红外图像序列中弱小目标的检测和跟踪方法

专利名称：红外图像序列中弱小目标的检测和跟踪方法
技术领域：
本发明涉及一种目标检测和跟踪的方法，具体是一种红外图像序列中弱小目标的检测和跟踪方法。用于红外图像处理领域。
背景技术：
红外成像技术具有隐蔽性好、探测范围广、定位精度高、识别伪装能力强、作用距离远以及轻质小巧、低耗可靠等优点而备受青睐，可广泛应用于安全监视、国防军事和工业自动化检测等领域。
作为智能化信息处理的关键环节之一红外弱小目标的检测与跟踪方法，是红外搜索与跟踪系统、精确制导系统、红外预警系统、大视场目标监视系统、卫星遥感系统等的一项核心技术。目前复杂背景下低信噪比红外弱小目标检测与跟踪所面临的技术难题主要有目标小，没有尺寸、形状和纹理等信息，传统的图像处理方法无法应用；背景复杂，噪声特性未知；信噪比低，目标淹没在背景噪声之中；单帧图像处理不能实现对目标的可靠检测与跟踪，必需对图像序列进行处理。运动小目标的检测与跟踪关键是解决沿未知目标轨迹的快速能量累积问题，把运动小目标的检测与跟踪问题看成是目标轨迹搜索及能量累积做出判决的过程，根据目标运动的连续性来检测目标。检测前跟踪(TBD)的方法成为解决此问题的主要研究方向。TBD方法并不对每一帧宣布检测结果，而是经过多帧的能量积累，检测结果和目标航迹同时宣布。
经对现有技术文献的检索发现，Y.Boers等在《Proceedings of SPIESignal and Data Processing of Small Targets 2002》(Orlando，pp.128-137，2002)上发表的“Particle Filter Based Detection Schemes”(基于粒子滤波的检测方法，国际光学工程学会2002年小目标信号和数据处理会议，奥兰多，pp.128-137，2002)。该文提出了基于粒子滤波的检测前跟踪方法，通过仿真雷达数据实验说明该方法具有很好的跟踪性能。但是没有给出检测性能。另外还没有应用到红外图像检测和跟踪领域来，在实际的红外图像应用中，还有一些关键问题需要解决。

发明内容
本发明的目的在于克服现有技术中的不足，提供一种红外图像序列中弱小目标的检测和跟踪方法，即基于辅助粒子滤波的检测前跟踪方法(APF-TBD)，使其提高对弱小红外目标的检测和跟踪能力。
本发明是通过以下技术方案实现的，本发明首先通过形态学滤波获取图像背景，将原图像减去图像背景，得到含有目标和噪声的去背景图像，然后进行图像白化预处理，在跟踪阶段用投影变换法进行跟踪起始，跟踪维持阶段采用辅助粒子滤波进行目标状态估计，在检测阶段利用似然比假设检验方法判决目标是否存在，最后得出目标的航迹和检测概率。
以下对本发明方法作进一步的说明，具体步骤如下(1)图像去背景处理采用数学形态学滤波获取图像背景，用5×5全零平顶形结构元素对红外图像进行开启然后再闭合操作，以去除各类亮、暗噪声及小目标，将原图像减去图像背景，得到含有目标和噪声的去背景图像。
(2)图像白化处理短时间局域窗口的噪声可以近似认为时间、空间平稳的正态噪声，通过多帧统计可以得到像素的噪声方差。为了消除目标影响，用二维中值滤波进一步处理。去背景的图像每一个像素点除以噪声标准差，就得到了白化的图像，方便后续处理。
(3)目标起始及跟踪首先用投影变化法估算出目标的大概位置，初始粒子均匀分布在目标位置的3×3邻域内，粒子速度服从最小速度和最大速度间的均匀分布，粒子赋予相同权值。然后每个粒子按照目标运动方程进行目标状态预测，当接收到新的图像数据时，根据似然函数更新粒子的权值，并且归一化处理。为了防止粒子匮乏现象，根据粒子的权值进行重新采样，最后输出目标的位置估计。
(4)目标检测采用多帧似然比假设检验，利用跟踪的结果构造似然比，通过Neyman-Pearson准则设定决策阈值。如果判定目标出现，目标状态就是滤波的输出，如果判定目标没有出现，就采用滤波预测结果作为目标当前时刻状态。
本发明同传统的TBD方法相比，粒子滤波技术除了能够很好的处理非线性、非高斯问题，还具有灵活易实现等特点，粒子可以容易的结合目标点扩散函数、运动模型等，给出较好的跟踪精度。在检测阶段，该方法采用跟踪阶段的输出构造似然比，避免了速度不匹配的情况，因此具有较好的弱小目标检测性能。
本发明可以方便结合目标点扩散函数和运动方程，提高目标的状态估计精度，相应的提高目标的检测性能。可广泛应用于各类军、民用系统，具有广阔的市场前景和应用价值。


图1为本发明处理方法总体框图。
图2为本发明采用数学形态学滤波背景估计图。
其中图2(a)是原始红外图像；图2(b)是通过形态学滤波获得的背景图像。
图3为本发明的红外小目标的跟踪效果图。
其中图3(a)是估计的小目标航迹；图3(b)是跟踪的位置精度。
具体实施例方式
为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。
如图1所示，实际红外图像先采用数学形态学滤波技术获得去背景图像，再通过图像序列来估计各个像素点的方差，然后进行图像白化预处理。利用辅助粒子滤波方法估计目标状态，然后采用似然比检验判决目标有无。各部分具体实施细节如下1.形态学滤波去背景处理采用数学形态学滤波获取红外图像背景。用结构元素b对输入图像f进行灰度膨胀和腐蚀分别记为(fb)(x，y)＝max{f(x-s，y-t)+b(s，t)|(x-s)，(y-t)∈Df，(s，t)∈Db} (1)(fb)(x，y)＝min{f(x+s，y+t)-b(s，t)|(x+s)，(y+t)∈Df，(s，t)∈Db} (2)式中Df和Db分别是f和b的定义域。
用结构元素b对输入图像f进行灰度开启和闭合分别记为 f·b＝(fb)b (4)实际中常用开启操作消除与结构元素相比尺寸较小的亮噪声，用闭合操作消除与结构元素相比尺寸较小的暗噪声，并保持图像整体灰度值和大的亮、暗区域基本不受影响。由于远距离目标在红外图像中表现为小的亮点和亮斑，因此，用5×5全零平顶形结构元素对红外图像进行开启然后再闭合操作，以去除各类亮、暗噪声及小目标，获得图像背景。将原图像减去图像背景，得到含有目标和噪声的去背景图像。图2所示为使用形态学滤波获得的估计图。其中2(a)为原图像；2(b)为对应的背景。
2.图像白化处理通过对实际图像进行分析，短时间局域窗口的噪声可以近似认为时间、空间平稳的正态噪声过程。像素点的方差可通过如下公式计算，σ^2(i,j)=1NΣk=1k(f(i,j,k)-μ^(i,j,k))2---(5)]]>式中 是形态学滤波获得的背景，f(i，j，k)是实际图像灰度值。通过二维中值滤波消除目标的影响，得到滤波后的噪声方差估计 对图像进行白化处理，得到新的测量方程z(i,j,k)=f(i,j,k)-μ^(i,j,k)σ^2(i,j)---(6)]]>为了讨论方便，式(6)可以改写为z(i，j，k)＝s(i，j，k)+v(i，j，k) (7)式中v(·)是均值为零，方差为1的高斯噪声。
3.目标起始及跟踪对于点目标来说，由于目标距离传感器较远，目标的机动性弱，而且图像的帧速很快，因此目标可以用匀速直线运动模型近似。
状态方程X(k+1)＝FX(k)+Gw(k)(8)X(k)=x(k)x·(k)y(k)y·(k),F=1T000100001T0001,G=T2/20T00T2/20T,w(k)~N(0,Q).]]>测量方程为式(6)或(7)。
每次实验首先采用改进投影(MP)算法得出目标的先验位置信息，初始粒子位置均匀分布在此位置的邻域窗(3×3)内。速度服从[-0.5，0.5]的均匀分布。然后采用辅助粒子滤波方法估计目标位置。具体实现步骤如下(1)初始化，设定k＝0，从p(x0)抽取N个粒子 赋权值w~0(i)=1/N.]]>μk(i)=xk(i),i(j)=j,j=1,2,···,N;]]>(2)计算μk+1(i)=E(xk+1|xki);]]>(3)计算新的粒子索引集合，依据p(i|z1:k+1)∝p(zk+1|μk+1(i))w~k(i)]]>重新采样N次得到 (4)计算粒子的预测值，xk+1(j)~p(xk+1|xk(ij)),j=1,2,···,N;]]>(5)计算粒子的权值，wk+1(j)=p(zk+1|xk+1(j))p(zk+1|μk+1(ij)),]]>并归一化w~k+1(j)=wk+1(j)/Σj=1Nwk+1(j);]]>(6)评估粒子匮乏程度，N^eff=1/Σj=1N(w~k+1(j))2;]]>若N^eff<Nthreshold,]]>执行(7)，否则跳到(8)；(7)粒子重采样，从 依粒子权值重新采样N次得到 并重新赋粒子权值w~k+1(j)=1/N,j=1,2,···,N;]]>(8)输出结果，E(xk+1)=Σj=1N(w~k+1(j)·xk+1(ij));P(xk+1)=Σj=1N((xk+1(ij)-E(xk+1))(xk+1(ij)-E(xk+1))T);]]>(9)k:＝k+1，返回(2)。
似然函数p(zk|xk)在算法中是一个非常重要的函数，根据图像测量方程(6)以及每个像素的测量值独立条件，似然函数可以写为p(zk|X(k))=Πi,jp(z(i,j,k)|X(k))---(9)]]>因为目标只作用于它的邻域C(X(k))，式(9)可以改写成p(zk|X(k))=Π(i,j)∈C(X(k))ps+n(z(i,j,k)|X(k))Π(i,j)∉C(X(k))pn(z(i,j,k))---(10)]]>式中ps+n(·)表示目标+噪声的概率密度函数，pn(·)表示噪声概率密度函数。在辅助粒子滤波第5步计算粒子权值时，分子分母同除 可大大减少计算量。权值的计算表达式为
wk(a)=Π(i,j)∈C(X(k))q(z(i,j,k)|X(a)(k))Π(i,j)∈C(μ(k))q(z(i,j,k)|μ(a)(k)),a=1,2,···,N---(11)]]>式中q(z(i,j,k)|X(a)(k))=ps+n(z(i,j,k)|X(a)(k))pn(z(i,j,k)).]]>图3所示为红外小目标的跟踪效果图，其中图3(a)是估计的小目标航迹；图3(b)是跟踪的位置精度。实线是水平方向(X方向)，点划线是垂直方向(Y方向)。从图3(b)中可以看出，该方法的跟踪精度非常高，并且收敛速度快，位置误差不超过0.5个像素，可以满足目前火控系统的需要。
4.目标检测采用似然比检验(LRT)方法检验目标是否出现。H0表示目标未出现，H1表示目标出现。
LRT方法可以表述为 式中zk=Δ{z(i,j,k)}.]]>如果接受H1，意味着宣布图像中有目标，目标的状态就是滤波结果，如果接受H0，说明图像没有目标，因此我们就要用目标的预测状态代替滤波结果。经过公式推导，(13)式可以表示为L(zk,···,zk+l)=1Nl+1Πa=0lΣb=1N(Π(i,j)∈C(X(b)(k+a))q(z(i,j,k+a)|X(b)(k+a)))---(14)]]>从式(14)可以看出，中括号中的数值在计算式(11)时用到，因此可以在滤波过程中输出此数值，用来计算似然比。检测阶段设定l＝4，即利用5帧信息能量积累进行似然比判决。
在检测过程中阈值λ的选取是一个重要因素，是检测概率(Pd)和虚警率(Pf)的一个折衷。可以通过恒虚警率情况下Neyman-Pearson准则确定λ。本实施例中虚警率设定为1e-3，检测概率为93.4％，与同类算法比较，是一个比较满意的结果。
权利要求
1.一种红外图像序列中弱小目标的检测和跟踪方法，其特征在于，首先通过形态学滤波获取图像背景，将原图像减去图像背景，得到含有目标和噪声的去背景图像，然后进行图像白化预处理，在跟踪阶段用投影变换法进行跟踪起始，跟踪维持阶段采用辅助粒子滤波进行目标状态估计，在检测阶段利用似然比假设检验方法判决目标是否存在，最后得出目标的航迹和检测概率。
2.根据权利要求1所述的红外图像序列中弱小目标的检测和跟踪方法，其特征是，以下通过步骤对其作进一步的限定(1)图像去背景处理采用数学形态学滤波获取图像背景，用5×5全零平顶形结构元素对红外图像进行开启然后再闭合操作，去除各类亮、暗噪声及小目标，将原图像减去图像背景，得到含有目标和噪声的去背景图像；(2)图像白化处理短时间局域窗口的噪声近似认为时间、空间平稳的正态噪声，通过多帧统计得到像素的噪声方差，为了消除目标影响，用二维中值滤波进一步处理，去背景的图像每一个像素点除以噪声标准差，就得到了白化的图像；(3)目标起始及跟踪首先用投影变化法估算出目标的大概位置，初始粒子均匀分布在目标位置的3×3邻域内，粒子速度服从最小速度和最大速度间的均匀分布，粒子赋予相同权值，然后每个粒子按照目标运动方程进行目标状态预测，当接收到新的图像数据时，根据似然函数更新粒子的权值，并且归一化处理，为了防止粒子匮乏现象，根据粒子的权值进行重新采样，最后输出目标的位置估计；(4)目标检测采用多帧似然比假设检验，利用跟踪的结果构造似然比，通过Neyman-Pearson准则设定决策阈值，如果判定目标出现，目标状态就是滤波的输出，否则就采用滤波预测结果作为目标当前时刻状态。
全文摘要
一种红外图像序列中弱小目标的检测和跟踪方法，用于红外图像处理领域。首先通过形态学滤波获取图像背景，将原图像减去图像背景，得到含有目标和噪声的去背景图像，然后进行图像白化预处理，在跟踪阶段用投影变换法进行跟踪起始，跟踪维持阶段采用辅助粒子滤波进行目标状态估计，在检测阶段利用似然比假设检验方法判决目标是否存在，最后得出目标的航迹和检测概率。本发明可以方便结合目标点扩散函数和运动方程，提高目标的状态估计精度，相应的提高目标的检测性能。可广泛应用于各类军、民用系统，具有广阔的市场前景和应用价值。
文档编号G06K9/80GK1606033SQ200410084310
公开日2005年4月13日 申请日期2004年11月18日 优先权日2004年11月18日
发明者敬忠良, 胡洪涛, 胡士强 申请人:上海交通大学