一种新的背景预测方法在红外弱小目标检测中的应用

一种新的背景预测方法在红外弱小目标检测中的应用

摘要：针对空中红外弱小目标的检测，提出了一种新的背景预测方法。该方法对云层边缘区域的点采用亮暗点分类，寻求最相似点的方法进行预测；对非边缘区域的点采用基本背景预测法进行预测；最后经过背景对消和阈值分割，将弱小目标检测出来。实验结果表明，该方法能够提高对起伏背景预测的准确性，减小由于云层边缘预测不准确而引起的虚警，从而能够更加有效地检测到弱小目标。

关键词：背景预测红外弱小目标目标检测

红外弱小目标检测技术作为红外成像制导中的关键技术之一，越来越受到人们的重视。但由于红外弱小目标具有距离远、面积小、形状特征弱、细节特征部分丧失、信噪比低等特点，对红外弱小目标的检测依然具有极大的挑战性。

目前，基于背景预测的红外弱小目标检测技术得到了很大的发展。主要包括基本背景预测法[1]、自适应背景预测法[2]、分块背景预测法(包括区域最大化背景预测法[1]、区域最小化背景预测法[3]、区域均值背景预测法[4]、区域最相似背景预测法[1])、基于神经网络的背景预测方法[5]等。在图像信噪比较高、背景较均匀的情况下，这些方法检测效果良好；但当背景起伏较大，图像信噪比较低时，在背景的起伏边缘就会出现较多的虚警。以含有起伏云层的天空背景为例,当图像信噪比较低时，云层边缘预测值与真实灰度值之间就会产生较大差异，检测结果会出现以云层亮边缘为主的虚警点。因此，应尽可能地对边缘进行准确预测，使残差图中边缘被极大抵消，达到抑制背景、突出目标的目的。鉴于此，本文提出一种新的基于边缘区域亮暗点分类的背景预测方法，以减小起伏背景对检测结果的影响。

1 红外弱小目标图像特性分析

红外图像是利用红外探测器扫视被摄景物空间而获得的红外热辐射图像。红外弱小目标图像可描述为：

f(x，y)=s(x，y)+b(x，y)+n(x，y) (1)

式中，(x，y)为像素点的坐标，f(x，y)为在红外焦平面传感器获取的场景图像，s(x，y)、b(x，y)和n(x，y)分别为红外目标、红外背景和噪声的图像。

红外图像中的弱小目标尺寸很小,一般为几个或十几个像素，没有形状、大小和纹理等特征，缺乏结构信息，图像中惟一可供利用的是弱小目标的灰度信息。红外背景是指图像中的非目标区域，在图像中主要是大面积缓慢变化的低频成分，在灰度空间分布上具有较大的相关性。图像中噪声主要来源于探测器电路噪声，属于图像中的高频成分，可近似认为服从高斯分布，在灰度空间上的分布是随机的，与背景图像没有相关性。图像的信噪比较低，目标点极易被噪声和背景淹没，所以从背景出发进行弱小目标的检测更为合理。

2 背景预测方法的基本思想

背景预测方法的基本思想是：背景中点的灰度值与周围像素点的灰度值相关性较强，而弱小目标点上的灰度值与周围背景像素点的灰度值相关性较差。因此，将图像中各点的灰度值用它周围区域点的灰度值进行预测，则背景中点的实际灰度值与预测值近似，两者相减得到的预测残差很小，而目标点的实际灰度值与预测值相差较大，预测残差较大。此时在残差图上进行门限检测即可得到目标。背景预测的目标是：使背景灰度的预测值尽可能接近真实值，而目标灰度的预测值尽可能远小于真实值，以使残差图中背景尽可能被消掉，目标尽可能被突出。

基本的背景预测模型可表示为：

式中，X是尺寸为M×N的输入图像，Y是预测图像，Wj是第j级的权重矩阵，j=m×M+n 对应着当前位置，Sj对应着局域背景选取点的范围集合，属于Sj的像素点个数是有限的，设为L。

预测图像与输入图像之间的残差图像为：

式中，X是原始输入图像，Y(m，n)是预测图像。这样，目标检测问题就转化为在残差图像上进行阈值检测。

3 背景预测方法介绍

根据权值的不同取法，现有背景预测方法可分为以下几类：基本背景预测方法、分块背景预测方法、基于边缘区域亮暗点分类的背景预测方法等。

3.1 基本背景预测方法

基本背景预测的权重为固定权值。按权值的取法可对应成如下的滤波器模板：

h1、h2、h3模板均适用于点目标和弱小目标，h2、h3模板的兼容性更好一些。

3.2 分块背景预测方法

分块背景预测法是将像素点周围背景以该像素点为中心划分为四个区域，分别以这四个区域中的最大值、最小值、均值、最相似值作为预测点的预测值，获得预测图，依次称为区

域最大化背景预测法、区域最小化背景预测法、区域均值背景预测法、区域最相似背景预测法。

分块背景预测法在某些情况下可对背景实现有效预测，但其存在如下问题：当弱小目标灰度值较低且位于亮云层边缘时，采用区域最大化背景预测法，目标的灰度预测值就会接近周围的亮背景，预测值会比较大，则残差后目标点处的残差值会比较小，使得与背景的对比度较低，无法正确检测到目标；采用区域最小化背景预测法时，背景亮边缘区域点的灰度预测值会变小，这样虽然目标点残差值较大，但云层边缘处的背景点残差值也较大，容易出现以云层边缘为主的虚警点；采用区域最相似背景预测法，目标的预测值比较接近真实值，目标点的残差值较小，有可能检测不到目标。

3.3 基于边缘区域亮暗点分类的背景预测法

参考文献[6]提出的基于边缘区域亮暗点分类的背景预测法是在自适应线性背景预测算法的基础上提出的改进算法。该算法利用自适应均值预测器对原始图像进行背景估计：当被预测点不是边缘点时，直接进行滤波；当被预测点是边缘点时，首先以预测窗口灰度均值为阈值将预测窗口内的像素点分为亮点和暗点两类，若亮像素点为多数，则根据亮像素点计算预测值，反之则根据暗像素点计算预测值。

上述方法有如下缺点：若预测窗中暗像素点为多数，则高亮云层边缘就会用暗点来预测，其预测值可能会大大减小，使亮边缘点的残差值较大，容易形成虚警。

4 新的基于边缘区域亮暗点分类的背景预测法

为了减少起伏边缘造成的影响，使背景灰度预测值尽可能接近真实值，而目标灰度预测值尽可能远小于真实值，本文提出一种新的基于边缘区域亮暗点分类的背景预测法。其主要思想是：对云层边缘区域的点采用亮暗点分类，寻求最相似点进行预测；对非边缘区域的点采用基本背景预测法进行预测，从而得到原图的背景预测图。本方法预测窗是以预测点p 为中心的9×9区域，如图1所示。预测步骤如下：

(1)对图像进行预滤波处理，去除点源噪声。

(2)利用边缘检测方法提取背景云层边缘。

(3)如果预测点在边缘区域，则以预测窗的均值为门限，将预测窗内的点分为亮点和暗点两类。如果被预测点属于亮点，则在预测区（预测窗内除去以预测点P为中心的5×5区域的灰色区域，共56个点）的亮点中搜索与被预测点灰度最接近的点作为预测值；如果被预测点属于暗点，则在预测区的暗点中搜索与被预测点最接近的点作为预测值。其中，预测区的选择要考虑到算法的兼容性。预测区域图如图1所示。

(4)如果预测点不属于边缘，则用h1模板进行基本背景预测。

本方法有两大优点：(1)对于边缘区域的点，充分考虑了被预测点本身的性质。以被预测

点为参照进行预测，预测值要求与被预测点最接近；(2)充分考虑了边缘点的特性。边缘点处于两种灰度区域的交界处。若用预测窗内的所有点进行预测或不考虑被预测点的特性而以某一特性的部分点进行预测必然会产生较大的误差。应用本方法预测，可使得云层边缘点的预测值与真实值更接近，同时目标点处的预测值远小于真实值。

为了清楚说明问题，列出几种背景预测方法的预测图，如图2所示。

可以看出，与图2(b)相比较，图2(c)中云层发生膨胀，目标处灰度值非常低；图2(d)中云层发生收缩，边缘变暗，目标所在区域灰度值非常低，预测图中已看不到目标；图2(e)边缘有明显的腐蚀痕迹，云层边缘的亮点在预测图中变成了暗点，目标点中心位置灰度值较强；图2(f)中云层的边缘做到了较为准确的预测，目标位置处灰度变暗，几乎与背景相同，远小于目标真实值。

图2(c)中目标在云层外时，残差后目标增强，背景减弱，能很好的检测到目标，但当目标在云层边缘时，目标的预测值会变大，残差值会减小，可能会检测不到目标；图2(d)中云层边缘会有残留，若残留的云层边缘灰度值小于目标点灰度值，则可检测到目标，反之，则不能检测到目标；图2(e)中云层强边缘会出现在残差图中，容易形成虚警点；图2(f)的残差图中，云层边缘得到了很好的抑制，而目标区域的灰度残差值较大。

5 背景对消和阈值分割

采用新的基于边缘区域亮暗点分类的背景预测算法得到预测图，按照(3)式与预滤波处理后的原图作差，得到残差图。残差图整体灰度值较低，目标点与周围灰度值相近。为了方便后续的阈值分割，可采用合适的方法对残差图进行图像增强。

残差图中已去掉了大部分低频信息，但仍存在部分低频残留和干扰点。所以需对图像进行分割，去掉干扰，只保留可能目标点。阈值选择对后续处理有重要影响：阈值过高,则可能丢失真正的目标信息，阈值过低，将造成较高的虚警率。本文采取自适应阈值分割图像，取门限为：

T=m+kσ(7)

式中，m为图像的均值，σ为图像的均方差；k为常值，根据经验获得，一般取5～15。每幅图像中，大于或等于门限的灰度值赋1，小于门限的灰度值赋0。

6 实验结果

本文采用的红外弱小目标图像是在红外背景图像上嵌入弱小目标得到的合成图像，图像大小为244×320像素。其中，背景为空中云层，弱小目标为3×3像素，图像信噪比约为２。下面分别采用区域最大化背景预测法、区域最小化背景预测法、区域亮暗点分类背景预测法和本文提出的新的基于边缘区域亮暗点分类的背景预测法在PIII600A上进行仿真，给出最终检测结果并进行分析。第一种情况是目标在云层外，目标周围背景相对均匀，检测结果如图3所示；第二种情况是目标在云层边缘，目标周围背景起伏较大，检测结果如图4所示。

在图3中，(a)图中白色方框内为小目标，(b)、(c)、(d)、(e)图中白色方框表示检测到的目标。可以看出，当目标在云层外，周围背景比较均匀时，(b)、(e)两种方法的检测效果较好，而(c)、(d)出现了以云层边缘为主的多个虚警，(c)的检测效果最差；当目标在云层边缘，周围背景起伏较大时，区域最大化背景预测法、区域最小化背景预测法、区域亮暗点分类背景预测法均出现了较多的虚警点，采用本文提出的新的基于边缘区域亮暗点分类的背景预测法的检测效果良好。综合考虑，可以看出，无论目标周围背景均匀或者起伏，采用本文提出的新的基于边缘区域亮暗点分类的背景预测法进行弱小目标检测均可以很好地抑制背景，有效地检测到目标。

基于背景预测的红外弱小目标检测方法的关键是对图像背景准确预测时，对目标的影响最小。本文针对起伏边缘易产生虚警点，提出了一种新的基于边缘区域亮暗点分类的背景预测方法。实验结果表明：在图像背景起伏较大、信噪比低的情况下，该方法对起伏背景的预测更为准确，从而能够大大减小起伏边缘引起的虚警，更加有效的检测到弱小目标。

运动目标检测光流法详解

摘要 运动目标检测方法是研究如何完成对视频图像序列中感兴趣的运动目标区域的“准确定位”问题。光流场指图像灰度模式的表面运动，它可以反映视频相邻帧之间的运动信息，因而可以用于运动目标的检测。MATLAB这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以利用MATLAB 软件来用光流法对运动目标的检测中具有很大的优势。本设计主要可以借助matlab软件编写程序，运用Horn-Schunck算法对图像前后两帧进行处理，画出图像的光流场。而图像的光流场每个像素都有一个运动矢量，因此可以反映相邻帧之间的运动，分析图像的光流场就可以得出图像中的运动目标的运动情况。 关键字：光流法；Horn-Schunck算法；matlab

目录 1光流法的设计目的 (1) 2光流法的原理 (1) 2.1光流法的介绍 (1) 2.1.1光流与光流场的概念 (1) 2.1光流法检测运动目标的原理 (2) 2.1.1光流场计算的基本原理 (2) 2.2.2基于梯度的光流场算法 (2) 2.2.3Horn-Schunck算法 (3) 2.2.4光流法检测运动目标物体的基本原理概述 (5) 3光流法的程序具体实现 (6) 3.1源代码 (6) 3.1.1求解光流场函数 (6) 3.1.2求导函数 (9) 3.1.3高斯滤波函数 (9) 3.1.4平滑性约束条件函数 (10) 3.1.5画图函数 (10) 4仿真图及分析 (12) 结论 (13) 参考文献 (14)

1 光流法的设计目的 数字图像处理，就是用数字计算机及其他有关数字技术，对图像进行处理，以达到预期的目的。随着计算机的发展，图像处理技术在许多领域得到了广泛应用，数字图像处理已成为电子信息、通信、计算机、自动化、信号处理等专业的重要课程。 数字图像处理课程设计是在学习完数字图像处理的相关理论后，进行的综合性训练课程，其目的是：使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法；增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力；尝试所学的内容解决实际工程问题，培养学生的工程实践能力。 运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睞，并且取得了丰硕的成果，广泛应用于交通管理、军事目标跟踪、生物医学等领域。 因此，基于光流法，实现运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志，初步建立起运动目标检测的整体思路和方法。 2 光流法的原理 2.1 光流法的介绍 2.1.1 光流与光流场的概念 光流是指空间运动物体在观测成像面上的像素运动的瞬时速度，它利用图像序列像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，即反映图像灰度在时间上的变化与景物中物体结构及其运动的关系。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。视觉心理学认为人与被观察物体

基于深度学习的目标检测技术

基于深度学习的目标检测技术 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 在过去的几年中，典型的PASCAL VOC数据集上测量的对象检测性能已经趋于平稳。最好的执行方法是复杂的集成系统，通常结合多个低级别的图像特征与高层次的背景。在本文中，我们提出了一个简单的和可扩展的检测算法，提高了平均准确率（MAP）超过30%，相对于先前的最佳结果VOC 2012实现53.3%的平均准确率。我们的方法结合了两个关键的见解：（1）可以将高容量卷积神经网络（CNNs）应用到自下而上的区域建议中，以便定位和分割对象；（2）当标记的训练数据很少时，监督辅助任务的预训练，然后进行特定领域的微调，可以显著提升性能。由于我们将区域建议与CNNs结合起来，我们称我们的方法为RNCN:具有卷积神经网络特征的区域。我们还将R-CNN与OverFeat进行比较，最近提出的滑动窗口检测器基于类似的卷积神经网络架构。我们发现R-CNN在200级ILSVRC2013检测数据集上大大优于OverFeat。 object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。 object detection技术的演进： RCNN->SppNET->Fast-RCNN->Faster-RCNN 从图像识别的任务说起 这里有一个图像任务： 既要把图中的物体识别出来，又要用方框框出它的位置。

红外图像弱小目标

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

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

一种基于运动估计的红外目标跟踪方法

2014，50（12）Computer Engineering and Applications 计算机工程与应用1引言红外目标跟踪技术融合了图像处理、模式识别、人工智能、自动控制以及计算机等许多领域中的先进技术，在军事视觉制导、机器人视觉导航、安全监测、交通管制、医疗诊断以及气象分析等许多方面都有广泛的应用。但是由于红外成像是低对比度、低信噪比且边缘比较模糊图像[1]，同时红外目标成像的背景具有非平稳性、相关性、复杂性的特点，使得对红外图像的跟踪难度增加。近年来，研究者们针对红外图像自身成像特点并结合现有比较成熟的跟踪技术对红外目标跟踪进行了深 入研究。Yuhui Liu [2]等人结合模板匹配法和卡尔曼滤波[2-3]原理，使用了一种新的相似性度量方法对红外目标进行了有效跟踪；Shupeng Wang [4]针对红外图像颜色特征的单一性特点，提出了一种自适应灰度特征更新策略，使用MeanShift 算法[3]对目标进行较准确跟踪；还有部分研究者使用粒子滤波[5-8]原理对红外目标进行准确跟踪，但该方法有较高算法复杂度，所以很难应用到实 时系统中。 一种基于运动估计的红外目标跟踪方法 修彬1，2，李成龙2，汤进1，2，罗斌1，2 XIU Bin 1，2,LI Chenglong 2,TANG Jin 1，2,LUO Bin 1，2 1.安徽省工业图像处理与分析重点实验室，合肥230039 2.安徽大学计算机科学与技术学院，合肥230601 1.Key Lab of Industrial Image Processing &Analysis of Anhui Province,Hefei 230039,China 2.School of Computer Science and Technology,Anhui University,Hefei 230601,China XIU Bin,LI Chenglong,TANG Jin,et al.Infrared target tracking algorithm based on motion https://www.wendangku.net/doc/e94809140.html,puter Engineering and Applications,2014,50（12）：125-128. Abstract ：A novel object tracking method based on motion estimation is proposed in this paper to solve stagger and occlu-sion problems in infrared object tracking.The gradient direction-joint gray histogram model of an object is established,which can depict characteristics of the object accurately.Then maximum posterior probability is used to match the objects in the search area,which is efficient to enhance the target,inhibit the background and easy to find the global optimal solution.A novel method based on motion estimation,trajectory prediction,is proposed to evaluate motion trajectory of object accurately.Experimental results illustrate that the proposed method not only can solve the stagger and occlusion prob-lems better,but also has lower computation complexity. Key words ：infrared object tracking;Histogram of Oriented Gradient and Illumination （HOGI ）feature;maximum posterior probability;motion estimation 摘要：为解决红外目标跟踪中目标的交错、遮挡等问题，提出了一种新的基于运动估计的目标跟踪方法。建立目标的方向梯度-灰度直方图特征模型，该模型能较准确地刻画目标特征。使用最大后验概率指标在搜索区域进行目标匹配，该指标能很好地突出目标、抑制背景，并容易得到全局最优解。提出一种新的运动估计方法，即轨迹预测算法，对目标的运动进行较准确的估计。实验结果证明，该方法不仅计算复杂度低，而且能够较好地解决目标交错、遮挡等问题。 关键词：红外目标跟踪；方向梯度-灰度直方图特征；最大后验概率；运动估计 文献标志码：A 中图分类号：TP391.4doi ：10.3778/j.issn.1002-8331.1206-0347 基金项目：国家自然科学基金（No.61073116，No.61003038）；安徽省教育厅自然科学重点基金（No.KJ2010A006）。 作者简介：修彬（1986—），男，硕士，研究领域为数字图像处理；李成龙，男，硕士；汤进，男，副教授；罗斌，男，教授。 E-mail ：xbleozero@https://www.wendangku.net/doc/e94809140.html, 收稿日期：2012-06-21修回日期：2012-08-10文章编号：1002-8331（2014）12-0125-04 CNKI 网络优先出版：2012-09-25,https://www.wendangku.net/doc/e94809140.html,/kcms/detail/11.2127.TP.20120925.1000.015.html 125

动态视频目标检测和跟踪技术(入门)

动态视频目标检测和跟踪技术 传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。 本文将目前几种常用的动态视频目标检测方法简介如下： 背景减除背景减除（Background Subtraction）方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。 时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相

运动目标检测方法总结报告

摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法

ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method

基于多光谱与显著性的红外弱小目标融合检测

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、

目标检测、跟踪与识别技术与现代战争

目标检测、跟踪与识别技术与现代战争 【摘要】本文讨论目标检测、跟踪与识别技术在现代战争各个领域中的应用，总结目标识别技术的发展方向，提出目标识别技术工程化实现方法，同时本文介绍了国外目标识别的现状及发展趋势，提出了现代战争应采用综合识别系统解决目标识别问题的建议。 关键词目标检测；目标跟踪；目标识别；雷达；人工神经网络；精确制导 1．引言 随着现代科学技术的飞速发展及其在军事领域内日益广泛的应用，传统的作战思想、作战方式已发生根本性的变化。从第一次海湾战争到科索沃战争，特别是刚刚结束的海湾战争，空中精确打击和空地一体化作战已经成为最重要的作战形式。集指挥、控制、通信、计算机、情报、监视侦察于一体的C ISR 已成为取得战场主动权，赢得最后胜利的关键因素。目标识别技术是雷达智能化、信息化的重要技术支撑手段。在现代化战争中，目标识别技术在预警探测、精确制导、战场指挥和侦察、敌我识别等军事领域都有广泛的应用前景，已受到了世界各国的关注。 现代战争中取得战场制信息权的关键之一是目标属性识别。现代战争的作战环境十分复杂，作战双方都在采用相应的伪装、隐蔽、欺骗和干扰等手段和技术，进行识别和反识别斗争。因此仅仅依靠一种或少数几种识别手段很难准确地进行目标识别，必须利用多个和多类传感器所收集到的多种目标属性信息，综合出准确的目标属性，进行目标检测，跟踪后进行识别。 2．目标检测、跟踪与识别技术在现代战争中的应用 2．1 目标检测、跟踪与识别技术在预警探测上的应用 目标检测、跟踪与识别技术对于弹道导弹的预警工作有重要的作用。弹道导弹一般携带多个弹头，其中可能包含核弹头或大规模杀伤的弹头以及常规弹头，预警雷达必须具备对目标进行分类和识别真假弹头的能力，将核弹头或大规模杀伤的弹头分离出来，为弹道导弹防御(BMD)系统进行目标攻击和火力分配提供依据。早期的BMD系统假设只有一个核弹头，多弹头分导技术的出现，使问题转化为雷达的多目标识别问题，加上电子对抗技术的广泛使用，给目标识别技术带来很大困难。另外，预警雷达还要对空中目标或低空目标进行探测，对来袭目标群进行分类识别。利用星载雷达以及远程光学望远镜等观测设备，可以对外空目标进行探测，对外空来袭目标进行分类和识别，达到早期预警的工作。

红外图像中弱小目标检测前跟踪算法研究综述

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

红外弱小目标检测方法研究

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 报告

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

目标检测与跟踪

第九章图像目标探测与跟踪技术 主讲人：赵丹培 宇航学院图像处理中心 zhaodanpei@https://www.wendangku.net/doc/e94809140.html, 电话：82339972

目录 9.1 概论 9.2 目标检测与跟踪技术的发展现状9.3 目标检测与跟踪技术的典型应用9.4 图像的特征与描述 9.5 目标检测方法的基本概念与原理9.6 目标跟踪方法涉及的基本问题

9.1 概论 1、课程的学习目的 学习和掌握目标探测、跟踪与识别的基本概念和术语，了解一个完整信息处理系统的工作流程，了解目标探测、跟踪与识别在武器系统、航空航天、军事领域的典型应用。了解目标检测、跟踪与识别涉及的关键技术的发展现状，为今后从事相关的研究工作奠定基础。 2、主要参考书： 《目标探测与识别》，周立伟等编著，北京理工大学出版社； 《成像自动目标识别》，张天序著，湖北科学技术出版社； 《动态图像分析》，李智勇沈振康等著，国防工业出版社；

引言：学习目标检测与跟踪技术的意义 ?现代军事理论认为，掌握高科技将成为现代战争取胜的重要因素。以侦察监视技术、通信技术、成像跟踪技术、精确制导技术等为代表的军用高科技技术是夺取胜利的重要武器。 ?成像跟踪技术是为了在战争中更精确、及时地识别敌方目标，有效地跟踪目标，是高科技武器系统中的至关重要的核心技术。 ?例如：一个完整的军事战斗任务大致包括侦察、搜索、监视以及攻击目标和毁伤目标。那么快速的信息获取和处理能力就是战争胜利的关键，因此，目标的实时探测、跟踪与识别也成为必要的前提条件。

?随着现代高新技术的不断发展及其在军事应用领域中的日益推广，传统的作战形态正在发生着深刻的变化。 1973年的第四次中东战争，1982年的英阿马岛之战，1991年的海湾战争及1999年的科索沃战争，伊拉克战争等都说明了这一点。西方各军事强国都在积极探索对抗武器，特别是美国更是投入了巨大的物力、人力和财力积极研制弹道导弹防御系统。而图像检测、跟踪和识别算法作为现代战场信息环境作战成败的关键，具备抗遮挡、抗丢失和抗机动鲁棒性的智能跟踪器，将是现代战场作战必备品，具有广泛的应用前景。

视频图像中运动目标检测

视频图像中运动目标检测

毕业论文 题目视频图像中运动目标检测 方法研究 专业电气工程及其自动化 班级电气1003 学生曹文 学号20113024543 指导教师赵哥君 二〇一二年六月八日

摘要 在很多现代化领域，运动目标检测都显示出了其重要的作用。尤其是近二十年的社会经济的飞速发展，运动目标检测都彰显了其重要性，在航空、通信、航海等各个方面都有关键性的作用，从而使运动目标检测方法的研究成为各国的研究热门课题。 通过阅读大量的相关论文、期刊及其网络资源，了解了高斯背景建模及背景更新的基本原理及思想。在本文中，首先介绍了运动目标检测方法的相关基础知识，如图像的二值化、图像的形态学处理、颜色空间模型。然后重点说明了三种常用的运动目标检测方法的研究，简要阐述了三种研究方法的基本思想。在老师的帮助下进行了相应的实验，最终得出了三种运动目标检测方法的优点和缺点，着重探究了高斯背景建模及其背景更新基本原理及思想。 最后，通过相关的程序及软件对混合高斯背景模型进行了相关的实验，进而发现了混合高斯背景建模算法存在的不足之处，如：高斯背景建模的计算量大、运动目标较大时检测效果差等问题，并对对这些问题提出了相关设想及改进。 关键词：运动目标检测；二值化；图像的形态学处理；高斯背景建模；背景更新 I

ABSTRACT In many modern fields, moving target detection are showing its important role. Especially nearly twenty years of rapid development of social economy, the moving target detection has shown its importance, in various aviation, communication, navigation and so on have a key role, so the study of moving target detection method has become a research hot topic in countries. By reading relevant papers, a large number of journals and cyber source, understand the basic principle and thought of Gauss background modeling and updating the background. In this paper, firstly introduces the basic knowledge of moving target detection method, such as the two values image, morphological image processing, color space model. Then focus on the study of three methods used for moving object detection, a brief description of the basic ideas of the three kinds of research methods. By the experiment, the results of three kinds of method of moving target detection has advantages and disadvantages, this paper emphatically explores Gauss background modeling and background updating basic principle and thought. Finally, through the program and software related to mixed Gauss background model for the relevant experiments, and found the shortcomings, the presence of mixed Gauss background modeling algorithm such as: the problem of computing Gauss background modeling, moving target volume larger detection effect is poor, and on these problems put forward relevant ideas and improvement. Keywords: moving object detection; two values; I I