复杂背景下红外弱目标检测与跟踪的应用的制作方法
【专利摘要】本发明公开了一种复杂背景下红外弱目标的检测与跟踪的应用，其特征步骤为1.抑制杂波与保持图像的拓扑结构，构建空域邻近与方向优先的仿生视觉加权熵模型，实现图像从灰度模式变换为熵模式；2.分析突发或平稳特性的弱目标运动状态，采用熵流的非线性扩散平滑与自适应局部约束准则，构建符合弱目标机动特征的自适应熵流目标运动估计模型，实现估计速度逼近弱目标的真实运动状态；3.研究类属多特征融合与度量的弱目标跟踪方法，构建多特征融合的序贯滤波模型，实现弱目标的精确、鲁棒与实时识别。本发明提出了红外弱目标的自适应熵流检测与跟踪的算法，丰富了弱目标检测与跟踪的技术。
【专利说明】复杂背景下红外弱目标检测与跟踪的应用
【技术领域】
[0001]本发明涉及红外图像预处理技术、弱目标运动状态的分析、以及多特征融合与度量的弱目标跟踪领域，具体涉及在复杂背景下红外弱目标检测与跟踪的应用。
【背景技术】
[0002]本发明的【背景技术】涉及三个关键步骤与方法:保持拓扑结构的图像预处理技术、分析突发或平稳特性的目标运动状态、同类多特征融合与度量的目标跟踪方法。
[0003]保持拓扑结构的红外图像预处理技术:
杂波与噪声的存在，它们提高了弱目标检测的难度。采用空间滤波方法抑制背景与噪声，其图像的拓扑结构会产生变化。研究杂波与噪声的抑制方法，既提高弱目标的信杂比又保持图像的拓扑结构。
[0004]分析突发或平稳特性的目标运动状态:
弱目标的运动具有突发或者平稳特性，用来表征目标的不确定性与机动性。依据图像熵模式所引起的表观就是刻画目标运动，针对区域像素灰度平缓或剧烈变化的特点，研究平滑与约束准则的目标运动估计模型，实现对目标运动状态的逼近。
[0005]同类多特征融合与度量的目标跟踪方法:
伪目标的存在，以及目标遮挡、交叉、分离、出现、消失的现象，它们提高目标跟踪的难度。目标一般具有相同或趋近的类属特征，研究类属多特征融合与度量的目标跟踪方法可以剔除伪目标并实现弱目标的跟踪。
【发明内容】
[0006]本发明的目的在于提供复杂背景下红外弱目标检测与跟踪的应用，保持红外弱目标序列图像拓扑结构的预处理技术，抑制杂波与提高目标信杂比；依据熵模型构建符合弱目标机动特征的自适应熵流目标运动的估计模型，逼近目标的运动状态；以及采用类属多特征融合与度量的方法识别与跟踪弱目标，从而实现了红外弱目标检测与跟踪。
[0007]通过建立加权熵模型、自适应熵流的目标运动估计模型与多特征融合的序贯滤波模型的研究目标，识别弱目标与弱目标轨迹。本发明需要解决的关键科学问题如下:
(I)构建仿生物视觉显著性度量的空域掩模。掩模突出空域邻近与方向优先的特征，采用空域掩模的加权信息熵矩阵描述图像灰度信息矩阵，实现图像熵模式的变换。
[0008](2)构建非线性扩散的自适应变分模型。采用非线性扩散因子控制平滑程度，适应调整熵流变分模型的数据项与平滑项的比例因子，实现待估计速度逼近目标的运动状态。
[0009](3)构建目标关联函数。在既定的空域与时域内，目标运动的连续性与一致性、以及目标类属的相同性，决定它将以极大概率出现在邻近区域内。关联函数包含空域与时域、运动与非运动类属特征，采用多特征距离评价函数实现目标检测。
[0010]本发明解决其技术问题所采用的技术方案为:
本发明的方法包括以下主要步骤: 1、抑制噪声、杂波与保持图像的拓扑结构，构建空域邻近与方向优先的仿生视觉加权熵模型，实现图像从灰度模式变换为熵模式。
[0011]2、由图像熵模式所引起的表观运动就是刻画弱目标运动，分析突发或平稳特性的目标运动状态。依据熵流的非线性平滑与局部约束准则，采用非线性扩散因子控制平滑程度，以及熵流约束和平滑约束组合约束待估计速度，得到致密的熵流场，构建符合目标机动特征的自适应熵流目标运动估计模型，趋近目标运动状态。
[0012]3、研究类属多特征融合与度量的目标跟踪方法，构建多特征融合的序贯滤波模型，实现弱目标精确、鲁棒与实时地跟踪。
[0013]其红外弱目标检测与跟踪流程图如图1所示。
[0014]本发明的优点是:
(I)提出了空域邻近与方向优先的加权熵模型
通常采用空间滤波抑制背景与噪声，它会易损失目标的信息与改变图像的拓扑结构。针对本发明抑制背景与噪声的问题，依据生物注视机制，构造空域邻近与方向优先的加权空域掩模。采用空域掩模加权的信息熵度量图像像素灰度，实现图像由灰度模式变换为熵模式。它为抑制杂波与保持图像的拓扑结构提供了一种新思路。
[0015](2)提出自适应熵流的非线性扩散的目标运动估计模型
弱目标的不确定性与机动性以及杂波对运动估计的干扰，它们会降低目标运动估计的精确度。针对本发明开展估计目标运动状态的研究内容，面对熵变化平缓或者急剧的特点，自适应调整熵流模型数据项与平滑项的比例因子，采用非线性扩散因子控制平滑程度，实现熵流约束和平滑约束组合约束待估计速度，以趋近目标运动状态。它为提高弱目标运动估计的精确度提供了一种新方法。
【专利附图】
【附图说明】
[0016]图1为本发明的红外弱目标检测与跟踪流程图；
图2为本发明的弱目标检测与跟踪技术方案；
图3为本发明由灰度模式到熵模式变换的技术路线；
图4为本发明中的弱目标运动估计技术路线。
【具体实施方式】
[0017]本发明采用如图2所示的复杂背景下红外弱目标检测与跟踪技术方案，其具体实施步骤如下:
(I)视觉注视体现基素图强度变化剧烈处的位置及其几何分布和组织结构，以及基元法线方向、和各点离观察者的深度、深度上的不连续点、表面法线方向上的不连续点。神经元感受野采用高斯-指数模型，通过同心重叠、大小不同的形变区来描述神经节细胞传统感受野的中心区、外周区、大范围去抑制区，其中高斯模型依次表述中心区与外周区，指数模型描述大范围去抑制区。高斯-指数数学模型参见公式(1)，通过两个高斯模型与一个指数模型叠加，获取空间滤波掩模，从而解决关键问题仿生视觉显著性度量的空域掩模的设计，使它服从于目标空域邻近与方向优先选择特征，实现抑制杂波与噪声干扰的目的。
【权利要求】
1.复杂背景下红外弱目标的检测与跟踪系统的应用，其特征是方法步骤如下: (1)保持拓扑结构的图像预处理技术，构建空域邻近与方向优先的仿生视觉加权熵模型，使图像从灰度模式变换为熵模式，既提高弱目标的信杂比又保持图像的拓扑结构； (2)分析弱目标的突发或平稳运动状态，依据熵流的非线性平滑与局部约束准则，采用非线性扩散因子控制平滑程度，自适应调整熵流变分模型的数据项与平滑项的比例因子，构造自适应熵流的非线性扩散运动模型，描述弱目标运动状态； (3)研究同类多特征融合与度量的弱目标跟踪方法，目标一般具有相同或趋近的类属特征，采用弱目标的运动与非运动特征集，分析多特征合成策略，构建多特征关联的距离评价函数，识别弱目标与目标轨迹。
2.根据权利要求1所述的一种红外弱目标检测与跟踪的应用，其特征在于:所述保持拓扑结构的红外图像预处理技术，构建空域邻近与方向优先的仿生视觉加权熵模型，变换图像模式，实现抑制噪声、杂波与保持图像拓扑结构的目的。
3.根据权利要求1所述的一种红外弱目标检测与跟踪的应用，其特征在于:所述图像熵模式所引起的表观运动来刻画目标运动，分析突发或平稳特性的弱目标运动状态；依据熵流的非线性平滑与局部约束准则，采用非线性扩散因子来控制平滑程度，以及熵流约束和平滑约束的自适应组合约束弱目标的估计速度，得到致密的熵流场，实现估计速度逼近真实的弱目标运动状态。
4.根据权利要求1所述的一种红外弱目标检测与跟踪的应用，其特征在于:所述单一特征的跟踪方法很难适应于复杂的红外跟踪应用环境，利用同类目标一般具有相同或趋近的类属特征，构建运动与非运动的类属多特征融合与度量的目标跟踪方法，剔除伪目标，识别弱目标与目标轨迹。
【文档编号】G06T7/20GK103810499SQ201410062826
【公开日】2014年5月21日 申请日期:2014年2月25日 优先权日:2014年2月25日
【发明者】王忠华, 廖建华, 涂颖, 廖远, 刘清平, 邓承志, 陈银军 申请人:南昌航空大学