述获得的红外图像中候选目标的位置信息以及数目信息;
所述过滤单元,用于根据高斯混合实现的势概率假设密度(GM-CPHD)滤波器对提取的候选目标的位置信息和数目信息进行多目标状态和数目估计,通过GM-CPHD滤波器实现对多个红外弱小目标的状态和数目的精确稳定估计。
7.根据权利要求6所述的红外弱小目标检测跟踪装置,其特征在于:所述增强单元,具体用于设k表示红外图像序列的帧数,红外图像的大小为M×N,初始时刻k=1;读取红外图像中的第k帧,采用改进的四阶偏微分方程对第k帧图像进行处理,即将式(1):所定义的扩散系数s(x)带入式(2):对原始红外图像进行处理,获得背景抑制和目标增强后的红外图像。
8.根据权利要求6所述的红外弱小目标检测跟踪装置,其特征在于:所述提取单元,具体用于将所述获得背景抑制和目标增强后的红外图像划分成50个小块,当红外图像的高度和宽度不满足50的倍数时,根据镜像的方法对原始红外图像进行扩展;对于划分后的每一个小块,根据公式(4):分块阈值=(分块图像均值+12×(分块图像方差))×(自适应阈值系数),确定分割阈值,将灰度大于阈值的像素赋值为255,小于阈值的像素赋值为0,自适应阈值分割完成后,截取扩展图像的1到M行,1到N列作为阈值分割后图像,根据分割后图像确定候选目标的位置信息和数目信息。
9.根据权利要求6所述的红外弱小目标检测跟踪装置,其特征在于:所述过滤单元,具体用于将所述提取的候选目标的位置信息和数目信息作为当前帧的量测送入GM-CPHD滤波器中进行递归。
10.根据权利要求9所述的红外弱小目标检测跟踪装置,其特征在于,所述过滤单元,具体用于对上一帧存活的目标和当前帧新生目标的状态均值、权值、协方差和数目的概率分布进行预测,得到预测的目标均值mk|k-1、权值wk|k-1、协方差Pk|k-1和预测的目标数目nk|k-1以及目标数目的概率分布pk|k-1;
构造目标信息更新所需成分,即构造增益K、新息协方差S和更新协方差Pk|k;
设当前帧有Z个量测值,则总共得到mk|k-1+Z×mk|k-1个高斯成分,采用卡尔曼滤波对各个高斯成分进行更新,得到更新的状态均值mk|k、权值wk|k和协方差Pk|k,并且对预测目标数目的概率分布pk|k-1进行更新,得到更新的目标数目概率分布pk|k;
根据剪枝的方法将权值小于阈值的高斯成分剔除,在剪枝后的高斯成分中,将状态差异小于合并阈值的高斯成分合并;
在剪枝合并后的高斯成分中提取出多目标的状态并计算更新的目标数目,作为最后的滤波输出;
判断当前帧是否有新生目标,如果有,则将新生目标的状态和数目送入下一帧的GM-CPHD预测中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510190521.2A CN104766334B (zh) | 2015-04-21 | 2015-04-21 | 红外弱小目标检测跟踪方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510190521.2A CN104766334B (zh) | 2015-04-21 | 2015-04-21 | 红外弱小目标检测跟踪方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766334A true CN104766334A (zh) | 2015-07-08 |
CN104766334B CN104766334B (zh) | 2017-12-29 |
Family
ID=53648139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510190521.2A Active CN104766334B (zh) | 2015-04-21 | 2015-04-21 | 红外弱小目标检测跟踪方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766334B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469090A (zh) * | 2015-11-19 | 2016-04-06 | 南京航空航天大学 | 红外图像中基于频域残差的小目标检测方法及装置 |
CN106096604A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学昆山创新研究院 | 基于无人平台的多波段融合探测方法 |
CN106709497A (zh) * | 2016-11-16 | 2017-05-24 | 北京理工大学 | 一种基于pcnn的红外运动弱小目标检测方法 |
CN107256560A (zh) * | 2017-05-16 | 2017-10-17 | 北京环境特性研究所 | 一种红外弱小目标检测方法及其*** |
CN107369164A (zh) * | 2017-06-20 | 2017-11-21 | 成都中昊英孚科技有限公司 | 一种红外弱小目标的跟踪方法 |
CN108665435A (zh) * | 2018-01-08 | 2018-10-16 | 西安电子科技大学 | 基于拓扑-图切融合优化的多谱段红外图像背景抑制方法 |
CN109493365A (zh) * | 2018-10-11 | 2019-03-19 | 中国科学院上海技术物理研究所 | 一种弱小目标的跟踪方法 |
CN109902578A (zh) * | 2019-01-25 | 2019-06-18 | 南京理工大学 | 一种红外目标检测与跟踪方法 |
CN110298865A (zh) * | 2019-05-22 | 2019-10-01 | 西华大学 | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN111428573A (zh) * | 2020-03-02 | 2020-07-17 | 南京莱斯电子设备有限公司 | 一种复杂背景下的红外弱小目标检测虚警抑制方法 |
CN111598922A (zh) * | 2020-04-13 | 2020-08-28 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 海空背景下红外弱小目标自适应跟踪算法切换方法及*** |
CN115311470A (zh) * | 2022-09-28 | 2022-11-08 | 北京万龙精益科技有限公司 | 自适应块匹配滤波的红外小目标实时检测与跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110040525A1 (en) * | 2009-08-17 | 2011-02-17 | Lockheed Martin Corporation | Method and system for calculating elementary symmetric functions of subsets of a set |
CN102542540A (zh) * | 2011-12-31 | 2012-07-04 | 华中科技大学 | 一种基于pde的红外图像背景抑制方法 |
CN104408482A (zh) * | 2014-12-08 | 2015-03-11 | 电子科技大学 | 一种高分辨率sar图像目标检测方法 |
CN104616299A (zh) * | 2015-01-30 | 2015-05-13 | 南京邮电大学 | 一种基于空时偏微分方程的弱小目标检测方法 |
-
2015
- 2015-04-21 CN CN201510190521.2A patent/CN104766334B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110040525A1 (en) * | 2009-08-17 | 2011-02-17 | Lockheed Martin Corporation | Method and system for calculating elementary symmetric functions of subsets of a set |
CN102542540A (zh) * | 2011-12-31 | 2012-07-04 | 华中科技大学 | 一种基于pde的红外图像背景抑制方法 |
CN104408482A (zh) * | 2014-12-08 | 2015-03-11 | 电子科技大学 | 一种高分辨率sar图像目标检测方法 |
CN104616299A (zh) * | 2015-01-30 | 2015-05-13 | 南京邮电大学 | 一种基于空时偏微分方程的弱小目标检测方法 |
Non-Patent Citations (4)
Title |
---|
李严 等: "基于四阶偏微分方程的图像去噪方法实现", 《现代电子技术》 * |
欧阳成 等: "一种改进的CPHD多目标跟踪算法", 《电子与信息学报》 * |
章涛 等: "自适应门限GM_CPHD多目标跟踪算法", 《数据采集与处理》 * |
龚俊亮: "红外弱小多目标实时检测跟踪技术研究", 《中国博士学位论文全文库 信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469090B (zh) * | 2015-11-19 | 2018-12-18 | 南京航空航天大学 | 红外图像中基于频域残差的小目标检测方法及装置 |
CN105469090A (zh) * | 2015-11-19 | 2016-04-06 | 南京航空航天大学 | 红外图像中基于频域残差的小目标检测方法及装置 |
CN106096604A (zh) * | 2016-06-02 | 2016-11-09 | 西安电子科技大学昆山创新研究院 | 基于无人平台的多波段融合探测方法 |
CN106709497A (zh) * | 2016-11-16 | 2017-05-24 | 北京理工大学 | 一种基于pcnn的红外运动弱小目标检测方法 |
CN107256560A (zh) * | 2017-05-16 | 2017-10-17 | 北京环境特性研究所 | 一种红外弱小目标检测方法及其*** |
CN107256560B (zh) * | 2017-05-16 | 2020-02-14 | 北京环境特性研究所 | 一种红外弱小目标检测方法及其*** |
CN107369164A (zh) * | 2017-06-20 | 2017-11-21 | 成都中昊英孚科技有限公司 | 一种红外弱小目标的跟踪方法 |
CN107369164B (zh) * | 2017-06-20 | 2020-05-22 | 成都中昊英孚科技有限公司 | 一种红外弱小目标的跟踪方法 |
CN108665435A (zh) * | 2018-01-08 | 2018-10-16 | 西安电子科技大学 | 基于拓扑-图切融合优化的多谱段红外图像背景抑制方法 |
CN108665435B (zh) * | 2018-01-08 | 2021-11-02 | 西安电子科技大学 | 基于拓扑-图切融合优化的多谱段红外图像背景抑制方法 |
CN109493365A (zh) * | 2018-10-11 | 2019-03-19 | 中国科学院上海技术物理研究所 | 一种弱小目标的跟踪方法 |
CN109902578A (zh) * | 2019-01-25 | 2019-06-18 | 南京理工大学 | 一种红外目标检测与跟踪方法 |
CN110298865A (zh) * | 2019-05-22 | 2019-10-01 | 西华大学 | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN110490904B (zh) * | 2019-08-12 | 2022-11-11 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN111428573B (zh) * | 2020-03-02 | 2021-06-25 | 南京莱斯电子设备有限公司 | 一种复杂背景下的红外弱小目标检测虚警抑制方法 |
CN111428573A (zh) * | 2020-03-02 | 2020-07-17 | 南京莱斯电子设备有限公司 | 一种复杂背景下的红外弱小目标检测虚警抑制方法 |
CN111598922A (zh) * | 2020-04-13 | 2020-08-28 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 海空背景下红外弱小目标自适应跟踪算法切换方法及*** |
CN115311470A (zh) * | 2022-09-28 | 2022-11-08 | 北京万龙精益科技有限公司 | 自适应块匹配滤波的红外小目标实时检测与跟踪方法 |
CN115311470B (zh) * | 2022-09-28 | 2023-01-24 | 北京万龙精益科技有限公司 | 自适应块匹配滤波的红外小目标实时检测与跟踪方法及其***、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104766334B (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766334A (zh) | 红外弱小目标检测跟踪方法及其装置 | |
CN101930072B (zh) | 基于多特征融合的红外弱小运动目标航迹起始方法 | |
He et al. | Infrared target tracking via weighted correlation filter | |
CN102722706B (zh) | 基于粒子滤波的红外弱小目标检测与跟踪方法及装置 | |
CN103345757A (zh) | 多层次多特征约束下的光学和sar影像自动配准方法 | |
CN101482969B (zh) | 基于同质点计算的sar图像去斑方法 | |
CN110555870B (zh) | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 | |
CN101964060B (zh) | 基于局部纹理特征的sar变体目标识别方法 | |
CN101867699A (zh) | 基于分块的非特定目标实时跟踪方法 | |
CN104021559A (zh) | 基于互信息和Harris角点检测的图像配准方法 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN104156929A (zh) | 基于全局滤波的红外弱小目标背景抑制方法及其装置 | |
Mitchell et al. | A semi-automatic approach for estimating near surface internal layers from snow radar imagery | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN105354824A (zh) | 基于区域提取的双参数恒虚警检测方法 | |
Reichman et al. | Improvements to the Histogram of Oriented Gradient (HOG) prescreener for buried threat detection in ground penetrating radar data | |
Der et al. | Probe-based automatic target recognition in infrared imagery | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN106056115B (zh) | 一种非均匀背景下的红外小目标检测方法 | |
CN105303566A (zh) | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 | |
CN109461127B (zh) | 一种以解译为目的的sar图像稀疏正则化特征增强方法 | |
CN108986139B (zh) | 一种用于目标跟踪的带有重要性图的特征整合方法 | |
CN104537384A (zh) | 一种结合似然比判决的sar目标鉴别方法 | |
Kapp et al. | Spatial verification of high-resolution ensemble precipitation forecasts using local wavelet spectra |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |