第六章红外小目标检测

1、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,。,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，

2、,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。,?,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

3、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。,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

4、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 TBD,方法,(detect before track),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

5、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,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

6、验方法,(4).,高阶相关方法,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。,(,x,y,),?,R,(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

7、,?,x,y,?,y,?,?,A,(,x,y,),?,R,A,(,x,y,),?,R,区域重心坐标常不为整数,?,(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,?,R,C,?,量：,，其中,为区域重心到边界点的平均距离，,?,R,?,?,R,为区域重心到边界点的距离的均方差，且,?,?,1,k,?,1,?,R,?,?,(,x,k,y,k,),?,(,x,y,),k,k,?,0,R,1,?,?,?,R,?,?,?,(,x,k,y,k,),?,(,x,y,),?,?,R,?,k,k,?,0,?,?,?,?,k,?,1,2,当,R,趋向于原型是，特征量,C,是单增趋向无

8、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

9、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,。,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

10、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,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。,(,f,?,g,)(,x,y,),?,min,f,(,x,?,i,y,?,j,),?,g,(,?,i,?,j,),腐蚀,(6.6),i,j,(,f,?,g,)(,x,y,),?,min,f,(,x,?,i,y

11、,?,j,),?,g,(,?,i,?,j,),膨胀,(6.7),i,j,(,f,?,g,)(,x,y,),?,(,f,?,g,),?,g,(,x,y,),开运算,(6.8),(,f,?,g,)(,x,y,),?,(,f,?,g,),?,g,(,x,y,),闭运算,(6.9),对于腐蚀运算和膨胀运算还有以下性质,(6.10),f,?,(,g,?,h,),?,(,f,?,g,),?,h,(6.11),f,?,(,g,?,h,),?,(,f,?,g,),?,h,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,

12、再用原始图减去背景,提取出小目标,(,f,?,g,)(,x,y,),背景估计,= (6.12),(,f,?,g,)(,x,y,),背景抑制,=f(x,y)- (6.13),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。