复杂背景下的红外运动弱小目标的实时检测
第23卷第8期
系统工程与电子技术Systems Engineering and Electronics
Vol 23,No 82001
收稿日期:2000-09-09 修订日期:2001-01-09
作者简介:张弘(1966-),女,博士研究生,主要研究方向为图像处理和目标自动识别跟踪。
文章编号:1001 506X(2001)08 0040 02
复杂背景下的红外运动弱小目标的实时检测
张 弘,赵保军,朱梦宇,史彩成
(北京理工大学电子工程系,100081)
摘 要:对红外弱小目标的检测,关键是将目标从由地物、云团造成的复杂背景中有效地分割出来。采用在高通滤波前先进行一次背景抑制的预处理方法,以校正由温度非线性引起的噪声。再对高通滤波后的信号进行自适应门限分割的方法,更好地将低信噪比的红外点目标从周围的背景中分割出来,最后利用点目标检测的方法,进行点聚合,对同时存在的斑点、面目标也进行了检测。该算法可有效地减小运算量,对快速、实时和点、斑点、面目标同时存在的复杂情况具有一定的实用价值。
主题词:图像识别;背景噪声;目标检测中图分类号:TN911 73 文献标识码:A
The Real-Time Detection of Infrared Weak Targets Under Comples Background
ZHANG Hong,ZHAO Bao jun,ZHU Meng yu,S HI Cai cheng
(De partment o f Elect ronic Engine ering ,Bei j ng Institute of Technology,100081)
A bstract:According to the features of infrared dim point targets,this paper adopts the method of background suppression before high-pass filter i n order to suppress the non linear di stribution and then the threshold segmen tation in order to separate the infrared poin t targets efficien tly from low SNR and complex background.At the same ti me,the spot targets are detected by aggregating poin t targets that have been separated.This algorithm can not only reduce operation bu t also is applicable to some complex cases where the poin t targets and spot targets exist at one time.
Keywords:Image recognition;Back ground noise;Target detection
1 引 言
红外成像的点目标识别和跟踪一直是近年研究的热门课题。
最初出现的目标在视场中一般呈现点状、斑点状,在复杂背景低信噪比下,目标极易被淹没在强噪声中。怎样在目标一出现,即在点目标阶段就有效地检测、识别出来,是整个处理系统快速作出反应的基础,也是整个检测算法的关键[1,2]。
本算法在高通滤波前对温度场的非线性先进行了校正,再在局部背景下进行自适应门限分割,这种算法在快速、实时、有效方面取得了良好的效果。
整个红外目标的检测基本分为3部分:预处理、检测、识别与跟踪。此外本文还给出了一种利用点目标检测的方法进行点聚合来发现有可能同时出现的斑点或面目标,并通过融入面目标的识别特征:如长、宽、高、面积、形状、不变矩等,在当帧或第二帧就可确认面目标,这能更好地适应同时存在点目标、斑点、面目标的复杂情况。
2 背景抑制和点目标增强
背景抑制由两部分组成。
(1)红外图像是热辐射图像,对温度极为敏感。大气的温度随地面高度升高而降低,温度场是非线性分布的。当视角较小时,同一行的温度差很小。因此温度场变化引起的灰度变化在同一行中变化很小,并且相邻行间有很强的相关性。通过对实际红外图像的分析,我们将红外图像的像素灰度减上一行或同一行的灰度均值,将有效地抑制大气温度场的非线性分布、大的云团和大部分地物。其运算由式(1)实现
x ij =x ij - x j-1
或
x ij =x ij - x j
(1)
式中 x ij 原始像素灰度值;x ij 减灰度均值后的像素灰度值。图1为原始图像,图2为行均值相减后的图像。由图1、图2可见,点目标在一定程度上得到了增强。
(2)对于远距离红外小目标而言,背景中细节成分较少,在大部分情况下,背景是大面积平缓变化场景,像素之间有强相关性,占据图像空间频域的低频分量。因此利用背景
图1 原始红外图像 图2 行均值相减后的红外图像
像素之间灰度的相关性,目标灰度与背景灰度的无关性,可以在图像空间作高通模板的卷积或作频域高通滤波[3]。这种用高通模板进行空间卷积的方法相当于对原图像作低频分量的估计,即
f(i,j)-f^(i,j)=f T(i,j)+n(i,j)(2)其中 f(i,j)原始图像;f^(i,j)低频成分;f T(i, j)目标分量;n(i,j)高频分量。
根据所采用的不同类型低频分量估计及对目标模型的分析[4,5],可以得出不同的高通模板。本文采用5!5高通卷积模板
-1-1-1-1-1
-1-14-1-1
-1444-1
-1-144-1
-1-1-1-1-1
作为空间域高通滤波器。对于目标点和孤立噪声点,由于信号强度较背景高,容易通过滤波器,而对于有一定成像面积的背景,不容易通过。高通模板在理论上对分离点目标具有很好的作用,但在实际应用中,实时性要求当帧或当场输出,怎样减小运算量是必须考虑的。在背景抑制之前,根据目标通常比背景要亮,目标像数虽少但却位于高灰度区,远远大于平均灰度。用平均灰度做门限,对灰度小于门限的背景像素不进行高通滤波,对灰度大于门限的像素进行高通滤波,分割出高灰度的背景像素和目标像素。
f(i,j)- >0作高通滤波
f(i,j)- ?0不作高通滤波
(3)仿真结果证明,本文所提出的方法在作了一次门限处理后,运算量减小2/3。
3 基于自适应门限的目标分割[6]
高通滤波后怎样选择一个合适的门限把点目标和孤立噪声点提取出来是一个关键问题。若由单帧检测概率、虚警概率和信噪比来定门限[7]
v= + S- -1(P d)(4)或v= - -1(P f)(5)式中 v检测门限; 为第K帧背景对消后的噪声均值; 2噪声均方差;S信噪比SNR,定义为信号的幅值与噪声的均方差之比。也可采用经典的似然比检测理论来定门限
v2>-2 2[ln(2! ?)-ln k](6)其中 k v的分布范围(原灰度级为255时,-255?v?255,k=511);?决策门限,选0 003,即认为经过高通滤波后的图像中任一灰度值f(i,j),目标与背景噪声出现的先验概率之比为3:1000。
这两种门限检测方法一方面可能引起分割的目标候选点太多,不利于下一步的跟踪;另一方面若目标处于背景较均匀,灰度值较高的区域中,利用统一门限很难分割出点目标。鉴于这种情况,本文提出了高通滤波后利用自适应门限进行分割的方法。基于上一步的5!5的高通滤波模板,设
f(i,j)周围的5!5方阵中灰度值为E=#i+2i-2#j+2j-2f(i,j)。设高通滤波后的该点灰度值变为f^(i,j),则
f(i,j)=
f(i,j)f^(i,j)-#E>0
0f^(i,j)-#E?0
(7) 通过将高通滤波后的目标与它周围的背景作自适应门限比较可以很好地分割出点目标,这样既可以解决单纯的自适应门限造成的预选点过多,又可解决单纯的高通滤波,当目标出现在强噪声下分割不出来的弊病。
按信噪比SNR=1 9,在实际图像中加入4个目标,在(100,100)加入点目标d1,在(50,50)加入一5!5斑点目标d2,在(150,150)加入一2!2斑点目标d3,在(50,100)加一16!5面目标d4。
图3为高通滤波后利用(4)式或(5)式计算出的门限进行分割的情况,需要取到1500点左右才能把3个目标取出来,d1由于处于强噪声区,没有分割出来,还需继续降低门限。图4为自适应门限检测方法,大约需要1650点才能把4个目标取出来。根据本文采用的方法,调整#值,可根据所需的目标预选点自适应调节,只要#选择合适,即可成功地抑制背景和噪声而分离出小目标。当SNR为1 9时,只需200点左右,4个目标都可分割出来。
4 点目标聚合
以往的算法都是单纯地讨论点目标和面目标,但在实际中,点目标、斑点目标和面目标可能同时出现,且面目标危险更大。采用高通滤波、自适应门限都是针对点目标检测的。但同时存在斑点、面目标时,经过高通滤波或自适应门限检测只能检测到面目标的几个边缘点或边缘框[8],见图5(实
(下转第60页)
?
41
?
第8期复杂背景下的红外运动弱小目标的实时检测
[6]高为炳 非线性控制系统导论[J ] 北京:科学出版社,1991:145~598 [7]舒仲周 运动稳定性[M ] 成都:西南交通大学出版社,1989:333~338
[8]Grujic L T.Robus t Abs olutel y Stable Lurie Sys te ms[J].Int.J Control,1987,46(1):357~368.
[9]Tesi A,Vicino A.R obus t Absolute Stability of Lurie Control Sys te ms i n Para meter Space[J].Automatica,1991,27(1):147~151.[10]年晓红 Lurie 型控制系统的鲁棒绝对稳定性[J] 控制理论与应用,1995,12(5):641~645
[11]Soc C B.Necess ary and Sufficient Conditi ons for Stability of Symmetric Interval Matrices[J].Int.J.Control,1990,51(2):243~248.[12]孙继涛 关于区间矩阵的稳定性[J] 自动化学报,1991,17(6):745~748
[13]孙继涛,张银萍 关于时变区间矩阵的稳定性研究[J] 控制理论与应用,1995,12(1):108~113
(上接第41页)
际的红外飞机图像),无法得知面目标的具体信息:如位置、灰度、质心坐标和面积等。若门限分割后以灰度相关为判决准则进行点合并,低信杂比下可能将大量噪声并入目标。因此我们提出粗检测、细跟踪的思想。门限分割后在一定的区域中把高于门限的点聚合为一个目标,记录它的形心位置。在此过程,聚合出可能的点、斑点、面目标。由于面目标面积较大,可通过面目标的识别算法,如长、宽、高、不变矩等特
征
图3 高通滤波 图4 自适应门限
来当帧完成识别。
5 试验结果及结论
在云层中飞行的实际红外点目标图像序列,图像大小为768!576,点目标的信噪比为1 67。按给出的总检测概率与总虚警概率定出判决准则,取16帧出现11帧为判决条件。跟踪识别结果见图6
。
图5 高通后飞机轮廓 图6 检测到的点目标
6 结 论
本文提出了一种实时高通滤波方法,并在滤波后采用自适应门限分割,门限的确定是基于统计参数的自适应计算,该方法具有适应性强,效果好等优点,比传统的单纯用高通
滤波或自适应门限检测有更好的分割效果,能有效地分割出点目标。算法中采用的聚合方法,可对复杂背景下低信噪比的点、斑点、面目标进行识别跟踪。实验结果表明该算法能够检测出在帧间作快速运动的低信噪比的目标,实验取得了很好的效果。同时,该算法计算量小而且容易硬件实现,对动目标的检测具有一定的实际应用价值。
参考文献
[1]彭嘉雄,周文彬 红外背景抑制与小目标分割检测[J] 电子学报,1999,27(12):47~51
[2]周卫祥,孙德宝 红外图像序列运动小目标检测的预处理算法研究[J] 国防科技大学学报,1999,21(5):57~60
[3]Tz annes Alexis P,Brooks Dana H.Point -Target Detecti on in IR Image Sequences Based on Target and Clutter Te mporal Profile Modeli ng[R].Air Force
Res earch Laboratory,SPIE 1999,3698(4):482~490
[4]Ol son Teres a L P.A Real-Time Multis tage IR i mage-Based Tracker[J] Orlando SPIE 1999,3692(4).
[5]Morin A,Lessard P Development of an Infrared Imagi ng Seeker Emulator for Countermeasure Studies[R] Canada:SPIE 1999,3692:255~268.[6]张弘,赵保军,史彩成 对低信噪比下的红外点目标高检测率的研究[J] 系统工程与电子技术,2001,23(3):58~60
[7]Page Greg A,Brian D,Carroll Uk Long-Rang Target Detection Al gorithms for Infrared Search and Track[R].SPIE 1999,3698:48~57.[8]Portugal Joao Dinis.Detection and Tracking of Multiple Targe ts in Infrared Images[R] SPIE 1999,3692:290~299
?
60?系统工程与电子技术2001年
运动目标检测光流法详解
摘要 运动目标检测方法是研究如何完成对视频图像序列中感兴趣的运动目标区域的“准确定位”问题。光流场指图像灰度模式的表面运动，它可以反映视频相邻帧之间的运动信息，因而可以用于运动目标的检测。MATLAB这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以利用MATLAB 软件来用光流法对运动目标的检测中具有很大的优势。本设计主要可以借助matlab软件编写程序，运用Horn-Schunck算法对图像前后两帧进行处理，画出图像的光流场。而图像的光流场每个像素都有一个运动矢量，因此可以反映相邻帧之间的运动，分析图像的光流场就可以得出图像中的运动目标的运动情况。 关键字：光流法；Horn-Schunck算法；matlab
目录 1光流法的设计目的 (1) 2光流法的原理 (1) 2.1光流法的介绍 (1) 2.1.1光流与光流场的概念 (1) 2.1光流法检测运动目标的原理 (2) 2.1.1光流场计算的基本原理 (2) 2.2.2基于梯度的光流场算法 (2) 2.2.3Horn-Schunck算法 (3) 2.2.4光流法检测运动目标物体的基本原理概述 (5) 3光流法的程序具体实现 (6) 3.1源代码 (6) 3.1.1求解光流场函数 (6) 3.1.2求导函数 (9) 3.1.3高斯滤波函数 (9) 3.1.4平滑性约束条件函数 (10) 3.1.5画图函数 (10) 4仿真图及分析 (12) 结论 (13) 参考文献 (14)
1 光流法的设计目的 数字图像处理，就是用数字计算机及其他有关数字技术，对图像进行处理，以达到预期的目的。随着计算机的发展，图像处理技术在许多领域得到了广泛应用，数字图像处理已成为电子信息、通信、计算机、自动化、信号处理等专业的重要课程。 数字图像处理课程设计是在学习完数字图像处理的相关理论后，进行的综合性训练课程，其目的是：使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法；增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力；尝试所学的内容解决实际工程问题，培养学生的工程实践能力。 运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睞，并且取得了丰硕的成果，广泛应用于交通管理、军事目标跟踪、生物医学等领域。 因此，基于光流法，实现运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志，初步建立起运动目标检测的整体思路和方法。 2 光流法的原理 2.1 光流法的介绍 2.1.1 光流与光流场的概念 光流是指空间运动物体在观测成像面上的像素运动的瞬时速度，它利用图像序列像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，即反映图像灰度在时间上的变化与景物中物体结构及其运动的关系。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。视觉心理学认为人与被观察物体
基于深度学习的目标检测技术
基于深度学习的目标检测技术 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 在过去的几年中，典型的PASCAL VOC数据集上测量的对象检测性能已经趋于平稳。最好的执行方法是复杂的集成系统，通常结合多个低级别的图像特征与高层次的背景。在本文中，我们提出了一个简单的和可扩展的检测算法，提高了平均准确率（MAP）超过30%，相对于先前的最佳结果VOC 2012实现53.3%的平均准确率。我们的方法结合了两个关键的见解：（1）可以将高容量卷积神经网络（CNNs）应用到自下而上的区域建议中，以便定位和分割对象；（2）当标记的训练数据很少时，监督辅助任务的预训练，然后进行特定领域的微调，可以显著提升性能。由于我们将区域建议与CNNs结合起来，我们称我们的方法为RNCN:具有卷积神经网络特征的区域。我们还将R-CNN与OverFeat进行比较，最近提出的滑动窗口检测器基于类似的卷积神经网络架构。我们发现R-CNN在200级ILSVRC2013检测数据集上大大优于OverFeat。 object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 object detection技术的演进： RCNN->SppNET->Fast-RCNN->Faster-RCNN 从图像识别的任务说起 这里有一个图像任务： 既要把图中的物体识别出来，又要用方框框出它的位置。
红外图像弱小目标
红外图像弱小目标PF-TBD算法源程序 % 将粒子滤波算法应用于红外弱小目标TBD问题，验证其检测、跟踪目标的有效性 clear;clc % 粒子数目 N = 2000; % 采样时间 T = 1; % 仿真结束时间(采样总帧数) T_end = 30; % 假定目标从某一特定帧开始出现，然后在另一特定帧消失 T_ap = 6; T_dp = 24; % 采样时间序列 SimTime = zeros(floor(T_end/T),1); % 分辨单元数目 N_x = 32; % 横向分布单元数目 M_y = 32; % 纵向分布单元数目 % 分辨单元的宽度 Delta_X = 1; Delta_Y = 1; % 传感器的模糊参数值 SIGMA = 0.7; % 目标初始出现概率 mu = 0.05; % 目标速度区间 vmin = 0.2; vmax = 1; % 目标强度(灰度值)区间 Imin = 10; Imax = 30; % 抽样阈值(在大于r_th的区域内均匀分布) r_th = 2.5; % 扩散因子(目标影响相邻分辨单元的程度) p = 3;
% 目标Markov 过程转移概率相关参数 Pb = 0.05; Pd = 0.05; % 转移矩阵的表达式 PI_T = [1-Pb,Pb Pd,1-Pd]; % 转移矩阵PI 的行数(列数) PI_s = size(PI_T,1); % 系统状态转移矩阵 Phi = [1,T,0,0,0 0,1,0,0,0 0,0,1,T,0 0,0,0,1,0 0,0,0,0,1]; % 系统噪声协方差矩阵中的目标状态和灰度幅值噪声强度 q1 = 0.001; % 目标状态变化强度 q2 = 0.01; % 目标灰度值变化强度 % 系统噪声协方差矩阵 Q = [q1*T^3/3,q1*T^2/2,0,0,0 q1*T^2/2,q1*T, 0,0,0 0,0,q1*T^3/3,q1*T^2/2,0 0,0,q1*T^2/2, q1*T, 0 0,0,0,0,q2*T]; % 系统观测噪声 R = 1.5^2; %************************************* % 变量取值初始化过程 %************************************* % 定义滤波初值(假定目标出现时的初值) X = [4.2,0.45,7.2,0.25,20]'; % 整个粒子的集合，其中第6位代表当前时刻E判决标识位，而第7位为上一时刻值 X_PF = zeros(7,N); % 单个粒子状态值 X_PF_i = zeros(7,1); % 初始时假定每个粒子的权值为均匀的 w_i = 1/N*zeros(1,N); % 预测粒子的均值及其协方差
红外图像中弱小目标检测算法概述
文章编号21005-5 30(Z 005 04-0083-04 红外图像中弱小目标检测算法概述 卓宁1 孙华燕1 张海江Z (1.装备指挥技术学院 北京10141 ; Z. Z 41部队 8分队 辽宁葫芦岛1Z 5001 摘要2在现代战争中 复杂背景下的红外弱目标检测技术是红外制导系统中一个亟待 解决的问题 也是提高武器系统性能的关键O 现基于小目标检测的现状和最新进展 从空间 滤波和时间滤波的角度对现有的小目标检测技术进行了简单的概述 并分析了今后的研究 方向O 关键词2复杂背景;小目标;空间滤波;时间滤波 中图分类号2TP 3 1.4文献标识码2A Algorithm surveys on small target detection in inf rared image ZHUO Nzng 1 SUN Hua -yan 1 ZH NG Haz -jzang Z (1.Institute of eguipment Command and Technology Beijing 10141 China ; Z.PLA Z 41Command and 8Unit ~uludao 1Z 5001 China Abstract 2In the modern War detection of the small target in the condition of complicated background is an urgent problem for infrared control and guide it is also the key of improving Weapon system capability .Part algorithms of infrared small target detection in the Way of spatial filter and time filter are introduced in this paper based on present and recent technology .Finally the direction of the study are analyzed . Key words 2complicated background ;small target ;spatial filter ;time filter 1引言 现代战争中 要求更早地~在更远的距离上发现和捕获敌方的来袭导弹~飞机等目标 以使防御武器有足够的反应时间O 这时目标的图像很小 只有一个或几个像素 缺乏结构信息 此外视场中可能还有云~地物等各种复杂的背景杂波 目标点极易被噪声所淹没O 因此 复杂背景下低信噪比红外弱小目标检测是武器系统中的关键技术之一 是运动目标探测中一个亟待研究与解决的课题O 为了从二维序列图像中检测到低信噪比红外弱小目标 自70年代以来 国内外学者和专家进行了广 泛而深入的研究 提出了许多有实际意义的检测算法O Bauch [1]等人提出 通过采用一组时间上的高阶差分 来抑制背景干扰 并得到目标运动轨迹O 并用动态规则和状态估计技术来增加目标的可检测性O 然而 这种方法在低信噪比的情况下可能呈现较差的性能O 此后 又有人提出了频域中的三维时空匹配滤波技术 并且把其简化为只在空域中进行的二维匹配滤波 其结果在时间序列中进行递推求和O Irani M [Z ]等人用 计算小邻域上灰度的加权平均再用梯度进行归一化 以此作为运动的度量O 还有由Liou S P 和J ian R C 提出的运动目标检测方法是基于时空空间中运动轨迹任一点上切线和法线的正交性 但是为了得到图像 第Z 7卷第4期 Z 005年8月光学仪器O PTICAL I N S T R U M e N T S V ol.Z 7 N o.4 August Z 005 收稿日期2Z 004-11-1 作者简介2卓宁(1 7 - 女 安徽蚌埠人 工程师 硕士生 主要从事图像信号处理方面的研究O
动态视频目标检测和跟踪技术(入门)
动态视频目标检测和跟踪技术 传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。 本文将目前几种常用的动态视频目标检测方法简介如下： 背景减除背景减除（Background Subtraction）方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。 时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相
运动目标检测方法总结报告
摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法
ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method
运动目标检测原理
运动检测（移动侦测）原理 一、引言 随着技术的飞速发展，人们对闭路电视监控系统的要求越来越高，智能化在监控领域也得到越来越多的应用。在某些监控的场所对安全性要求比较高，需要对运动的物体进行及时的检测和跟踪，因此我们需要一些精确的图像检测技术来提供自动报警和目标检测。运动检测作为在安防智能化应用最早的领域，它的技术发展和应用前景都受到关注。 运动检测是指在指定区域能识别图像的变化，检测运动物体的存在并避免由光线变化带来的干扰。但是如何从实时的序列图像中将变化区域从背景图像中提取出来，还要考虑运动区域的有效分割对于目标分类、跟踪等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动检测成为一项相当困难的工作。 二、运动检测（移动侦测）原理 早期的运动检测如MPEG1是对编码后产生的I帧进行比较分析，通过视频帧的比较来检测图像变化是一种可行的途径。原理如下：MPEG1视频流由三类编码帧组成，它们分别是：关键帧（I 帧），预测帧（P帧）和内插双向帧（B帧）。I帧按JPEG标准编码，独立于其他编码帧，它是MPEG1视频流中唯一可存取的帧，每12帧出现一次。截取连续的I帧，经过解码运算，以帧为单位连续存放在内存的缓冲区中，再利用函数在缓冲区中将连续的两帧转化为位图形式，存放在另外的内存空间以作比较之用，至
于比较的方法有多种。此方法是对编码后的数据进行处理，而目前的MPEG1/MPEG4编码都是有损压缩，对比原有的图像肯定存在误报和不准确的现象。 目前几种常用的方法： 1.背景减除（Background Subtraction ） 背景减除方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。最简单的背景模型是时间平均图像，大部分的研究人员目前都致力于开发不同的背景模型，以期减少动态场景变化对于运动分割的影响。 2.时间差分（Temporal Difference ） 时间差分（又称相邻帧差）方法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域。时间差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象。 3.光流（Optical Flow） 基于光流方法的运动检测采用了运动目标随时间变化的光流特性，如Meyer[2] 等通过计算位移向量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。该方法的优点是在摄像机运动存在的前提下也能检测出独立的运动目标。然而，
云背景下红外弱小目标检测算法研究
电子设计工程 Electronic Design Engineering 第26卷Vol.26第18期No.182018年9月Sep.2018 收稿日期：2017-11-19 稿件编号：201711110 作者简介：张高峰（1980—），男，山西寿阳人，高级工程师。研究方向：红外跟踪与光电对抗。 在当前的红外搜索跟踪设备中，红外弱小目标检测已经成为一种重要的研究技术[1-2]。如果是远距离成像，红外成像系统视场内的飞机等物体往往呈现出小目标的特点，其像素少、清晰度低、强度小。尤其是当目标使用了相关的隐身技术之后，使得目标红外辐射强度进一步降低，而背景却更加复杂[3]。包含大面积云背景的天空背景是红外背景的典型情况，由于缺乏云背景的先验信息，目标信噪比很低，且极易淹没在强噪声云背景中，使得目标检测变得十分困难，图像识别、分类精度难以保证。因此，研究云背景下的红外成像特性及目标检测算法具有重要的意义[4]。由于目标与背景存在较为明确的特性差异，所以可以采用相关的图像处理方式，来减弱背景影响并突出目标。文中提出了一种红外小目标检测方法，即兼有高通滤波和中值滤波算法优点的综合滤波算法，可抑制图像中大面积的云背景和强噪声，进而实现弱小目标的检测。 1背景抑制 红外图像是运用光电技术，采用专门的红外探测器检测目标物热辐射的红外线特定波段信号，将该信号转换成可供人类视觉分辨的图像和图形[5]。通过红外探测器能够对红外辐射进行转换，并得到 云背景下红外弱小目标检测算法研究 张高峰，孙致月 （中国人民解放军91336部队95分队，河北秦皇岛066326） 摘要：针对红外搜索跟踪设备对云背景下红外弱小目标的检测问题，提出了一种新的综合滤波算法。在对图像进行对比度增强的基础上，采用高通滤波去除大面积云背景，并利用中值滤波孤立图像点噪声，而后使用全局阈值分割法分割目标和残余噪点，从而实现小目标的检测。通过图像质量评价方法对原图像和处理后图像进行计算分析表明，背景抑制图像的信噪比和对比度得到有效提高，能够清晰检测出云背景下的红外弱小目标。实验数据有效证明了综合滤波算法的合理性和可行性。 关键词：目标检测；红外弱小目标；云背景；高通滤波；中值滤波中图分类号：TN215 文献标识码：A 文章编号：1674-6236（2018）18-0049-05 Research on detection algorithm of infrared dim small targets in cloud background ZHANG Gao-feng ，SUN Zhi-yue （Branch 95，Unit 91336of PLA ，Qinhuangdao 066326，China ） Abstract:Aiming at the problem of infrared search and tracking equipment detecting infrared dim small targets in cloud background ，a new integrated filtering algorithm is proposed.On the basis of image contrast enhancement ，high-pass filtering is used to remove large area cloud background ，and median filtering is used to isolate image point noise ，and then the global threshold segmentation method is used to segment the target and residual noise ，so as to realize the detection of the small https://www.wendangku.net/doc/3b4747702.html,paring the original image with the processed image by the method of image quality evaluation ，the signal-to-noise ratio and contrast of the background suppressed image are effectively improved ，and the infrared dim small targets in cloud background can be clearly detected.The experimental data effectively proved the rationality and feasibility of the integrated filtering algorithm. Key words:targets detection ；infrared dim small targets ；cloud background ；high-pass filtering ； median filtering - -49万方数据
基于多光谱与显著性的红外弱小目标融合检测
基于多光谱与显著性的红外弱小目标融合检测 摘要：基于多光谱与显著性，提出一种红外弱小目标融合检测算法。该算法旨在将从多光谱探测器获得的同一场景的多光谱图像信息组合到一起，利用它们在时空上的相关性及信息上的互补性，提高系统的检测性能。采用一种新的基于人类视觉注意机制的显著性方法，该方法能够快速准确找到图像中的显著性区域；将目标看作一类，背景和干扰点看作另一类，选取离差平方和准则，使类内距离最小，类间距离最大；训练出融合参数，得到融合后的显著性图像。通过设定的门限值二值化，可以看出该融合方法能很好地将目标与背景分开，从而检测出目标。 关键词：红外弱小目标；多光谱；显著性；图像融合 中图分类号：TP391文献标识码：A文章编号：1673-5048（2016）02-0047-05 0引言 多光谱成像技术不同于传统的单一宽波段成像技术，而是将成像技术和光谱测量技术相结合，获取的信息不仅包括二维空间信息，还包含随波长分布的光谱辐射信息，形成所谓的“数据立方”。丰富的目标光谱信息结合目标空间影响 极大提高了目标探测的准确性、扩展了传统探测技术的功能。
因此，研究如何基于多光谱对红外弱小目标进行检测与识别有着实际的意 义。 在多光谱领域，国内外学者已经取得了一定的进展。Margalit和Reed提出了一种基于相关图像的恒虚警率自适应目标检测算法[1]；Heesung提出了基于滤波的光谱匹配方法[2]；1999年，Richards等提出了光谱角映射算法（SAM）[3]。SAM算法具有结构简单、实时性好等优点，但是，其性能对目标光谱方差十分敏感，当光谱信噪比较低时，其性能变得十分不可靠。2011年，GuYanfeng等将SAM算法与核函数相结合，提出了一种基于核函数的正规化光谱角的光谱匹配算法[4]，提升了SAM算法对于光谱方差变化的鲁棒性。光谱匹配滤波器（SMF）[5]是一种具有代表性的光谱目标检测算法，是典型的光谱匹配算法，基于标准目标光谱模型和背景光谱模型的先验信息已知。 然而在实际系统中，很难得到一个场景的红外全谱段图像，一些红外警戒系统通常采用双波段的工作方式。在双/多波段红外热成像系统中，由于多个传感器工作在不同的电磁波段，探测到的同一场景的多光谱图像在信噪比、对比度、强度等方面存在很大的差异性，利用它们在时空上的相关性及信息上的互补性，对多光谱图像进行融合，可以得到对目标更全面、清晰的描述。现有的融合方法有小波变换模型、
运动目标检测研究意义及国内外现状
运动目标检测研究意义及国内外现状运动目标检测研究意义及国内外现状 1研究意义...................................................................... (1) 2国内外研究现 状 ..................................................................... . (1) 1研究意义 众所周知，当前是信息时代，信息的获得、加工、处理以及应用都有了飞跃发展。人们认识世界的重要知识来源就是图像信息，在很多场合，图像所传送的信息比其他形式的信息更丰富、真切和具体。人眼与大脑的协作使得人们可以获取、处理以及理解视觉信息，人类利用视觉感知外界环境信息的效率很高。事实上，据一些国外学者所做的统计，人类所获得外界信息有80%左右是来自眼睛摄取的图像。由此可见，视觉作为人类获取外界信息的主要载体，计算机要实现智能化，就必须能够处理图像信息。尤其是近年来，以图形、图像、视频等大容量为特征的图像数据处理广泛应用于医学、交通、工业自动化等领域。 自然界的一切图像都是连续变化的模拟图像，在日常生活中，这些图像中的运动目标往往是我们比较关心的，如:行人、行驶的交通工具以及其他的运动物体。运动目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。因此，运动目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分。它的目的就是如何快速、准确地检测出监控视频中的运动目标，即从序列图像中将运动目标提取出来。
目标检测、跟踪与识别技术与现代战争
目标检测、跟踪与识别技术与现代战争 【摘要】本文讨论目标检测、跟踪与识别技术在现代战争各个领域中的应用，总结目标识别技术的发展方向，提出目标识别技术工程化实现方法，同时本文介绍了国外目标识别的现状及发展趋势，提出了现代战争应采用综合识别系统解决目标识别问题的建议。 关键词目标检测；目标跟踪；目标识别；雷达；人工神经网络；精确制导 1．引言 随着现代科学技术的飞速发展及其在军事领域内日益广泛的应用，传统的作战思想、作战方式已发生根本性的变化。从第一次海湾战争到科索沃战争，特别是刚刚结束的海湾战争，空中精确打击和空地一体化作战已经成为最重要的作战形式。集指挥、控制、通信、计算机、情报、监视侦察于一体的C ISR 已成为取得战场主动权，赢得最后胜利的关键因素。目标识别技术是雷达智能化、信息化的重要技术支撑手段。在现代化战争中，目标识别技术在预警探测、精确制导、战场指挥和侦察、敌我识别等军事领域都有广泛的应用前景，已受到了世界各国的关注。 现代战争中取得战场制信息权的关键之一是目标属性识别。现代战争的作战环境十分复杂，作战双方都在采用相应的伪装、隐蔽、欺骗和干扰等手段和技术，进行识别和反识别斗争。因此仅仅依靠一种或少数几种识别手段很难准确地进行目标识别，必须利用多个和多类传感器所收集到的多种目标属性信息，综合出准确的目标属性，进行目标检测，跟踪后进行识别。 2．目标检测、跟踪与识别技术在现代战争中的应用 2．1 目标检测、跟踪与识别技术在预警探测上的应用 目标检测、跟踪与识别技术对于弹道导弹的预警工作有重要的作用。弹道导弹一般携带多个弹头，其中可能包含核弹头或大规模杀伤的弹头以及常规弹头，预警雷达必须具备对目标进行分类和识别真假弹头的能力，将核弹头或大规模杀伤的弹头分离出来，为弹道导弹防御(BMD)系统进行目标攻击和火力分配提供依据。早期的BMD系统假设只有一个核弹头，多弹头分导技术的出现，使问题转化为雷达的多目标识别问题，加上电子对抗技术的广泛使用，给目标识别技术带来很大困难。另外，预警雷达还要对空中目标或低空目标进行探测，对来袭目标群进行分类识别。利用星载雷达以及远程光学望远镜等观测设备，可以对外空目标进行探测，对外空来袭目标进行分类和识别，达到早期预警的工作。
红外图像中弱小目标检测前跟踪算法研究综述
第37卷 第2期 激光与红外 V o.l 37,N o .2 2007年2月 LA SER & I NFRAR ED February ,2007 文章编号:1001 5078(2007)02 0104 04 红外图像中弱小目标检测前跟踪算法研究综述 张长城,杨德贵,王宏强 (国防科技大学电子科学与工程学院,空间电子信息技术研究所,湖南长沙410073) 摘 要:文中分析了低信噪比复杂背景中红外弱小目标检测与跟踪的难点,比较了DB T 与TBD 两种检测与跟踪算法的性能,分析了TBD 的检测机理,总结了典型的TBD 方法,展望了 TBD 的发展。 关键词:红外;弱小目标;低信噪比;复杂背景;检测前跟踪中图分类号:TP751 文献标识码:A A lgorit h m Surveys for Di m Targets Track before detect i n Infrared I m age Z HANG Chang cheng ,YANG D e gu,i WANG H ong qiang (Instit u te of Space E lectron i c T echnology ,Coll ege o f E lectr i c Science and Eng ineer i ng,NUDT,Changsha 410073,Chi na)Ab stract :T he d ifficu lties o f di m targe t de tecti on are ana l y zed i n the paper .T he perfor m ances of DBT and TBD are co m pa red ,and the theo ry o fT BD a re ana l y zed .T he m a i n m ethods of TBD are su mm arized .In the end ,prom i sing di recti on of t he fi e l d of T BD i s predicted . K ey w ords :i nfrared ;d i m ta rget ;l ow SNR;comp licated background ;TBD 1 引 言 现代战争要求红外探测系统能远距离发现、跟踪威胁目标,为指挥系统决策和武器系统赢得时间。红外探测系统采用被动方式工作,具有较强的抗干扰能力,隐蔽性好,但作用距离短。由于光学系统的空间分辨率已做到或接近理论极限水平 [1] ,比较实 际的方法就是通过提高目标检测算法性能,尤其是弱小目标的检测性能,弥补红外探测系统作用距离短的不足。 弱 和 小 指的是目标属性的两个方面,所谓 弱 是指目标红外辐射的强度,反映到图像上是指目标的灰度;所谓 小 是指目标的尺寸,反映到图像上是指目标所占的像素数 [2] 。红外弱 小目标检测识别难点是:对比度较低、边缘模糊、信号强度弱,缺乏纹理、形状、大小等结构信息,目标极易被噪声所淹没,单帧检测虚警率高,多帧处理增加了数据的存储量和计算量,固定的模板和算子很难有效检测弱小目标。因而,红外弱小目标检测与跟 踪问题成为当前研究的一个热点问题。 本文在综合国内外近年来对红外弱小目标检测 与跟踪研究成果基础上,根据检测与跟踪关系,对TBD (track before detect )和DBT (detect be f o re track)两类算法性能进行了比较,分析了检测前跟踪算法机理,重点研究了TBD 技术,并指出TBD 技术的发展方向。2 检测算法机理 经典的小目标检测与跟踪方法是DBT ,即先根据检测概率和虚警概率计算单帧图像的检测门限,然后对每帧图像进行分割,并将目标的单帧检测结果与目标运动轨迹进行关联,最后进行目标跟踪。算法流程如图1所示。 图1 先检测后跟踪算法流程 基金项目:国防预研基金(51401010405KG0170);国防装备预先研究项目(413010701-2)。 作者简介:张长城(1976-),男,国防科技大学硕士研究生,主要研究方向为红外图像采集处理及目标识别等。 收稿日期:2006 05 31;修订日期:2006 07 05
红外弱小目标检测方法研究
本科毕业设计论文 题 目 红外弱小目标检测方法研究 _______________________________________ 专业名称 学生姓名 指导教师 毕业时间 2014年6月
毕业 任务书 一、题目 红外弱小目标检测算法研究 二、指导思想和目的要求 本题目来源于科研，主要研究红外弱小目标的特点，常用的检测算法，进而实现红外弱小目标的检测。希望通过该毕业设计，学生能达到： 1．利用已有的专业知识，培养学生解决实际工程问题的能力； 2．锻炼学生的科研工作能力和培养学生团队合作及攻关能力。 三、主要技术指标 1．掌握红外弱小目标的特点； 2．研究常用的红外弱小目标检测算法； 3．实现红外弱小目标的检测。 四、进度和要求 第01周----第02周： 参考翻译英文文献； 第03周----第04周： 学习红外图像及其弱小目标的特点； 第05周----第08周： 研究红外弱小目标的检测算法； 第09周----第14周： 编写红外弱小目标的检测程序； 第15周----第16周： 撰写毕业设计论文，论文答辩。 五、主要参考书及参考资料 1. 武斌. 红外弱小目标检测技术研究. 西安电子科技大学博士学位论文. 2. 史凌峰. 红外弱小目标检测方法研究. 西安电子科技大学硕士学位论文. 3. 杨丽萍. 空中红外弱小目标检测方法研究. 西北工业大学硕士学位论文. 4. 吴巍. 图像中目标特征的检测与识别. 华中科技大学博士论文。 5. 郑成勇. 小波分析在红外目标检测中的应用. 华中科技大学硕士论文。 6. 蔡智富. 基于自适应背景估计的复杂红外背景抑制技术. 哈尔滨程大学硕士论文。 学生 指导教师 系主任 设计 论文
红外小目标检测 报告
红外小目标检测方法概述 1110540103 李方舟 1.什么是红外小目标？ 关于小目标”的定义，目前没有统一的定论。一般认为，当红外成像的距离较远时，在成像平面上只占几个或几十个像素的面积，表现为点状或斑点状，对比度和信噪比较低的目标，即可称之为小目标。 2.为什么要进行红外小目标检测？ 红外成像具有距离远，隐蔽性高，抗干扰能力强，穿透烟尘，雾以及阴霾的能力强，可全天候，全时间工作等优点。因此被广泛应用于监视侦察以及导航等军事领域，成为现代精确制导武器的主要技术之一。 在尽可能远的距离上检测并跟踪到敌方目标，以争取在有利的时机发动攻击。是决定现代战争胜负的重要因素。 距离越远，目标成像面积越小，图象质量越差，对目标的检测和跟踪越困难。 因此，研究小目标的检测和跟踪方法，对提高红外成像系统的作用距离，有着非常重要的意义。 目标检测作为寻的制导系统中的前端处理环节，是精确制导中最为关键和核心的组成部分。只有及时检测到目标，才能保证如目标的如目标跟踪等后续工作的正常进行。基于此原因，在红外凝视成像的图像序列中进行目标检测具有相当的难度，几乎所有的小目标检测法都致力于增强图像的信噪比，积累目标能量，以提高目标检测能力。 3.红外小目标检测方法分析 对于红外目标的检测问题，目标的一些先验信息，如目标的形状、大小，目标灰度变化在时间上的连续性，以及目标运动轨迹的连续性等是有效分割目标和噪声的关键。目标检测方法根据这些特性的使用顺序不同，可分为两大类： 先检测后跟踪( D e t e c t B e f o r e T r a c k ，D B T )方法 和先跟踪后检测( T r a c k B e f o r e D e t e c t ，T B D )方法。 3.1 DBT检测方法 基于先检测后跟踪的目标检测技术属于一类经典的红外目标检测。该类方法分为两步:首先根据目标形状，强度等特性，在单帧图像中检测出候选目标，然后根据实际需要，在分割后的二值化图形序列中，通过序列图像投影到目标轨迹。DBT检测方法主要分以下几种：1）阈值检测方法 所谓阈值检测方法，是基于目标在图像中主要为高频分量，而背景对应低频部分这一事实，对淹没在近似正态分布杂波中的已知其响应分布的小目标，寻求其最佳信噪比。 2）小波分析方法
目标检测与跟踪
第九章图像目标探测与跟踪技术 主讲人：赵丹培 宇航学院图像处理中心 zhaodanpei@https://www.wendangku.net/doc/3b4747702.html, 电话：82339972
目录 9.1 概论 9.2 目标检测与跟踪技术的发展现状9.3 目标检测与跟踪技术的典型应用9.4 图像的特征与描述 9.5 目标检测方法的基本概念与原理9.6 目标跟踪方法涉及的基本问题
9.1 概论 1、课程的学习目的 学习和掌握目标探测、跟踪与识别的基本概念和术语，了解一个完整信息处理系统的工作流程，了解目标探测、跟踪与识别在武器系统、航空航天、军事领域的典型应用。了解目标检测、跟踪与识别涉及的关键技术的发展现状，为今后从事相关的研究工作奠定基础。 2、主要参考书： 《目标探测与识别》，周立伟等编著，北京理工大学出版社； 《成像自动目标识别》，张天序著，湖北科学技术出版社； 《动态图像分析》，李智勇沈振康等著，国防工业出版社；
引言：学习目标检测与跟踪技术的意义 ?现代军事理论认为，掌握高科技将成为现代战争取胜的重要因素。以侦察监视技术、通信技术、成像跟踪技术、精确制导技术等为代表的军用高科技技术是夺取胜利的重要武器。 ?成像跟踪技术是为了在战争中更精确、及时地识别敌方目标，有效地跟踪目标，是高科技武器系统中的至关重要的核心技术。 ?例如：一个完整的军事战斗任务大致包括侦察、搜索、监视以及攻击目标和毁伤目标。那么快速的信息获取和处理能力就是战争胜利的关键，因此，目标的实时探测、跟踪与识别也成为必要的前提条件。
?随着现代高新技术的不断发展及其在军事应用领域中的日益推广，传统的作战形态正在发生着深刻的变化。 1973年的第四次中东战争，1982年的英阿马岛之战，1991年的海湾战争及1999年的科索沃战争，伊拉克战争等都说明了这一点。西方各军事强国都在积极探索对抗武器，特别是美国更是投入了巨大的物力、人力和财力积极研制弹道导弹防御系统。而图像检测、跟踪和识别算法作为现代战场信息环境作战成败的关键，具备抗遮挡、抗丢失和抗机动鲁棒性的智能跟踪器，将是现代战场作战必备品，具有广泛的应用前景。