CN106599828A - 一种基于roi的红外图像检测方法 - Google Patents
一种基于roi的红外图像检测方法 Download PDFInfo
- Publication number
- CN106599828A CN106599828A CN201611129923.2A CN201611129923A CN106599828A CN 106599828 A CN106599828 A CN 106599828A CN 201611129923 A CN201611129923 A CN 201611129923A CN 106599828 A CN106599828 A CN 106599828A
- Authority
- CN
- China
- Prior art keywords
- target
- roi
- region
- image
- detection method
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于ROI的红外图像检测方法,属于图像识别领域,一种基于ROI的红外图像检测方法,包含以下步骤:S1、目标候选区域的确定:利用显著性检测方法和构建评价指标,在原始图像中选出若干个最可能包含目标的ROI区域;S2、对ROI区域进行目标的识别:首先,对每个可能包含目标的ROI区域进行特征提取,得到每个可能包含目标的ROI区域的特征向量;然后,将每个可能包含目标的ROI区域的特征向量送入分类器进行比对,最终得到含有真实目标的ROI区域。本发明所述的方法可应用于制导武器上,帮助制导武器更精确的区分目标和诱饵,从而引导导弹实现精确打击。
Description
技术领域
本发明涉及图像识别领域,特别涉及一种基于ROI的红外图像检测方法。
背景技术
现代战争对信息化程度的要求越来越高,要求制导武器具有高精度、高智能、强抗干扰能力和轻小型化的特点,能够在全天候、全天时、强干扰和复杂背景环境下检测目标并精确地命中目标。红外制导技术在当今精确制导技术中使用非常广泛,是红外技术在军事上的主要应用之一,对各种兵种、多种武器都具有非常重要的作用。另外,红外成像具有多目标全景观察、识别及跟踪能力,能够实现对目标的热成像智能化导引。
红外制导分为红外非成像制导和红外成像制导。红外非成像制导是利用弹上非成像导引头接收目标辐射的红外能量,实现对目标的检测与跟踪。红外成像制导是利用弹上红外成像导引头,依据目标和背景红外图像,检测和跟踪目标,导引导弹或弹药命中目标的制导技术。其中,利用红外成像技术来实现对目标的检测,是军事武器现代化、自动化和智能化的重要标志之一,也是本发明重点研究的内容。它通过对探测器输入的红外图像进行实现处理完成目标的检测和识别。
空中真假目标的识别是红外成像制导***中的关键技术之一,飞机和诱饵(干扰弹)在其形态,运动状态上十分相似,提取目标和诱饵的特征依靠神经网络识别的方法对图像信息的利用率不高。
发明内容
本发明的目的在于针对上述问题,提供了一种基于ROI的红外图像检测方法,根据红外辐射特性以及成像特点,通过一定的图像处理来划分出可能存在目标的感兴趣区域,为图像的分割和目标识别提供先验知识,在感兴趣区域(ROI区域)中进一步检测目标的形状和位置。
本发明的目的是这样实现的:
一种基于ROI的红外图像检测方法,其特征在于,包含以下步骤:
S1、目标候选区域的确定:首先,用热红外成像设备接收攻击区域内不同物体的热辐射,获取原始图像;然后,利用显著性检测方法,检测出原始图像中可能存在目标的区域,形成显著图;最后,通过构建评价指标,确定显著图上不同区域的显著性程度,并根据显著性程度选出若干个最可能包含目标的ROI区域;
S2、对ROI区域进行目标的识别:首先,对每个可能包含目标的ROI区域进行特征提取,得到每个可能包含目标的ROI区域的特征向量;然后,将每个可能包含目标的ROI区域的特征向量送入分类器进行比对,最终得到含有真实目标的ROI区域。
其中,在对原始图像进行显著性检测之前,还需要对该原始图像采用matlab进行预处理,所述预处理包含以下步骤:
S1、通过matlab分别获取原始图像的灰度直方图、颜色直方图和HSV矩阵,并分别以参数形式进行保存;
S2、对灰度直方图、颜色直方图和HSV矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和HSV矩阵中灰度的空间相关特性,并也分别以参数形式进行保存;
S3、将原始图像旋转360度,每隔60度重复前述步骤S1和S2,共得到六组不同的参数,用于图像的显著性检测;
其中,所述特征提取包含以下步骤:
S1、种子点提取:通过递归的最大类间方差法提取出最可能包含目标的ROI区域中的高亮度区域,即目标种子区域,并进一步提取出该目标种子区域的边缘图像;
S2、目标的真实边缘片段提取:用Canny形态学边缘检测法,从目标种子区域的边缘图像中检测出真实目标的边缘图像或边缘片段图像;
S3、基于区域生长的图像分割:采用自适应区域生长法,将真实目标的边缘图像或边缘片段图像分割成n个小区域。
其中,所述比对包含以下步骤:
S1、离线学习:采用若干尺寸统一的包含目标的正样本和不包含目标的负样本训练分类器,提取出正样本和负样本中的特征向量并对特征向量标注相对应的标签,得到表征分类器的参数;
S2、在线对比:将得到的每个可能包含目标的ROI区域的特征向量送入分类器与正样本和负样本中的特征向量进行比对,得到最接近的正样本和负样本中的特征向量所对应的标签,根据该标签判断出每个可能包含目标的ROI区域是否包含真实目标。
其中,所述分类器采用基于Haar特征的底层AdaBoost算法。
其中,所述目标为飞机或者舰船。
本发明的有益效果为:该方法可应用于制导武器上,帮助制导武器更精确的区分目标和诱饵,从而引导导弹实现精确打击。
附图说明
图1为本发明的流程图。
图2为分类器的算法流程图。
图3为分类器用于离线学习的样本。
具体实施方式
下面以目标为飞机的识别为例,进一步阐述本发明,整个识别过程如图1所示。
一、飞机候选区域的确定
1、采用基于热红外相机的视觉检测方案,具体为用热红外成像设备接收攻击区域内不同物体的热辐射,实现对物体的检测成像,获取原始图像。
2、对原始图像采用matlab进行预处理,具体通过matlab中image acquisition对图像做预处理:
(1)通过matlab分别获取原始图像的灰度直方图、颜色直方图和HSV矩阵,并分别以参数形式进行保存。其中,灰度直方图是为了便于数字化的获取图像亮度分布,是一个二维图像,被直接保存在参数countsA中;颜色直方图是为了便于数字化获取图像颜色,是图像颜色矩阵,分为一阶矩阵、二阶矩阵和三阶矩阵,分别保存在参数kavqA、istdA、kskeA中;HSV矩阵是为了便于数字化获取图像对比度,相较于颜色矩阵,HSV矩阵更加符合人类对图片的感知,分为h矩阵、S矩阵和V矩阵,分别保存在参数havgA、savgA、vavgA中。
(2)对前述灰度直方图、颜色直方图和HSV矩阵分别使用灰度共生矩阵进行纹理检测,由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两个像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性,这里通过纹理检测,分别分别得到灰度直方图、颜色直方图和HSV矩阵中灰度的空间相关特性,纹理检测通过灰度差分统计法得到平均值、对比度和熵,并分别保存在参数meanA、conA、entA中。
(3)将原始图像旋转360度,每隔60度重复前述两个步骤,共得到六组不同的参数,这六组参数形成一个结构体并存储在数据库中,用于图像的显著性检测。这六组参数的区别在于后缀名不同,如第一组名为countsA、kavqA、istdA、kskeA、havgA、savgA、vavgA、meanA、conA、entA,第二组名为countsB、kavqB、istdB、kskeB、havgB、savgB、vavgB、meanB、conB、entB,以此类推。
3、显著性检测:通常飞机、海上游弋的舰船等其热辐射均高于背景区域,具有一定的显著性特点,因此这里对经过预处理的图片采用显著性检测方法进行检测,检测出图片中可能存在飞机的区域,形成显著图。
4、在显著图的基础上,通过构建评价指标确定显著图中不同区域的显著性程度,并根据显著性程度选出若干个最可能包含飞机的ROI区域(Region of Interest,ROI)。
二、对选出的若干个最可能包含飞机的ROI区域进行飞机的识别
1、对每个可能包含飞机的ROI区域进行特征提取,得到每个可能包含飞机的ROI区域的特征向量,具体步骤如下:
(1)种子点提取:通过递归的最大类间方差法提取出最可能包飞机的ROI区域中的高亮度区域,即目标种子区域,并进一步提取出该目标种子区域的边缘图像;
(2)目标的真实边缘片段提取:用Canny形态学边缘检测法,从目标种子区域的边缘图像中检测出真实飞机的边缘图像或边缘片段图像;
(3)基于区域生长的图像分割:采用自适应区域生长法,将真实飞机的边缘图像或边缘片段图像分割成n个小区域。
2、将每个可能包含飞机的ROI区域的特征向量送入分类器(分类器采用基于Haar特征的底层AdaBoost算法,其设计如图2所示)进行比对,最终得到含有真实飞机的ROI区域,具体步骤如下:
(1)在对真实飞机进行识别之前,需要预先完成分类器的离线学习。准备若干尺寸统一的样本(如图3所示)以训练分类器,其中一部分为包含飞机的正样本,还有一部分为不包含目标的负样本,提取正样本和负样本中的特征向量(这里特征向量的提取同对每个可能包含飞机的ROI区域进行特征提取)并对特征向量标注相对应的标签(标签上标注有无飞机,还可以进一步标注飞机的类型),最终得到表征分类器的参数。
(2)将得到的每个可能包含飞机的ROI区域的特征向量送入完成离线学校的分类器中,与离线学习中所述的正样本和负样本中的特征向量进行比对,找出最接近的正样本和负样本中的特征向量所对应的标签,根据该标签判断出每个可能包含飞机的ROI区域是否包含真实飞机,甚至进一步判断出飞机的类型(运输机还是战斗机等)。
本方法对舰船或者其他目标的检测步骤同飞机相同。
Claims (6)
1.一种基于ROI的红外图像检测方法,其特征在于,包含以下步骤:
S1、目标候选区域的确定:首先,用热红外成像设备接收攻击区域内不同物体的热辐射,获取原始图像;然后,利用显著性检测方法,检测出原始图像中可能存在目标的区域,形成显著图;最后,通过构建评价指标,确定显著图上不同区域的显著性程度,并根据显著性程度选出若干个最可能包含目标的ROI区域;
S2、对ROI区域进行目标的识别:首先,对每个可能包含目标的ROI区域进行特征提取,得到每个可能包含目标的ROI区域的特征向量;然后,将每个可能包含目标的ROI区域的特征向量送入分类器进行比对,最终得到含有真实目标的ROI区域。
2.根据权利要求1所述的一种基于ROI的红外图像检测方法,其特征在于,在对原始图像进行显著性检测之前,还需要对该原始图像采用matlab进行预处理,所述预处理包含以下步骤:
S1、通过matlab分别获取原始图像的灰度直方图、颜色直方图和HSV矩阵,并分别以参数形式进行保存;
S2、对灰度直方图、颜色直方图和HSV矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和HSV矩阵中灰度的空间相关特性,并也分别以参数形式进行保存;
S3、将原始图像旋转360度,每隔60度重复前述步骤S1和S2,共得到六组不同的参数,用于图像的显著性检测。
3.根据权利要求1所述的一种基于ROI的红外图像检测方法,其特征在于,所述特征提取包含以下步骤:
S1、种子点提取:通过递归的最大类间方差法提取出最可能包含目标的ROI区域中的高亮度区域,即目标种子区域,并进一步提取出该目标种子区域的边缘图像;
S2、目标的真实边缘片段提取:用Canny形态学边缘检测法,从目标种子区域的边缘图像中检测出真实目标的边缘图像或边缘片段图像;
S3、基于区域生长的图像分割:采用自适应区域生长法,将真实目标的边缘图像或边缘片段图像分割成n个小区域。
4.根据权利要求1所述的一种基于ROI的红外图像检测方法,其特征在于,所述比对包含以下步骤:
S1、离线学习:采用若干尺寸统一的包含目标的正样本和不包含目标的负样本训练分类器,提取出正样本和负样本中的特征向量并对特征向量标注相对应的标签,得到表征分类器的参数;
S2、在线对比:将得到的每个可能包含目标的ROI区域的特征向量送入分类器与正样本和负样本中的特征向量进行比对,得到最接近的正样本和负 样本中的特征向量所对应的标签,根据该标签判断出每个可能包含目标的ROI区域是否包含真实目标。
5.根据权利要求4所述的一种基于ROI的红外图像检测方法,其特征在于,所述分类器采用基于Haar特征的底层AdaBoost算法。
6.根据权利要求1所述的一种基于ROI的红外图像检测方法,其特征在于,所述目标为飞机或者舰船。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611129923.2A CN106599828A (zh) | 2016-12-09 | 2016-12-09 | 一种基于roi的红外图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611129923.2A CN106599828A (zh) | 2016-12-09 | 2016-12-09 | 一种基于roi的红外图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599828A true CN106599828A (zh) | 2017-04-26 |
Family
ID=58598175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611129923.2A Pending CN106599828A (zh) | 2016-12-09 | 2016-12-09 | 一种基于roi的红外图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599828A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194946A (zh) * | 2017-05-11 | 2017-09-22 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN111160336A (zh) * | 2019-12-09 | 2020-05-15 | 平安科技(深圳)有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN113936158A (zh) * | 2021-10-13 | 2022-01-14 | 北京百度网讯科技有限公司 | 一种标签匹配方法及装置 |
CN114359264A (zh) * | 2022-03-03 | 2022-04-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种抗红外诱饵干扰的弱小目标检测方法和装置 |
US11428550B2 (en) | 2020-03-03 | 2022-08-30 | Waymo Llc | Sensor region of interest selection based on multisensor data |
US11756283B2 (en) | 2020-12-16 | 2023-09-12 | Waymo Llc | Smart sensor implementations of region of interest operating modes |
US11962924B2 (en) | 2019-09-05 | 2024-04-16 | Waymo, LLC | Smart sensor with region of interest capabilities |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
CN105404888A (zh) * | 2015-11-16 | 2016-03-16 | 浙江大学 | 结合颜色和深度信息的显著性目标检测方法 |
-
2016
- 2016-12-09 CN CN201611129923.2A patent/CN106599828A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
CN105404888A (zh) * | 2015-11-16 | 2016-03-16 | 浙江大学 | 结合颜色和深度信息的显著性目标检测方法 |
Non-Patent Citations (3)
Title |
---|
刘芸: "《红外图像目标检测方法研究》", 《万方学位论文》 * |
马岩: "《基于视觉注意机制的红外图像识别与定位》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
马慧彬: "《基于机器学习的乳腺图像辅助诊断算法研究》", 31 August 2016, 湖南师范大学出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194946A (zh) * | 2017-05-11 | 2017-09-22 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
CN107194946B (zh) * | 2017-05-11 | 2020-10-30 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
US11962924B2 (en) | 2019-09-05 | 2024-04-16 | Waymo, LLC | Smart sensor with region of interest capabilities |
CN111160336A (zh) * | 2019-12-09 | 2020-05-15 | 平安科技(深圳)有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN111160336B (zh) * | 2019-12-09 | 2024-07-12 | 平安科技(深圳)有限公司 | 目标检测方法、装置及计算机可读存储介质 |
US11428550B2 (en) | 2020-03-03 | 2022-08-30 | Waymo Llc | Sensor region of interest selection based on multisensor data |
US11933647B2 (en) | 2020-03-03 | 2024-03-19 | Waymo Llc | Sensor region of interest selection based on multisensor data |
US11756283B2 (en) | 2020-12-16 | 2023-09-12 | Waymo Llc | Smart sensor implementations of region of interest operating modes |
CN113936158A (zh) * | 2021-10-13 | 2022-01-14 | 北京百度网讯科技有限公司 | 一种标签匹配方法及装置 |
CN114359264A (zh) * | 2022-03-03 | 2022-04-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种抗红外诱饵干扰的弱小目标检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599828A (zh) | 一种基于roi的红外图像检测方法 | |
CN106707296B (zh) | 一种基于双孔径光电成像***的无人机检测与识别方法 | |
Karlinsky et al. | The chains model for detecting parts by their context | |
Furukawa | Deep learning for end-to-end automatic target recognition from synthetic aperture radar imagery | |
Chen et al. | Human shadow removal with unknown light source | |
Chuang et al. | Supervised and unsupervised feature extraction methods for underwater fish species recognition | |
WO2013088175A1 (en) | Image processing method | |
CN111814845B (zh) | 一种基于多支流融合模型的行人重识别方法 | |
CN107491731A (zh) | 一种面向精确打击的地面运动目标检测与识别方法 | |
CN114519808A (zh) | 图像融合方法、装置及设备、存储介质 | |
Lipschutz et al. | New methods for horizon line detection in infrared and visible sea images | |
Yuan et al. | A deep learning method for detection of dangerous equipment | |
CN106897730A (zh) | 基于融合类别信息与局部保持投影的sar目标型号识别方法 | |
CN114037650A (zh) | 变化检测及目标检测的地面目标可见光毁伤图像处理方法 | |
Tan et al. | Automatic analysis of deep-water remotely operated vehicle footage for estimation of Norway lobster abundance | |
CN116824345A (zh) | 基于计算机视觉的弹孔检测方法及装置 | |
Furukawa | SAVERS: SAR ATR with verification support based on convolutional neural network | |
Qosja et al. | Benchmarking convolutional neural network backbones for target classification in SAR | |
Gosain et al. | Concealed weapon detection using image processing and machine learning | |
Qiang et al. | Enhancement method for infrared dim-small target images based on rough set | |
Nale et al. | Real-Time Weapons Detection System using Computer Vision | |
JP6776643B2 (ja) | 目標識別装置 | |
Gao et al. | A fast detection method for infrared small targets in complex sea and sky background | |
Lee et al. | Target extraction in forward-looking infrared images using fuzzy thresholding via local region analysis | |
Huang et al. | Space Target Tracking by Variance Detection. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |