复杂背景下红外运动点目标检测算法研究

复杂背景下红外运动点目标检测算法研究 李正周论文

第5期　　　　　　　　　　　　　　　李正周等:复杂背景下红外运动点目标检测算法研究411

1　引　言

利用红外成像实现自动目标检测、识别与跟踪是精确制导武器的主要技术发展方向。红外传感器受到大气热辐射和作用距离远以及探测器噪声等因素的影响,用其探测到的目标在红外图像上多呈现为对比度低的弱小目标,甚至为点目标,并且淹没在噪声中。复杂背景下低信噪比点目标检测是精确制导武器系统中的关键技术之一,是提高武器系统性能的关键。点目标探测在民用方面应用也很广泛,如天文观测、粒子碰撞、森林预警以及遥感等。

点目标没有形状、尺寸、纹理等特征信息,难以运用检测面目标的方法

[1]

PDET(x)=0.5

1+erf

(1)

PFA(x

)=0.51-erf

(2)

erf(x)=

x

2

exp(-t)dt

(3)

δISNR=(fT-u)ΠITNR=Vf;

(4)(5)

。点目标的检测在背景复杂

或者对比度很低以及存在强噪声的情况下相当困难,,,法较多:[[4]

]

I———图像灰度标准差;

SNR———信噪比;TNR———阈值噪声比;Vth———阈值。

、等方法,但受到背景、,上述方法的检测性能或多或少要受到影响。

制约复杂背景下点目标检测的因素很多,其中信噪比低、目标和背景信息缺乏以及系统抖动等是关键因素。提高点目标检测性能必须结合目标的灰度信息和运动信息,对图像序列进行分析。目标增强是检测算法的关键。针对以上因素,提出了基于卡尔曼滤波理论的背景预测、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方法。基于卡尔曼滤波理论的背景预测,能够有效地抑制相对目标运动缓慢的背景;膨胀累加能够减小系统抖动或者目标快速运动造成的目标能量积累的影响,增强小目标;基于运动连续性的图像流航迹关联法能从候选目标中识别出真实目标;二级并行假设检验能够在目标丢失的情况下,刷新候选目标库,重新找回目标。

3　目标检测算法

整个算法要经过连续的6个步骤:基于卡尔曼滤波的背景预测、阈值分割、膨胀累加平均、二次分割、图像流航迹关联和二级并行假设检验。3.1　基于卡尔曼滤波的背景预测

点目标是灰度奇异点,而灰度奇异点还包括强噪声干扰。参考文献[6]中采用5×5窗口的均值低通滤波器,再与原始图像进行比较,这种方法对背景的适应性和探测效率不理想。ChoiJae2Ho等人提出基于卡尔曼滤波理论的时间递归方法来预测背景

[7]

。

这种方法是基于这样的事实:背景在帧间的变化较目标在帧间的变化要缓慢一些,可以采取学习的方法来预测背景。背景递归预测公式为:

Ib(i,j,k+1)=Ib(i,j,k)+g(i,j,k)×

2　目标探测性能指标

探测概率(PDET)和虚警概率(PFA)是衡量探测系统性能的主要指标,通常采用恒虚警概率条件进行判断。探测概率和虚警概率数学表达式如下

[5]

[I(i,j,k)-Ib(i,j,k)](6)

式中　i,j———一个像素的坐标;

k———时间坐标及帧号;

: