CN110400294B - 一种红外目标探测***及探测方法 - Google Patents
一种红外目标探测***及探测方法 Download PDFInfo
- Publication number
- CN110400294B CN110400294B CN201910652000.2A CN201910652000A CN110400294B CN 110400294 B CN110400294 B CN 110400294B CN 201910652000 A CN201910652000 A CN 201910652000A CN 110400294 B CN110400294 B CN 110400294B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- infrared
- detection
- target detection
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 315
- 230000001629 suppression Effects 0.000 claims abstract description 56
- 238000012790 confirmation Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims description 110
- 238000001914 filtration Methods 0.000 claims description 67
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000003672 processing method Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 239000000523 sample Substances 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种红外目标探测***,包括:图像获取模块,用于获取探测图像;背景抑制模块,连接所述图像获取模块,用于对所述探测图像进行图像背景抑制并输出;目标检测模块,连接所述背景抑制模块,用于对经背景抑制后的所述探测图像进行目标检测,得到目标检测结果并输出;目标确认模块,连接所述目标检测模块,用于在所述目标检测结果中识别得到目标图像,并输出目标确认结果,本发明能够排除地面杂波干扰,对低信杂比弱目标进行有效持续跟踪,降低了目标跟踪的虚警率,提高了红外目标探测***的目标追踪能力。
Description
技术领域
本发明涉及目标识别技术领域,尤其涉及一种红外目标探测***及探测方法。
背景技术
在战场环境中,是否能够对低信杂比弱目标(比如在空中飞行的战斗机)实现有效跟踪探测,对军队扩大作战距离、增加作战反应时间及在未来战争中夺得制空权具有重要的军事意义。然而,现有的红外防御探测***在对中低空目标进行探测时,由于图像地面杂波干扰严重,会造成严重虚警,很难对这些低信杂比弱目标进行持续有效跟踪。
发明内容
鉴于上述存在的技术问题,本发明的目的在于提供一种红外目标探测***,以解决上述技术问题
本发明还提供了一种红外目标探测方法,通过应用所述红外目标探测***实现。
本发明解决其技术问题采取的技术方案是,提供一种红外目标探测***,包括:
图像获取模块,用于获取探测图像;
背景抑制模块,连接所述图像获取模块,用于对所述探测图像进行图像背景抑制并输出;
目标检测模块,连接所述背景抑制模块,用于对经背景抑制后的所述探测图像进行目标检测,得到目标检测结果并输出;
目标确认模块,连接所述目标检测模块,用于在所述目标检测结果中识别得到目标图像,并输出目标确认结果。
作为本发明的一种优选方案,所述红外目标探测***还包括:
目标区域确认模块,分别连接所述图像获取模块和所述背景抑制模块,用于预先确认并标记出目标图像在所述探测图像中的疑似所处区域位置,并将经疑似区域位置标记的所述探测图像发送给所述背景抑制模块作图像背景抑制处理。
作为本发明的一种优选方案,所述目标检测模块中包括:
虚警概率设定单元,用于设定所述红外目标探测***的虚警概率;
检测门限计算单元,连接所述虚警概率设定单元,用于基于所述虚警概率,计算得到检测门限;
检测单元,用于对所述探测图像进行逐区域的图像扫描并生成对应的多个图像扫描信号;
判断单元,分别连接所述检测单元和所述检测门限计算单元,用于判断各所述图像扫描信号对应的信号强度是否大于或等于所述检测门限,
若是,则将生成所述图像扫描信号的区域标记为所述目标图像在所述探测图像中的疑似所处位置;
若否,则继续对下一个所述图像扫描信号与所述检测门限进行数值比对,直至完成对所有所述图像扫描信号的数值比对;
目标检测结果生成单元,连接所述判断单元,用于将标记出的所述疑似所处位置作为目标检测结果输出。
作为本发明的一种优选方案,所述目标检测模块中还包括:
检测概率计算单元,连接所述检测门限计算单元,用于基于所述检测门限,计算得到所述红外目标探测***的检测概率;
信噪比计算单元,分别连接所述虚警概率设定单元、所述检测门限计算单元和所述检测概率计算单元,用于基于所述虚警概率、所述检测门限和所述检测概率,计算得到一参考信噪比;
所述信噪比计算单元还用于计算获取的所述探测图像的信噪比。
作为本发明的一种优选方案,所述目标确认模块中包括:
目标图像确认单元,用于在标记出的所述目标图像的所述疑似所处位置中确认所述目标图像在所述探测图像中的具***置;
目标确认结果生成单元,连接所述目标图像确认单元,用于将确认的所述具***置作为目标确认结果输出。
本发明还提供一种红外目标探测方法,通过应用所述红外目标探测***实现,包括如下步骤:
步骤S1,所述红外目标探测***获取所述探测图像;
步骤S2,所述红外目标探测***根据预设的背景抑制方法,对所述探测图像进行图像背景抑制;
步骤S3,所述红外目标探测***根据预设的目标检测方法,对经背景抑制后的所述探测图像进行目标检测,得到目标检测结果;
步骤S4,所述红外目标探测***根据预设的目标确认方法,在所述目标检测结果中识别得到目标图像,并将所述目标图像作为目标确认结果输出。
作为本发明的一种优选方案,所述步骤S2中的所述背景抑制方法包括针对单帧探测图像的空域处理方法和针对多帧探测图像的时域处理方法,
其中,所述空域处理方法包括高通滤波法、中值滤波法、LMS滤波法、形态学滤波法和小波变化法中的任意一种;
所述时域处理方法包括图像帧间差分法和管道滤波法中的任意一种。
作为本发明的一种优选方案,所述步骤S3中的所述目标检测方法包括如下步骤:
步骤L1,所述红外目标探测***基于设定的虚警概率,计算得到一检测门限;
步骤L2,所述红外目标探测***对所述探测图像进行逐区域的图像扫描并生成多个图像扫描信号;
步骤L3,所述红外目标探测***判断各所述图像扫描信号对应的信号强度是否大于或等于所述检测门限,
若是,则将生成所述图像扫描信号的区域标记为所述目标图像在所述探测图像中的疑似所处位置;
若否,则继续对下一个所述图像扫描信号与所述检测门限进行数值比对,直至完成对所有所述图像扫描信号的数值比对;
步骤L4,所述红外目标探测***将标记出的所述疑似所处位置作为目标检测结果输出。
作为本发明的一种优选方案,所述步骤L1中的所述检测门限通过以下公式计算而得:
r=E(n)-σijk×Φ-1(Pf);
上式中,r用于表示所述检测门限;
E(n)用于表示所述探测图像的噪声均值;
σijk用于表示第k帧噪声方差;
Pf用于表示所述虚警概率;
Φ-1(Pf)用于表示虚警概率分布函数。
作为本发明的一种优选方案,所述步骤S4中的所述目标确认方法包括如下步骤:
步骤A1,所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的具***置;
步骤A2,所述红外目标探测***将确认的所述具***置作为目标确认结果输出。
作为本发明的一种优选方案,所述步骤A1中的所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的所述具***置的方法包括第一确认方法,
所述第一确认方法具体包括如下步骤:
步骤A11,所述红外目标探测***对所述目标检测结果进行逐区域的图像扫描,并同时对扫描到的区域图像进行信噪比计算,得到对应所述区域图像的图像信噪比;
步骤A12,所述红外目标探测***将所述图像信噪比与预设的参考信噪比进行数据比对,判断所述图像信噪比是否大于或等于所述参考信噪比;
若是,则判定所述区域图像为所述目标图像;
若否,则判定为所述区域图像为非所述目标图像,所述红外目标探测***则继续对下一张扫描到的所述区域图像进行图像信噪比比对,直至完成对所有扫描到的所述区域图像的信噪比比对;
步骤A13,所述红外目标探测***将判定为所述目标图像的所述区域图像作为目标确认结果输出。
作为本发明的一种优选方案,所述步骤A1中的所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的所述具***置的方法包括第二确认方法,所述第二确认方法具体包括如下步骤:
步骤B11,所述红外目标探测***对所述目标检测结果进行逐区域的图像扫描,并同时对扫描到的区域图像进行对比度计算,得到对应所述区域图像的图像对比度;
步骤B12,所述红外目标探测***将所述图像对比度与预设的参考对比度进行数据比对,判断所述图像对比度是否大于或等于所述参考对比度;
若是,则判定所述区域图像为所述目标图像;
若否,则判定为所述区域图像为非所述目标图像,***将继续对所述目标检测结果进行逐区域的图像扫描,直至完成对扫描到的所有所述区域图像的对比度数值比对;
步骤B13,所述红外目标探测***将判定为所述目标图像的所述区域图像作为目标确认结果输出。
作为本发明的一种优选方案,所述步骤A1中的所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的所述具***置的方法包括第三确认方法,
所述第三确认方法具体包括如下步骤:
步骤C11,所述红外目标探测***对所述目标检测结果中的疑似目标点进行灰度值计算,得到所述疑似目标点对应的灰度值并保存;
步骤C12,所述红外目标探测***以所述疑似目标点为中心位置,计算远离所述疑似目标点的多个方向上的依次排列的各像素点对应的灰度值并保存;
步骤C13,所述红外目标探测***分析远离所述疑似目标点的每个所述方向上的依次排列的各所述像素点对应的所述灰度值的变化趋势,得到变化趋势分析结果并保存;
步骤C14,所述红外目标探测***判定灰度值呈衰减趋势的所述方向数是否大于或等于两个,
若是,则判定所述疑似目标点为所述目标图像;
若否,则判定所述疑似目标点为非所述目标图像,并继续对下一个疑似目标点邻域内的各像素点进行灰度值变化趋势判断;
步骤C15,所述红外目标探测***将判定为所述目标图像的所述疑似目标点作为目标确认结果输出。
本发明的有益效果是,能够排除地面杂波干扰,对低信杂比弱目标进行有效持续跟踪,降低了目标跟踪的虚警率,提高了红外目标探测***的目标追踪能力。
附图说明
图1是本发明实施例一提供的红外目标探测***的结构示意图;
图2是本发明实施例二提供的红外目标探测***的结构示意图;
图3是本发明实施例一或实施例二提供的红外目标探测***中的目标检测模块的内部结构示意图;
图4是是本发明实施例一或实施例二提供的红外目标探测***中的目标确认模块的内部结构示意图;
图5是应用本发明实施例一或实施例二提供的红外目标探测***实现红外目标探测的方法步骤图;
图6是本发明提供的红外目标探测方法中的目标检测方法步骤图;
图7是本发明提供的红外目标探测方法中的目标确认方法步骤图;
图8是本发明提供的目标确认方法中确认目标图像在探测图像中的具***置的第一确认方法步骤图;
图9是本发明提供的目标确认方法中确认目标图像在探测图像中的具***置的第二确认方法步骤图;
图10是本发明提供的目标确认方法中确认目标图像在探测图像中的具***置的第三确认方法步骤图;
图11是探测图像中的疑似目标点邻域八方向示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
请参照图1,本发明实施例一提供的一种红外目标探测***,包括:
图像获取模块1,用于获取探测图像;
背景抑制模块2,连接图像获取模块1,用于对探测图像进行图像背景抑制并输出;
目标检测模块3,连接背景抑制模块2,用于对经背景抑制后的探测图像进行目标检测,得到目标检测结果并输出;
目标确认模块4,连接目标检测模块3,用于在目标检测结果中识别得到目标图像,并输出目标确认结果。
请参照图3,目标检测模块3中具体包括:
虚警概率设定单元31,用于设定红外目标探测***的虚警概率;
检测门限计算单元32,连接虚警概率设定单元31,用于基于设定的虚警概率,计算得到一检测门限;
检测单元33,用于对探测图像进行逐区域的图像扫描并生成对应的多个图像扫描信号;
判断单元34,分别连接检测单元33和检测门限计算单元32,用于判断各图像扫描信号对应的信号强度是否大于或等于检测门限,
若是,则将生成该图像扫描信号的区域标记为目标图像在探测图像中的疑似所处位置;
若否,则继续对下一个图像扫描信号与检测门限进行数值比对,直至完成对所有图像扫描信号的数值比对;
目标检测结果生成单元35,连接判断单元34,用于将标记出的疑似所处位置作为目标检测结果输出。
上述技术方案中,优选地,目标检测模块3中还包括:
检测概率计算单元36,连接检测门限计算单元32,用于基于检测门限,计算得到红外目标探测***的检测概率;
信噪比计算单元37,分别连接虚警概率设定单元31、检测门限计算单元32和检测概率计算单元36,用于基于设定的虚警概率以及计算得到的检测门限和检测概率,计算得到一参考信噪比;
信噪比计算单元37,还用于计算获取的探测图像的信噪比。
请参照图4,目标确认模块4中具体包括:
目标图像确认单元41,用于在标记出的目标图像的疑似所处位置中确认目标图像在探测图像中的具***置;
目标确认结果生成单元42,连接目标图像确认单元41,用于将确认的具***置作为目标确认结果输出。
请参照图5,本发明还提供了一种红外目标探测方法,通过应用本实施例一提供的红外目标探测***实现,具体包括如下步骤:
步骤S1,红外目标探测***获取探测图像;
步骤S2,红外目标探测***根据预设的背景抑制方法,对探测图像进行图像背景抑制;
步骤S3,红外目标探测***根据预设的目标检测方法,对经背景抑制后的探测图像进行目标检测,得到目标检测结果;
步骤S4,红外目标探测***根据预设的目标确认方法,在目标检测结果中识别得到目标图像,并将目标图像作为目标确认结果输出。
上述技术方案中,步骤S2中的所述背景抑制方法包括针对单帧探测图像的空域处理方法和针对多帧探测图像的时域处理方法,
其中,空域处理方法包括现有技术中存在的高通滤波法、中值滤波法、LMS滤波法、形态学滤波法和小波变换法;
时域处理方法包括现有技术中存在的图像帧间差分法和管道滤波法。
上述技术方案中,空域处理方法实为空域处理算法,空域处理算法是基于目标图像和背景图像的空间特性差异抑制探测图像的图像背景的。通常情况下,小目标亮度较领域内背景的亮度高,属于探测图像中的高频部分(也就是探测图像中亮度高于背景图像的部分)。而且,通常情况下,一般探测图像中的目标面积在1×1至3×3像素之间,而背景图像的面积通常较目标面积大得多,背景图像中的细节成分也比较少,属于探测图像的低频部分(也就是探测图像中亮度低于目标图像的部分)。本发明基于上述目标图像和背景图像的空间特性差异,通过应用高通滤波法、中值滤波法、LMS滤波法、形态学滤波法或小波变换法中的任意一种,实现对探测图像的背景抑制。
上述技术方案中,高通滤波法对探测图像进行背景抑制原理简述如下:
高通滤波法是目前小目标检测识别中最常用的图像处理方法。高通滤波法利用背景图像各像素点之间的灰度相关性,以及目标图像灰度与背景图像灰度的无关性,在图像空间作高通模板的卷积或频域高通滤波。高通滤波法可视为一种空间匹配滤波方法,在假设空中远距离目标图像大小占1×1至3×3像素的前提下及分析目标图像对应的图像信号强度分布特点后,选取5×5高通滤波算子为:
对于高通滤波模板H1,中心像素权值最大,易通过,而周围部分权值均为-1,值小,不易通过。由此可知,对于目标点和孤立噪声点,由于信号强度较背景图像高,容易通过滤波器。而对于有一定成像面积的背景图像,不容易通过,可以较好地抑制背景。
对于高通滤波模板H2,将中心高权值部分分布在十字型区域中,使权值分散,将使滤波后的小目标膨胀,面积变大,被滤掉的背景图像灰度变得均匀。同样的,由于十字型区域中的信号强度较背景图像高,容易通过滤波器。而对于有一定成像面积的背景图像,不容易通过,可以较好地抑制背景。
上述技术方案中,中值滤波法对探测图像进行背景抑制原理简述如下:
中值滤波是一种典型的非线性滤波算法。其基本思想是,在输入的探测图像中,以任一像元为中心设置一个确定的领域A,然后将领域A内各像素的灰度值按大小进行有序排列。然后取位于中间位置的那个值(中值)作为该像元的输出灰度值,遍历整幅探测图像可完成整个滤波过程。
然后,将原始的探测图像与经滤波输出后的探测图像相减,即可得到消除了背景图像的探测图像。
上述技术方案中,LMS滤波法对探测图像进行背景抑制的原理简述如下:
LMS滤波算法(二维最小均方滤波算法)是一种典型的自适应线型预测算法,其利用背景图像红外辐射分布的相关性,采用最小均方误差准则,从滤波器的输入信号中线型预测得到杂波背景图像,然后通过原始图像减去预测杂波背景图像达到背景抑制的目的。
当红外图像中含有慢起伏强相关的背景杂波时,二维最小均方差滤波是一种有效的背景预测抑制滤波算法。算法实现过程如下:
利用像元(i,j)附近小邻域内所有像素的灰度值对该点的背景灰度值B(i,j)进行线性预测,得到预测误差e(i,j)为:
f(i,j)表示图像中(i,j)点灰度值;
公式(2)中的Ω表示像元(i,j)附近的小邻域范围;
f(i-m,j-n)则表示为邻域内各像素点的灰度值;
m用于表示相对(i,j)点行偏移m单位;
n用于表示相对(i,j)点列偏移n单位。
二维最小均方滤波算法结构简单、运算速度快,并且能够使图像信杂比得到较大的提高,是一种普遍采用的背景抑制预处理技术。但对于非平稳背景,比如云层背景的边缘,该算法反而可能会导致信杂比的降低,产生大量的虚警。
研究分析发现,自适应预测器能够通过修改权矩阵的方式在一定程度上适应背景的非平稳性起伏,但当预测窗口内的背景具有明显的非平稳性时,将会出现明显的预测误差,由此产生虚警。二维最小均方滤波获得较好的预测效果的前提是预测窗口的范围内背景具有局部平稳性,当被预测点位于边缘时,应有选择的取预测窗口内的部分像素参与预测,以降低亮与云层边缘产生的预测误差。根据上述分析,可对原图像的背景进行边缘检测,对位于背景边缘的像素点,将预测域内的像素点分为亮、暗两类,并且用数量相对较多的一类像素点计算预测值,并修正其权矩阵,这样可在一定程度上更好地一致云层边缘起伏背景。
上述技术方案中,形态学滤波法对探测图像进行背景抑制的原理简述如下:
形态学滤波法的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到图像分析和识别的目的。
数学形态学起源于集合论,后来在图像滤波应用中逐渐发展处灰度形态学技术。数学形态学的基本运算建立在集合论中的并、交和补算子上。灰度形态学最基本的运算就是灰度腐蚀、灰度膨胀、灰值开以及灰值闭。
假设有一副灰度图像f(x,y),形态学处理时的结构元素为t(i,j),则灰度腐蚀定义为:
fΘk=min{f(x+i,y+j)-t(i,j)|(x+i,y+j)∈Df;(i,j)∈Dk} 公式(3)
灰度膨胀定义为:
公式(3)和公式(4)中,Df表示灰度图像的定义域;
Dk表示结构元素的定义域;
i用于表示行坐标;
j用于表示列坐标。
灰度形态开运算定义为:
灰度形态闭运算定义为:
上述公式(5)和公式(6)中的k用于表示针对第k帧进行运算。
灰度形态腐蚀是以结构元素为模板,搜寻图像在结构基元大小范围内的灰度差的极小值。其结果是,比背景暗的部分得到扩张,而比背景亮的部分受到收缩。
灰度形态膨胀是以结构元素为模板,搜寻图像的结构基元大小范围内的灰度和的极大值。其结果是,比背景亮的部分得到扩张,而比背景暗的部分受到收缩。
灰度形态开运算是先进行形态学腐蚀后再进行形态学膨胀的运算。灰度形态闭运算是先进行形态学膨胀后再进行形态学腐蚀的运算。开运算和闭运算都是只允许大结构通过而过滤掉小结构。对一幅图像进行开运算可消除图像中的孤岛或尖峰等过亮的点。而对一幅图像进行闭运算可滤除闭背景暗且尺寸比结构元素小的结构。从滤波效果看,开运算和非线性低通滤波器很相似。
从远距离红外弱小目标图像的特性看,灰度开运算可用来进行背景估计。当目标距离较远,在探测图像中只占据几个像素,目标的灰度较背景高,是图像中的孤立小斑点,而背景图像呈大面积连续分布状态,对探测图像进行开运算可以消除图像中的孤立亮点,用目标图像模板对探测图像作灰度开运算时,就可以得到去除目标的只含探测背景的图像。
另外,还可利用神经网络的自学习功能来优化训练形态学算法滤波器结构元素,使形态滤波过程融入特有的智能。研究发现,经过神经网络训练优化后的结构元素对信杂比较低的复杂背景小目标图像具有良好的滤波性能。
上述技术方案中,小波变换法对探测图像进行背景抑制的原理简述如下:
小波变换的应用开辟了信号处理的新领域,其主要特点是将信号表示成代表原始信号不同信息成分的不同尺度和不同位置的基本单元。小波变换具有良好的时-频局部化特征、多尺度特征和方向特征,是分析信号奇异性的强有力的工具。
基于小波分析的目标检测,其基本思想是构造特殊性质的小波函数,分析检测图像在小波基上的分解系数的规律,利用小波的多分辨特性,对图像进行预处理,以抑制背景杂波。
利用小波变换法检测弱小目标时,首先根据红外目标的大小及图像噪声的强弱,对探测图像进行多尺度分解,将图像分为低频部分和高频部分。由红外图像图标及低空背景特性分析可知,背景信息处在低频部分,目标信息处在高频部分。其次,将低频部分经小波多尺度恢复,得到背景图像。最后将探测图像与背景图像差分取绝对值作为小波变换背景抑制后的结果。当然也可以直接对高频信息进行目标检测识别。直接对高频信息进行目标检测识别的方法在此不作阐述。
上述技术方案中,针对多帧探测图像的时域处理方法实为时域滤波处理算法。时域滤波是将红外传感器获取的图像序列看作由二维空间坐标和一维时间坐标组成的三维图像数据,然后根据目标背景在图像序列中相邻帧之间的运动特性差异抑制背景以增强目标。
帧间差分法和管道滤波法是两种典型的时域背景抑制算法。
对于背景相对固定的运动目标检测来说,帧间差分法由于良好的背景抑制性能成为目前应用最广的运动目标检测方法。帧间差分的前提是背景在帧间不动或者缓动,而目标相对于背景运动显著。目标和背景的运动差异程度决定了帧间差分算法的性能。
传统的帧间差分算法一般可分为两类,一类是用图像序列中的每一帧和一个固定的静止的参考帧(不存在任何运动物体)做图像差。另一类是用图像序列中的相邻帧进行差分处理,然后二值化该灰度差分图像来提取运动信息。
管道滤波法是建立在对像素点时域波形特性分析的基础上。当目标经过像素点的一段时间内,像素点的亮度表现为特殊的峰值时域波形,该波形与云杂波及无云背景所产生的时域波形差异较大,通过判断一个像素的时域序列中是否存在与目标波形匹配的数据段,检测目标是否经过该像素点。由于小目标的大小、信杂比的不确定性,难以精确描述小目标的时域波形,所以很难找到通用的匹配滤波器,管道滤波法存在的上述问题限制了该方法的应用。
上述技术方案中,关于对探测图像的背景抑制处理效果简述如下:
目标和背景的关系可以分为三类:第一类是,目标处在均匀背景中;第二类,目标处在起伏背景中;第三类,目标处在强起伏背景中。本发明应用高通滤波法、或中值滤波法、或形态学滤波法、或LMS滤波法对探测图像进行背景抑制过程中的目标图像和背景图像的特性统计数据,详见下表a。
表a
由上表a中可以看出:
1、对于背景比较均匀的图像,各种滤波算法在信杂比改善方面均具有较好地性能。性能相对较差的是最小均方误差滤波算法。
2、对于起伏背景图像,中值滤波和Top-hat(顶帽变换技术)变换显现出其非线性滤波的优势,而最小均方滤波算法的性能则急剧下降。
3、对于强起伏背景图像,中值滤波和Top-hat(顶帽变换技术)变换背景抑制效果较为突出,完全体现出非线性滤波的优势。而最小均方滤波方法已经明显不适合应用。
综上分析,最小均方滤波随着背景由均匀到起伏的转变,其算法性能急剧下降。而中值滤波和Top-hat变换在抑制起伏背景和强起伏背景方面效果更为突出。
需要说明的是Top-hat变换算法实为一种形态学滤波算法。
请参照图6,步骤S3中的所述目标检测方法具体包括如下步骤:
步骤L1,红外目标探测***基于设定的虚警概率,计算得到一检测门限;
步骤L2,红外目标探测***对探测图像进行逐区域的图像扫描并生成多个图像扫描信号;
步骤L3,红外目标探测***判断各图像扫描信号对应的信号强度是否大于或等于检测门限;
若是,则将生成该图像扫描信号的区域标记为目标图像在探测图像中的疑似所处位置;
若否,则继续对下一个图像扫描信号与检测门限进行数值比对,直至完成对所有图像扫描信号的数值比对;
步骤L4,红外目标探测***将标记出的疑似所处位置作为目标检测结果输出。
红外目标探测***对目标进行检测的过程详述如下:
由对探测图像的特性分析可知,探测图像序列符合以下数学模型:
公式(7)中,f(i,j,k),用于表示探测图像;
fT(i,j,k),用于表示目标图像;
fB(i,j,k),用于表示背景图像;
n(i,j,k),用于表示噪声图像;
(i,j),用于表示像素点坐标;
k,用于表示序列图像中的帧号。
经背景抑制后的探测图像符合以下数学模型:
公式(8)中,f'(i,j,k),用于表示经背景抑制后的不含起伏背景的探测图像;
fT(i,j,k),用于表示目标图像;
n(i,j,k),用于表示噪声图像;
(i,j),用于表示像素点坐标;
k,用于表示序列图像中的帧号。
理论分析表明,n(i,j,k)符合均值为0,方差为的高斯白噪声模型。是由红外目标探测***的性能决定的,是已知的。但目标图像出现的概率是难以预测的,同时目标图像也就是目标信号fT(i,j,k)的分布不能用准确的模型表示。鉴于此,本发明通过奈曼-皮尔逊准则(Neyman-Pearson)实现对目标图像的检测。具体而言,通过恒虚警检测方法,即确定一个允许的虚警概率Pf,使红外目标探测***的检测概率Pd达到最大值。
虚警概率Pf通过下式(9)计算而得:
公式(9)中,r用于表示检测门限;
σijk 2,用于表示噪声方差;
E(n),用于表示噪声均值。
根据公式(9),检测门限r通过下式(10)计算而得:
r=E(n)-σijk×Φ-1(Pf) 公式(10)
由弱小目标信杂比定义公式(11)知:
公式(11)中,SNR用于表示目标图像的信噪比;
E(n),用于表示噪声均值;
δijk,用于表示第k帧噪声方差;
fT,用于表示目标信号fmubiao的灰度均值。
fmubiao:N(fT,δm 2)。经分析知δm=σijk,即fmubiao:N(fT,δijk 2)。
由此可通过以下公式(12)计算得到红外目标探测***的检测概率Pd为:
由此,公式(12)可化简为以下公式(13):
公式(9)可化简为以下公式(14):
将公式(11)代入到公式(13)中可得到以下公式(15):
所以,当红外目标探测***要求虚警概率Pf≤10-6,检测概率Pd≥0.98时,将Pf和Pd的数值分别代入到公式(14)和公式(15)中,得到:
由此得出,目标图像的信噪比SNR≥6.8。此时检测门限r通过公式(16)表示为:
r=E(n)+4.753×σ
公式(16)
本发明提供的红外目标探测***对探测图像进行逐区域的图像扫描并生成多个图像扫描信号。然后***判断各图像扫描信号对应的信号强度是否大于或等于检测门限r,
若是,则将生成该图像扫描信号的区域标记为目标图像在探测图像中的疑似所处位置;
若否,则继续对下一个图像扫描信号与检测门限r进行数值比对,直至完成对所有图像扫描信号的数值比对。
当然,红外目标探测***可以通过判断扫描到的区域图像的信噪比,判断扫描到的区域图像是否为目标图像的疑似所处位置,
若红外目标探测***扫描到的区域图像的信噪比大于或等于计算到的参考信噪比(比如参考信噪比为6.8),则判定扫描到的区域图像为目标图像在探测图像上的疑似所处位置;
若否,则表明扫描到的该区域图像为非目标图像进行过滤排除。
从上述分析可知,要想在允许的虚警概率范围内,应用单帧实时检测技术,同时使检测概率满足一定要求,要求经背景抑制后的目标图像的全局信噪比SNR≥6.8。
经多次实验验证,本发明提供的各种背景抑制算法在多数情况下能够满足信噪比大于或等于6.8的指标。但当目标距探测器较远时,单帧背景抑制后,目标图像的信噪比无法满足上述指标要求,此时需要用多帧处理算法,通过多帧能量的累积提高目标的信噪比,以同时满足虚警概率和检测概率的要求。多帧处理算法为非本发明要求权利保护的范围,在此不作阐述。
请参照图7,步骤S4中的所述目标确认方法包括如下步骤:
步骤A1,红外目标探测***在目标检测结果中确认目标图像在探测图像中的具***置;
步骤A2,红外目标探测***将确认的具***置作为目标确认结果输出。
请参照图8,步骤A1中的所述红外目标探测***在目标检测结果中确认目标图像在探测图像中的具***置的方法包括第一确认方法,
第一确认方法具体包括如下步骤:
步骤A11,红外目标探测***对目标检测结果进行逐区域的图像扫描,并同时对扫描到的区域图像进行信噪比计算,得到对应区域图像的图像信噪比;
步骤A12,红外目标探测***将计算的图像信噪比于预设的参考信噪比进行数据比对,判断图像信噪比是否大于或等于参考信噪比;
若是,则判定该区域图像为目标图像;
若否,则判定该区域图像为非目标图像,红外目标探测***则继续对下一张扫描到的区域图像进行图像信噪比比对,直至完成对所有扫描到的区域图像的信噪比比对;
步骤A13,红外目标探测***将判定为目标图像的区域图像作为目标确认结果输出。
上述技术方案中,经分析知,探测图像经过背景抑制和目标检测后得到的疑似目标序列由探测图像的高频信息部分组成。目标图像、噪声图像和强起伏背景图像(比如图像中的云层边缘)均为高频信息,都可能处在疑似目标序列中,所以,仅通过比对图像信噪比方式无法准确区分目标检测结果中的目标图像的疑似所处位置是否真正为目标图像的所处具***置,所以本发明还提供了第二确认方法,以确认目标图像在探测图像中所处的具***置。
请参照图9,第二确认方法具体包括如下步骤:
步骤B11,红外目标探测***对目标检测结果进行逐区域的图像扫描,并同时对扫描到的区域图像进行对比度计算,得到对应区域图像的图像对比对;
步骤B12,红外目标探测***将图像对比度与预设的参考对比度进行数据比对,判断图像对比度是否大于或等于参考对比度,
若是,则判定该区域图像为目标图像;
若否,则判定该区域图像为非目标图像,***将继续对目标检测结果进行逐区域的图像扫描,直至完成对扫描到的所有区域图像的对比度数值比对;
步骤B13,红外目标探测***将判定为目标图像的区域图像作为目标确认结果输出。
上述计算方案中,对比度通过以下公式(17)计算而得:
公式(17)中,fT用于表示目标图像也就是目标信号fmubiao的灰度均值;
fB用于表示噪声图像的灰度均值。
优选地,本发明还提供了第三确认方法,以确认目标图像在探测图像中所处的具***置。
请参照图10,第一确认方法具体包括如下步骤:
步骤C11,红外目标探测***对目标检测结果中的疑似目标点进行灰度值计算,得到疑似目标点对应的灰度值并保存;
步骤C12,红外目标探测***以该疑似目标点为中心位置,计算远离疑似目标点的多个方向上的依次排列的各像素点对应的灰度值并保存;
步骤C13,红外目标探测***分析远离该疑似目标点的每个方向上的依次排列的各像素点对应的灰度值的变化趋势,得到变化趋势分析结果并保存;
步骤C14,红外目标探测***判定灰度值呈衰减趋势的方向数是否大于或等于两个;
若是,则判定该疑似目标点为目标图像;
若否,则判定该疑似目标点为非目标图像,并继续对下一个疑似目标点邻域内的各像素点进行灰度值变化趋势判断;
步骤C15,红外目标探测***将判定为目标图像的疑似目标点作为目标确认结果输出。
具体而言,第三确认方法中,根据目标与云层边缘灰度分布差异可知,真实目标中心灰度最高,向周围逐渐衰减扩散;周围局部小区域内背景灰度变化平缓,而云层边缘虚警点并非其邻域内灰度最大点,且周围局部小区域内灰度变化剧烈。
请参照图11,对于大小为1×1至5×5像素之间的疑似目标,取目标点(疑似目标点聚类域中的灰度值最大的点)的7×7邻域。
假设目标点某一方向像素值满足:
f(1)>(f(2)-a×σbjyz)>(f(3)-2a×σbjyz)>(f(4)-3a×σbjyz)公式(18)
公式(18)中,f(i)用于表示标号i所处位置对应的灰度值;
σbjyz用于表示经背景抑制后的背景均方差;
α为调节因子,一般取值0.2至0.5。
则认为该方向呈衰减趋势,否则,认为该方向不呈衰减趋势。
上述技术方案中,由于目标物理运动特性的限制,真实目标点的运动轨迹具有一定的延续性和一致性,在短时间内,可以认为目标是匀速直线运动的。而噪声的出现位置是随机的。所以,针对运动的目标,本发明基于目标航迹关联准则为目标建立起目标航迹,并通过目标航迹判断疑似目标点是否为真实目标点。
应用目标航迹关联准则确认疑似目标点是否为真实目标点的方法为现有技术中存在目标确认方法,在此不作详细阐述。
实施例二
实施例二与实施例一的区别在于,请参照图2,实施例二提供的红外目标探测***还包括:
目标区域确认模块5,分别连接图像获取模块1和背景抑制模块3,用于预先确认并标记出目标图像在探测图像中的疑似所处区域位置,并将经疑似区域位置标记的探测图像发送给背景抑制模块3作图像背景抑制处理。
上述技术方案中,目标区域确认模块5预先确认目标图像在探测图像中的疑似所处区域位置的方法为现有技术中存在的确认方法,比如根据行方差序列变化率提取探测图像中的天地交界线来确认目标所在天空区域的方法,该确认方法降低了背景抑制难度,降低了目标虚警率,降低了***的计算量。
上述技术方案中,所述信噪比等同于信杂比。
综上,本发明能够排除地面杂波干扰,对低信杂比弱目标进行有效持续跟踪,降低了目标跟踪的虚警率,提高了红外目标探测***的目标追踪能力。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (11)
1.一种红外目标探测***,其特征在于,包括:
图像获取模块,用于获取探测图像;
背景抑制模块,连接所述图像获取模块,用于对所述探测图像进行图像背景抑制并输出;
目标检测模块,连接所述背景抑制模块,用于对经背景抑制后的所述探测图像进行目标检测,得到目标检测结果并输出;
目标确认模块,连接所述目标检测模块,用于在所述目标检测结果中识别得到目标图像,并输出目标确认结果;
目标区域确认模块,分别连接所述图像获取模块和所述背景抑制模块,用于预先确认并标记出目标图像在所述探测图像中的疑似所处区域位置,并将经疑似区域位置标记的所述探测图像发送给所述背景抑制模块作图像背景抑制处理;
所述目标检测模块中包括:
虚警概率设定单元,用于设定所述红外目标探测***的虚警概率;
检测门限计算单元,连接所述虚警概率设定单元,用于基于所述虚警概率,计算得到检测门限;
检测单元,用于对所述探测图像进行逐区域的图像扫描并生成对应的多个图像扫描信号;
判断单元,分别连接所述检测单元和所述检测门限计算单元,用于判断各所述图像扫描信号对应的信号强度是否大于或等于所述检测门限,
若是,则将生成所述图像扫描信号的区域标记为所述目标图像在所述探测图像中的疑似所处位置;
若否,则继续对下一个所述图像扫描信号与所述检测门限进行数值比对,直至完成对所有所述图像扫描信号的数值比对;
目标检测结果生成单元,连接所述判断单元,用于将标记出的所述疑似所处位置作为目标检测结果输出。
2.如权利要求1所述的红外目标探测***,其特征在于,所述目标检测模块中还包括:
检测概率计算单元,连接所述检测门限计算单元,用于基于所述检测门限,计算得到所述红外目标探测***的检测概率;
信噪比计算单元,分别连接所述虚警概率设定单元、所述检测门限计算单元和所述检测概率计算单元,用于基于所述虚警概率、所述检测门限和所述检测概率,计算得到一参考信噪比;
所述信噪比计算单元还用于计算获取的所述探测图像的信噪比。
3.如权利要求2所述的红外目标探测***,其特征在于,所述目标确认模块中包括:
目标图像确认单元,用于在标记出的所述目标图像的所述疑似所处位置中确认所述目标图像在所述探测图像中的具***置;
目标确认结果生成单元,连接所述目标图像确认单元,用于将确认的所述具***置作为目标确认结果输出。
4.一种红外目标探测方法,通过应用如权利 要求1-3任意一项所述的红外目标探测***实现,其特征在于,包括如下步骤:
步骤S1,所述红外目标探测***获取所述探测图像;
步骤S2,所述红外目标探测***根据预设的背景抑制方法,对所述探测图像进行图像背景抑制;
步骤S3,所述红外目标探测***根据预设的目标检测方法,对经背景抑制后的所述探测图像进行目标检测,得到目标检测结果;
步骤S4,所述红外目标探测***根据预设的目标确认方法,在所述目标检测结果中识别得到目标图像,并将所述目标图像作为目标确认结果输出。
5.如权利要求4所述的红外目标探测方法,其特征在于,所述步骤S2中的所述背景抑制方法包括针对单帧探测图像的空域处理方法和针对多帧探测图像的时域处理方法,
其中,所述空域处理方法包括高通滤波法、中值滤波法、LMS滤波法、形态学滤波法和小波变化法中的任意一种;
所述时域处理方法包括图像帧间差分法和管道滤波法中的任意一种。
6.如权利要求4所述的红外目标探测方法,其特征在于,所述步骤S3中的所述目标检测方法包括如下步骤:
步骤L1,所述红外目标探测***基于设定的虚警概率,计算得到一检测门限;
步骤L2,所述红外目标探测***对所述探测图像进行逐区域的图像扫描并生成多个图像扫描信号;
步骤L3,所述红外目标探测***判断各所述图像扫描信号对应的信号强度是否大于或等于所述检测门限,
若是,则将生成所述图像扫描信号的区域标记为所述目标图像在所述探测图像中的疑似所处位置;
若否,则继续对下一个所述图像扫描信号与所述检测门限进行数值比对,直至完成对所有所述图像扫描信号的数值比对;
步骤L4,所述红外目标探测***将标记出的所述疑似所处位置作为目标检测结果输出。
8.如权利要求4所述的红外目标探测方法,其特征在于,所述步骤S4中的所述目标确认方法包括如下步骤:
步骤A1,所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的具***置;
步骤A2,所述红外目标探测***将确认的所述具***置作为目标确认结果输出。
9.如权利要求8所述的红外目标探测方法,其特征在于,所述步骤A1中的所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的所述具***置的方法包括第一确认方法,
所述第一确认方法具体包括如下步骤:
步骤A11,所述红外目标探测***对所述目标检测结果进行逐区域的图像扫描,并同时对扫描到的区域图像进行信噪比计算,得到对应所述区域图像的图像信噪比;
步骤A12,所述红外目标探测***将所述图像信噪比与预设的参考信噪比进行数据比对,判断所述图像信噪比是否大于或等于所述参考信噪比;
若是,则判定所述区域图像为所述目标图像;
若否,则判定为所述区域图像为非所述目标图像,所述红外目标探测***则继续对下一张扫描到的所述区域图像进行图像信噪比比对,直至完成对所有扫描到的所述区域图像的信噪比比对;
步骤A13,所述红外目标探测***将判定为所述目标图像的所述区域图像作为目标确认结果输出。
10.如权利要求8所述的红外目标探测方法,其特征在于,所述步骤A1中的所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的所述具***置的方法包括第二确认方法,所述第二确认方法具体包括如下步骤:
步骤B11,所述红外目标探测***对所述目标检测结果进行逐区域的图像扫描,并同时对扫描到的区域图像进行对比度计算,得到对应所述区域图像的图像对比度;
步骤B12,所述红外目标探测***将所述图像对比度与预设的参考对比度进行数据比对,判断所述图像对比度是否大于或等于所述参考对比度;
若是,则判定所述区域图像为所述目标图像;
若否,则判定为所述区域图像为非所述目标图像,***将继续对所述目标检测结果进行逐区域的图像扫描,直至完成对扫描到的所有所述区域图像的对比度数值比对;
步骤B13,所述红外目标探测***将判定为所述目标图像的所述区域图像作为目标确认结果输出。
11.如权利要求8所述的红外目标探测方法,其特征在于,所述步骤A1中的所述红外目标探测***在所述目标检测结果中确认所述目标图像在所述探测图像中的所述具***置的方法包括第三确认方法,
所述第三确认方法具体包括如下步骤:
步骤C11,所述红外目标探测***对所述目标检测结果中的疑似目标点进行灰度值计算,得到所述疑似目标点对应的灰度值并保存;
步骤C12,所述红外目标探测***以所述疑似目标点为中心位置,计算远离所述疑似目标点的多个方向上的依次排列的各像素点对应的灰度值并保存;
步骤C13,所述红外目标探测***分析远离所述疑似目标点的每个所述方向上的依次排列的各所述像素点对应的所述灰度值的变化趋势,得到变化趋势分析结果并保存;
步骤C14,所述红外目标探测***判定灰度值呈衰减趋势的所述方向数是否大于或等于两个,
若是,则判定所述疑似目标点为所述目标图像;
若否,则判定所述疑似目标点为非所述目标图像,并继续对下一个疑似目标点邻域内的各像素点进行灰度值变化趋势判断;
步骤C15,所述红外目标探测***将判定为所述目标图像的所述疑似目标点作为目标确认结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652000.2A CN110400294B (zh) | 2019-07-18 | 2019-07-18 | 一种红外目标探测***及探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652000.2A CN110400294B (zh) | 2019-07-18 | 2019-07-18 | 一种红外目标探测***及探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400294A CN110400294A (zh) | 2019-11-01 |
CN110400294B true CN110400294B (zh) | 2023-02-07 |
Family
ID=68324494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910652000.2A Active CN110400294B (zh) | 2019-07-18 | 2019-07-18 | 一种红外目标探测***及探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400294B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814579A (zh) * | 2020-06-15 | 2020-10-23 | 西安方元明科技股份有限公司 | 一种基于帧间差分法和形态学的连续视频小目标检测方法 |
CN114061760A (zh) * | 2021-12-14 | 2022-02-18 | 合肥航谱时代科技有限公司 | 一种红外目标探测*** |
CN115205655B (zh) * | 2022-09-15 | 2022-12-09 | 中国科学院长春光学精密机械与物理研究所 | 动态背景下的红外暗弱点目标检测***及其检测方法 |
CN115631114B (zh) * | 2022-12-06 | 2023-03-14 | 北京九章星图科技有限公司 | 基于时域剖面分析的暗弱动目标指示增强在轨处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
RU2419150C1 (ru) * | 2010-03-10 | 2011-05-20 | Федеральное Государственное Унитарное Предприятие "Государственный Рязанский Приборный Завод" | Способ обработки последовательности изображений для обнаружения и слежения за воздушными объектами |
CN109492543A (zh) * | 2018-10-18 | 2019-03-19 | 广州市海林电子科技发展有限公司 | 红外图像的小目标检测方法与*** |
-
2019
- 2019-07-18 CN CN201910652000.2A patent/CN110400294B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
RU2419150C1 (ru) * | 2010-03-10 | 2011-05-20 | Федеральное Государственное Унитарное Предприятие "Государственный Рязанский Приборный Завод" | Способ обработки последовательности изображений для обнаружения и слежения за воздушными объектами |
CN109492543A (zh) * | 2018-10-18 | 2019-03-19 | 广州市海林电子科技发展有限公司 | 红外图像的小目标检测方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN110400294A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400294B (zh) | 一种红外目标探测***及探测方法 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
Tzannes et al. | Detecting small moving objects using temporal hypothesis testing | |
CN106875415A (zh) | 一种动态背景中弱小动目标的连续稳定跟踪方法 | |
CN110728697A (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN103729854A (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
Wang et al. | Clutter-adaptive infrared small target detection in infrared maritime scenarios | |
CN101482969B (zh) | 基于同质点计算的sar图像去斑方法 | |
Dong et al. | Infrared target detection in backlighting maritime environment based on visual attention model | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
Liu et al. | Space target extraction and detection for wide-field surveillance | |
Soundrapandiyan et al. | Adaptive pedestrian detection in infrared images using fuzzy enhancement and top-hat transform | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和*** | |
Jiang et al. | An infrared small target detection algorithm based on peak aggregation and Gaussian discrimination | |
Zhao et al. | Complex background suppression based on fusion of morphological open filter and nucleus similar pixels bilateral filter | |
Wang et al. | Maritime Small Target Detection Based on Appearance Stability and Depth-Normalized Motion Saliency in Infrared Video With Dense Sunglints | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
Yao et al. | Real-time multiple moving targets detection from airborne IR imagery by dynamic Gabor filter and dynamic Gaussian detector | |
Erokhin et al. | Detection and tracking of moving objects with real-time onboard vision system | |
CN112329796A (zh) | 基于视觉显著性的红外成像卷云检测方法和装置 | |
Zaveri et al. | Wavelet-based detection and its application to tracking in an IR sequence |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Jia Honghui Inventor after: Cui Jianhe Inventor before: Cui Jianhe |
|
GR01 | Patent grant | ||
GR01 | Patent grant |