CN107316318A - 基于多子区域背景拟合的空中目标自动检测方法 - Google Patents

Abstract

本发明公开了一种基于多子区域背景拟合的空中目标自动检测方法，该方法将待检测图像分为P个子区域，求取各子区域的平均灰度值A(1)～A(P)；然后对所有子区域的平均灰度值A(1)～A(P)按从大到小的方式进行排序，得到新的子区域平均灰度值序列A’(1)～A’(P)；根据A’(1)～A’(P)选取第二黑或第二白的子区域平均灰度值作为分割阈值，并根据图像对比度进行适当缩小或放大，然后进行图像二值化，得到分割图像；再对分割图像进行目标定位。本发明能够减少虚假目标的产生，还继承了现有算法简洁易于硬件实现的优点。

Description

基于多子区域背景拟合的空中目标自动检测方法

技术领域

本发明涉及可见光电视图像或红外图像的空中目标自动检测技术领域，尤其涉及一种基于多子区域背景拟合的空中目标自动检测方法。

背景技术

随着信息技术的发展，用视频图像处理的方式进行目标的智能检测和识别获得了极大的发展，尤其在军事领域，对目标的自动检测和跟踪能极大的缩短武器***的反应时间，这对提高整个***的性能指标至关重要。

传统的对空中目标的实时检测方法主要有基于背景差的目标检测、基于图像行相关的空中目标检测等方法。但是，这些方法都存在一定的局限性。

基于背景差的目标检测方法基本思想是利用当前帧图像与背景图像相减得出目标图像，但是，该方法只能在摄像机处于静止状态且空中背景也处于静止状态时才有效。然而，在大部分情况下，***需要自动搜索，摄像机处于运动状态，因此，该方法并不适用。

基于图像行相关的空中目标检测方法主要思想是基于图像相邻行之间的相关性，首先将图像进行灰度反转，然后利用某一行的灰度平均值作为基准，其余所有行均减去这一平均灰度值，从而去除图像背景，获得真实的目标。但是该方法实用效果不尽理想，主要原因是受到光照的角度以及云层等的干扰，可见光视频或红外视频在多数情况下拍摄的空中背景并不均匀，当我们随机选取某一行的平均值作为基准的时候，对于背景的剔除并不理想，会造成较多的“虚假”目标。因此，该方法也不适用。

发明内容

有鉴于此，本发明提供了一种基于多子区域背景拟合的空中目标自动检测方法，一方面继承了现有算法简洁易于硬件实现的优点，同时，考虑到摄像机的运动以及云层等的干扰特点，有针对性的得到了一个较为实用的新型空中目标自动检测方法，减少虚假目标的产生。

为了解决上述技术问题，本发明是这样实现的：

一种基于多子区域背景拟合的空中目标自动检测方法，包括：

步骤一、将待检测图像分成P个子区域，P为设定的整数；

步骤二、求取各子区域的平均灰度值A(m)，m＝1,2,…,P；

步骤三、对所有子区域的平均灰度值A(1)～A(P)按从大到小的方式进行排序，得到新的子区域平均灰度值序列A’(m)，m＝1,2,…,P；

步骤四、当目标相对于背景为“黑”时，则选取Th＝A’(P-1)×σ作为灰度阈值Th，其中，图像对比度越大，σ的取值越小，σ<1；利用灰度阈值Th对图像进行二值化分割，像素值小于或等于Th则设定为255，得到分割图像；

当目标相对于背景为“白”时，则选取Th＝A’(2)×σ作为灰度阈值Th，其中，图像对比度越大，σ的取值越大，σ>1；利用灰度阈值Th对图像进行二值化分割，像素值大于或等于Th则设定为255，得到分割图像；

步骤五、利用步骤四获得的分割图像进行目标定位。

优选地，所述步骤五采用多次迭代求取图像质心的方式求出目标的位置。

优选地，利用已知的目标最小尺寸对步骤五获得的目标进行判别，目标亮点数小于目标最小尺寸，则认为是虚假目标。

优选地，所述步骤二为：对每个子区域，用方形模板放置于该子区域的任意一个位置上，取模板中各像素的平均灰度值，作为该子区域的平均灰度值A(m)，m＝1,2,…,P。

有益效果：

本发明认为最黑和最白之处为目标，根据子区域的平均灰度值，将第二黑和第二白的子区域的平均灰度值作为分割阈值并根据图像对比度进行适当的缩放，这样对于不同的图像，更有针对性的获得准确的分割阈值，与随机选取某一行的平均值作为基准进行分割相比，能够获得更加理想的分割效果，减少虚假目标的产生。而且，本方案的算法十分简洁易于硬件实现的优点。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明的基本原理是利用目标与背景存在一定的对比度差，也即灰度差值，通过一定的方法实时准确的去除背景，得到目标。

步骤一、将整幅图像分成P个子区域，通常情况下P越大，背景获取越准确，效果越好。本实施例中选取P＝16。

步骤二、对每个子区域，用Q×Q的方形模板放置于该子区域的任意一个位置上，取模板中各像素的平均灰度值，作为该子区域的平均灰度值A(m)，m＝1,2,…,P。Q的取值要求时Q×Q需要小于子区域大小，较佳地为子区域面积的50％以上，本优选实施例中取Q＝10。

其中，S(m)为第m个子区域内大小为Q×Q的区域，即模板放置位置上的区域，f(i,j)为像素(i,j)的灰度值。

步骤三、对求取的子区域灰度值按从大到小的方式进行排序，得到新的子区域平均灰度值序列A’(m)，m＝1,2,…,P。

步骤四、当目标相对于背景为“黑”时，一般来说是可见光图像的情况，则选取倒数第2小的平均灰度值并适当缩小作为灰度阈值Th，此时Th＝A’(P-1)×σ，σ<1。σ用来补偿对比度，σ的取值原则为：当目标与背景的灰度值相差较为明显时，即图像对比度较大时，σ相对选取小一些，反之，则选取大一些。通常情况下，选取σ为0.9。然后，将整幅图像利用上述的灰度阈值Th进行二值化处理，得到新的分割图像：

其中，T(i,j)表示分割图像中像素(i,j)的像素值。

然而，当目标相对于背景为“白”时，一般来说是红外图像的情况，则选取第2大的平均灰度值并适当放大作为灰度阈值，此时Th＝A’(2)×σ，σ>1。σ用来补偿对比度，σ的取值原则为：当目标与背景的灰度值相差较为明显时，即图像对比度较大时，σ相对选取大一些，反之，则选取小一些。通常情况下，选取σ为1.1。然后，将整幅图像利用上述的灰度阈值进行二值化处理，得到新的分割图像：

步骤五、对分割之后的图像进行目标定位。一般通过多次迭代求取图像质心的方式即可求出目标的位置。具体方式如下：

假定图像的尺寸为W×H，则上述公式中M，N的初始值可定为M＝W,N＝H。当利用上述公式(1)和(2)计算出第一幅质心(X1,Y1)后，以(X1,Y1)为中心点，M和N均缩小，例如缩小20％，再次求取质心(X2,Y2)。以此类推。多次求取质心后，即可准确得到目标的真实位置，一般求取三次即可。

步骤六、求取目标的位置后，就需要对目标的真伪进行判别。本实施例利用目标的尺寸进行判别。假定目标的最小尺寸为Ws×Hs，则以目标定位位置为中心点，以B×B的区域作为待测区域，计算亮点数，如果亮点数大于或等于Ws×Hs，则表明目标为真实目标，反之，则为虚假目标。其中，B×B区域至少要大于Ws×Hs，优选地可以选择Ws×Hs的2倍。

至此，本流程结束。

综上所述，以上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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于多子区域背景拟合的空中目标自动检测方法，其特征在于，包括：

步骤一、将待检测图像分成P个子区域，P为设定的整数；

步骤二、求取各子区域的平均灰度值A(m)，m＝1,2,…,P；

步骤三、对所有子区域的平均灰度值A(1)～A(P)按从大到小的方式进行排序，得到新的子区域平均灰度值序列A’(m)，m＝1,2,…,P；

步骤四、当目标相对于背景为“黑”时，则选取Th＝A’(P-1)×σ作为灰度阈值Th，其中，图像对比度越大，σ的取值越小，σ<1；利用灰度阈值Th对图像进行二值化分割，像素值小于或等于Th则设定为255，得到分割图像；

当目标相对于背景为“白”时，则选取Th＝A’(2)×σ作为灰度阈值Th，其中，图像对比度越大，σ的取值越大，σ>1；利用灰度阈值Th对图像进行二值化分割，像素值大于或等于Th则设定为255，得到分割图像；

步骤五、利用步骤四获得的分割图像进行目标定位。

2.如权利要求1所述的基于多子区域背景拟合的空中目标自动检测方法，其特征在于，所述步骤五采用多次迭代求取图像质心的方式求出目标的位置。

3.如权利要求1或2所述的基于多子区域背景拟合的空中目标自动检测方法，其特征在于，利用已知的目标最小尺寸对步骤五获得的目标进行判别，目标亮点数小于目标最小尺寸，则认为是虚假目标。

4.如权利要求1所述的基于多子区域背景拟合的空中目标自动检测方法，其特征在于，所述步骤二为：对每个子区域，用方形模板放置于该子区域的任意一个位置上，取模板中各像素的平均灰度值，作为该子区域的平均灰度值A(m)，m＝1,2,…,P。