CN111681262B - 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 - Google Patents
一种基于邻域梯度的复杂背景下红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN111681262B CN111681262B CN202010384657.8A CN202010384657A CN111681262B CN 111681262 B CN111681262 B CN 111681262B CN 202010384657 A CN202010384657 A CN 202010384657A CN 111681262 B CN111681262 B CN 111681262B
- Authority
- CN
- China
- Prior art keywords
- window
- sub
- neighborhood
- judgment
- gradient
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于邻域梯度的复杂背景下红外弱小目标检测方法,包括:1)生成初始搜索主窗口和子窗口模板;2)根据窗口最小值获取前景判断窗口像素矩阵;3)构建前景判断映射表;4)计算邻域峰值梯度特征和邻域阶跃梯度特征;5)对窗口特征进行SVM分类权值判断;6)对窗口进行邻域对比度判断;7)自适应调整窗口步长,完成单帧图像遍历输出目标信息;8)对序列图像进行连续目标检测,分别进行运动特性判断和静止特性判断,计算得到最新帧的目标检测信息数据。本发明可用于远程光电侦察、无人机探测、海岸防卫、车载地物目标侦察等场景,解决现有复杂背景下弱小目标检测技术中检测准确率低、虚警率高、检测鲁棒性低的问题。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及基于邻域梯度的红外弱小目标检测方法。
背景技术
红外弱小目标检测作为光电图像处理技术的研究热点之一,在预警侦察领域被广泛的应用。红外弱小目标具有成像尺寸小、形状特征弱、纹理特征不明显、易受噪声干扰等特点,尤其是在云层、地物、海面等复杂背景中易造成检测虚警和漏警。因此,为了提高光电侦察***的性能,研究如何在复杂背景下的弱小目标检测技术具有重要的现实意义。
杨慧等人在“地空背景下红外弱小运动目标检测”中提出一种融合时空结构张量的背景差分检测算法,但是基于像素处理图像使得它受光照变化、噪声等影响大,背景模型初始化易造成“鬼影”现象。张高峰等人在“云背景下红外弱小目标检测算法研究”中提出了基于滤波和全局阈值分割的方法实现小目标提取,滤波操作一定程度上对弱目标特征进行削弱,易造成复杂背景下的漏警。管学伟等人在“一种远距离红外弱小目标检测方法”中提出采用局部背景的目标检测方法,能较好对目标虚警进行抑制,但对复杂场景下目标提取鲁棒性不高。
发明内容
针对现有的技术的不足之处,本发明为解决复杂背景下红外弱小目标检测有效性、鲁棒性的问题,提出了一种基于邻域梯度的复杂背景下红外弱小目标检测方法,该方法计算复杂度低且易于工程上实现。
本发明提供的一种基于邻域梯度的复杂背景下红外弱小目标检测方法包括以下步骤:
步骤1,对当前帧图像f(i,j)进行滑动窗口遍历,生成初始搜索主窗口模板W1和子窗口模板SW1;
步骤2,计算子窗口模板SW1矩阵SH1(i,j)的最小像素值MIN,获取前景判断窗口像素矩阵WF(i,j);
步骤3,计算矩阵WF(i,j)的均值WF_Mean和方差WF_Varce,生成前景判断映射表Table(i,j);
步骤4,根据前景判断映射表Table(i,j)计算前景判断窗口像素矩阵WF(i,j)的各子块的邻域峰值梯度、平均梯度和邻域阶跃梯度,生成邻域峰值梯度特征向量U1和邻域阶跃梯度特征向量U2;
步骤5,对邻域峰值梯度特征向量U1和邻域阶跃梯度特征向量U2进行SVM分类权值判断得到分类判断权值φ(U1,U2);
步骤6,计算满足φ(U1,U2)=1的前景判断窗口像素矩阵的邻域对比度ConRatio,并与图像全局对比度ConRatioAll进行比较判断,如果满足ConRatio≥ConRatioAll,则当前窗口目标标志位Flag=1,否则Flag=0;
步骤7,自适应调整滑动窗口步长为S,计算得到下一轮滑动窗口模板,依次完成步骤2~步骤6,实现当前帧图像全部遍历,得到满足窗口目标标志位Flag=1的所有窗口,生成候选目标窗口向量Vec_Target1;
步骤8,对连续N帧图像进行上述步骤1~步骤7,得到候选目标检测向量序列[Vec_Target1,Vec_Target2,…Vec_TargetN],Vec_TargetN表示第N帧图像的候选目标窗口向量,分别对候选目标检测向量序列进行序列运动特性判断和静止特性判断,计算得到当前帧图像的弱小目标检测信息。
步骤1包括:
步骤1-1,对当前帧图像f(i,j)进行滑动窗口遍历,设定主窗口模板尺寸大小为M1×M1,在当前帧图像中以主窗口模板中心位置(M1/2,M1/2)构建图像搜索主窗口模板W1;其中M1为主窗口模板的宽度和高度;主窗口模板是一个窗口,通过中心位置和尺寸确定;
步骤1-2,获取主窗口模板W1图像矩阵H1,以矩阵H1的像素值大小h(i)和像素位置l(i)构建二维向量V(h(i),l(i)),以像素值大小为主权值从小到大进行排序,生成排序后向量V'(h(i),l(i)),其中i取值为0,1,...M1×M1-1;
步骤1-3,设定子窗口模板尺寸为M2×M2,其中M2为前景判断窗口的宽度和高度,以主窗口模板图像的次大值像素位置V'(h(i-1),l(i-1))为中心,生成子窗口模板SW1。
步骤2中,通过如下公式计算计算子窗口模板SW1矩阵SH1(i,j)的最小像素值MIN和前景判断窗口像素矩阵WF(i,j):
MIN=min(SH1(i,j)),
WF(i,j)=SH1(i,j)-MIN·E,
步骤3包括:
步骤3-1,计算矩阵WF(i,j)的均值WF_Mean和方差WF_Varce:
步骤3-2,分别遍历矩阵WF(i,j)每个像素,对当前像素值wf(i,j)进行下式判断得到前景判断映射表Table(i,j):
步骤4中,计算邻域峰值梯度特征向量U1的具体方法为:
步骤4-1,设定子块Wc尺寸大小为T×T,前景判断窗口像素矩阵WF(i,j)被分割成k个子块;
步骤4-2,分别计算前景判断窗口像素矩阵WF(i,j)中各子块中的像素次大值SMaxValuek,通过如下公式计算各子块邻域峰值梯度特征值:
Z(k)=SMaxValue0-SMaxValuek*Table(i,j)k
其中,SMaxValue0为中心子块Wc0的像素次大值,SMaxValuek表示中心子块Wc0周围第k个子块Wck的像素次大值,Table(i,j)k为当前第k个子块对应的前景判断映射表权值,Z(k)为第k个子块的邻域峰值梯度特征值。
步骤4-3,计算得到邻域峰值梯度特征向量U1={Z(1),Z(2),....Z(K)}。
步骤4中,计算各子块的平均梯度MGradValuek的公式为:
步骤4中,计算邻域阶跃梯度特性向量U2的具体方法为:采用如下公式计算中心子块邻域阶跃梯度特征值:
Y(k)=MGradValue0-MGradValuek*∑Table(i,j)k
其中,MGradValue0为中心子块Wc0的平均梯度,Y(k)为第k个子块的邻域阶跃梯度特征值,MGradValuek为中心子块Wc0周围第k个子块Wck的平均梯度,计算得到邻域阶跃梯度特征向量U2={Y(1),Y(2),...Y(k)}。
步骤5包括:
步骤5-1,随机搜索主窗口模板正、负样本库(主窗口模板正、负样本库是人工建立的),选取各X(一般取值为500)张图像,其中正样本为真实目标矩阵图像,负样本为背景矩阵图像,分别按照步骤4方法计算样本邻域峰值梯度特征向量U1和邻域阶跃梯度特征向量U2,生成特征向量U=(U1,U2);
步骤5-2,采用libSVM进行模型训练,具体方法参见李坤等人“基于Spark的LIBSVM参数优选并行化算法”,选择RBF核进行正负样本交叉验证计算得到最佳参数(C,γ),其中C为惩罚系数,γ为RBF函数的幅宽参数;
步骤5-3,根据最佳参数(C,γ)生成分类判断权值φ(U1,U2)。
步骤6中,通过如下公式计算前景判断窗口像素矩阵的邻域对比度ConRatio:
其中,N为前景判断窗口像素矩阵WF(i,j)的宽度和高度,WF(i+1,j)为坐标(i+1,j)处的像素值,WF(i,j+1)为坐标(i,j+1)处的像素值;
通过如下公式计算图像全局对比度ConRatioAll:
其中,W、H分别为当前帧图像f(i,j)的宽和高,f(i,j)为图像中(i,j)坐标处的像素值,f(i+1,j)为图像中坐标(i+1,j)处的像素值,f(i,j+1)为图像中坐标(i,j+1)处的像素值。
步骤7中自适应调整滑动窗口步长具体方法为:
对于当前帧图像第n次遍历搜索主窗口模板Wn的中心位置为(xn,yn),第n次遍历时子窗口模板SWn的尺寸为M2×M2,SWn中心位置为(sxn,syn),调整滑窗窗口水平步长X_SW和垂直步长Y_SW,满足下式:
X_SW=|sxn-xn+M2/2|,
Y_SW=min(|syn-1-yn-1+M2/2|,|syn-yn+M2/2|),
其中,(sxn-1,syn-1)为第n-1次遍历时子窗口模板SWn-1的中心位置,(xn-1,yn-1)为主窗口模板Wn-1的中心位置;
步骤8中,所述对候选目标检测向量序列进行序列运动特性判断的具体步骤为:
步骤8-1,计算第N帧和N+1帧图像的候选目标之间的中心距离,如果中心距离低于阈值DS,DS取值一般为20,候选目标点迹质量得分PQ加1,否则PQ保持不变;
步骤8-2,判断第N+2帧候选点迹是否满足运动点迹特性;
步骤8-3,根据运动点迹特性更新第N+2帧候选目标中心位置。
步骤8-2中,采用如下公式判断候选点迹是否满足运动点迹特性:
F=(α<amax&&max(Lw1,Lw2,Lw3)<Lwmax)
如果参数F=1,则表示当前候选目标点满足运动点迹特性,否则表示当前候选目标点不满足运动点迹特性;α为连续三帧图像的目标转变角,amax为最大转弯角参数,其中Lw1、Lw2、Lw3分别为连续三帧图像的目标点(xN,yN)、(xN+1,yN+1)、(xN+2,yN+2)运动的相对距离,Lwmax为最大波门参数;
如果当前目标候选点迹满足运动点迹特性则候选目标点迹质量得分PQ加1,否则PQ减1;
步骤8-3中,通过如下公式更新第N+2帧候选目标中心位置:
x'N+2=λxN+2+(1-λ)(xN+1+(xN+1-xN)*T),
y'N+2=λyN+2+(1-λ)(yN+1+(yN+1-yN)*T),
其中λ为加权因子参数,T为相邻两帧图像的时间,(x'N+2,y'N+2)为更新后第N+2帧图像的候选目标中心坐标;输出质量得分大于阈值NS的目标点迹。
步骤8中,所述静止特性判断具体方式为:
如果参数Lws=1,则表示当前候选目标点满足静止特性,其中(xN,yN)、(xN+M,yN+M)分别为第N帧目标点迹中心位置和N+M帧目标点迹中心位置,Lwmin为最小波门参数。
有益效果:
本发明公开一种基于邻域梯度的复杂背景下红外弱小目标检测方法,解决了光电侦察***中弱小目标在复杂背景中难以发现和提取准确性低的问题。构建一种自适应滑动窗口快速搜索模板,创新地提出通过映射表计算邻域峰值梯度和邻域阶跃梯度特征,解决了复杂背景中弱小目标特征描述鲁棒性问题;提出采用libSVM优化对分类权值判断,提升了特征描述模型的准确性;创新地提出对候选序列采用邻域对比度判断、运动特性估计和静止特性判断,显著降低目标检测虚警率。本发明在复杂云背景、地物、海面等背景下进行验证测试,对弱小目标检测效果显著,平均单帧处理时间低于30ms,检测正确率提高了10%,检测虚警率降低了8%,充分验证了本发明的有效性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是根据本发明方法的流程图。
图2是运动点迹特性判断示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
结合图1所示,根据本发明的实施例,一种基于领域梯度的复杂背景下红外弱小目标检测方法包括以下步骤:
步骤1,对当前帧图像f(i,j)进行滑动窗口遍历,构建主窗口初始模板W1,其中心位置为(5,5),尺寸为11×11;通过主窗口次大值位置重新生成子窗口模板SW1,其中心位置为V'(h(i-1),l(i-1)),尺寸为9×9。其中V'(h(i-1),l(i-1))为W1中主窗口模板图像的次大值像素位置。
步骤2,计算子窗口模板SW1矩阵SH1(i,j)的最小像素值MIN,获取前景判断窗口像素矩阵WF(i,j),其中WF(i,j)=H1(i,j)-min(SH1(i,j))·E,min为矩阵求最小值操作,E为单位矩阵。
步骤3,计算矩阵WF(i,j)的均值WF_Mean和方差WF_Varce,对当前像素值wf(i,j)生成前景判断映射表Table(i,j)。
进一步地,前景判断映射表Table(i,j)为:
步骤4,根据映射表Table(i,j)计算前景判断窗口像素矩阵WF(i,j)的各子块Wck的邻域峰值梯度、平均梯度、邻域阶跃梯度,生成子块邻域梯度特征向量U1和邻域平均梯度特征值U2。
进一步地,中心子块邻域峰值梯度特征值为:
Z(k)=SMaxValue0-SMaxValuek*Table(i,j)k
其中,SMaxValue0为中心子块Wc0的像素次大值,SMaxValuek表示周围第k个子块Wck的像素次大值,Table(i,j)k为当前第k个子块对应的映射表权值,Z(k)为第k个子块的邻域峰值梯度特征值。
进一步地,子块Wc的平均梯度MGradValuek为:
进一步地,中心子块邻域阶跃梯度特征值为:
Y(k)=MGradValue0-MGradValuek*∑Table(i,j)k
其中MGradValue0为中心子块Wc0的平均梯度,MGradValuek表示周围第k个子块Wck的平均梯度,Table(i,j)k为当前第k个子块对应的映射表权值,Y(k)为第k个子块的邻域阶跃梯度特征值。
步骤5,构建搜索模板主窗口正负样本,对前景判断窗口像素矩阵的子块邻域梯度特征向量U1和邻域平均梯度特征值U2通过libSVM选择RBF核进行分类权值判断得到φ(U1,U2)。
进一步地,RBF核为:
K(u,v)=exp(-γ*||u-v||2)
步骤6,计算满足φ(U1,U2)=1的前景判断窗口像素矩阵的邻域对比度ConRatio,并与图像全局对比度ConRatioAll进行比较判断,若满足ConRatio≥ConRatioAll,则当前窗口目标标志位Flag=1,否则Flag=0。
进一步地,邻域对比度ConRatio、图像全局对比度ConRatioAll分别为:
其中,N为WF(i,j)的宽度和高度,W、H分别为当前帧图像f(i,j)的宽和高,f(i,j)为图像中(i,j)坐标处的像素值。
步骤7,自适应调整滑动窗口步长为S,计算得到下一轮滑动窗口模板实现当前帧图像全部遍历,依次完成上述步骤2-6满足窗口目标标志位Flag=1生成候选目标窗口向量Vec_Target1。
进一步地,自适应调整滑动窗口步长为:对于当前帧图像第n次遍历搜索主窗口模板Wn的中心位置为(xn,yn),子窗口模板SWn的尺寸为9×9,SWn中心位置为(sxn,syn),调整滑窗窗口水平步长X_SW和垂直步长Y_SW,满足下式:
X_SW=|sxn-xn+4|
Y_SW=min(|syn-1-yn-1+M2/2|,|syn-yn+M2/2|)
其中,(sxn-1,syn-1)为第n-1次子窗口模板SWn-1的中心位置。
步骤8,对连续3帧图像进行上述步骤1-7得到候选目标检测向量序列[Vec_Target1,Vec_Target2,Vec_TargetN3],计算Vec_Target1和Vec_Target2候选目标之间的中心距离,若中心距离低于阈值DS=10,候选目标点迹质量得分PQ加1,否则PQ保持不变;计算Vec_Target2中候选点迹是否满足运动点迹特性,若当前目标候选点迹符合运动点迹特性则候选目标点迹质量得分PQ加1,否则PQ减1;根据运动特征更新Vec_TargetN3候选目标中心位置,输出质量得分大于阈值NS=3的目标点迹。
进一步地,运动点迹特性判断具体方式为:
F=(α<amax&&max(Lw1,Lw2,Lw3)<Lwmax)
若F=1,则表示当前候选目标点符合运动点迹特性,否则表示当前候选目标点不符合运动点迹特性。如图2,其中α为连续三帧的目标转变角,amax为最大转弯角参数,取值为其中Lw1、Lw2、Lw3分别为连续三帧图像的目标点(xN,yN)、(xN+1,yN+1)、(xN+2,yN+2)运动的相对距离,Lwmax为最大波门参数,取值为10。
进一步地,更新第N+2帧候选目标中心位置(x'N+2,y'N+2)具体为:
x'N+2=λxN+2+(1-λ)(xN+1+(xN+1-xN)*T)
y'N+2=λyN+2+(1-λ)(yN+1+(yN+1-yN)*T)
其中λ为加权因子参数,取值为0.8,T为相邻两帧图像的时间,常见搜索***中T一般为1或3。
进一步地,所述静止特性判断具体方式为:
若Lws=1,则表示当前候选目标点符合静止特性特性。其中(xN,yN)、(xN+M,yN+M)为第N、N+3帧目标点迹中心位置,Lwmin为最小波门参数,取值为6。
本发明提供了一种基于邻域梯度的复杂背景下红外弱小目标检测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (1)
1.一种基于邻域梯度的复杂背景下红外弱小目标检测方法,其特征在于,包括以下步骤:
步骤1,对当前帧图像f(i,j)进行滑动窗口遍历,生成初始搜索主窗口模板W1和子窗口模板SW1;
步骤2,计算子窗口模板SW1矩阵SH1(i,j)的最小像素值MIN,获取前景判断窗口像素矩阵WF(i,j);
步骤3,计算前景判断窗口像素矩阵WF(i,j)的均值WF_Mean和方差WF_Varce,生成前景判断映射表Table(i,j);
步骤4,根据前景判断映射表Table(i,j)计算前景判断窗口像素矩阵WF(i,j)的各子块的邻域峰值梯度、平均梯度和邻域阶跃梯度,计算邻域峰值梯度特征向量U1和邻域阶跃梯度特征向量U2;
步骤5,对邻域峰值梯度特征向量U1和邻域阶跃梯度特征向量U2进行SVM分类权值判断得到分类判断权值φ(U1,U2);
步骤6,计算满足φ(U1,U2)=1的前景判断窗口像素矩阵的邻域对比度ConRatio,并与图像全局对比度ConRatioAll进行比较判断,如果满足ConRatio≥ConRatioAll,则当前窗口目标标志位Flag=1,否则Flag=0;
步骤7,自适应调整滑动窗口步长为S,计算得到下一轮滑动窗口模板,依次完成步骤2~步骤6,实现当前帧图像全部遍历,得到满足窗口目标标志位Flag=1的所有窗口,生成第1帧图像的候选目标窗口向量Vec_Target1;
步骤8,对连续N帧图像进行上述步骤1~步骤7,得到候选目标检测向量序列[Vec_Target1,Vec_Target2,…Vec_TargetN],Vec_TargetN表示第N帧图像的候选目标窗口向量,对候选目标检测向量序列中的候选目标点进行序列运动特性判断和静止特性判断,计算得到当前帧图像的弱小目标检测信息;
步骤1包括:
步骤1-1,对当前帧图像f(i,j)进行滑动窗口遍历,设定主窗口模板尺寸大小为M1×M1,在当前帧图像中以主窗口模板中心位置(M1/2,M1/2)构建图像搜索主窗口模板W1;其中M1为主窗口模板的宽度和高度;
步骤1-2,获取主窗口模板W1图像矩阵H1,以矩阵H1的像素值大小h(iv)和像素位置l(is)构建二维向量V(h(iv),l(is)),以像素值大小为主权值进行从小到大排序,生成排序后向量V'(h(iv),l(is)),其中iv为像素值大小的一维向量序号变量,iv取值范围为0,1,...M1×M1-1;is为像素位置的一维向量序号变量,is取值范围为0,1,...M1×M1-1;
步骤1-3,设定子窗口模板尺寸为M2×M2,其中M2为前景判断窗口像素矩阵的宽度和高度,以主窗口模板图像的次大值像素位置V'(h(iv-1),l(is-1))为中心,生成子窗口模板SW1;
步骤2中,通过如下公式计算子窗口模板SW1矩阵SH1(i,j)的最小像素值MIN和前景判断窗口像素矩阵WF(i,j):
MIN=min(SH1(i,j)),
WF(i,j)=SH1(i,j)-MIN·E,
步骤3包括:
步骤3-1,计算前景判断窗口像素矩阵WF(i,j)的均值WF_Mean和方差WF_Varce:
步骤3-2,分别遍历前景判断窗口像素矩阵WF(i,j)每个像素,对当前像素值wf(i,j)进行下式判断得到前景判断映射表Table(i,j):
步骤4中,计算邻域峰值梯度特征向量U1的具体方法为:
步骤4-1,设定子块尺寸大小为T×T,前景判断窗口像素矩阵WF(i,j)被分割成k个子块构成{Wc1,Wc2,...Wck},其中Wck表示第k个子块矩阵;
步骤4-2,分别计算前景判断窗口像素矩阵WF(i,j)中子块Wck中的像素次大值SMaxValuek,通过如下公式计算子块Wck邻域峰值梯度特征值:
其中,SMaxValue0为中心子块Wc0的像素次大值,SMaxValuek表示子块Wck的像素次大值,Table(i,j)k为子块Wck对应的前景判断映射表权值,Z(k)为子块Wck的邻域峰值梯度特征值;
步骤4-3,计算得到邻域峰值梯度特征向量U1={Z(1),Z(2),....Z(k)};
步骤4中,计算子块Wck的平均梯度MGradValuek的公式为:
步骤4中,计算邻域阶跃梯度特征向量U2的具体方法为:采用如下公式计算子块Wck邻域阶跃梯度特征值:
其中,MGradValue0为中心子块Wc0的平均梯度,MGradValuek为子块Wck的平均梯度,Y(k)为子块Wck的邻域阶跃梯度特征值,计算得到邻域阶跃梯度特征向量U2={Y(1),Y(2),...Y(k)};
步骤5包括:
步骤5-1,随机搜索主窗口模板正、负样本库,选取各X张图像,其中正样本为真实目标矩阵图像,负样本为背景矩阵图像,分别按照步骤4方法计算样本邻域峰值梯度特征向量U1和邻域阶跃梯度特征向量U2,生成特征向量U=(U1,U2);
步骤5-2,采用libSVM进行模型训练,选择RBF核进行正负样本交叉验证计算得到最佳参数(C,γ),其中C为惩罚系数,γ为RBF函数的幅宽参数;
步骤5-3,根据最佳参数(C,γ)生成分类判断权值φ(U1,U2);
步骤6中,通过如下公式计算前景判断窗口像素矩阵的邻域对比度ConRatio:
其中,M2为前景判断窗口像素矩阵的宽度和高度,WF(i+1,j)为坐标(i+1,j)处的像素值,WF(i,j+1)为坐标(i,j+1)处的像素值;
通过如下公式计算图像全局对比度ConRatioAll:
其中,W、H分别为当前帧图像的宽和高,f(i,j)为图像中(i,j)坐标处的像素值,f(i+1,j)为图像中坐标(i+1,j)处的像素值,f(i,j+1)为图像中坐标(i,j+1)处的像素值;
步骤7中自适应调整滑动窗口步长具体方法为:
对于当前帧图像第n次遍历搜索主窗口模板Wn的中心位置为(xn,yn),第n次遍历时子窗口模板SWn的尺寸为M2×M2,SWn中心位置为(sxn,syn),调整滑窗窗口水平步长X_SW和垂直步长Y_SW,满足下式:
X_SW=|sxn-xn+M2/2|,
Y_SW=min(|syn-1-yn-1+M2/2|,|syn-yn+M2/2|),
其中,(sxn-1,syn-1)为第n-1次遍历时子窗口模板SWn-1的中心位置,(xn-1,yn-1)为主窗口模板Wn-1的中心位置;
步骤8中,所述序列运动特性判断的具体步骤为:
步骤8-1,计算第N帧和N+1帧图像的候选目标点之间的中心距离,如果中心距离低于阈值DS,候选目标点质量得分PQ加1,否则PQ保持不变;
步骤8-2,判断第N+2帧候选目标点是否满足序列运动特性;
步骤8-3,根据序列运动特性更新第N+2帧候选目标点中心位置;
步骤8-2中,采用如下公式判断候选目标点是否满足序列运动特性:
F=(α<amax&&max(Lw1,Lw2,Lw3)<Lwmax)
如果参数F=1,则表示当前候选目标点满足序列运动特性,否则表示当前候选目标点不满足序列运动特性;α为连续三帧图像的目标转变角,amax为最大转弯角参数,其中Lw1、Lw2、Lw3分别为连续三帧图像的目标点(xN,yN)、(xN+1,yN+1)、(xN+2,yN+2)运动的相对距离,Lwmax为最大波门参数;
如果当前候选目标点满足序列运动特性则候选目标点质量得分PQ加1,否则PQ减1;
步骤8-3中,通过如下公式更新第N+2帧候选目标点中心位置:
x'N+2=λxN+2+(1-λ)(xN+1+(xN+1-xN)*TM),
y'N+2=λyN+2+(1-λ)(yN+1+(yN+1-yN)*TM),
其中λ为加权因子参数,TM为相邻两帧图像的时间,(x'N+2,y'N+2)为更新后第N+2帧图像的候选目标点中心坐标;输出质量得分大于阈值NS的目标点迹;
步骤8中,所述静止特性判断具体方式为:
如果参数Lws=1,则表示当前候选目标点满足静止特性,其中(xLN,yLN)、(xLN+M,yLN+M)分别为第N帧候选目标点中心位置和N+M帧候选目标点中心位置,Lwmin为最小波门参数,其中M为序列帧号变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384657.8A CN111681262B (zh) | 2020-05-08 | 2020-05-08 | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384657.8A CN111681262B (zh) | 2020-05-08 | 2020-05-08 | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681262A CN111681262A (zh) | 2020-09-18 |
CN111681262B true CN111681262B (zh) | 2021-09-03 |
Family
ID=72452572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384657.8A Active CN111681262B (zh) | 2020-05-08 | 2020-05-08 | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681262B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489034B (zh) * | 2020-12-14 | 2023-06-23 | 广西科技大学 | 基于时域信息特征空间背景建模方法 |
CN112967305B (zh) * | 2021-03-24 | 2023-10-13 | 南京莱斯电子设备有限公司 | 一种复杂天空场景下的图像云背景检测方法 |
CN115238753B (zh) * | 2022-09-21 | 2022-12-06 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1325463B1 (en) * | 2000-10-10 | 2008-12-17 | Lockheed Martin | Balanced object tracker in an image sequence |
CN103336965A (zh) * | 2013-07-18 | 2013-10-02 | 江西省电力公司检修分公司 | 基于轮廓差异及区块主方向直方图的前景与特征提取方法 |
CN103472445A (zh) * | 2013-09-18 | 2013-12-25 | 电子科技大学 | 一种针对多目标场景的检测跟踪一体化方法 |
CN104951775A (zh) * | 2015-07-15 | 2015-09-30 | 攀钢集团攀枝花钢钒有限公司 | 基于视频技术的铁路道口防护区域安全智能识别方法 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN106251362A (zh) * | 2016-07-15 | 2016-12-21 | 中国电子科技集团公司第二十八研究所 | 一种基于快速相关邻域特征点的滑窗目标跟踪方法及*** |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
CN108764163A (zh) * | 2018-05-30 | 2018-11-06 | 合肥工业大学 | 多目标环境下基于灰度相关特性的cfar检测方法 |
-
2020
- 2020-05-08 CN CN202010384657.8A patent/CN111681262B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1325463B1 (en) * | 2000-10-10 | 2008-12-17 | Lockheed Martin | Balanced object tracker in an image sequence |
CN103336965A (zh) * | 2013-07-18 | 2013-10-02 | 江西省电力公司检修分公司 | 基于轮廓差异及区块主方向直方图的前景与特征提取方法 |
CN103472445A (zh) * | 2013-09-18 | 2013-12-25 | 电子科技大学 | 一种针对多目标场景的检测跟踪一体化方法 |
CN104951775A (zh) * | 2015-07-15 | 2015-09-30 | 攀钢集团攀枝花钢钒有限公司 | 基于视频技术的铁路道口防护区域安全智能识别方法 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN106251362A (zh) * | 2016-07-15 | 2016-12-21 | 中国电子科技集团公司第二十八研究所 | 一种基于快速相关邻域特征点的滑窗目标跟踪方法及*** |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
CN108764163A (zh) * | 2018-05-30 | 2018-11-06 | 合肥工业大学 | 多目标环境下基于灰度相关特性的cfar检测方法 |
Non-Patent Citations (1)
Title |
---|
《基于多方向环形梯度法的红外小目标检测技术研究》;王博洋;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20200215;I135-83 * |
Also Published As
Publication number | Publication date |
---|---|
CN111681262A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681262B (zh) | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 | |
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN110427839B (zh) | 基于多层特征融合的视频目标检测方法 | |
CN103871029B (zh) | 一种图像增强及分割方法 | |
CN109636795B (zh) | 实时无跟踪的监控视频遗留物检测方法 | |
CN111723693B (zh) | 一种基于小样本学习的人群计数方法 | |
CN111626290A (zh) | 一种复杂海面环境下的红外舰船目标检测识别方法 | |
CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
CN105654516B (zh) | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 | |
CN111062273B (zh) | 一种遗留物品追溯检测与报警方法 | |
CN111260738A (zh) | 基于相关滤波和自适应特征融合的多尺度目标跟踪方法 | |
CN110796679B (zh) | 一种面向航拍影像的目标跟踪方法 | |
CN111666871B (zh) | 一种面向无人机的改进yolo与sift相结合的多小目标检测跟踪方法 | |
CN110544269A (zh) | 基于特征金字塔的孪生网络红外目标跟踪方法 | |
Patil et al. | Motion saliency based generative adversarial network for underwater moving object segmentation | |
CN111161309B (zh) | 一种车载视频动态目标的搜索与定位方法 | |
CN109711245B (zh) | 一种基于图像候选区域的闭环检测方法 | |
CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
CN113989613A (zh) | 一种应对复杂环境的轻量级高精度船舶目标检测方法 | |
CN110827262A (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
Liu et al. | Small target detection from infrared remote sensing images using local adaptive thresholding | |
Tu et al. | A biologically inspired vision-based approach for detecting multiple moving objects in complex outdoor scenes | |
CN114627156A (zh) | 消费级无人机视频运动目标精准追踪方法 | |
CN112613565B (zh) | 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法 | |
Fu et al. | Real-time infrared horizon detection in maritime and land environments based on hyper-laplace filter and convolutional neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |