CN111461011B - 基于概率化管道滤波的弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于概率化管道滤波的弱小目标检测方法。主要解决现有小目标检测技术精度和鲁棒性低的问题。其实现方案是：首先对输入序列图像进行背景抑制的预处理，并使用最大类间方差法获得二值图像；然后初始化管道参数，利用已有N帧二值图像建立滤波管道；接着使用概率化管道滤波对预处理后的图像进行检测，即先通过空间约束剔除易区分的噪点，对于难区分的候选目标使用灰度分布和区域特征等计算其属于真实目标的概率，输出概率最大的候选目标作为真实目标。本发明与传统管道滤波相比，有效解决了类目标噪声对真实目标的干扰，提高了目标检测的精度和鲁棒性，降低了漏检率和虚警率，可用于复杂背景下对弱小目标的检测与跟踪。

Description

基于概率化管道滤波的弱小目标检测方法

技术领域

本发明属于模式识别技术领域，特别涉及一种目标的检测方法，可用于复杂背景下对弱小目标的检测与跟踪。

背景技术

弱小目标的检测是光电检测跟踪领域热门问题之一，由于成像原理和成像距离等原因，使得目标的能量远小于背景的能量，同时由于视野较为开阔，所以会引入大量噪声干扰。由于背景复杂，目标弱小，目标常常淹没在噪声之中，这使得图像对比度低，信杂比高，同时由于目标像元占比很小，使得目标缺乏纹理等像素特征，可用于目标检测的特征少。

目前，针对弱小目标的经典检测算法大多是基于单帧检测，但是由于背景中存在大量类目标的干扰，单帧检测很难取得令人满意的效果，如果要提高检测准确率，需要充分利用多帧目标之间的相关性和连续性。由于噪声具有随机性，多帧检测可以较好的剔除虚假目标，输出真实目标轨迹。管道滤波是一种常用的多帧检测算法，刘靳等人2007发表在西安电子科技大学学报上《基于移动式加权管道滤波的红外弱小目标检测》的算法在修改管道中心坐标位置时引入加权的管道中心坐标位移，该方法可以降低管道边缘噪声对检测的干扰，但是没有考虑多帧目标在尺寸等方面的相关性，仍保持管径大小不变，在实际应用中往往容易导致检测失效。徐智勇等人在专利(专利号：CN106469313B)《一种管径自适应时空域滤波的弱小目标检测方法》中提出管径自适应的管道滤波算法，该方法根据目标尺度变化修改管径大小，但是由于没有充分利用多帧目标特征的一致性约束，算法往往不能有效克服强噪点干扰，使得管径跟新出现错误，进而影响检测的鲁棒性和精度。

这些方法仅仅从管道设计的角度改进了更新管道中心和管径大小的方法，没有充分多帧目标及其特征之间的相关性和连续性，造成目标检测的精度低，且鲁棒性差，不能更好地适应当前工程实际需要。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于概率化管道滤波的弱小目标检测方法，以在实现管道参数随目标变化而自适应变化的同时，利用多帧目标及其特征之间的相关性和连续性，有效提高目标检测的精度和鲁棒性，满足当前工程实际的需要。

为实现上述目的，本发明实现步骤包括如下：

(1)输入的待检测的第m帧目标图像，m＝1,2,...,M，使用RobinsonGuard空间滤波器对其进行预处理，M是待处理序列图像的总帧数；

(2)对预处理后的输入图像，使用最大类间方差法进行目标分割，获取二值图像；

(3)建立管道：如果当前输入帧为第一帧，即m＝1，则定义管道长度为N、管径大小为目标尺寸2-3倍，并将第一帧二值图像复制N份建立管道，跳转(6)；

(4)利用建立的管道，使用概率化算法对输入图像进行目标检测：

(4a)根据管道中已有的N帧的图像，得到相应的目标的尺寸，目标的位置和特征这些参数；

(4b)对于当前输入帧图像，通过空间约束剔除完全不在管道感受野中的虚假目标；

(4c)使用灰度分布约束，进一步剔除虚假目标，即计算第m帧剩余候选目标的灰度分布特征向量：γ^t＝(max^t,min^t,mean^t,var^t,sum^t)，t＝1,2,...,T,仅保留满足dist(γ,γ^t)≤δ_gray条件的候选目标,其中γ表示真实目标的灰度分布特征向量，T表示第m帧中剩余候选目标的个数，max^t,min^t,mean^t,var^t,sum^t分别表示第t个候选目标灰度值的最大、最小、均值、方差以及累计和，δ_gray表示灰度分布约束的阈值；

(4d)计算第m帧中剩余候选目标和管道内N帧图像真实目标之间的可信度：p^t＝[λ₁dist(α,α^t)+λ₂dist(β,β^t)]^-1，得到第m帧的多个候选目标属于真实目标的可信度，并将可信度得分进行数据归一化处理，得到候选目标属于真实目标的概率q^t＝softmax(p^t)，其中，λ₁表示真实目标和候选在目标形状特征方面相关性系数，λ₂表示真实目标和候选目标在空间特征方面相关性系数，dist(·)表示两个向量之间的距离，α和α^t分别表示真实目标的形状特征向量和候选目标的形状特征向量，β和β^t分别表示真实目标空间特征向量和候选目标的空间特征向量；

(4f)输出概率q^t最大的候选目标，作为第m帧的真实目标；

(5)更新管道：采用先进先出存储规则更新管道中待处理图像，即移出管道内第一帧图像，将第m帧检测结果的移入管道最后；

(6)令m＝m+1：如果m<M+1，则返回(1)；否则结束目标检测任务，输出M帧目标检测结果。

本发明由于充分利用已知N帧目标检测结果建立滤波管道，因此与现有方法相比有如下优点：

1)本发明用目标的位置实时更新管道中心坐标，有利于抑制边缘噪声对目标检测的干扰，提高管道感受野内的信噪比。

2)本发明管道感受野随着目标尺寸的变化自动更新，即使用目标mask使得管道感受野形状更加灵活，相比传统管径固定的管道滤波，检测得到的结果更加精准。

3)本发明能充分利用真实目标运动轨迹的连续性和多帧目标特征之间的相关性，提高目标检测的精度和鲁棒性，降低漏检率和虚警率。

由于在目标检测图像序列中，目标运动轨迹具有连续性，连续帧目标的特征之间具有相关性，而噪声具有随机性，因此可通过构造目标特征向量嵌入空间的方法，计算当前帧多个候选目标和真实目标在特征空间的相关性，得到候选目标属于真实目标的概率，输出概率最大的候选目标作为当前帧的真实目标，本发明利用真实目标运动轨迹的连续性，能高效剔除随机噪声干扰，并使用目标特征之间的相关性约束有效解决类目标噪声对真实目标的干扰，通过基于概率化的目标判决提高了目标检测的精度和鲁棒性，降低了漏检率和虚警率。

附图说明

图1为本发明概率化管道滤波算法整体流程图；

图2为本发明对多强噪点场景小目标序列的第15帧检测过程及结果图；

图3为用本发明多强噪点场景小目标序列所有帧检测结果示意图；

图4为用本发明对地面背景小目标序列的第15帧检测过程及结果图；

图5为用本发明对地面背景小目标序列所有帧的检测结果示意图。

具体实施方式

本发明通过充分利用已有帧的目标信息建立滤波管道，不仅可以使得管道感受野会随着目标尺寸的变化而自适应变化，而且可以充分利用真实目标运动轨迹的连续性和多帧目标特征之间的相关性，进而有效解决类目标噪声对真实目标的干扰，提高了目标检测精度和鲁棒性，降低了漏检率和虚警率。

下面结合附图对本发明的具体实施方式进一步说明。

参照图1，本实例的实现步骤如下：

步骤1，输入第m帧待检测目标图像，m＝1,2,...,M，使用Robinson Guard空间滤波器对其进行预处理，M是待处理序列图像的总帧数。

所述Robinson Guard滤波是一种非线性非参数滤波器，通过比较中心像素和其邻域像素极值间的差异来实现对背景抑制，同时基于模板操作，通过设置保护带，以有效保留弱小目标的完整信息。本步骤的具体实现如下：

1.1)输入目标图像，比较中心像素和其邻域像素极值间的差异：

以尺寸为7×7的滤波模板Z为例。

表中编号A1～A24为滤波器模板最外层区域，即目标周围的背景区域。

对于输入图像上的任意像素X，通过与其周围像素A_i的最大值比较，实现对像素X的滤波，具体公式如下：

其中X待检测像素，A_i为输入图像对应位置像素值，i＝1,2,...,24；

1.2)设置保护带有效保留弱小目标：

假设目标为局部区域的极值信号，利用保护带以外的像素的极值，判断中心点X是否为该局部区域的的极值信号，进而区分目标像素和噪声，目标像素会得到增强，弱小目标会得到保持。即，Robinson guard滤波器通过将待处理的像素灰度值X与滤波模板最外层区域的灰度极值进行比较，通过设置适合目标尺寸的滤波器窗口大小，即保护带宽度，当目标尺寸和保护带大小相当的时候，目标的像素内部和边缘的像素得到较好的保持，同时可以滤除小于窗口大小的噪声，得到预处理后的降噪图像，如图2(a)和图4(a)所示，其中图2(a)是本实例中对多强噪点场景小目标序列第15帧的Robinson guard滤波结果示意图，图4(a)是本实例中对地面背景小目标序列第15帧的Robinson guard滤波结果示意图。

步骤2，对预处理获得的降噪图像进行目标分割，获取二值图像。

本步骤通过最大类间方差法进行，其实现如下：

2.1)计算目标及背景像素在整体图像中的占比：

假设灰度图片I大小为W×H，前景背景的划分阈值为thr，将灰度值大于划分阈值的像素设为前景，小于划分阈值的像素设为背景，得到二值图像BW，其中二值图中第i像素的值表示为：

根据上述参数分别计算前景像素占整个图像的比例p₁和前景像素的均值μ₁：

其中“.*”表示矩阵按元素相乘；

根据前景像素占整个图像的比例p₁，得到背景像素占整个图像的比例为：p₀＝1-p₁；计算图像整体均值μ为：

2.2)计算目标与背景的类间方差：

根据前景像素和背景像素的均值、占比，以及整体图像的均值，计算前景与背景两类之间的方差Vc，公式如下：

Vc＝p₀×(μ-μ₀)²+p₁×(μ-μ₁)²

将μ＝p₀μ₀+p₁μ₁带入类间方差公式，得到如下类间方差表达式：

Vc＝2p₀p₁(μ₁-μ₀)²；

2.3)确定图像分割阈值：

使用最优化方法，寻找使得类间方差Vc最大的最优阈值thr^*：

thr^*＝max Vc；

2.4)使用最优阈值对图像进行分割，得到第m帧的二值图像BW^*

图像分割结果如图2(b)和图4(b)所示，其中图2(b)是本实例对多强噪点场景小目标序列第15帧预处理后图像进行目标分割的结果示意图，图4(b)是本实例对地面背景小目标序列第15帧预处理后图像进行目标分割的结果示意图。

步骤3，建立管道。

判断当前输入帧是否为第一帧：

如果当前输入帧为第一帧，即m＝1，定义管道长度为N、管径大小为目标尺寸2-3倍，并将第一帧二值图像复制N份建立管道，并跳转步骤6；

如果当前输入帧不是第一帧，即管道已经建立，执行步骤4。

步骤4，概率化管道滤波。

4.1)定义管道参数：

4.1a)定义管道内N帧目标的联通区域和目标的质心，公式如下：

mask^k(i,j)＝{1,0}

Q^k＝(x^k,y^k)

其中，mask^k表示管道中第k帧中目标的联通区域，即背景为0，目标为1的二值图像；Q^k表示管道中第k帧目标的质心坐标，k＝1,2,...,N；

4.1b)将对目标mask^k进行形态学膨胀处理后的结果作为管道视野bbox^k，定义如下：

bbox^k＝dilate(mask^k)

4.1c)根据mask^k，Q^k和bbox^k计算目标的特征矩阵，定义如下：

其中，α^k表示管道中第k帧目标的形状特征向量，β^k表示管道中第k帧目标空间特征向量，γ^k表示管道中第k帧目标的灰度分布特征向量，w^k,h^k表示mask^k的宽高，max^k,min^k,mean^k,var^k,sum^k分别表示管道中第k帧目标灰度的最大值、最小值、均值、方差和累加值；

4.2)计算管道参数：

4.2a)管道感受野：

mask＝∪bbox^k；

4.2b)管道中真实目标中心位置：

Q＝mean(Q^k)

4.2c)管道中真实目标的特征向量：

(α,β,γ)^T＝mean(α^k,β^k,γ^k)^T

其中(·)^T表示矩阵转置；

4.3)空间约束:

使用空间约束剔除完全不在管道感受野中的虚假目标，通过遍历输入帧二值图像BW的所有候选目标，计算候选目标和管道感受野的交集，并对其进行判断：

如果交集不为空，则保留该目标，

否则，将该目标剔除，即，仅保留mask_t∩mask≠Φ的候选目标，

其中mask_t表示输入帧第t个候选目标的二值图像，mask表示管道内累积真实目标的二值图像感受野，Φ表示交集为空；

4.4)使用灰度分布约束进一步剔除虚假目标：

计算第m帧剩余候选目标的灰度分布特征向量：γ_t＝(max^t,min^t,mean^t,var^t,sum^t)，仅保留满足dist(γ,γ_t)≤δ_gray条件的候选目标，

其中，γ表示真实目标的灰度分布特征向量，max^t,min^t,mean^t,var^t,sum^t分别表示第t个候选目标灰度值的最大、最小、均值、方差以及累计和，δ_gray表示灰度分布约束的阈值；

4.5)概率化目标判决：

4.5a)计算输入帧中符合灰度分布约束的剩余候选目标和管道内N帧图像真实目标之间的可信度：

其中，λ₁表示真实目标和候选在目标形状特征方面相关性系数，λ₂表示真实目标和候选目标在空间特征方面相关性系数，dist(·)表示两个向量之间的距离，α和α_t分别表示真实目标的形状特征向量和候选目标的形状特征向量，β和β_t分别表示真实目标空间特征向量和候选目标的空间特征向量；

4.5b)将多个候选目标可信度得分进行数据归一化处理，得到候选目标属于真实目标的概率：

q_t＝softmax(p_t)，

4.5c)输出概率q_t最大的候选目标，作为第m帧的真实目标，检测结果如图2(c)和图4(c)所示，其中图2(c)是本实例对多强噪点场景小目标序列第15帧检测结果图，图4(c)是本实例对地面背景小目标序列第15帧检测结果图。

步骤5，更新管道。

采用先进先出存储规则更新管道中待处理图像，即移出管道内第一帧图像，将输入帧目标检测的结果移入管道最后。

步骤6，检测任务结束触发器。

令m＝m+1，判断图像序列所有是否都完成目标检测：

如果输入帧不是图像序列的最后一帧，即m<M+1，返回步骤1，使用更新后的管道对下一帧进行目标检测；

如果输入帧是图像序列的最后一帧，则图像序列所有帧都已完成目标检测任务，输出M帧目标检测结果，如图3和图5所示，其中图3是本实例对多强噪点场景小目标序列所有帧目标检测结果示意图，图5是本实例对地面背景小目标序列所有帧目标检测结果示意图。

以上描述仅是对本发明的优选实施方式，并不将本发明作任何限制，显然，本领域的技术人员均可在本发明的主要技术构思基础上作出任意的公知变形，但这些都属于本发明所要保护的技术范畴。

Claims (4)

1.一种基于概率化管道滤波的弱小目标检测方法，包括如下：

(1)输入的待检测的第m帧目标图像，m＝1,2,...,M，使用Robinson Guard空间滤波器对其进行预处理，M是待处理序列图像的总帧数；

(2)对预处理后的输入图像，使用最大类间方差法进行目标分割，获取二值图像；

(3)建立管道：如果当前输入帧为第一帧，即m＝1，则定义管道长度为N、管径大小为目标尺寸2-3倍，并将第一帧二值图像复制N份建立管道，跳转(6)；否则，执行(4)；

(4)利用建立的管道，使用概率化算法对输入图像进行目标检测：

(4a)根据管道中已有的N帧的图像，得到相应的目标的尺寸，目标的位置和特征这些参数；

(4b)对于当前输入帧图像，通过空间约束剔除完全不在管道感受野中的虚假目标；

(4c)使用灰度分布约束，进一步剔除虚假目标，即计算第m帧剩余候选目标的灰度分布特征向量：γ_t＝(max^t,min^t,mean^t,var^t,sum^t)，t＝1,2,...,T,仅保留满足dist(γ,γ_t)≤δ_gray条件的候选目标,其中γ表示真实目标的灰度分布特征向量，T表示第m帧中剩余候选目标的个数，max^t,min^t,mean^t,var^t,sum^t分别表示第t个候选目标灰度值的最大、最小、均值、方差以及累计和，δ_gray表示灰度分布约束的阈值；

(4d)计算第m帧中剩余候选目标和管道内N帧图像真实目标之间的可信度：p_t＝[λ₁dist(α,α_t)+λ₂dist(β,β_t)]^-1，得到第m帧的多个候选目标属于真实目标的可信度，并将可信度得分进行数据归一化处理，得到候选目标属于真实目标的概率q_t＝softmax(p_t)，其中，λ₁表示真实目标和候选在目标形状特征方面相关性系数，λ₂表示真实目标和候选目标在空间特征方面相关性系数，dist(·)表示两个向量之间的距离，α和α_t分别表示真实目标的形状特征向量和候选目标的形状特征向量，β和β_t分别表示真实目标空间特征向量和候选目标的空间特征向量；

(4f)输出概率q_t最大的候选目标，作为第m帧的真实目标；

(5)更新管道：采用先进先出存储规则更新管道中待处理图像，即移出管道内第一帧图像，将第m帧检测结果的移入管道最后；

(6)令m＝m+1：如果m<M+1，则返回(1)；否则结束目标检测任务，输出M帧目标检测结果。

2.根据权利要求1所述的方法，其特征在于(1)中使用Robinson Guard空间滤波器对待检测目标进行预处理，是通过比较中心像素和其邻域像素极值间的差异来实现对背景抑制，目标增强，以提高输入图像信噪比；同时基于模板操作，通过设置保护带，以有效保留弱小目标的完整信息。

3.根据权利要求1所述的方法，其特征在于(2)中对预处理后的输入图像，使用最大类间方差法进行目标分割，实现如下：

(2a)获取目标和背景像素在整体图像中占比：假设目标与背景的划分阈值为thr，则灰度值大于划分阈值的像素为目标，小于划分阈值的像素为背景，则可以得到目标像素占整个图像比例p₁以及目标像素均值μ₁，背景像素占整个图像比例p₀和背景像素均值μ₀，计算得到图像整体均值μ＝p₀μ₀+p₁μ₁；

(2b)计算目标与背景的类间方差Vc＝p₀×(μ-μ₀)²+p₁×(μ-μ₁)²；

(2c)确定图像分割最优阈值：寻找最优阈值thr^*使得类间方差Vc最大；

(2d)使用最优阈值对图像进行分割，得到二值图像。

4.根据权利要求1所述的方法，其特征在于：(4b)中通过空间约束剔除完全不在管道感受野中的虚假目标，是将二值图像输入概率化管道滤波器，剔除完全不在管道视野内的可疑目标，即保留mask_t∩mask≠Φ的候选目标，其中mask_t表示第t个候选目标的二值图像，mask表示管道内累积真实目标的二值图像感受野，Φ表示交集为空。

Images