CN107610159A - 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 - Google Patents
基于曲率滤波和时空上下文的红外弱小目标跟踪方法 Download PDFInfo
- Publication number
- CN107610159A CN107610159A CN201710782773.3A CN201710782773A CN107610159A CN 107610159 A CN107610159 A CN 107610159A CN 201710782773 A CN201710782773 A CN 201710782773A CN 107610159 A CN107610159 A CN 107610159A
- Authority
- CN
- China
- Prior art keywords
- frame image
- mrow
- context
- space
- area
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 8
- 230000007547 defect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于曲率滤波和时空上下文的红外弱小目标跟踪方法。具体步骤包括:1.获得第一帧图像上下文区域;2.获得第一帧图像时空上下文区域;3.获得第一帧图像时空上下文区域先验模型;4.计算第一帧图像时空上下文区域的置信图矩阵;5.获取第一帧图像时空上下文模型矩阵;6.获得当前帧图像时空上下文区域;7.预测当前帧目标位置;8.判断是否为最后一帧;9.完成红外弱小目标的跟踪。本发明具有红外弱小目标跟踪速度快,时空上下文在线更新参数准确,红外弱小目标跟踪效果好的优点。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及红外图像处理技术领域中的一种基于曲率滤波和时空上下文的红外弱小目标跟踪方法。本发明采用曲率滤波和时空上下文相结合的方法对红外弱小目标跟踪,可用于对天空背景下红外弱小目标进行跟踪。
背景技术
红外检测与跟踪***被动探测目标,具有隐蔽性强和实时性好等优点,在红外制导、告警、侦查和监控等领域有广泛应用。红外探测相比可见光探测,其作用距离较远,并且可全天候工作。但是当***作用距离远时,红外弱小目标只占图像中的少量像素。在红外弱小目标跟踪过程中,目标周围区域的特征信息利用率底,在目标被部分遮挡时目标特征信息严重缺失,目标经常淹没在强杂波背景中,导致对红外弱小目标跟踪发生“偏移”,目标边缘与目标背景不易区分,高频噪声干扰多,目标信噪比较低。
时空上下文的学习,充分利用了时间信息及空间信息。临近帧之间目标变化不会很大,位置也不会发生突变,所以在目标跟踪中可以利用的时间信息很少。在连续帧之间的目标周围的局部场景其实存在着很强的时空关系,利用目标与周围背景存在某种特定的关系,当目标外观发生很大变化时,这种关系可以帮助区分目标和背景。另外,曲率滤波器能够很好的保留目标边缘,剔除高频噪声,提高目标信噪比。
浙江大学在其申请的专利文献“一种弱小运动目标快速检测与跟踪方法”(专利申请号201511010646.9,公开号CN 105654511 A)中公开了一种弱小运动目标快速检测与跟踪方法。该方法实现的具体步骤是,第一步获取目标可能的初始位置,根据时隙划分为多段图像序列,对前两帧图像进行差分,剔除噪声点目标,获取目标矩形并建立检测窗口;第二步对划分后的每段图像序列进行边检测与跟踪:利用高密度采样方法和在线核学习方法,并结合循环矩阵与快速傅里叶变换之间的关系,进行目标的实时检测与跟踪;第三步重复迭代,对每段图像序列再进行实时连续的检测与跟踪,形成闭环。该方法存在的不足之处是,目标发生遮挡和形变会破坏目标的特征信息,导致在线学习参数不准确,进而导致目标跟踪失败。
江苏科技大学在其申请的专利文献“基于自适应流形粒子滤波的制导红外小目标跟踪方法”(专利申请号201210431904.0,公开号CN 102982555 B)中公开了一种基于自适应流形粒子滤波的制导红外小目标跟踪方法。该方法实现的具体步骤是,第一步应用Facet小面图像模型的双向扩散滤波背景抑制算法进行图像背景抑制。第二步对粒子滤波算法中的粒子数进行计算,自适应选取粒子数N(t),在黎曼流行上进行在线学***均值估计表面协方差矩阵,进而预测流形点,从子区域构建并提取特征向量,使用嵌入的表面似然对跟踪的目标模型即边界框参数建模,实现自适应流形粒子滤波算法的小目标跟踪。该方法存在的不足之处是,红外弱小目标快速移动时粒子滤波计算量大,导致跟踪实时性差。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提出了一种基于曲率滤波和时空上下文的红外弱小目标跟踪方法,本发明可以显著提高红外弱小目标的边缘特征,充分利用目标与上下文区域的关系,以实现对天空背景下红外弱小目标图像序列进行准确高效地跟踪。
为实现上述目的,本发明的具体步骤如下:
(1)获得第一帧图像上下文区域:
(1a)输入一段待跟踪图像序列中的第一帧图像;
(1b)用矩形框框出第一帧图像中的待跟踪红外弱小目标图像区域,矩形框大小为56×56像素,将待跟踪红外弱小目标图像区域的型心位置,作为待跟踪红外弱小目标的初始位置,将矩形框框出的待跟踪红外弱小目标图像区域,作为第一帧图像上下文区域;
(2)获得第一帧图像时空上下文区域:
(2a)使用曲率滤波算法,对第一帧图像上下文区域进行滤波处理,得到第一帧图像曲率滤波处理后的上下文区域;
(2b)用第一帧图像上下文区域减去第一帧图像曲率滤波处理后的上下文区域,得到第一帧图像时空上下文区域;
(3)获得第一帧图像时空上下文区域先验模型:
(3a)生成红外弱小目标先验函数;
(3b)利用先验概率公式,获取第一帧图像时空上下文区域先验模型;
(4)按照下式,计算第一帧图像时空上下文区域的置信图矩阵:
其中,c(x)表示第一帧图像时空上下文区域的置信图矩阵,x表示时空上下文区域中的像素点位置,b表示归一化操作,|·|表示求绝对值操作,x*表示时空上下文区域中目标位置,α表示取值为2.25的比例参数,β表示取值为1的形状参数;
(5)按照下式,获取第一帧图像时空上下文模型矩阵:
其中,h1(x)表示第一帧图像时空上下文模型矩阵,F-1{·}表示傅里叶变换存在,F{·}表示傅里叶变换操作,P(x)表示时空上下文区域先验模型;
(6)获得当前帧图像时空上下文区域:
(6a)载入待跟踪图像序列中下一帧,作为当前帧图像;
(6b)在当前帧图像中,以上一帧图像待跟踪目标的位置为中心,取出与上一帧图像大小相同的矩形框,作为当前帧图像上下文区域;
(6c)使用曲率滤波算法,对当前帧图像上下文区域进行滤波处理,得到当前帧图像曲率滤波处理后的上下文区域;
(6d)用当前帧图像上下文区域减去当前帧图像曲率滤波处理后的上下文区域,得到当前帧图像时空上下文区域;
(7)预测当前帧目标位置:
(7a)利用时空上下文模型矩阵更新公式,得到当前帧图像时空上下文模型矩阵;
(7b)利用先验概率公式,获取当前帧图像时空上下文区域先验模型;
(7c)计算当前帧图像时空上下文区域的置信图矩阵;
(7d)将当前帧图像时空上下文区域的置信图矩阵中最大值对应的的位置,作为当前帧图像中待跟踪目标的位置;
(8)判断当前帧图像是否为待跟踪视频图像序列的最后一帧图像,若是,则执行步骤(9);否则,执行步骤(6);
(9)完成待跟踪图像序列中红外弱小目标的跟踪。
本发明与现有技术相比具有以下优点:
第一,由于本发明使用了曲率滤波算法克服了现有技术中目标发生遮挡和形变会破坏目标的特征信息,导致在线学习参数不准确,进而导致目标跟踪失败的不足,使得本发明分离上下文区域中同属高频成分的云层边缘和红外弱小目标,提高时空上下文中红外弱小目标的信噪比,获得更加准确的在线学习参数,进而获得更好的跟踪效果。
第二,由于本发明使用了步骤(2)到步骤(3)的时空上下文算法,利用目标与上下文之间特定的时空关系,克服了现有技术中红外弱小目标快速移动时粒子滤波计算量大,导致跟踪实时性差的不足,使得本发明在对待跟踪图像序列中红外弱小目标跟踪时具有较好实时性。
附图说明
图1为本发明的流程图;
图2为本发明的待跟踪图像序列中的第一帧图像;
图3为本发明的待跟踪图像序列中第一帧图像上下文区域;
图4为本发明的利用曲率滤波算法对待跟踪图像序列中第一帧图像上下文区域滤波处理后得到的曲率滤波处理后的上下文区域示意图;
图5为本发明的待跟踪图像序列中第一帧图像上下文区域减去第一帧图像曲率滤波处理后的上下文区域后得到的第一帧图像时空上下文区域;
图6为本发明的红外弱小目标先验函数示意图;
图7为本发明的待跟踪图像序列中第180帧图像时空上下文区域;
图8为本发明的待跟踪图像序列中第180帧图像中红外弱小目标位置示意图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
结合附图1,本发明的具体步骤如下。
步骤1,获得第一帧图像上下文区域。
输入一段待跟踪图像序列中的第一帧图像。
用矩形框框出第一帧图像中的待跟踪红外弱小目标图像区域,矩形框大小为56×56像素,将待跟踪红外弱小目标图像区域的型心位置,作为待跟踪红外弱小目标的初始位置,将矩形框框出的待跟踪红外弱小目标图像区域,作为第一帧图像上下文区域。
图2为本发明的实施例中,输入待跟踪图像序列中的第一帧图像。该待跟踪图像序列中是利用中波红外热像仪,获得的真实天空背景下的红外弱小目标图像序列,待跟踪图像序列中每一帧图像大小都为400×400像素,并且图像云层背景复杂。图3为本发明的实施例中,待跟踪图像序列中第一帧图像上下文区域的示意图,图3中矩形框框定的图像区域表示待跟踪图像序列中第一帧图像上下文区域。
步骤2,获得第一帧图像时空上下文区域。
(2a)使用曲率滤波算法,对第一帧图像上下文区域进行滤波处理,得到第一帧图像曲率滤波处理后的上下文区域。
所述的曲率滤波算法具体步骤如下:
第一步,按照下式,计算第一次曲率滤波处理后的上下文区域:
其中,表示第一次使用曲率滤波算法计算得到的曲率滤波处理后的上下文区域中第i行第j列的像素值,Ui,j表示上下文区域U中第i行第j列的像素值,min{·}表示求最小值操作,dn表示曲面上第i行第j列的像素点与不同邻域点所在切平面的距离,n表示方向,取值为1至8的整数;
第二步,将第一次曲率滤波处理后的上下文区域,作为下次曲率滤波算法的输入,对上下文区域进行10次曲率滤波处理,得到曲率滤波处理后的上下文区域。
图4为本发明的实施例中,利用曲率滤波算法对待跟踪图像序列中第一帧图像上下文区域滤波处理后得到的曲率滤波处理后的上下文区域示意图,曲率滤波具有保持边缘抑制噪声的特性,图4中曲率滤波处理后的上下文区域保持了云层背景边缘,抑制了高频噪声。有效分离了同属高频成分的云层背景边缘和高频红外弱小目标。
(2b)用第一帧图像上下文区域减去第一帧图像曲率滤波处理后的上下文区域,得到第一帧图像时空上下文区域。
图5为本发明的实施例中,待跟踪图像序列中第一帧图像上下文区域与第一帧图像曲率滤波处理后的上下文区域的作差得到的第一帧图像时空上下文区域。
步骤3,获得第一帧图像时空上下文区域先验模型。
(3a)生成红外弱小目标先验函数。
所述的生成红外弱小目标先验函数如下:
其中,ω(x-x*)表示红外弱小目标先验函数,e表示自然指数,σ表示取值为2的比例参数。
图6为本发明的实施例中,红外弱小目标先验函数分布示意图,图6尺寸为56×56个像素,红外弱小目标位置处的先验函数表示人看东西的时候,会聚集在一个确定的图像区域,离目标越近的像素点,越受关注,先验函数所赋予的权值越大,图6中心位置权值最大。
(3b)利用先验概率公式,获取第一帧图像时空上下文区域先验模型。
所述的先验概率公式如下:
P(x)=g(x)×ω(x-x*)
其中,g(x)表示时空上下文区域中像素点x的灰度。
步骤4,按照下式,获取第一帧图像时空上下文区域的置信图矩阵。
其中,c(x)表示第一帧图像时空上下文区域的置信图矩阵,x表示时空上下文区域中的像素点位置,b表示归一化操作,|·|表示求绝对值操作,x*表示时空上下文区域中目标位置,α表示取值为2.25的比例参数,β表示取值为1的形状参数。
步骤5,按照下式,获取第一帧图像时空上下文模型矩阵。
其中,h1(x)表示第一帧图像时空上下文模型矩阵,F-1{·}表示傅里叶变换存在,F{·}表示傅里叶变换操作,P(x)表示时空上下文区域先验模型。
步骤6,获得当前帧图像时空上下文区域。
(6a)载入待跟踪图像序列中下一帧,作为当前帧图像。
(6b)在当前帧图像中,以上一帧图像待跟踪目标的位置为中心,取出与上一帧图像大小相同的矩形框,作为当前帧图像上下文区域。
(6c)使用曲率滤波算法,对当前帧图像上下文区域进行滤波处理,得到当前帧图像曲率滤波处理后的上下文区域。
所述的曲率滤波算法具体步骤如下:
第一步,按照下式,计算第一次曲率滤波处理后的上下文区域:
其中,表示第一次使用曲率滤波算法计算得到的曲率滤波处理后的上下文区域中第i行第j列的像素值,Ui,j表示上下文区域U中第i行第j列的像素值,min{·}表示求最小值操作,dn表示曲面上第i行第j列的像素点与不同邻域点所在切平面的距离,n表示方向,取值为1至8的整数;
第二步,将第一次曲率滤波处理后的上下文区域,作为下次曲率滤波算法的输入,对上下文区域进行10次曲率滤波处理,得到曲率滤波处理后的上下文区域。
(6d)用当前帧图像上下文区域减去当前帧图像曲率滤波处理后的上下文区域,得到当前帧图像时空上下文区域。
图7为本发明的实施例中,待跟踪图像序列中第180帧图像时空上下文区域,用待跟踪图像序列中第180帧图像上下文区域减去第180帧图像曲率滤波处理后的上下文区域,得到第180帧图像时空上下文区域,图7中的红外弱小目标信噪比增大,可以获得更加准确的在线学习参数。
步骤7,预测当前帧目标位置。
(7a)利用时空上下文模型矩阵更新公式,得到当前帧图像时空上下文模型矩阵。
所述的时空上下文模型矩阵更新公式如下:
H″(x)=(1-ρ)H′(x)+ρh(x)
其中,H″(x)表示对当前帧图像更新后的时空上下文模型矩阵,ρ表示取值为0.075的学习参数,H′(x)表示上一帧图像更新后的时空上下文模型矩阵,h(x)表示上一帧图像时空上下文模型矩阵。
(7b)利用先验概率公式,获取当前帧图像时空上下文区域先验模型。
所述的先验概率公式如下:
P(x)=g(x)×ω(x-x*)
其中,g(x)表示时空上下文区域中像素点x的灰度。
(7c)计算当前帧图像时空上下文区域的置信图矩阵。
所述的当前帧图像时空上下文区域的置信图矩阵计算公式如下:
c'(x)=F-1(F(H″(x))⊙F(g(x)w(x-x*)))
其中,c′(x)表示当前帧图像时空上下文区域的置信图矩阵。
(7d)将当前帧图像时空上下文区域的置信图矩阵中最大值对应的的位置,作为当前帧图像中待跟踪目标的位置。
图8为本发明的实施例中,待跟踪图像序列中第180帧图像中红外弱小目标位置示意图。将第180帧图像时空上下文区域的置信图矩阵中最大值对应的位置作为第180帧图像中待跟踪目标的位置,红外弱小目标大小为3×3像素,矩形框框定的区域为红外弱小目标位置。上空上下文算法利用离散傅里叶变换,提升了跟踪速度。本发明利用曲率滤波去时空上下文区域进行滤波处理,分离同属高频成分的云层背景边缘和红外弱小目标,获得更加准确的分类器参数,克服跟踪失败,得到跟好的跟踪效果。
步骤8,判断当前帧图像是否为待跟踪视频图像序列的最后一帧图像,若是,执行步骤(9);否则,执行步骤(6)。
步骤9,完成待跟踪图像序列中红外弱小目标的跟踪。
Claims (6)
1.一种基于曲率滤波和时空上下文的红外弱小目标跟踪方法,其特征在于,包括如下步骤:
(1)获得第一帧图像上下文区域:
(1a)输入一段待跟踪图像序列中的第一帧图像;
(1b)用矩形框框出第一帧图像中的待跟踪红外弱小目标图像区域,矩形框大小为56×56像素,将待跟踪红外弱小目标图像区域的型心位置,作为待跟踪红外弱小目标的初始位置,将矩形框框出的待跟踪红外弱小目标图像区域,作为第一帧图像上下文区域;
(2)获得第一帧图像时空上下文区域:
(2a)使用曲率滤波算法,对第一帧图像上下文区域进行滤波处理,得到第一帧图像曲率滤波处理后的上下文区域;
(2b)用第一帧图像上下文区域减去第一帧图像曲率滤波处理后的上下文区域,得到第一帧图像时空上下文区域;
(3)获得第一帧图像时空上下文区域先验模型:
(3a)生成红外弱小目标先验函数;
(3b)利用先验概率公式,获取第一帧图像时空上下文区域先验模型;
(4)按照下式,计算第一帧图像时空上下文区域的置信图矩阵:
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
</mrow>
<mi>&alpha;</mi>
</mfrac>
<msup>
<mo>|</mo>
<mi>&beta;</mi>
</msup>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中,c(x)表示第一帧图像时空上下文区域的置信图矩阵,x表示时空上下文区域中的像素点位置,b表示归一化操作,|·|表示求绝对值操作,x*表示时空上下文区域中目标位置,α表示取值为2.25的比例参数,β表示取值为1的形状参数;
(5)按照下式,获取第一帧图像时空上下文模型矩阵:
<mrow>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>F</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,h1(x)表示第一帧图像时空上下文模型矩阵,F-1{·}表示傅里叶变换存在,F{·}表示傅里叶变换操作,P(x)表示时空上下文区域先验模型;
(6)获得当前帧图像时空上下文区域:
(6a)载入待跟踪图像序列中下一帧,作为当前帧图像;
(6b)在当前帧图像中,以上一帧图像待跟踪目标的位置为中心,取出与上一帧图像大小相同的矩形框,作为当前帧图像上下文区域;
(6c)使用曲率滤波算法,对当前帧图像上下文区域进行滤波处理,得到当前帧图像曲率滤波处理后的上下文区域;
(6d)用当前帧图像上下文区域减去当前帧图像曲率滤波处理后的上下文区域,得到当前帧图像时空上下文区域;
(7)预测当前帧目标位置:
(7a)利用时空上下文模型矩阵更新公式,得到当前帧图像时空上下文模型矩阵;
(7b)利用先验概率公式,获取当前帧图像时空上下文区域先验模型;
(7c)计算当前帧图像时空上下文区域的置信图矩阵;
(7d)将当前帧图像时空上下文区域的置信图矩阵中最大值对应的的位置,作为当前帧图像中待跟踪目标的位置;
(8)判断当前帧图像是否为待跟踪视频图像序列的最后一帧图像,若是,则执行步骤(9);否则,执行步骤(6);
(9)完成待跟踪图像序列中红外弱小目标的跟踪。
2.根据权利要求1所述的基于曲率滤波和时空上下文的红外弱小目标跟踪方法,其特征在于,步骤(2a)、步骤(6c)中所述的曲率滤波算法具体步骤如下:
第一步,按照下式,计算第一次曲率滤波处理后的上下文区域:
<mrow>
<msubsup>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>n</mi>
</msub>
<mo>|</mo>
<mo>}</mo>
</mrow>
其中,表示第一次使用曲率滤波算法计算得到的曲率滤波处理后的上下文区域中第i行第j列的像素值,Ui,j表示上下文区域U中第i行第j列的像素值,min{·}表示求最小值操作,dn表示曲面上第i行第j列的像素点与不同邻域点所在切平面的距离,n表示方向,取值为1至8的整数;
第二步,将第一次曲率滤波处理后的上下文区域,作为下次曲率滤波算法的输入,对上下文区域进行10次曲率滤波处理,得到曲率滤波处理后的上下文区域。
3.根据权利要求1所述的基于曲率滤波和时空上下文的红外弱小目标跟踪方法,其特征在于,步骤(3a)中所述的生成红外弱小目标先验函数如下:
<mrow>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中,ω(x-x*)表示红外弱小目标先验函数,e表示自然指数,σ表示取值为2的比例参数。
4.根据权利要求1所述的基于曲率滤波和时空上下文的红外弱小目标跟踪方法,其特征在于,步骤(3b)、步骤(7b)中所述的先验概率公式如下:
P(x)=g(x)×ω(x-x*)
其中,g(x)表示时空上下文区域中像素点x的灰度。
5.根据权利要求1所述的基于曲率滤波和时空上下文的红外弱小目标跟踪方法,其特征在于,步骤(7a)中所述的时空上下文模型矩阵更新公式如下:
H″(x)=(1-ρ)H′(x)+ρh(x)
其中,H″(x)表示对当前帧图像更新后的时空上下文模型矩阵,ρ表示取值为0.075的学习参数,H′(x)表示上一帧图像更新后的时空上下文模型矩阵,h(x)表示上一帧图像时空上下文模型矩阵。
6.根据权利要求1所述的基于曲率滤波和时空上下文的红外弱小目标跟踪方法,其特征在于,步骤(7c)中所述的当前帧图像时空上下文区域的置信图矩阵计算公式如下:
c'(x)=F-1(F(H”(x))⊙F(g(x)w(x-x*)))
其中,c′(x)表示当前帧图像时空上下文区域的置信图矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710782773.3A CN107610159A (zh) | 2017-09-03 | 2017-09-03 | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710782773.3A CN107610159A (zh) | 2017-09-03 | 2017-09-03 | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610159A true CN107610159A (zh) | 2018-01-19 |
Family
ID=61057211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710782773.3A Pending CN107610159A (zh) | 2017-09-03 | 2017-09-03 | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610159A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341580A (zh) * | 2018-10-30 | 2019-02-15 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形的追踪方法、***及装置 |
CN110738685A (zh) * | 2019-09-09 | 2020-01-31 | 桂林理工大学 | 一种融合颜色直方图响应的时空上下文跟踪方法 |
CN111161345A (zh) * | 2019-12-20 | 2020-05-15 | 上海航天控制技术研究所 | 一种基于谱段特性差异的红外抗干扰方法及装置 |
CN111652151A (zh) * | 2020-06-04 | 2020-09-11 | 北京环境特性研究所 | 一种红外弱小目标跟踪方法 |
CN116385440A (zh) * | 2023-06-05 | 2023-07-04 | 山东聚宁机械有限公司 | 一种弧形刀片视觉检测方法 |
CN117078663A (zh) * | 2023-10-13 | 2023-11-17 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于背景感知的弱小目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631939A (zh) * | 2015-12-28 | 2016-06-01 | 集美大学 | 一种基于曲率滤波的三维点云畸变校正方法及其*** |
CN105631895A (zh) * | 2015-12-18 | 2016-06-01 | 重庆大学 | 结合粒子滤波的时空上下文视频目标跟踪方法 |
CN106023246A (zh) * | 2016-05-05 | 2016-10-12 | 江南大学 | 一种基于局部敏感直方图的时空上下文跟踪方法 |
CN107093189A (zh) * | 2017-04-18 | 2017-08-25 | 山东大学 | 基于自适应颜色特征和时空上下文的目标跟踪方法及*** |
-
2017
- 2017-09-03 CN CN201710782773.3A patent/CN107610159A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631895A (zh) * | 2015-12-18 | 2016-06-01 | 重庆大学 | 结合粒子滤波的时空上下文视频目标跟踪方法 |
CN105631939A (zh) * | 2015-12-28 | 2016-06-01 | 集美大学 | 一种基于曲率滤波的三维点云畸变校正方法及其*** |
CN106023246A (zh) * | 2016-05-05 | 2016-10-12 | 江南大学 | 一种基于局部敏感直方图的时空上下文跟踪方法 |
CN107093189A (zh) * | 2017-04-18 | 2017-08-25 | 山东大学 | 基于自适应颜色特征和时空上下文的目标跟踪方法及*** |
Non-Patent Citations (3)
Title |
---|
成宽洪 等: "基于曲率滤波和梯度变换的图像增强", 《光子学报》 * |
赵洲 等: "一种融合卡尔曼滤波的改进时空上下文跟踪算法", 《航空学报》 * |
钱琨 等: "基于引导滤波与时空上下文的红外弱小目标跟踪", 《光子学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341580A (zh) * | 2018-10-30 | 2019-02-15 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形的追踪方法、***及装置 |
CN110738685A (zh) * | 2019-09-09 | 2020-01-31 | 桂林理工大学 | 一种融合颜色直方图响应的时空上下文跟踪方法 |
CN111161345A (zh) * | 2019-12-20 | 2020-05-15 | 上海航天控制技术研究所 | 一种基于谱段特性差异的红外抗干扰方法及装置 |
CN111161345B (zh) * | 2019-12-20 | 2023-08-29 | 上海航天控制技术研究所 | 一种基于谱段特性差异的红外抗干扰方法及装置 |
CN111652151A (zh) * | 2020-06-04 | 2020-09-11 | 北京环境特性研究所 | 一种红外弱小目标跟踪方法 |
CN111652151B (zh) * | 2020-06-04 | 2023-12-19 | 北京环境特性研究所 | 一种红外弱小目标跟踪方法 |
CN116385440A (zh) * | 2023-06-05 | 2023-07-04 | 山东聚宁机械有限公司 | 一种弧形刀片视觉检测方法 |
CN116385440B (zh) * | 2023-06-05 | 2023-08-11 | 山东聚宁机械有限公司 | 一种弧形刀片视觉检测方法 |
CN117078663A (zh) * | 2023-10-13 | 2023-11-17 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于背景感知的弱小目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610159A (zh) | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 | |
CN110517288B (zh) | 基于全景多路4k视频图像的实时目标检测跟踪方法 | |
CN106875415B (zh) | 一种动态背景中弱小动目标的连续稳定跟踪方法 | |
CN110728697B (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN102494675B (zh) | 一种运动目标特征高速视觉捕捉方法 | |
CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
CN107680120A (zh) | 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法 | |
CN104299229A (zh) | 一种基于时空域背景抑制的红外弱小目标检测方法 | |
CN110400294B (zh) | 一种红外目标探测***及探测方法 | |
CN111899200B (zh) | 一种基于3d滤波的红外图像增强方法 | |
EP3332388B1 (en) | Temporally adaptive processing | |
CN110827262B (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
CN108876820A (zh) | 一种基于均值漂移的遮挡条件下移动目标追踪方法 | |
CN111353496B (zh) | 一种红外弱小目标实时检测方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、***及设备 | |
CN110796616A (zh) | 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN111402303A (zh) | 一种基于kfstrcf的目标跟踪架构 | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN112164093A (zh) | 一种基于边缘特征和相关滤波的人物自动跟踪方法 | |
CN110717934A (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
CN103218792B (zh) | 一种基于配准的红外图像噪声时域滤波方法 | |
CN113902694A (zh) | 一种基于动静结合的目标检测方法 | |
CN108573236B (zh) | 基于离散分数布朗随机场的云天背景下红外弱小目标检测方法 | |
CN110751671B (zh) | 一种基于核相关滤波与运动估计的目标跟踪方法 |
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 |
Application publication date: 20180119 |
|
RJ01 | Rejection of invention patent application after publication |