CN114373130A

CN114373130A - 一种天基红外暗弱小运动目标检测方法

Info

Publication number: CN114373130A
Application number: CN202210015587.8A
Authority: CN
Inventors: 鹿明; 李峰; 鲁啸天; 辛蕾; 杨雪; 张南; 赵纪金
Original assignee: China Academy of Space Technology CAST
Current assignee: China Academy of Space Technology CAST
Priority date: 2022-01-07
Filing date: 2022-01-07
Publication date: 2022-04-19

Abstract

本发明涉及天基遥感数据处理技术领域的一种天基红外暗弱小运动目标检测方法,包括：S1.对红外遥感数据进行预处理，增加目标与背景的对比度，形成红外影像序列；S3.利用目标的时间域特征，提取目标的运动区域；S5.基于Tophat背景建模法，在空间域识别并提取潜在目标点；S7.对目标在时间域和空间域上的特征进行联合处理，实现目标识别。通过本发明的方法，有效抑制了传统方法目标检测的虚警率，并提升对运动的暗弱小目标的检测效果。

Description

一种天基红外暗弱小运动目标检测方法

技术领域

本发明涉及天基遥感数据处理技术领域，主要涉及一种天基红外暗弱小运动目标检测方法，尤其是一种联合时域特征和Tophat滤波的天基红外暗弱小运动目标检测方法。

背景技术

天基探测方式主要包括光学、红外、雷达等。光学探测容易受到云、雾等天气的干扰，而雷达需要主动发射和接收电磁波。红外探测是一种被动光学探测，不受气象条件的制约，具有探测范围广、探测距离远的优点，被广泛应用于火灾预警，温度/水分反演，目标检测跟踪等方面，应用极为广泛。

由于天基探测距离远，红外影像空间分辨率十分粗糙，目标尺寸较小，在红外影像上通常仅占1-2个像元，而且目标与背景的对比度非常低。由于衍射现象，目标在影像上的形状多变，形状和纹理等特征不明显。再加上探元响应不一致，造成红外影像中存在许多随机噪声和矢像元，在影像中呈现点状目标，目标与噪声极容易混淆。因此，在红外影像中探测小目标一直都是一项非常困难的工作。

现有的天基红外对暗弱小运动目标的检测方法大致可以分为两类：空间域和时间域的检测方法。其中，基于空间域的探测方法，主要是利用目标在红外影像上呈现出类似于高斯光斑的特点，通过图像背景估计、增强目标等方式将目标识别出来。常用的背景估计方法包括中值滤波、均值滤波、高斯滤波、二维最小均方滤波(TDLMS)等。目标增强方法包括Tophat变换、卷积核回归等。该方法的不足在于难以抑制噪声对目标检测的影响，目标和噪声同时被识别出来，造成高虚警率。另一种是基于时间域的检测方法。该类方法通常联合多帧信息，考虑目标在多帧间的连续性和轨迹的规则性。与空间域的检测方法相比较，该类方法的虚警率明显降低。该类方法主要有多帧联合法、3D匹配滤波法、投影变换、能量累积法、时域廓线等。然而，这些方法中多帧联合法、3D匹配滤波等方法，计算量较大，计算效率低下；投影变换的方法会损失目标信号的信噪比(SNR)，给投影后的目标检测带来困难；能量累积法能够获得目标的轨迹信息，但是难以获取单帧弱小目标的轨迹信息；时域廓线法实现了目标在经过当前帧时，在时间域上引起的光谱变化，但对运动目标的特征提取不够显著，提取效果不够理想。

发明内容

为克服上述现有技术中的缺陷，本发明的目的在于提供一种天基红外暗弱小运动目标检测方法，有效抑制了传统方法目标检测的虚警率，并提升对运动的暗弱小目标的检测效果。

为实现上述发明目的，本发明的技术方案是：

本发明提供一种天基红外暗弱小运动目标检测方法，包括：

S1.对红外遥感数据进行预处理，增加目标与背景的对比度，形成红外影像序列；

S3.利用目标的时间域特征，提取目标的运动区域；

S5.基于Tophat背景建模法，识别并提取空间域的潜在目标点；

S7.对目标在时间域和空间域上的特征进行联合处理，实现目标识别。

根据本发明的一个方面，所述步骤S1包括：

S11.确定红外影像中的ROI(Region of Interest)框的区域范围，利用ROI数据逐帧对红外影像的目标区域进行裁切；

S12.数据图层叠加，对裁切的影像数据，逐帧按空间范围叠加到一起，形成红外影像序列；

S13.将红外影像按序列读取到一个三维矩阵，形成包含空间域和时间域信息的数据集合。

根据本发明的一个方面，所述步骤S3包括：

S31.对红外影像序列的数据在时间域上进行平滑，去除异常值；

S32.在时间域平滑的基础上，进行时域廓线处理，分析时间序列上像元的均值、方差和度量参数；

S33.根据目标与背景像元之间的动态变化规律，构建目标在时间域上的关键特征并拟合；

S34.在时间域关键特征的基础上，拟合特征点，生成拟合曲线，提取目标的运动参数并进行阈值化处理，获得目标的运动区域图。

根据本发明的一个方面，在所述步骤S32中，所述均值的计算公式为：

所述方差的计算公式为：

所述度量参数的计算公式为：

其中，T(i)表示在第i帧红外影像上目标的灰度值(DN值)；N表示红外影像序列的数量；μ表示该像元在时间序列的均值；σ²表示该像元在时间序列的方差；max()表示求最大值函数；η表示目标在时域特征的度量参数。

根据本发明的一个方面，所述步骤S33包括：

S331.在时间域上，利用最大值函数，提取潜在目标点；

S332.根据所述潜在目标点处于时间序列帧的不同阶段，提取并构建对应的时域特征。

根据本发明的一个方面，在所述潜在目标点进入和离开该像元的过程中，DN值呈现出先由小变大，后由大变小的变化规律，这是基于时序特征提取潜在目标点的重要前提。提取的潜在目标点便在曲线的最大值处。当最大值，即潜在目标点出现的时刻在时间序列帧的后端时，会缺乏潜在目标点离开该像元时的变化信息，采用对称生成的方法，得到一个完整的特征变化曲线；当最大值，即潜在目标点出现在时间序列帧的初期，由于缺乏潜在目标点进入该像元时的变化信息，同样采用对称生成的方法，得到完整的特征变化曲线；当所述潜在目标点处于时间序列帧的其他阶段时，直接提取特征。

根据本发明的一个方面，在所述步骤S34中，所述拟合曲线为：

y＝ax²+bx+c

其中，a是二次多项式系数，表示曲线开口的大小，表示目标的运动速度特征，是目标区别于背景的主要运动参数；b是一次多项式系数，与a共同决定了中心对称轴的位置；c代表常数项，与a，b共同决定顶点位置。

根据本发明的一个方面，所述步骤S5包括：

S51.对目标的形态特征构建Tophat内核结构，准确识别目标；

S52.利用构建的Tophat内核结构，对原始图像进行Tophat变换，获得Tophat图像背景模型；

S53.用原始图像减去Tophat图像背景模型，生成残差图像，并通过设置阈值，获得空间域的潜在目标。

根据本发明的一个方面，在所述步骤S52中，所述Tophat变换的过程为：先对原始图像进行膨胀操作，然后进行腐蚀，最后得到Tophat图像背景模型。

根据本发明的一个方面，所述步骤S7包括：

S71.将所述目标的运动区域和所述潜在目标点相叠加，滤除噪声点引起的虚警；

S72.对目标的光谱特征进行分析，并对矢像元的亮度设置阈值，滤除矢像元噪声点；

S73.将虚假目标点去掉，获得红外影像的运动目标；

S74.将红外影像序列逐帧执行运动目标检测，将检测结果进行多帧关联，并采用卡尔曼(Kalman)滤波跟踪算法，对运动目标进行定位和跟踪，获得最终的提取结果。

有益效果：

根据本发明的方案，通过数据预处理抑制地表高反射地物对目标的影响，增强目标与背景的对比度。通过分析像元的时间域特征，提取目标运动区域。基于Tophat背景建模，获取空间域的潜在目标点。通过时空域联合处理，结合目标的光谱、形态等特征，提升目标检测效果，并通过Kalman滤波，实现目标在视频帧间的运动跟踪。本发明基于联合时域特征和Tophat滤波的天基红外暗弱小运动目标检测方法，有效抑制了目标检测的虚警率，提升对运动的暗弱小目标的检测效果。

附图说明

图1示意性表示本发明的一种实施方式的天基红外暗弱小运动目标检测方法的流程图；

图2示意性表示本发明的一种实施方式的天基红外暗弱小运动目标检测方法的具体流程图；

图3示意性表示本发明的一种实施方式的天基红外暗弱小运动目标检测方法基于GF-4仿真的用于目标跟踪的影像数据图；

图4示意性表示本发明的一种实施方式的天基红外暗弱小运动目标检测方法中目标在时域的特征曲线与拟合曲线；

图5示意性表示本发明的一种实施方式的天基红外暗弱小运动目标检测方法中基于时域特征提取的目标运动区域示意图；

图6示意性表示本发明的一种实施方式的天基红外暗弱小运动目标检测方法中基于空域特征提取的潜在目标示意图；

图7示意性表示本发明的一种实施方式的天基红外暗弱小运动目标检测方法中目标联合时空域特征对目标在影像中的定位和标识。

具体实施方式

为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。

本实施方式的联合时域特征和Tophat滤波的天基红外暗弱小运动目标检测方法，为了解决天基红外影像中目标特征不明显，目标与矢像元等噪声易混淆而导致天基红外暗弱小的运动目标难以检测和识别的问题，在深入挖掘运动目标在时间域运动特征的基础上，构建运动目标的运动特征指数，结合时空域特征对运动目标进行精准识别，有效抑制了现有的目标检测方法中的检测虚警率，提升对运动小目标的检测效果。

图1、图2分别示意性表示本实施方式的天基红外暗弱小运动目标检测方法的各步骤大致上的执行流程和各步骤中的具体执行步骤、流程。

如图1和图2所示，该天基红外暗弱小运动目标检测方法包括数据预处理、时间域的运动区域提取、空间域的潜在目标提取以及时空域联合处理4个过程。如图1所示，该方法的各实现步骤包括如下：

S3.利用目标的时间域特征，提取目标的运动区域；

S5.基于Tophat背景建模法，在空间域识别并提取潜在目标点；

在本实施方式中，采用公开的GF-4号卫星的红外波段数据作为数据源，以舰船目标为例，通过数据仿真生成红外序列影像和运动目标，对上述各个步骤及其具体过程进行解释和阐述。

第一步：对红外遥感数据进行预处理，增加目标与背景的对比度，形成红外影像序列。原始遥感影像光谱差异太大，裸地、沙滩等地物呈现出高反射特征，背景呈现出低反射特征，造成目标容易被淹没在背景中，难以识别出目标。因此，首先需要对目标区域进行裁切处理，避免沙滩、裸地等高反射地物对目标的影响，增加目标与背景的对比度。具体过程包括：

首先，裁切目标区域。确定红外影像中的ROI(Region of Interest)框区域范围，利用ROI数据逐帧对红外影像的目标区域进行裁切。

图3示意性表示本实施方式基于GF-4仿真的用于目标跟踪的影像数据图。在本实施方式中，首先在仿真的红外影像序列中逐帧裁切出一片200*200的海洋区域作为研究区域，时间序列范围为100帧，在该时间段和该区域开展对运动目标的检测。仿真的研究区域结果如图3所示。

其次，数据图层叠加，对裁切的影像数据，逐帧按时间序列和空间范围叠加到一起，形成红外影像序列。接着，对红外影像序列进行处理，将红外影像按序列读取到一个三维矩阵，形成包含空间域和时间域信息的数据集合。

第二步：综合利用目标在时间域的统计特征，提取目标的运动区域。

具体过程包括：

首先，对红外影像序列的数据在时间域上进行平滑，去除异常值的影响。其次，在时间域平滑的基础上，进行时域廓线处理，分析时间序列上像元的均值、方差和度量参数。其中，均值的计算公式为：

方差的计算公式为：

度量参数的计算公式为：

然后，根据目标与背景像元之间的动态变化规律，构建目标在时间域上的关键特征并拟合。目标在时域特征上，当目标向该背景像元运动时，该背景像元的灰度值会呈现出由背景灰度值渐变到目标灰度值的动态变化，当目标离开该背景像元时又呈现出由目标灰度值到背景灰度值的动态变化。这种变化在时间域上，表现为一种近似的一元二次方程曲线。综上，在目标进入和离开该像元的过程中，DN值会呈现出先由小变大，后由大变小的变化规律，这是基于时序特征提取目标的重要前提。因此，由此构建出目标的关键特征。具体如下：

时间域潜在目标点：在时间域上，利用最大值函数，提取潜在目标点。提取的潜在目标点即为上述一元二次方程曲线的最大值处。潜在目标点为局部最大值点。

时域特征构建：如上所述，目标在经过和离开该像元的过程中，表现为一种由背景值向目标值变化，再由目标值向背景值变化的一元二次方程曲线。特征构建的过程就是寻找这个变化的过程。需要特别注意的是，在时域或空间域过程中产生的目标或目标点均可理解为潜在目标或潜在目标点。当潜在目标点出现的时刻在时间序列帧的后端时，由于缺乏潜在目标点离开该像元时的变化信息，采用对称生成的方法，生成一个完整的特征变化曲线。同理，当最大值，即潜在目标点出现在时间序列帧的初期，由于缺乏潜在目标点进入该像元时的变化信息，同样采用对称生成的方法，得到一个完整的特征变化曲线。对于潜在目标点出现在其他区域时，则直接提取出该段特征。

接下来，在时间域关键特征构建的基础上，用一元二次方程拟合特征点，生成拟合曲线，提取目标的运动参数并进行阈值化处理，获得目标的运动区域图。目标时域特征曲线与拟合线的示意图如图4所示，点构成特征曲线，实线为拟合曲线。本实施方式中选取的运动参数阈值为[-0.8,0.2]，得到的目标运动区域如图5所示。该拟合曲线为二次曲线方程，如下所示：

y＝ax²+bx+c

第三步：基于Tophat背景建模法，在空间域识别并提取潜在目标点。由于位置变化和光的衍射等因素的影响，目标在红外影像上的形状、纹理特征不明显，但整体上呈现出类似于高斯光斑的特点。所以通过Tophat背景建模法，将潜在目标点识别出来。具体步骤如下：

首先，对目标的形态特征构建Tophat内核结构，准确识别目标。Tophat变换是一种形态学操作，形态学操作的内核对形态学操作的意义重大，因此需要针对目标的形态特征构建内核结构，将目标更加准确的识别出来。本实施方式根据目标的特征，设置的内核结构为环状结构，参数为9和4。

其次，利用构建的Tophat内核结构，对原始图像进行Tophat变换，先对原始图像进行膨胀操作，然后进行腐蚀，最后获得Tophat图像背景模型。

接着，基于Tophat构建的图像背景模型，用原始图像减去Tophat图像背景模型，生成残差图像，并通过设置合适的阈值，获得空间域的潜在目标。由于残差图像包含目标，同时也包含矢像元、随机噪声点。因此基于空间域特征得到的是包含有大量虚警的潜在目标点。空间域目标提取结果如图6所示。

第四步：对目标在时间域和空间域上的特征进行联合处理，实现目标识别。综合运动目标在时间域和空间域特征进行目标识别和最终结果展示。具体步骤如下：

首先，将第二步得到的目标的运动区域和第三步得到的潜在目标点相叠加，有效滤除由于噪声点引起的虚警。

其次，对目标的光谱特征进行分析，并对矢像元的亮度设置阈值，滤除矢像元噪声点。虽然目标与噪声在灰度特征上整体偏高亮，但是目标点与矢像元还是有差别，矢像元的平均亮度要比目标点高，因此，可以根据这一特征，设置合适的阈值，滤除矢像元等噪声点。

然后，对空间邻域特征进行分析。由于目标的形状、纹理特征不明显且多变，在红外影像上通常表现为数个连通的像元，所以，可以根据这一特性，将连通像元数量过多的虚假目标点去掉，获得该红外影像上的运动目标。

接下来，将红外影像序列逐帧执行运动目标检测，将检测结果进行多帧关联，并采用卡尔曼(Kalman)滤波跟踪算法，对运动目标进行定位和跟踪，获得最终的提取结果。此时获得的最终结果即为本方法检测的最终运动目标。该运动目标在原始红外影像中的定位和跟踪效果如图7所示。

以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包括在本发明的保护范围之内。

Claims

1.一种天基红外暗弱小运动目标检测方法，包括：

S3.利用所述目标的时间域特征，提取所述目标的运动区域；

S5.基于Tophat背景建模法，在空间域识别并提取潜在目标点；

S7.对所述目标在时间域和空间域上的特征进行联合处理，实现所述目标的识别。

2.根据权利要求1所述的目标检测方法，其特征在于，所述步骤S1包括：

S11.确定红外影像中ROI框的区域范围，利用ROI数据逐帧对红外影像的目标区域进行裁切；

S12.对裁切的影像数据，逐帧按空间范围叠加到一起，形成红外影像序列；

S13.将所述红外影像按序列读取到一个三维矩阵，形成包含空间域和时间域信息的数据集合。

3.根据权利要求1所述的目标检测方法，其特征在于，所述步骤S3包括：

S31.对所述红外影像序列的数据在时间域上进行平滑，去除异常值；

S33.根据所述目标与背景像元之间的动态变化规律，构建所述目标在时间域上的关键特征并拟合；

S34.基于所述关键特征拟合特征点来生成拟合曲线，提取所述目标的运动参数并进行阈值化处理，获得所述目标的运动区域图。

4.根据权利要求3所述的目标检测方法，其特征在于，在所述步骤S32中，所述均值的计算公式为：

所述方差的计算公式为：

所述度量参数的计算公式为：

其中，T(i)表示在第i帧红外影像上目标的灰度值；N表示红外影像序列的数量；μ表示该像元在时间序列的均值；σ²表示该像元在时间序列的方差；max()表示最大值函数；η表示目标在时域特征的度量参数。

5.根据权利要求3所述的目标检测方法，其特征在于，所述步骤S33包括：

S331.在时间域上，利用最大值函数，提取潜在目标点；

6.根据权利要求5所述的目标检测方法，其特征在于，所述步骤S332包括：当所述潜在目标点出现的时刻在时间序列帧的后端时，采用对称生成的方法，得到完整的特征变化曲线；当所述潜在目标点出现在时间序列帧的初期，采用对称生成的方法，得到完整的特征变化曲线；当所述潜在目标点处于时间序列帧的其他阶段时，直接提取特征。

7.根据权利要求3所述的目标检测方法，其特征在于，在所述步骤S34中，所述拟合曲线为：

y＝ax²+bx+c

其中，a是二次多项式系数，表示目标的运动速度特征，是目标区别于背景的主要运动参数；b是一次多项式系数；c代表常数项。

8.根据权利要求1所述的目标检测方法，其特征在于，所述步骤S5包括：

S51.对所述目标的形态特征构建Tophat内核结构，准确识别所述目标；

S52.利用构建的所述Tophat内核结构，对原始图像进行Tophat变换，获得Tophat图像背景模型；

S53.用所述原始图像减去所述Tophat图像背景模型，生成残差图像，并通过设置阈值，获得空间域的潜在目标。

9.根据权利要求8所述的目标检测方法，其特征在于，所述步骤S52中的所述Tophat变换包括：先对所述原始图像进行膨胀操作，然后进行腐蚀，从而得到所述Tophat图像背景模型。

10.根据权利要求1所述的目标检测方法，其特征在于，所述步骤S7包括：

S72.对所述目标的光谱特征进行分析，并对矢像元的亮度设置阈值，滤除矢像元噪声点；

S73.通过空间邻域特征分析去除虚假目标点，获得红外影像的运动目标；

S74.将所述红外影像序列逐帧执行运动目标检测，将检测结果进行多帧关联，并采用卡尔曼(Kalman)滤波跟踪算法，对所述运动目标进行定位和跟踪，获得最终的提取结果。