一种基于图像序列的红外运动小目标检测方法

摘要

本发明提出一种基于图像序列的红外运动小目标检测方法，能够提高红外目标检测算法的精度和适用性。包括以下步骤：对相邻三帧的原始图像序列进行能量累积，并采用滑动窗口即第一、二、三帧相加，然后第二、三、四帧相加，依此类推，得到一组新的图像序列；对所述新的图像序列采用Top‑hat算子进行形态学运算；对形态学运算后的图像序列进行二值化目标分割，得到候选目标点；利用目标运动的连续性判断所述候选目标点，如果所述候选目标点在下一帧图像同一位置的某一邻域内仍然出现,则判断该点为目标点，予以保留；否则判断该点为噪声点予以剔除。

说明书

技术领域

本发明涉及计算机视觉、目标检测技术领域，尤其涉及一种基于图像序列的红外运动小目标检测方法。

背景技术

目标检测是计算机视觉领域最基本的问题之一，广泛应用于航空航天、国防试验、智能驾驶、机器人等领域。通常情况下，视觉传感器(可见光相机、红外相机、雷达等)获取图像后，目标检测算法可在图像中找到需要的目标，获取其在图像中的对应位置和像素范围。目标检测是高级图像处理任务的基础，如目标识别、图像分割、目标跟踪、事件判断等。

在诸多成像方式中，如可见光成像、红外成像、激光成像、SAR成像等，由于红外成像技术具有被动探测、隐身性极佳、作用距离远、数据采集频率高，探测范围广，动态范围大等优点，所以在武器精确制导领域发挥着巨大的作用。

基于红外图像进行目标检测受到了广泛关注。然而，由于红外成像技术一般要求作用距离足够远，因此目标在成像靶面上通常只占一个或者几个像素，称之为“小目标”。极少的像素占比导致目标成像无面积和纹理信息可以利用，同时伴随着强噪声干扰带来的极低的信噪比，给红外图像中的小目标检测带来了很大困难。

从二十世纪70年代开始，国内外研究人员不断对红外小目标检测问题进行深入研究。早期的目标检测算法以经典的统计判决理论为依据，但这种方法无法找到目标的位置，实际上只利用了目标的灰度信息。为了对运动目标进行有效的检测，必须充分利用多帧图像的运动信息，将目标的运动特征和运动轨迹的连续性、一致性结合起来进行考虑。

发明内容

本发明提出一种基于图像序列的红外运动小目标检测方法，能够提高红外目标检测算法的精度和适用性。

本发明通过以下技术方案实现。

一种基于图像序列的红外运动小目标检测方法，具体包括以下步骤：

对相邻三帧的原始图像序列进行能量累积，并采用滑动窗口即第一、二、三帧相加，然后第二、三、四帧相加，依此类推，得到一组新的图像序列；

对所述新的图像序列采用Top-hat算子进行形态学运算；

对形态学运算后的图像序列进行二值化目标分割，得到候选目标点；

利用目标运动的连续性判断所述候选目标点，如果所述候选目标点在下一帧图像同一位置的某一邻域内仍然出现,则判断该点为目标点，予以保留；否则判断该点为噪声点予以剔除。

本发明的有益效果：

1、本发明利用形态学检测方法对其初步预处理，能够抑制背景噪声；

2、本发明对运动小目标进行图形增强的基础上，又充分结合图像序列之间的连续性以减少误检的概率；

3、经过本发明提出的分离策略对候选目标点进行分离，从而检测出红外图像中的运动小目标。

附图说明

图1为本发明基于图像序列的红外运动小目标检测方法流程图；

图2为本发明基于图像序列的红外运动小目标检测方法目标分离流程图。

具体实施方式

下面结合参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

如图1所示，本具体实施方式的基于图像序列的红外运动小目标检测方法，具体包括以下步骤：

步骤一、对相邻三帧的原始图像序列进行能量累积，并采用滑动窗口即第一、二、三帧相加，然后第二、三、四帧相加，依此类推，得到一组新的图像序列；

步骤二、对所述新的图像序列采用Top-hat算子进行形态学运算；

本实施例中，所述Top-hat算子为：

其中：f表示图像，g表示结构元素，

步骤三、对形态学运算后的图像序列进行二值化目标分割，得到候选目标点；

这一步骤的实现思想是由于上述经过Top-hat处理后的图像大部分像素都集中在低灰度区，只有目标和小部分噪声分布在高亮度区，因此，本实施例进一步对它进行二值化处理，所述二值化处理选取每帧的图像门限为：

D＝m+kv (2)

其中：m表示图像的均值，v表示图像的标准差，k为常数，本实施例中选取3～10。

步骤四、利用目标运动的连续性判断所述候选目标点，如果所述候选目标点在下一帧图像同一位置的某一邻域内仍然出现,则判断该点为目标点,予以保留；否则判断该点为噪声点予以剔除；

这一步骤的实现思想是由于利用上述简单的二值化目标分割后，图像中仍然可能混杂有强噪声点，相比于无序的强噪声点，小目标的运动具有运动的连续性和轨迹的一致性等特征，即噪声点的运动是随机的，不能形成连续的运动轨迹，而目标点的运动则是有规律的，具有连续的运动轨迹，因此本发明在目标分割后进一步提出了分离策略。

基于这一思想，如图2所示，本实施例中具体如下：

设T是候选目标点集合，P(i,j,k)是T中的任意一点，表示第k帧图像在位置(i,j)处的候选目标点，N(i,j,k)表示P点的某一邻域，所述领域大小根据目标运动速度、图像大小、目标像素占比参数进行调整，本实施例中采用3×3或5×5，N(i,j,k+1)是第k+1帧图像在同一位置(i,j)处的邻域，将N(i,j,k+1)中的所有像素值与零进行比较:如果至少有一个大于零，则判断P点为目标点，保留在T中；如果全为零，则判断P点为噪声点，将其T中剔除。

通过这一过程，能够将上一步分离所得到的候选目标点进一步进行筛选，实现目标点与噪声点的进一步分离，最终获得运动小目标点的检测位置。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。