第六章 红外小目标检测
• 红外面目标 点目标随着弹目距离变小而成为面目标。图 像分辨率、对比度、图像信噪比提高。可以采 用给予分割的方法进行检测。主要方法包括红 外图像二维熵分割算法、基于改进C-V模型的 分割方法及基于时空联合的红外目标模糊聚类 提取方法。 • 第9章利用均值漂移理论对红外目标进行准确 跟踪。并提出了一种前视红外目标的鲁棒分层 跟踪方法,将均值漂移算法与特征匹配方法相 结合,利用特征匹配对目标坐标进行修正来实 现目标的实时跟踪。此外还提出了核带宽自动 更新的改进均值漂移算法,对红外成像制导跟 踪过程中不断增大尺寸的目标进行有效跟踪。
数学形态学的基本思想是通过物体和结构元素相互作用的某些 运算,得到物体更本质的形态,以达到对图像分析和识别的 目的。数学形态学分为二值形态学和灰度形态学两种。基本 的运算包括腐蚀、膨胀、开运算和闭运算。 腐蚀 膨胀 开运算 闭运算
( fΘg )( x, y ) = min{ f ( x − i, y − j ) − g (−i,− j )}
6.3 基于背景抑制和管道滤波的红 外运动小目标检测
远距离摄取的红外图像可以被认为是目标图像、背景图像、 噪声图像3个分量组成的。目标图像为灰度奇异点,唯一 可供利用的是目标的强度信息(在红外图像中体现为灰度 特征)。检测思路一般为:对单帧图像尽可能的抑制背景 和噪声;或者充分利用序列图像单帧间相关性和小目标运 动的连续性排除虚假目标。 下面讨论首先通过数学形态学滤波对单帧图像进行背景抑制 和去除噪声,然后采用管道滤波方法检测背景抑制后的序 列图像中运动下目标。 原始图像→Top-hat滤波→管道滤波→目标
目标跟踪
• 定义:通过对传感器拍摄到的图像序列的 分析,从复杂的诶经中检测和辨认出运动 目标,计算出目标在每帧图像上的位置, 预测目标运动的规律,给出目标运动速度 的顾忌,实现对目标的准确且连续的跟踪
• 红外小目标检测 目标小,可能仅为几个到几时个像素, 市场中表现为孤点或斑点,一般用单帧 图像进行检测。方法包括基于统计特征 表决、基于数学形态滤波的背景抑制和 管道滤波的红外小目标检测。 • 针对粒子滤波采样效率低,计算量大的 问题,在第8章中提出了一种基于粒子群 优化的辅助粒子滤波跟踪方法。
− − ∑0 ( x k , y k ) − ( x , y ) − µ R k=
k −1
当R趋向于原型是,特征量C是单增趋向无穷的,它不受区域 评议、旋转和尺度变化的影响。
6.2.2 分层特征统计表决的小目标提取
即在下一帧图像中寻找与上一阵特征相似的区域,在某一固定位置或邻域附 近,相似区域越多,特征量越相似,是目标的可能性越大。 具体步骤 步骤一 第一层以每m帧统计表决一次,如果在m次检测中某固定位置或者邻 域中性质相似的区域连续出现n次,则该区域就纳入预选目标,并将其位 置、面积、圆形性特征的均值记录为检测结果;否则该次实验失败。有 时候,特征相似的区域出现不知一个,则通过特征相似性之差来判断最 相似的区域的取舍。如果某区域在前几帧没有出现,则第一次出现后将 其纳入监测范围 步骤二 在第一层监测结果的基础上实施第二层,以每m个监测结果的均值作 为小目标的位置输出,起邻域位置即为小目标。 步骤三 将第二层检测结果的均值作为小目标的位置输出,起邻域位置即为 小目标。 以上算法中,m一般取值为4、5、6;n相应的取值为2、3、4。
对于腐蚀运算和膨胀运算还有以下性质 fΘ( gΘh) = ( fΘg )Θh
f ⊕ ( g ⊕ h) = ( f ⊕ g ) ⊕ h
(6.10) (6.11)
基于数学形态学滤波的背景抑制 Top-hat变换: 通过选取合适的结构元素对红外图象 进行开运算就可以去除小目标,使图像中只剩下背 景,再用原始图减去背景,提取出小目标 背景估计= ( f o g )( x, y ) 背景抑制=f(x,y)- ( f o g )( x, y ) (6.12) (6.13)
6.2 基于特征统计表决的小目标检测
军事小目标在成像的时候在帧间具有连续性和相关性,而噪声因其随机性 则不具备上述特点。因此,可通过对连续帧间候选目标(区域)的特征分析, 提取出真正的目标。
6.21 特征提取
表示特征的量很多,在此讨论以下几个 (1).区域面积 对于区域R来说,设像素为边长是单位长的正方形,其面积A的计算 为 A = ∑1 ,可见计算区域面积就是对属于区域的像素计数。 (2).区域位置 用区域重心表示区域的位置,区域重心是一种全局描述符,其坐标根据 所欲属于区域的点计算。计算如下 − − 1 1 x= x y= ∑ ∑∈Ry A ( x , y )∈R A ( x, y ) 区域重心坐标常不为整数
( x, y )∈R
(3).区域圆形性 圆形性C是是对一个区域R所有边界点定义的特征 µ C 量: = R ,其中 µ R 为区域重心到边界点的平均距离,
σ R 为区域重心到边界点的距离的均方差,且
1 µR = k
σR
∑
k −1
k =0
( xk , yk ) − ( x, y )
2
−
−
σR
1 = k
6.1.2 TBD方法 (track before detect) 在三维空间中对可能的目标轨迹进行跟踪,对每条跟踪 的轨迹计算其后验概率函数,若结果超过某一门限,则认 定该轨迹代表某一目标,然后对已标记了目标的帧进行空 间局部处理,判断是否为真实目标。 目前主要方法: (1).三维匹配滤波器方法 (2).动态规划方法 (3).多级假设检验方法 (4).高阶相关方法
管道滤波过程
小目标检测结果
( f ⊕ g )( x, y ) = min{ f ( x − i, y − j ) + g (−i,− j )}
i, j
i, j
(6.6) (6.7) (6.8) (6.9)
( f o g )( x , y ) = [( f Θ g ) ⊕ g ]( x , y )
( f • g )( x, y ) = [( f ⊕ g )Θg ]( x, y )
A)原始图象
B)滤波结果
基于管道滤波的序列图像中运动小目标的检测 在进行多帧处理时采用管道滤波的方法,利用序列图像中目标运动的连续 性和轨迹的一致性得到目标的预测运动轨迹,再通过在后续帧中预测 轨迹周围一定范围内进行搜索就可以得到目标信号.,管道滤波实际上 是一个时空滤波器,他是在序列图像的空间位置上以目标为中心建立 的一个空间管道,管道的诗经代表空间的作用尺寸,管道长度代表检测 的时间长度. 具体步骤为,对抑制背景后的图象进行扫描,若一个候选点不属于现在有 的任何一个管道,则开辟一个新管道;在每一帧图像中判断每一个管道 在管径规定的范围内是否存在目标;在规定的检测帧数中计算每个管 道目标出现的帧数,根据制定的准则判断真是的目标并确定其位置。 在一次检测中管道可以有多条,假设检测时间对应图像的帧数为n,在n 帧图像中同一个管道有m帧检测到目标,则认为此管道中存在目标。 在检测算法中,定义管径为10像素,检测帧数为5f,当同一管道中图像 序列中有3f检测到目标,则认定为真实目标,否则为虚假。同时为了 提高精确度和检测实时性,我们队原始图像先进行数学形态滤波,以 减少管道数。
第六章 红外小目标检测
6.1 红外小目标检测方法
目标检测是指从图像序列中寻找并提取出目标的过 程,是跟踪的基础。由于整个跟踪过程是从小目标 到面目标再到大目标连续的跟踪,所以小目标的检 测性能好坏直接决定末制导系统的有效作用距离及 设备的复杂程度。 在面目标阶段,目标还不是很稳定,可能出现目标 丢失,此时需要重新开始检测程序 此外,实际运动中热辐射相当复杂,因此,单帧的 目标检测十分脆弱,所以必须结合目标的运动特征 和帧间的相关性实现目标的检测锁定和跟踪。 现在的红外目标检测方向主要有两个发展方向 DBT(先检测后跟踪)和DBT(先跟踪后检测)。
6.1.1 rack)
先根据目标像素的强度检测出图像中的运动物体,然后对 其实施跟踪,在跟踪过程中不断修正检测结果,以实现更精 确的目标运动信息。 预处理(背景抑制)—判决(是否为潜在目标点)—表决(形 成二次决策)—输出 目前研究出的主要方法: (1).阈值分割方法。最大类间方差法、最大阈值法、最小误差 法 (2).基于像素分析方法。对图像进行差分、光流法 (3).数学形态方法。腐蚀、膨胀、开运算、闭运算 (4).小波变换方法。 (5).基于神经网络和遗传算法的方法
第三篇 红外目标识别与跟踪
• • • • 红外小目标检测 红外面目标检测 基于粒子滤波的红外目标跟踪 基于均值漂移的红外目标跟踪
目标识别
定义:目标识别是利用雷达等传感器和计算机, 对遥远目标所处的环境、目标类别、目标类型 及目标敌我属性等进行辨认的技术。 基本原理:利用雷达回拨中的幅度相位、频谱和 机化等目标特征信息,通过数学上的各种多维 空间变换来估算目标的大小形状重量和表面层 的物理特性参数,并根据大量的训练样本所确 定的鉴别参数,在分类器中进行识别判决。