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
48光学仪器第Z7卷
函数的时间和空间偏导数必须实时完成在时空空间中的三维曲线拟合因而增加了计算量国内在小目标检测方面也做了大量的工作提出了迭代统计平均检测法神经网络法全局搜索法等小目标检测方法但是由于背景的不同小目标运动轨迹速度及姿态的变化各种检测算法的计算量大等原因故至今尚无十分理想可实时实现的算法现概述了现有的低信噪比小目标检测部分算法并分析了今后的发展和研究方向
小目标的检测一般都采用空间时间滤波算法先进行空间滤波预处理实现目标增强和背景抑制提高图像的信噪比再在此基础上用门限检测的方法进行目标检测然后通过时间序列分析进行时间域滤波去伪存真找到真正的目标
2基于空间滤波的检测方法
空间滤波一般采用阀值相关卷积小波等线性滤波器和形态学中值均值最大等非线性滤波器线性滤波器一般数学表达式清楚计算简单但是经过滤波后一般会使边沿变模糊;而非线性滤波器一般加强图像的边沿下面对基于空间滤波器的检测方法作简单的介绍
2.1门限检测法(ThreShOlding)
利用门限检测法的目的是使规定的检测门限高得足以抑制背景起伏低得足以使目标信号通过小目标探测算法最终都要演化成门限检测法
门限检测法的一般原理是设图像表示为:
1 {f(z j)}z [l M]j [l N](l)点目标存在与否可以表示为:
H l f(z j)Z T
H O f(z f) f(z f)表示某一帧图像中(z j)点的灰度值T为门限或阈值 这种算法存在于很多文献中但是计算出来的门限通常为固定门限适应性较差 2.2背景抑制法 背景抑制技术的研究非常广泛主要由图像滤波像素变换等其中以滤波技术应用最为常见到目前为止已经发展了很多种基于图像滤波的背景抑制方法包括采用卷积或相关运算的背景抑制基于TOP- h 变换的数学形态学滤波二维均方误差法数学形态学滤波等背景抑制技术的基本思想:首先对红外图像的背景起伏分量进行估计然后将原始图像与背景起伏图像相减以得到不含起伏的红外图像对于 这一类算法的实质仅在于背景估计部分所采用的算法不同 文献[3]提出了基于门限检测的低通滤波算法;文献[4 5]提出了用空间高通滤波方法改善图像质量抑制背景噪声的方法;文献[6]提出了一种基于卡尔曼滤波理论的时域递归低通滤波算法低通高通滤波虽然对背景起到一定的抑制作用但是效果不够理想 基于TOP-h 变换的数学形态学滤波[7]是一种实用的自适应非线性滤波技术它利用集合函数的膨胀和腐蚀进行局部最大和最小运算以实现对图像的空间滤波通过使参与运算的区域大小根据背景的起伏程度进行相应的调整来实现自适应滤波只要结构元素选择合适该方法能得到比较理想的背景估计结果 二维最小均值方误差滤波实际上是一种典型的自适应线性预测算法它在预测过程中采用了最小均方误差准则当原始红外图像中含有较强相关噪声时二维最小均值方误差是行之有效的方法利用噪声的相关性可以从滤波器的输入信号中预测得到噪声分量并消除之而在滤波器的残差中得到目标信号分量该算法对平稳背景图像具有很好的噪声抑制效果但对于非平稳背景反而可能会使信噪比降低 2.3小波变换法 小波分析的多尺度特性使得它适合于在低信噪比环境下进行红外目标检测其伸缩特性可使部分图像特征在某个尺度下被有效地抑制而某些感兴趣的特性可以被突显出来因为小波基函数有可变的间 隔 它们能够使定位信号间断 当对一幅图像进行二维离散小波变换时 可产生具有不同分辨力和减小了空间的子图 而保持目标和杂散的适当空间位置 小波变换的另一个潜在的好处就是不但能够从一个或两个子带仅用系数进行检测 而且可以减少处理的总像素数目 李国宽[ ]等采用阈值法对高频成份进行统计分析来探测小目标 但其前提是小目标尺寸较大 且图像中只有一个小目标 周杰[ ]等研究了一种方向小波变换的点目标检测方法 其思路是点目标在一定的时间段内是沿直线运动的 因而 将点目标轨迹的能量沿运动方向投影时其叠加的峰值最高 于是检测运动点目标的问题就可以转化为在不同方向投影图中寻找能量最大~波形最陡峭的能量波峰 即目标能量波峰 该方法不适用于目标角速度接近于 的情况 . 最大 中值滤波器中值滤波器是一种典型的非线性滤波算法 在过滤掉高频噪声的同时对低频图像边沿破坏较小 这种方法的基本思想是 在输入图像中 以任一像元为中心设置一个确定的邻域 将该领域内各像素的灰度值按大小有序排列 取位于中间位置的那个值(或最大值)作为该像元的输出灰度值 遍历整幅图像就可完成整个滤波过程 然后 将原始图像与滤波输出相减 即可得到消除了背景的图像 该算法只能滤除脉冲宽度小于滤波窗口一半的噪声 邻域窗口的大小与形状对滤波结果也有较大的影响 这就是该算法的局限性 3基于时间滤波的检测方法 空间滤波器通常无法唯一地探测到可能的点目标 还需要进一步采用时间滤波器 即通过目标在多帧图像中的相关性进行滤波 有些算法中时间滤波器放在空间滤波器之后叫先检测后跟踪(detect before track ) 有些算法中时间滤波器放在空间滤波器之前 叫做探测前跟踪(track before detection ) 前者只有在信噪比很高的情况下才能取得较好的性能;与之相比 后者是基于运动特性的目标检测技术 它只用运动特性对目标进行描述 并将目标的检测和跟踪问题简化为轨迹的检测 因而得到了广泛的应用 常用的时间滤波器有 三维匹配滤波器~帧相关技术~多级假设检验法~最优原理的动态规划法~图像流法等 3.1三维匹配滤波器 匹配滤波器[1 11]是最佳的滤波器 其原理就是 针对目标所有可能的运动情况设计相应的多个三维滤波器 对每个滤波器的图像序列的输出结果进行统计 选出使输出信噪比最高的滤波器 从该滤波器所对应的运动状态可以确定目标在图像中的位置和轨迹 由于每一匹配滤波器对应着一条完整的轨迹 故这种方法可实现对多条轨迹的同时检测 原则上讲 可以从未经二值化的图像中检测出运动轨迹 然而 由于运动目标的数目~速度和位置等航迹信息不能预先知道 这就导致不可实现的无穷尽式搜索 因此只适用于很小应用范围 3. 帧相关技术 帧相关技术利用图像帧信号之间的空间相关性对目标进行轨迹关联 它假设在采用稳像技术之后小目标在相邻两帧图像中位置漂移在一定的允许范围之内 设有连续的两帧图像 对第一帧进行处理得到其中可能的小目标坐标 然后以第一帧中小目标为基准在第二帧图像中相同坐标位置附近一定距离范围内进行搜索 如果也搜索到小目标 则在这两帧中继续保留这些点 且记下这些点的坐标位置 否则就认为该小目标是随机噪声 并将其去掉 对第三帧图像也作同样的处理 这样搜索的范围就不断减小 最后确定出真正小目标的位置 文献[12~1M ]就采用了帧相关技术 该算法存在的不足 目标的信噪比通常要求较高 否则图像中目标灰度值的起伏可能会造成相关中断 3.3多级假设检验法[15] 多级假设检验法是一种通过序贯处理来达到减少计算目的的算法 它将众多可能的目标估计以树的结构组织起来 通过对序列中到达每帧图像的树进行假设检验 以随时去掉没有通过检验的树 来达到减少运算量和存储量的目的 该方法的优点是对每一条候选轨迹的计算效率较高 从而减小了计算量和存储量;但是当信噪比较低时 虚警率较高 3. 基于最优原理的动态规划法[16] 5 第M 期卓宁等 红外图像中弱小目标检测算法概述 动态规划是一种基于最优原理的算法 基本思想是:先定义一种目标状态作为一组可能的目标轨迹 每一条轨迹以递归的方式被跟踪并赋予一个得分数 对于给定帧图像上的像元 只要简单的根据轨迹分数确定其相应归属哪条轨迹即可 但是该方法需要较多的匹配滤波器对目标进行检测 由于将图像序列分成每一级具有固定长度的若干组 故可能会引起轨迹的失配 从而造成性能损失 并且最优化过程可能带来巨大的计算量和存储量 不利于实时处理 3.5基于图像流算法的滤波技术 图像中目标的运动在图像的两个坐标上投影所产生的速度场称为图像流 通过对序列图像进行图像流分析 可以有效地检测出图像中目标的运动轨迹 文献[4 5]对弱目标检测提出图像流法 文献[17]提出数学形态学膨胀累加,图像流航迹关联和二级并行假设检验的点目标检测方法 图像流法的优点是能够检测独立运动的对象 不需要预先知道场景的任何信息 并且可用于摄像机运动的情况 但多数图像流法计算复杂耗且在有些情况下不可用 如有阶跃边缘和遮挡的情况 除非硬件支持 否则很难实时实现 4结束语 复杂背景下红外弱小目标的检测历来被认为是一个十分复杂的问题 同时也是图像理论发展的瓶颈之一 文中对近年来国内外比较常用的小目标检测算法的研究进行了简单的概述 限于篇幅 不能一一列举 到目前为止 在提出低信噪比小目标检测算法中通用性强且性能优良的并不多见 在工程实现上还存在这样和那样的不足 需要进一步探索和不断改进完善 当前红外弱小目标检测算法面临的关键技术难点是:(1D 低信噪比情况下 可靠,稳定的检测目标;(2D 虚警率低且恒定 检测概率较高;(3D 高速实时性处理 预计这些技术难题将在今后若干年内逐步得到解决 5 参考文献[1]Bauch -E Futterman W I Kemmer D B .Back -ground suppression and tracking With a staring mosaic sensor [J ].O ptzcal Engzneerzng . 1981 2O(1D :1O3~11O. [2]Iranni M et al . Detectioin and tracking multiple moving objects using temporal integration [A ].SeconC E/ropean Confer on Comp/ter Vzszon [C ] Italy :Santa Margherita Ligure 1992.282~287. [3]王勇 赵保军.复杂背景下低信噪比点目标的实时检测算法及实现[J ].系统工程与电子技术 2OO2 24(12D :17~21. [4]周卫祥 孙德宝 彭嘉雄.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(5D :57~6O.[5]彭嘉雄 彭铁.弱目标检测的图像流法[J ].红外与激光工程 1996 25(4D :34~4O. [6]沈宇键 何昕 郝志航.图像序列中检测运动小目标的递归算法[J ].光电工程 2OO4 27(2D :9~13. [7]Zhu Z F Li Z L liang -C .et al . Gryscale morphological filter for small target detection [J ]SPIE 2OOO:413O 28~34.[8] 李国宽 彭嘉雄 李红.基于向量小波变换的小目标检测方法[J ].华中理工大学学报.2OOO 28(1D :73~75.[9] 周杰 彭嘉雄 等.基于小波变换的运动点目标检测方法[J ].宇航学报.1996 17(3D :1~5.[1O] MelendeZ K A Modestino J W .Spatial -temporal multiscan adaptive matched filtering [J ].SPIE 1995 2561:51~65.[11]Scheffe M Blane M M Cooper D B .Multicovariance matched filter for target detection and background recognition [J ].SPIE 1994 2561:2O3~218. [12]唐 莹 田金文 柳健.红外序列图像点目标检测的一种方法[J ].华中科技大学学报 2OO1 29(4D :4~6.[13] 熊辉 沈振康.低信噪比抖动红外点目标的检测[J ].国防科技大学学报 1998 2O(2D :54~59.[14] Zhu Z F .Detection and acguistion of small targets With loW Signal -to -clutter ratio [J ].SPIE 1999 38O9:564~569.[15] Stocker A D Jensen P .Algorithms and architec -tures for implementing large velocity filter banks [J ].SPIE 1991 1481:14O~155.[16]Tonissen S M Evans R J .Performance of dynamic programming technigue for track -before -detect [J ].IEEE Transon AES 1996 32 (4D :1444~145O. [17]Braga !" Goutsias J .Automatic target detection and tracking in forWard looking infrared image seguences using morphological connected operators [A ].23rC Conference on Informatzon Sczences anC S #stem [C ].Maryland :Baltimore .1999.173~178.$68$光学仪器第27卷 龙源期刊网 https://www.360docs.net/doc/6d10511883.html, 目标检测方法简要综述 作者：栗佩康袁芳芳李航涛 来源：《科技风》2020年第18期 摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。 关键词：目标检测;机器学习;深度神经网络 目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。 传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法 率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。 基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一 人体目标检测与跟踪算法研究 摘要：近些年以来，基于视频中人体目标的检测与跟踪技术研究越来越被重视。然而，由于受到目标自身特征多样性和目标所处环境的复杂性和不确定性的影响，现存算法的性能受到很大的限制。本文对目前所存在的问题进行了分析，并提出了三帧差分法和改进阈值分割法相结合的运动目标检测算法和多特征融合的改进运动目标跟踪算法。这两种算法不仅可以准确有效的检测出运动目标而且能够满足实时性的要求，有效的解决了因光照变化和目标遮挡等情况造成的运动目标跟踪准确度下降或跟踪目标丢失等问题。 关键词：三帧差分，Camshift，阈值分割 Research Based on Human Target Detectionand Tracking Algorithm Abstract: In recent years, human object detection and tracking become more and more important. However the complexity, uncertainty environment and the target’s own diversity limit the performance of existing algorithms. The main works of this paper is to study and analysis the main algorithm of the human object detection and tracking, and proposes a new moving target detection method based on three-frame difference method and threshold segmentation and improved Camshift tracking algorithm based on multi-feature fusion. These algorithm can satisfy the real-time, while accurately and efficiently detect moving targets, and also effectively solves the problem of tracking object lost or misplaced under illumination change or target occlusion. Keywords: three-frame difference, Camshift, threshold segmentation 一、绪论 （一）选题的背景和意义 人类和动物主要通过眼睛来感受和认知外部世界。人类通过视觉所获取的信息占了60%[1]，因此，在开发和完善人工智能的过程中，赋予机器视觉的功能这一操作极不可缺少。完善上述功能需要以许多技术为基础，特别是运动目标的检测与跟踪技术。近些年以来，此技术受到了越来越多的关注[2]。目前，此技术也在各领域得到了充分的应用，涵盖的领域有智能交通、导航、智能视频监控、精确制导、人机交互和多媒体视频编码压缩技术等。 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 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 function MovingTargetDetectionByMMI() %Moving Target Detection %Based on Maximun Mutual Information % %EDIT BY PSL@CSU %QQ：547423688 %Email：anyuezhiji@https://www.360docs.net/doc/6d10511883.html, %2012-06-01 %读文件 Im1=imread('001.jpg'); Im2=imread('002.jpg'); Im3=imread('003.jpg'); Im1=rgb2gray(Im1); Im2=rgb2gray(Im2); Im3=rgb2gray(Im3); tic; d12=GetDifferenceImg(Im2,Im1); d23=GetDifferenceImg(Im2,Im3); d=d12.*d23; se =; for i=1:4 d = imfilter(d,se); end for i=1:2 d = medfilt2(d,); end %%d=abs((d12-d23).^0.7); d=uint8(d/max(max(d))*255); level = graythresh(d); BW = im2bw(d,level); s=regionprops(BW,'BoundingBox'); figure(1) subplot(2,2,1); imshow(uint8(d12/max(max(d12))*255)); title('参考帧与前一帧的差值') subplot(2,2,2); imshow(uint8(d23/max(max(d23))*255)); title('参考帧与后一帧的差值') subplot(2,2,3); imshow(BW); title('由前后帧得出的差值') subplot(2,2,4); imshow(Im2); %imshow(d); rectangle('Position',s(1).BoundingBox,'Curvature',,'LineWidth',2,'LineStyle','--','EdgeColor', 'r') title('参考帧与检测结果') %求相邻两帧重合部分差值主函数 function outImg=GetDifferenceImg(R,F) =dwt2(R,'db1'); =dwt2(F,'db1'); CA1=uint8(CA1); CA2=uint8(CA2); fprintf('\n------PSO start\n'); =PSO(CA1,CA2); while mi<1.2 =PSO(CA1,CA2); end fprintf('tx:%f ty:%f ang:%f mi:%f\n',pa(1),pa(2),pa(3),mi); fprintf('------PSO end\n\n'); %pa=; fprintf('------Powell start\n'); mi_old=0; while abs(mi-mi_old)>0.01 图像显著性目标检测算法研究 随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。 图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。 对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。 基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。 本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。 密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更具鲁棒性,能够更有效地抑制复杂背景。 先验过程包含背景先验策略与中心先验策略,通过先验信息可更均匀地突出图像中的显著性目标。最后,把重构过程与先验过程生成的显著特征做非线性融合操作。 实验结果充分说明了该模型的高效性能与优越性能。针对图像中存在多个显 著性目标或者检测到的显著性目标存在边界模糊问题,本文提出了一种基于多层级连续特征细化的深度显著性目标检测模型。 该模型包括三个阶段:多层级连续特征提取、分层边界细化和显著性特征融合。首先,在多个层级上连续提取和编码高级语义特征,该过程充分挖掘了全局空间信息和不同层级的细节信息。 然后,通过反卷积操作对多层级特征做边界细化处理。分层边界细化后,把不同层级的显著特征做融合操作得到结果显著图。 在具有挑战性的多个基准数据集上使用综合评价指标进行性能测试,实验结果表明该方法具有优越的显著性检测性能。对于低对比度或者小目标等问题,本文提出一种新颖模型,即通道层级特征响应模型。 该模型包含三个部分:通道式粗特征提取,层级通道特征细化和层级特征图融合。该方法基于挤压激励残差网络,依据卷积特征通道之间的相关性进行建模。 首先,输入图像通过通道式粗特征提取过程生成空间信息丢失较多的粗糙特征图。然后,从高层级到低层级逐步细化通道特征,充分挖掘潜在的通道相关性细节信息。 接着,对多层级特征做融合操作得到结果显著图。在含有复杂场景的多个基准数据集上与其它先进算法进行比较,实验结果证明该算法具有较高的计算效率和卓越的显著性检测性能。 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、 视觉目标检测算法说明 1.功能 通过安装在战车上的摄像头，检测视野范围内的敌方战车。 2.算法： 2.1目标检测与识别 1.颜色检测 采集大量敌方机器人的图片数据，并进行训练，得到对方机器人的颜色区间， 并以此为阈值对整幅图像进行颜色检测，找到疑似敌方机器人的区域，量化 成二值图。 2.滤除噪声点 对得到的二值图像进行开运算处理，滤除颜色检测结果中的噪声点。 3.连通区域检测 对图像中的疑似区域进行连通区域检测，计算出每个疑似区域的外部轮廓， 用矩形近似表示。 4.连通区域合并 根据连通区域之间的距离和颜色相似性，将距离接近且相似性高的连通区域 进行合并。 5.形状和大小过滤 对大量敌方机器人图片进行训练，得到对方机器人的形状信息（例如长宽比） 和大小信息（面积），并以此为依据将不符合的区域过滤掉。 经过以上五步的处理，可以初步得到敌方机器人的位置、大小和形状信息。 2.2目标运动跟踪 对上步中的检测结果进行运动跟踪。 1.状态估计 根据上一时刻地方机器人的运动状态（包括位置和速度），估算当前时刻机 器人的运动状态。 2.轨迹关联 根据位置和颜色信息，对当前时刻机器人的估计状态和检测结果进行关联。 3.状态更新 若上一步中关联成功，更新当前时刻的运动状态。 通过对检测结果进行运动跟踪，可以计算出当前时刻敌方机器人的运动速度和方 向。 2.3预估提前量 1.评估延迟时间 根据己方机器人实际的调试情况，通过多次试验和统计的方法，估算己方机器人从接收命令到炮弹（或子弹）击中目标区域的时间延时（包括图像处理 时间、落弹时间和炮弹飞行时间）。 2.计算提前量 根据延迟时间和敌方机器人的运动速度，计算炮弹发射的提前量，补偿到敌方机器人的运动状态中。 3.总结： 对于机器人战车中的敌方目标检问题，有很多种方法可以实现，视觉检测只是其中的一种方法，而基于颜色识别的目标检测也只是视觉算法中比较简单有效的一种。所以，本段代码只是抛砖引玉的一个样本，适用范围只针对于2014年RoboMasters夏令营的场地和战车，希望可以看到大家更加简单有效的算法。 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 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 图形图像 现代计算机（https://www.360docs.net/doc/6d10511883.html, ）2019.09上 文章编号：1007-1423（2019）25-0047-04 DOI ：10.3969/j.issn.1007-1423.2019.25.010 基于图像超分辨网络的目标检测算法 畅青，冯晶明，洪伟杰，薛凯 （四川大学计算机学院，成都610065） 摘要： 目标检测一直是计算机视觉研究领域的核心问题。当前，视觉识别任务仍然容易受到各种图像退化的影响，如图像模糊和图像低分辨率。为此，提出一种基于图像超分辨网络的目标检测算法。首先，搭建一个轻量级的图像超分辨网络对输入图片进行像素信息恢复和局部细节增强；然后在重建图片上搭建目标检测网络对各种类型的目标进行检测和定位；最终，将检测结果映射会原始图片。实验证明，经过融合图像超分辨重建网络，该算法实现更好的性能。关键词： 目标检测；图像超分辨率；多尺度检测器基金项目： 四川省科技创新苗子工程（No.2018048） 0引言 目标的检测与跟踪技术在计算机视觉领域有着广 泛的应用，例如在视频监控、无人驾驶、机器人等领域都有着举足轻重的价值。随着深度学习算法与技术的飞速发展，更是带动了该技术在性能、速度等方面取得了质的飞跃。然而随着社会的发展，需求的不断提高，我们在研究算法高效性的同时还要考虑算法所训练出的模型在实际应用上的性能与速度。 在深度学习出现之前，目标检测需要根据一定的先验知识，通过建立某种数学模型来完成目标检测，应用比较广泛的有：帧差法[1]、Hough 变换[2]、光流法[3]、滑动窗口模型[4]、可变形部件模型[5]等。这些传统的目标检测方法通过手工设计的特征来组合并进行分类。然而由于需要依赖于研究人员的经验，因此，传统的方法的泛化能力较差，鲁棒性较低。 受益于深度学习的发展，最近几年，目标检测作为计算机视觉的基础性任务取得了长足的进步。尤其是R-CNN [6] 创造性的将检测任务划分为两个阶段：产生候 选区域和目标识别。随后众多优秀的工作 [7-9] ，都采用 这种两阶段的管道实现了巨大的性能提升。与此同 时，众多单阶段检测算法[10-12]也在不断刷新着COCO 挑战赛的记录。 尽管不断有新的检测框架问世，视觉识别任务仍然容易受到各种图像退化的影响，包括图像模糊和图像低分辨率。COCO 数据集上的检测结果表明：识别不同尺度的目标依然是检测任务一项重大挑战。进一步提高对小目标和模糊目标的检测精度和召回率是优化目标检测框架总体性能的核心方式。 小目标本身在图片中所占区域较小，所涉及的像素数量少。模糊目标本身含有大量的噪声导致像素质量过低。本身像素信息的匮乏加上卷积神经网络池化操作对特征图的浓缩，导致神经网络难以对小目标及模糊目标提取出充足的特征。图像超分辨率可以作为一种输入数据增强消除这些弊病并以此为目标检测提供积极的影响。 1算法实现 针对图像模糊和低分辨率问题以及目标检测高实 时性要求，本文提出了基于图像超分辨率的多尺度检测算法。该算法首先依靠一个轻量级的图像超分辨网 视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在 视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1 帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设(,)k f x y 和(1)(,)k f x y +分别为图像序列中的第k 帧和第k+1帧中象素点(x ，y)的象素值,则这两帧图像的差值图像就如公式2-1 所示： 1(1)(,)(,)k k k Diff f x y f x y ++=- (2-1) 2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1 式得到第k 帧和第k+1帧的差值图像1k Diff +；2、对所得到的差值图像1k Diff +二值化（如式子2-2 示）得到Qk+1；3、为消除微小噪声的干扰，使得到的运动目标更准确，对1k Q +进行必要的滤波和去噪处理，后处理结果为1k M +。 111255,,(,)0,,(,)k k k if Diff x y T Q if Diff x y T +++>?=?≤? （T 为阈值） （2-2） 复杂背景下红外弱小目标检测的算法研究综述 汪国有，陈振学，李乔亮 （华中科技大学，图像识别与人工智能研究所，图像信息处理与智能控制教育部重点实验室，湖北武汉 430074） 摘要：复杂背景下低信噪比弱小目标的自动检测是当今目标自动探测研究尚未解决的一个难题。目前，国内外许多学者已经作过大量的检测算法研究，但还没有建立成熟的理论体系和切实可行的实用算法，尤其是在复杂背景干扰的抑制方面，大部分研究工作所处理的还不是真正的复杂背景。本文在分析和总结国内外现有算法研究的基础上，指出了复杂背景下红外弱小目标检测的发展趋势，并提出了检测跟踪的一些有效技术措施。 关键词：复杂背景；弱小目标；信噪比；背景预测 中图分类号：TN911.73 文献标识码：A 文章编号：1001-8891(2006)05-287-06 A Review of Infrared Weak and Small T argets Detection under Complicated Background WANG Gou-you，CHEN Zhen-xue，LI Qiao-liang (Institute of Pattern Recognition & Artificial Intelligence, State education Commission Laboratory for Image Processing & Intelligence Control, Huazhong University of Science and Technology, Hubei Wuhan 430074, China) Abstract：It is an unfathomed and difficult problem that weak and small targets are detected in complicated background and low SNR. Scholars at home and abroad offer many detection algorithms, but these algorithms aren’t mature, especially to complicated background, and these algorithms almost deal with uncomplicated background. This paper summarizes existing algorithms of weak targets detection under complicated background, points out weak targets detection development direction and refers to many efficient technique measures. Keywords：complicated background；weak and small targets；SNR；background forecast 引言 在现代化的高技术战争中，武器系统应具备极快的反应速度和良好的隐身性能，远距离的红外目标探测技术能很好地满足这一条件，它能及时地发现、跟踪目标，实现迅速有效的攻击，是机载武器系统发展的一个趋势[1～3]。对于远距离目标，在视场中是以小目标形态出现的，目标与背景的对比度较低，要保证可靠、稳定、准确地检测并跟踪目标是很困难的。因此，远距离时低对比度红外弱小目标的检测技术是武器系统成败的关键，对于提高新一代精导武器的作战 收稿日期：2005-10-18 作者简介：汪国有(1965―)，男，安徽省休宁县人，教授，博导，主要从事图像建模、匹配制导、计算机视 觉以及目标检测等方面的教学和研究工作。在国 内外学术刊物上发表论文80余篇，获国家教委科 技进步一、二等奖多次。距离及反应速度具有十分重要意义。 从概念上讲，复杂背景是针对简单背景而言的。所谓简单背景是指背景图像灰度的空间分布是平稳的，灰度的统计均值和方差具有空移不变性，如海面、天空和沙漠等单一物理成分构成的区域图像；而复杂背景是指背景图像灰度的空间分布是不平稳的，灰度的统计均值和方差不具有空移不变性，如天海交接处、飞机场和港口等多种物理成分构成的复合图像。小目标是指仅含少量像素的目标，其面积较小，不能反映目标的几何轮廓特征，缺乏有效的形状特征，可利用的有效信息一般有目标灰度的平稳性和目标运动轨迹的连续性。与背景类似，弱小目标是相对强小目标而言的，强小目标是指与背景灰度差异显著地高于背景方差的小目标；对应地，弱小目标是指与背景灰度差异不高于背景方差的小目标，因此，复杂背景下弱小目标检测技术研究就是在背景图像灰度是空间非平稳分布的、目标背景灰度差异小于背景方差情况下，研究和开发小目标检测涉及的目标增强变换、 287 2017年第1期 信息通信2017 (总第 169 期）INFORMATION&COMMUNICATIONS(Sum.N o169) 运动目标检测算法研究综述 程爱灵，黄昶，李小雨 (华东师范大学，上海200241) 摘要:运动目标检测技术是计算机视觉的基础，是一个十分有研究意义且很有挑战性的问题。文章从当前运动目标检测 问题的相关方法进行分析研究。首先详细介绍了光流法、帧差法和背景差法的算法原理。然后对比了几种算法的优缺 点，介绍各算法的适用场景。最后针对研究过程面临的难题，展望了运动目标检测技术新的发展趋势。 关键词：图像处理;光流;运动目标检测；巾贞差法；背景差法 中图分类号:TP391 文献标识码:A文章编号：1673-1131(2017)01-0012-03 〇引言 计算机视觉的最终目的就是使用计算机等智能设备来代 替人去对周围环境进行感知、解释及应答。随着科学技术的 发展，计算机视觉在越来越多的领域内得到了使用。其中智 能视频监控更是在军事、安保、医学和科研等领域被广泛地使 用。在智能视频监控中，运动目标的检测与跟踪算法是系统 的核心。视频图像的目标检测技术则更是理解图像的基础。 运动目标检测就是在寻找存在运动的区域，检测到的运 动区域可以为后续的目标识别和跟踪，行为分析等任务提供 可参考的区域[1]。通常视频图像被分为两种:一种是背景是静 态的视频，比如监视某一个固定场景;另一种是背景是动态的 视频，比如对目标进行跟踪运动的摄像机拍到的视频。在实 际生活中其实不会存在完全静止的背景，由于天气和光照的 变化，运动目标阴影、干扰物等的影响背景也是动态变化的，这使得运动目标检测在实现过程中有很多的制约和挑战。主 要的检测算法有光流法、帧差法和背景差法三种。 1光流法 1.1基本概念 光流是空间运动物体被观测面上的像素点运动产生的瞬 时速度场，包含了物体表面结构和动态行为的重要信息[2]。视 觉心理学认为人与被观测物体存在相对运动时，被观察物体 表面带光学特征(如亮度/灰度信息)部位的运动能提供物体的 运动和结构信息，即当人眼（摄像机）与场景中物体存在相对 运动时，物体带光学特征部分的移动投影到视网膜平面(成像 平面)上就形成了光流场。 光流法的基本原理是：为图像中的每一个像素点赋予一 个运动矢量。动态分析各像素点的速度矢量。如果图像中没 有目标运动时光流矢量在整个图像中是连续变化的；当图像 中存在运动目标时，运动目标形成的矢量场必定与背景的速 度矢量场不同，由此即可求出运动目标的位置。 1.3几种常见的光流法 常见的光流法有微分法中的H S算法、L K算法和基于块 匹配的模板匹配算法。 (1)H S算法。 Horn和Schunck在基于亮度恒定的光流基本约束方程的 基础上假设光流在整个图像上平滑变化，提出了全局平滑性约 束。即假设光流场满足光流基本方程的同时也要满足全局平 滑性[3]。这就要保证光滑性的误差尽可能的小，误差由下式求得: 保证亮度恒定要求光流基本约束方程的误差尽可能小，误差由下式求得： Ec(w,v)= \^I x u+1 y v+1]2dxdy(2) 联立公式(1)和(2)，HS光流法中的光流应该满足取下式 的最小值： 心加)=>[(|(/，+^+’,)2+乂〔-)+〔轰〕+图+〔|)卜 式中A为平滑控制参数，决定着E c和E s两种误差之间 的权重。 (2)L K算法。 由Lucas和Kanade提出的LK算法与H S算法不同，它 1.2算法原理 光流中包含了物体的运动信息，因此可以用来检测图像 序列的运动目标。光流法的核心就是求解运动物体的光流信 息，即速度。物体在三维空间的运动一般都是相对连续的，因此物体在运动过程中在成像平面所投影的图像也是连续变化 的。假设：相邻帧图像的亮度恒定；相邻帧的获取时间连续; 保持空间一致性，即同一物体成像的像素有相同的运动。由此可以推导出光流的基本方程。 设t时刻图像坐标为(x，y)的点P的灰度值是I(x,y,t)，经过 d t后，有水平方向和垂直方向的运动分量分别为u和V，则有 w=去，v=泰P点的灰度值为I(x+dx，y+dy,t+dt)。当dt—0时，灰度值保持不变，即I(x,y,t)= I(x+dx，y+dy，t+dt)，用泰勒公式展开，忽略二阶无穷小量得到光流约束的基本方程：引入了局部平滑性约束，假设在局部空间n上运动矢量保持恒 定，使用加权最小二乘法估计光流。 L K算法的误差ELK可由下式求得： Enc v) =j j w 2 (x,y)?(Ixu + I yv + I t f dxdy(3) 式中，W(x,y)= {W i|i=l，2,…,n}是邻域Q内n个点的权重，靠 近中心的加权要比周围大。求解(x，y)处L K光流的过程就是 求解上式最小值的过程。 (3)模板匹配法。 模板匹配法在给定的两帧图像L和L中以I I的像素点(X，y)为中心建立(2n+l)*(2n+l)的区域Wi，在12图像中对应的以 像素点(x，y)为中心建立(2N+1)*(2N+1)的区域w2中搜索最佳 匹配位置(N>n)。定义归一化相关系数公式： n ^l i x+ hy+ J^xI^x+ u+ Uy+ v+ j) ^ I n J( X Ji2(x+^y+^x Y,I2(x+u+i^y+v+J) V i，卜_n 1 2目标检测方法简要综述
人体目标检测与跟踪算法研究
红外图像弱小目标
红外图像中弱小目标检测算法概述
目标检测算法
图像显著性目标检测算法研究
基于多光谱与显著性的红外弱小目标融合检测
视觉目标检测算法说明
红外图像中弱小目标检测前跟踪算法研究综述
红外弱小目标检测方法研究
红外小目标检测 报告
基于图像超分辨网络的目标检测算法
视频目标检测与跟踪算法综述
复杂背景下红外弱小目标检测的算法研究综述
运动目标检测算法研究综述