运动小目标检测方法的研究

运动小目标检测方法的研究

序列图像检测在红外图像数据中，检测到的目标往往被噪声和杂波淹没。噪波和噪声充满整个图像，强度非常高，因此检测到的目标很少。检测这些小目标是非常困难的。传统的单帧图像检测很难得到满意的效果,利用序列图像来确认真实的目标是解决这一问题不可缺少的手段。在红外成像系统中,尤其是军事上使用的系统中,图像的帧频是比较高的,一般为25~300Hz之间,这意味着在规定的时间内可以提供一定数目的序列图像进行检测,这无疑会提高检测概率并降低虚警概率。移动式管道滤波方法,实际上就是一种基于序贯处理的多极假设检验方法,该算法能有效的从众多的候选目标点中成功的筛选出真实目标,可见该检测方法是可行的、有效的。1管道固定滤波方法1.1图像的邻域长度移动式管道滤波法的基本原理就是根据目标运动的连续性,它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,管道的直径(如果管道是圆形的)代表目标周围的邻域尺寸,管道的长度代表检测时所需的图像帧数,如图1所示。例如在第1帧图像的(x,y)处有目标,则该目标在第n+1帧中必然会出现在该位置的某一个小邻域内;而噪声由于分布的随机性,在连续的多帧图像中并没有这种连续性。1.2总体法上的理论经过预处理后的图像,其信噪比得到很大的提高,但最终目的是从被背景噪声中区别出目标像元。因此可以设定一个固定门限值L,像元值大于L的像元被判定为目标像元。这样的处理方法的关键在于L值的选择。若L选择过低,则可能有较大干扰值未经滤波处理衰减到足够小,且其值超过L。这样,此像元则被误认定为目标,即成为虚警。相反,若L选择过高,则可能有较弱的真目标值小于L,被作为非目标像元处理掉,因此造成探测率下降。最佳的选择是使L随着背景干扰的参数而变化,从而保证虚警率为一恒定值,这种L的选择就是恒虚警率(CFAR)门限值。一般情况下,红外图像背景噪声的强度分布服从正态分布律,其概率密度函数为:式中:X为表示背景噪声强度的随机变量。构造一个新的随机变量X1,其数学表达式为:其概率密度函数为:从式(3)可以看出,X1的概率密度函数与µ和σ无关。σ接近于1,忽略式(2)中的2ln(1/σ),则简化为:接下来的处理方法是选定一个门限值L1(也即选定一个门限L=L1⋅σ+µ),若像元值f(i,j)>L,则判定f(i,j)为目标像元,并保留该像元值;若f(i,j)≤L,则认为f(i,j)为非目标像元,并令该像元值为零。现在的问题是如何选定L1,或L=L1⋅σ+µ,使虚警率为一恒定值。设虚警率为pf,则根据Neyman-Pearson准则可求出pf:在选定虚警率pf之后,由式(5)可求出L1,进而得到所需求的门限值L。例如,若选定pf分别为10-1,10-2,10-3,10-4时,通过查表我们可以求出L1的值相应为:1.29,2.33,3.07,4。待检测图像f的统计特征(均值µ和标准差σ)的计算式分别如下:式中:N1,N2分别是待检测图像的行列数。进行以上处理后,能有效的筛选出众多的候选目标,但是其真实性还需要利用移动式管道滤波的方法进行验证。1.3标化一:每一个像素的目标点图像序列中的候选目标除了占几个像素的小目标外,还有可能存在占像素数比较多的面目标。这在邻域判决过程中不仅会导致计算量的增加,还可能引起误检。如果在序列检测之前,先依据某个准则将每一帧图像中的候选目标化为只占一个像素的目标点,则可以避免上述问题。这个过程通常被称为质心选取。所谓质心,是指目标图像的灰度中心,它并不是目标的形心(几何中心)。假设目标在二维图像中的尺寸为M×N,目标在位置(i,j)的灰度值为Iij,则该目标的质心(xc,yc)定义为:式中:xij和yij分别表示目标在(i,j)的横坐标和纵坐标。可见,质心的确定是以目标中各个位置的灰度值为依据的,它实际上相当于对目标的坐标位置进行了加权平均处理,而各个位置对应的加权值即为该点的像素灰度值。另外,由于坐标位置只能为整数,处理过程中需要根据具体情况,对加权求和的结果或者进行四舍五入,或者进行截断,以得到实际存在的坐标值。1.4序列检测算法描述对图像中的候选目标进行了质心选取之后,下面将以其质心位置代表目标的位置,并采用移动式管道滤波算法,对图像序列中的目标进行检测。一般情况下,对于机动目标可以采用管道滤波的方法,但要预先知道目标的最大运动速度,以便设置合理的管径。基于移动式管道滤波的序列检测方法,概括的说,就是对于当前帧图像中某个候选点,如果在接下来的连续N帧图像中对应的某个小邻域内出现可疑点的次数在K(K<N)次以上,则判定该点为真正的目标点。检测之前,先做如下假设:1)目标的运动速度在1piexl/frame左右;2)目标轨迹的帧间最大弧度为(π/3)radian/s;3)由于传感器或单帧检测时漏检等原因,目标最大丢失率为5帧中有一帧丢失。基于上述假设条件,本文序列检测算法的步骤具体描述如下:(1)对各参数进行初始化:假定管道所能容纳的图像帧数为N,以及管道的直径(邻域)的大小与形状等。(2)从序列图像的第一帧开始,连续输入N帧。(3)将管道中的第一帧图像作为当前帧,找出该图像中的所有候选目标点Pi(i=1,2,3,…),并记录它们的坐标位置。(4)对所有的候选目标点Pi,到下一帧中观察其对应的小邻域内是否有可疑目标点存在,如果有,则其相应的关于目标出现次数的计数器加1,同时对目标点和可疑目标点的位置进行比较,判断位置是否发生变化,如果有,则其相应的关于目标位置变化的计数器加1;记录该帧中的可疑目标点的位置,并将其设为候选目标点的当前位置;如果没有,则跳过该帧,并转到它的下一帧继续搜索,直到管道中的N帧图像全部搜索完毕。(5)处理完N帧图像后,判断每个计数器的输出值;如果关于目标出现次数的计数器的值大于等于K1和关于目标位置变化的计数器的值大于K2同时成立,则判定计数器对应的候选点为目标,并标记其位置;否则将其剔除。(6)更新管道中的图像:先移出管道中的第一帧图像,然后将管道中的其余图像顺序前移一帧,最后将进入管道中的新一帧图像放置在管道的末尾处;转置步骤(3)继续执行判决过程,直至处理完整个图像序列。(7)最后输出目标在图像中的运动轨迹。2目标运动轨迹检测本文采用了一组序列红外图像对该检测算法进行了仿真,实验结果如图2。(a)为原始序列图图像中的一帧,图像用矩形框标出了真实的目标位置。(b)为对其先进行平滑滤波和杂波抑制后再利用恒虚警门限进行预检测后的结果,图像中用矩形框标出了候选目标点的位置。(c)为利用移动式管道滤波算法进行目标检测后最终形成的目标运动轨迹。从实验结果可以看到,移动式管道滤波算法能有效从众多的候选目标点中成功的筛选出真实目标,可见该检测方法是可行的,有效的。3目标检测风险分析移动式管道滤波算法是基于目标运动特性的多级假设检验方法,实验证明此算法能有效