一种复杂背景下红外弱小目标检测和跟踪方法技术

本发明专利技术涉及一种复杂背景下红外弱小目标检测与跟踪方法。考虑到红外图像SNR低、噪声大，单一特征进行跟踪不稳定的问题，本发明专利技术首先利用方差加权信息熵提取出感兴趣目标区域作为检测结果，利用灰度和纹理特征建立目标模板，用Mean?Shift算法实现红外弱小目标的跟踪，有效地避免了单一特征在复杂背景条件下的跟踪不稳定问题。多段红外视频序列的跟踪实验，都验证了本发明专利技术的有效性。

【技术实现步骤摘要】

本专利技术涉及一种涉及红外图像处理方法，具体是红外弱小目标的检测与跟踪方法。
技术介绍
红外目标的检测与跟踪，是红外搜索与跟踪系统，精确制导系统，红外预警系统中 的一项核心技术。然而，由于远距离下目标成像面积小，对比度较低，边缘模糊，尺寸及形状 变化不定，可检测信号相对较弱，特别是在非平稳复杂背景干扰下，背景与目标常交叠在一 起，成像的信噪比较低，使得复杂背景下红外弱小目标的检测与跟踪变得很困难。对于序列图像中的弱小目标的检测和跟踪，其涉及到的相关技术主要包括图像的 预处理、目标检测和目标跟踪3个方面。图像预处理是为了背景抑制与目标增强，便于在复 杂背景下更好的检测目标。目标检测是从图像中提取出感兴趣的目标对象，是红外目标检 测与跟踪的关键。目前，红外序列图像中弱小目标检测算法主要有基于运动能量累积的方 法，基于管道滤波的方法，基于运动假设的方法，基于背景预测的方法等。目前有很多目标 跟踪算法，大致可以分为两类，确定性方法和随机性方法。确定性方法是通过寻找目标的最 优匹配来实现跟踪，如Mean Shift算法。该方法实时性好，能够快速的实现目标匹配，但在 遮挡等情况下容易陷入局部极值，跟踪的鲁棒性较差。随机性方法是通过对目标的状态进 行估计，如卡尔曼滤波，粒子滤波算法。卡尔曼滤波是有效的线性最优估计技术，但不能处 理非线性和非高斯的情况。而粒子滤波方法具有较强的抗遮挡和背景干扰的能力，但计算 量比较大，而且存在退化现象。目标跟踪的关键是提取目标模板进行匹配，因而特征提取是跟踪算法中最基本和 最关键的问题。目前使用比较多的特征有颜色信息、运动信息和边缘特征等，而红外目标一 般都没有明显的轮廓，同时也没有颜色信息，因此选择灰度分布描述目标。灰度分布描述是 一种比较稳健的目标描述策略，它能减弱目标的部分遮挡、旋转和变形对跟踪算法的影响， 但是采用单一灰度特征进行跟踪鲁棒性不高，当目标和背景的灰度分布比较相似，或者是 光照不稳定时，往往导致跟踪失败。复杂背景下红外图像信噪比低，噪声干扰大，目标和背景对比度低，使得弱小目标 的检测变得很困难；在复杂背景下，不同的特征对不同场景的贡献不一样，因此单一特征表 示目标往往得不到好的跟踪效果。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出一种复杂背景下红外弱小目标检测和 跟踪方法，基于方差加权信息熵实现复杂背景下基于感兴趣区域的目标检测与提取，采用 灰度-纹理特征的Mean Shift算法实现目标跟踪。本专利技术的思想在于基于方差加权信息熵(Variance weighted informationentropy, Variance WIE)实现了感兴趣区域(region of interest, R0I)的提取，利用灰 度-纹理特征表示目标模板，采用Mean Shift算法实现目标跟踪，有效地避免了单一特征 在复杂背景条件下的跟踪不稳定问题。技术方案，其特征在于步骤如下步骤1基于方差加权信息熵的感兴趣区域提取步骤⑴将MXN大小的初始帧图像分割成mXn大小的子图像块，得到子图像块 集合 F(u，v)，其中m = 2k，n = 21，1 ≤ k ≤ 4，1 ≤ 1 ≤4，0 ≤ u ≤M/m-1,Ο ≤ ≤ Ν/η—l ；步骤(2)对子图像块集合F(u，ν)中的每幅图像F(i，j)，采用公式权利要求1. ，其特征在于步骤如下 步骤1基于方差加权信息熵的感兴趣区域提取步骤⑴将MXN大小的初始帧图像分割成mXn大小的子图像块，得到子图像块集合 F(u, ν)，其中m = 2k，η = 21，1 彡 k 彡 4，1 彡 1 彡 4，0 彡 u 彡 M/m-Ι,Ο 彡 ν 彡 Ν/η—l ； 步骤⑵对子图像块集合F(u，ν)中的每幅图像F(i，j)，采用公式全文摘要本专利技术涉及一种复杂背景下红外弱小目标检测与跟踪方法。考虑到红外图像SNR低、噪声大，单一特征进行跟踪不稳定的问题，本专利技术首先利用方差加权信息熵提取出感兴趣目标区域作为检测结果，利用灰度和纹理特征建立目标模板，用Mean Shift算法实现红外弱小目标的跟踪，有效地避免了单一特征在复杂背景条件下的跟踪不稳定问题。多段红外视频序列的跟踪实验，都验证了本专利技术的有效性。文档编号G06T7/00GK102103748SQ20101059069公开日2011年6月22日 申请日期2010年12月14日 优先权日2010年12月14日专利技术者张艳宁, 李映, 梁石 申请人:西北工业大学本文档来自技高网...

【技术保护点】
１．一种复杂背景下红外弱小目标检测和跟踪方法，其特征在于步骤如下：步骤１基于方差加权信息熵的感兴趣区域提取：步骤（１）：将Ｍ×Ｎ大小的初始帧图像分割成ｍ×ｎ大小的子图像块，得到子图像块集合Ｆ（ｕ，ｖ），其中：ｍ＝２ｋ，ｎ＝２ｌ，１≤ｋ≤４，１≤ｌ≤４，０≤ｕ≤Ｍ／ｍ－１，０≤ｖ≤Ｎ／ｎ－１；步骤（２）：对子图像块集合Ｆ（ｕ，ｖ）中的每幅图像Ｆ（ｉ，ｊ），采用公式计算其方差加权信息熵Ｈ（ｉ，ｊ），得到Ｍ／（ｍ－１）×Ｎ／（ｎ－１）大小的熵图像，并计算熵图像的均值μ和方差δ；其中：０≤ｉ≤Ｍ／ｍ－１，０≤ｊ≤Ｎ／ｎ－１，ｓ表示灰度值，ｐｓ表示每种灰度级对应的概率，表示红外图像的灰度平均值，当ｐｓ＝０时，令ｐｓ＊ｌｏｇ（ｐｓ）＝０；步骤（３）：当步骤（２）得到的熵图像中最大的熵值Ｈ（ｔ，ｒ）≥ＨＴ时，Ｈ（ｔ，ｒ）对应的子图像Ｆ（ｔ，ｒ）为种子；当Ｈ（ｔ，ｒ）＜ＨＴ时，取ｍ＝ｍ／２，ｎ＝ｎ／２，重复步骤（１）和（２），直到熵图像中最大的熵值满足Ｈ（ｔ，ｒ）≥ＨＴ或ｍ＝２或ｎ＝２；其中（ｔ，ｒ）表示熵最大的图像块的位置；步骤（４）：在熵图像上，以步骤（３）得到的种子，采用基于八邻域的区域增长方法进行增长，得到包含目标的矩形感兴趣区域ＲＯＩ（ｃｅｎｔｅｒｘ，ｃｅｎｔｅｒｙ，ｗ，ｈ）作为复杂背景下红外弱小目标检测的结果，其中：ｃｅｎｔｅｒｘ为区域中心横坐标，ｃｅｎｔｅｒｙ为区域中心纵坐标，ｗ为区域的宽度，ｈ为区域高度，均为整数；所述基于八邻域的区域增长方法中的相似度α∈（０，１）；步骤２多特征融合：步骤①：在初始帧中，以感兴趣区域ＲＯＩ（ｃｅｎｔｅｒｘ，ｃｅｎｔｅｒｙ，ｗ，ｈ）作为目标区域将目标区域中的像素点Ｍ＝ｗ×ｈ分为１６个特征区间ｇｒ（ｘｉ），其中：ｘｉ表示像素点的位置（ｒｏｗｉ，ｃｏｌｉ）；所述ｇｒ（ｘｉ）∈［１，１６］；然后利用ＬＢＰ纹理空间将目标区域中的像素点Ｍ＝ｗ×ｈ分为５个特征区间ｔｘ（ｘｉ）∈［２，６］：其中：２，３，４，５，６表示五种模式；所述其中：１表示圆环的半径，８表示圆环上点的个数；ｇｃ表示坐标为（ｘ０，ｙ０）的中心点ｙｃ的灰度值；ｇｂ表示以中心点为中心，半径为１的圆环上第ｂ个等分点的灰度值，等分点坐标为（ｘ０－ｓｉｎ（２πｂ／８），ｙ０＋ｃｏｓ（２πｂ／８）），ｂ∈［０，７］；ｔｘ（ｘｉ）为ｘｉ处对应的灰度特征值，ｔｘ（ｘｉ）∈［１，５］；步骤②：将特征区间ｇｒ（ｘｉ）和ｔｘ（ｘｉ）∈［１，５］相加ｍ＝１６×５＝８０，得到ｍ个特征区间ｇｔ（ｘｉ），其中ｇｔ（ｘｉ）＝（ｇｔ（ｘｉ）－１）×５＋ｔｘ（ｘｉ），ｇｔ（ｘｉ）∈［１，８０］；所述目标区域特征区间的灰度纹理特征表示为ｑ＝｛ｑｕ｝ｕ＝１，…，ｍ，其中：参数描述目标区域的大小，δ是狄拉克函数，Ｋ（·）是加权函数，定义为Ｃ为归一化系数；所述Ｃ的取值保证使得其中｜｜ｙ－ｘｉ｜｜表示区域的中心点ｙ与区域中像素点ｘｉ的欧氏距离；步骤３Ｍｅａｎ　Ｓｈｉｆｔ跟踪步骤：步骤（一）：由步骤２得到初始帧中目标区域的灰度纹理特征ｑ＝｛ｑｕ｝ｕ＝１，…，ｍ以及初始帧目标的位置ｙ０（ｃｅｎｔｅｒｘ，ｃｅｎｔｅｒｙ），目标区域大小即为ｗ×ｈ；从第二帧ｐＦｒａｍｅ＝２开始采用迭代方程将当前目标区域的中心位置ｙ０移动到新的目标区域中心位置ｙ１，ｘｉ为当前目标区域中的像素点，ｉ＝１，．．．，Ｍ，ωｉ为当前目标区域中像素点的权值，ｐｕ（ｙ０）为用步骤２中同样的方法得到的当前目标区域的灰度纹理特征；初始化迭代次数ｋ＝０，令ｋ←ｋ＋１，ｄ←｜｜ｙ１－ｙ０｜｜，当满足ｄ＜εｏｒ　ｋ≥Ｎ时迭代停止，ｙｎｅｗ（ｐＦｒａｍｅ）＝ｙ１，否则，令ｙ０←ｙ１，继续迭代。其中ｄ表示偏移距离，ε表示阈值，Ｎ表示最大迭代次数，０＜ε＜０．５，Ｎ≥１０；ｙｎｅｗ（ｐＦｒａｍｅ）即为当前帧的目标跟踪结果，表示目标区域的中心坐标；步骤（二）：令ｙ０←ｙｎｅｗ（ｐＦｒａｍｅ），ｐＦｒａｍｅ←ｐＦｒａｍｅ＋１，ｉｆ　ｐＦｒａｍｅ＞ＴｏｔａｌＦｒａｍｅｓ跟踪结束，ｙｎｅｗ即为目标跟踪的结果，表示第２到ＴｏｔａｌＦｒａｍｅｓ帧中目标区域的中心坐标；ＴｏｔａｌＦｒａｍｅｓ表示图像序列的帧数；否则由步骤（一）重新开始。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李映，梁石，张艳宁，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：87