基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法与流程

本发明属于飞行器视觉导航与红外成像制导仿真技术领域，具体涉及一种基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法。

背景技术：

全捷联红外成像技术是飞行器精确导航与制导领域发展的重要方向之一，而尽快的识别和锁定目标对于飞行器视觉导航和红外成像制导有着重要的意义。当移动目标与飞行器距离较远时(通常两公里以上)，弱小目标在图像中所占的像素非常少，一般只有几个或者十几个像素，无形状、尺寸和纹理等信息可以利用，并且低信噪比的复杂背景下存在大量的噪声干扰，因此红外弱小移动目标的检测是计算机视觉和红外成像制导的研究难点。

传统的红外弱小移动目标检测算法大都是基于滤波的单帧检测算法，只利用弱小目标的灰度奇异特性，并没有利用弱小目标的移动特性，这类算法在背景比较平稳的情况下能取得较好的结果，但是对于存在强干扰的地面背景图像，如果大量的亮斑、强边缘和高亮区域，这类算法的性能会急剧下降。检测运动目标最常用的方法是背景差分法，但是由于飞行器存在运动，背景先验知识并不得知，背景的模型很难建立，因此检测性能也不理想。目前绝大多数的飞行器都配置有捷联惯性设备，可以方便的获取飞行器的位置和姿态信息，由于探测器与飞行器固联，可以利用已知的惯导信息对背景进行建模。因此，有必要研究一种基于惯导信息辅助的背景差分方法实现对红外弱小目标的有效检测。

技术实现要素：

为了克服传统检测算法在检测红外弱小移动目标时存在误检率高、可靠性低以及环境适应能力差等缺点，本发明提供一种基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法，基于飞行器配置的捷联惯性设备，充分利用弱小移动目标的运动特性，利用惯导信息对序列图像进行依次校正，消除飞行器运动引起的图像的位置和姿态发生的变化；然后利用景像匹配的方法实现精确的位置校正；进而对校正后的图像序列进行融合以得到静态背景；最后通过背景差分和阈值分割的方法实现对弱小移动目标的有效检测。本发明提出的基于序列图像红外弱小目标检测算法，可以克服飞行器运动的影响，实现在复杂地面环境下的弱小移动目标的自动检测。

本发明采用如下的技术方案来实现：

基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法，包括如下步骤：

步骤1：利用惯导信息把历史帧图像校正到当前帧飞行器姿态下的成像；

步骤2：基于爬山法的匹配算法实现快速位置校正；

步骤3：利用高斯加权对背景进行建模；

步骤4：背景差分，利用阈值分割检测移动目标。

本发明进一步的改进在于，步骤1的具体实现方法如下：

步骤1.1：两帧图像之间的坐标变换模型计算；空间中一点p的世界坐标为p(x,y,z)，在飞行器摄像机t1和t2两个时刻所成的像分别为p1、p2，那么对于t1时刻的像p1有：

其中s1为尺度因子，表示在t1时刻摄像机坐标系下z轴的坐标，也即景深，αx,αy表示探测器的内部参数；

假设通过捷联惯导获得飞行器的位置和姿态信息分别为：λ经度、l纬度和h高度，以及θ俯仰角、偏航角和γ滚动角，r，t分别表示世界坐标系到t2时刻摄像机坐标系之间的旋转矩阵和平移分量，则有：

式中：为弹体系到摄像机系的变换矩阵；为导航系到弹体系的变换矩阵；e为摄像机所对应的地心系坐标；为地心系到导航系的变换矩阵；

同理，则表示摄像机系到弹体系的变换矩阵，依次类推，其计算公式如下：

式中，rw和rn分别为摄像机所对应的卯酉圈半径和子午圈半径；

那么，p点在t2时刻摄像机坐标系下的像素坐标为：

消除x和y分量得到空间中同一点在两幅图像像素坐标之间的关系为：

步骤1.2：将景深的计算转换为飞行器和基准区域的距离，简化变换模型；

将目标的景深s转化为飞行器和基准区域距离d进行分析，如下：

假如视野区域高度相同，摄像机为o点，光轴在成像平面的投影为a点，对应于地面的a点，oa之间的距离近似为d，视线高低角为β；对于成像平面的任一像素点b，其景深s通过对于图像中心点的a点的景深d、b点对应的摄像机视角θ和视线高低角β来表示：

ob＝d·sin(β)/sin(β-θ)

s＝ob'＝ob·cos(θ)＝d·sin(β)cos(θ)/sin(β-θ)

通过上式求得目标点在两个不同时刻摄像机坐标下的景深s1和s2，从而简化变换模型；

步骤1.3：根据变换模型，分别将前n帧图像校正到当前时刻第n+1帧的飞行器姿态和视角下的变换图像。

本发明进一步的改进在于，步骤2的具体实现方法如下：

在当前帧的中心区域截取设定大小的兴趣区域，与校正后的图像进行归一化积相关图像匹配算法，实现位置的精确修正；

为实现快速的匹配，采用基于爬山法的搜索策略。

本发明进一步的改进在于，步骤3的具体实现方法如下：

精确校正后的图像序列与当前帧为相同的视角和姿态，能够对校正后的图像序列进行融合，建立背景模型，并采用高斯加权的方式进行权重约束，离当前时刻越近，权重应越大，融合的背景效果越好，高斯加权模型如下表示：

ωi＝exp(-σ(i-n-1)),i＝1,2,...,n

其中σ为权重系数。

本发明进一步的改进在于，步骤4的具体实现方法如下：

通过当前帧与背景的差分来检测弱小目标，并通过对差分图像的阈值分割检测出弱小目标。

本发明具有以下有益的技术效果：

本发明针对捷联成像飞行器中远距离条件下红外弱小移动目标的检测问题，设计了一种基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法。基于飞行器配置的惯性设备，利用惯导信息对图像进行了校正，消除了飞行器运动引起的背景变化，并通过融合估计出背景模型，最后利用差分法检测弱小移动目标。相比传统的基于单帧图像的检测算法，例如tophat和bhpf算法，本发明显著的提高了检测性能，能够有效的应对地面复杂背景，具有较高的环境适应能力，可以为飞行器视觉导航和成像制导提供技术参考和支撑。

附图说明

图1是本发明的总体流程示意图。

图2是全捷联飞行器目标成像示意图。

图3是景深关系示意图。

图4是爬山法原理图。

图5是摄像机针孔成像示意图。

图6是本发明有效性对比测试采用的原始图像。

图7是原始图像中选择的图像序列中一帧的灰度分布。

图8至图10分别是原始图像中选择的图像序列中一帧的bhpf算法和本发明的处理结果示意图。

图11至图13分别是原始图像中选择的图像序列中一帧的bhpf算法和本发明的分割结果对比图。

具体实施方式

以下结合附图和仿真对本发明做出进一步的说明。

如图1至图5所示，本发明提供的基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法，具体包括如下步骤：

步骤1：利用惯导信息把历史帧图像校正到当前帧飞行器姿态下的成像。由于摄像机距离目标较远，弱小移动目标在连续两帧中的运动并不明显，因此需要对多帧图像(连续前n帧图像)进行处理，才能有效的检测出移动目标。基于惯导信息的图像校正又分为以下几个步骤：

步骤1.1：两帧图像之间的坐标变换模型计算。空间中一点p的世界坐标为p(x,y,z)，在飞行器摄像机t1和t2两个时刻所成的像分别为p1、p2，那么对于t1时刻的像p1有：

其中s1为尺度因子，表示在t1时刻摄像机坐标系下z轴的坐标，也即景深，αx,αy表示探测器的内部参数。

假设通过捷联惯导获得飞行器的位置和姿态信息分别为：(λ经度、l纬度、h高度)和(θ俯仰角、偏航角、γ滚动角)，r，t分别表示世界坐标系到t2时刻摄像机坐标系之间的旋转矩阵和平移分量，则有：

式中：为弹体系到摄像机系的变换矩阵；为导航系到弹体系的变换矩阵；e为摄像机所对应的地心系坐标；为地心系到导航系的变换矩阵。同理，则表示摄像机系到弹体系的变换矩阵，依次类推。其计算公式如下：

式中，rw和rn分别为摄像机所对应的卯酉圈半径和子午圈半径。

那么，p点在t2时刻摄像机坐标系下的像素坐标为：

消除x和y分量得到空间中同一点在两幅图像像素坐标之间的关系为：

步骤1.2：将景深的计算转换为飞行器和基准区域的距离，简化变换模型。

两幅图像的像素之间并不服从同一个仿射变换模型，而与目标在t1时刻摄像机坐标系下的景深s1和t2时刻摄像机坐标系下的景深s2有关。为了提高计算效率，降低复杂度，将目标的景深s转化为飞行器和基准区域距离d进行分析。

假如视野区域高度相同，摄像机为o点，光轴在成像平面的投影为a点，对应于地面的a点，oa之间的距离近似为d，视线高低角为β。对于成像平面的任一像素点b，其景深s可以通过对于图像中心点的a点的景深d、b点对应的摄像机视角θ和视线高低角β来表示：

ob＝d·sin(β)/sin(β-θ)

s＝ob'＝ob·cos(θ)＝d·sin(β)cos(θ)/sin(β-θ)

通过上式便可以求得目标点在两个不同时刻摄像机坐标下的景深s1和s2，从而简化变换模型。

步骤1.3：根据变换模型，分别将前n帧图像校正到当前时刻第n+1帧的飞行器姿态和视角下的变换图像。

步骤2：基于爬山法的匹配算法实现快速位置校正。惯性设备的漂移，会使得校正后的图像存在一定的误差，需要进行精确的位置修正。在当前帧的中心区域截取设定大小的兴趣区域，与校正后的图像进行归一化积相关(nnprod)图像匹配算法(《科技导报》杂志2008年第20期《基于爬山法的快速图像匹配》)，实现位置的精确修正。

为实现快速的匹配，采用基于爬山法的搜索策略。爬山法是一种最简单的启发式搜索算法，它采用定义的评估函数来估计目标状态和当前状态的“距离”，将当前搜索节点周围最陡的上升方向作为下一个搜索节点，以此类推，直到爬到“山顶”，即达到评估函数的极值。

步骤3：利用高斯加权对背景进行建模。精确校正后的图像序列与当前帧为相同的视角和姿态，可以对校正后的图像序列进行融合，建立背景模型。显然飞行器运动的过程中整个图像的灰度值会发生变化，因此，需要采用高斯加权的方式进行权重约束，离当前时刻越近，权重应越大，融合的背景效果越好，高斯加权模型如下表示：

ωi＝exp(-σ(i-n-1)),i＝1,2,...,n

其中σ为权重系数。

步骤4：背景差分，利用阈值分割检测移动目标。

基于高斯加权估计的背景，可以通过当前帧与背景的差分来检测弱小目标。由于小目标一般较亮，与背景的差分使得小目标成为孤立奇异点，通过对差分图像的阈值分割(阈值为θt)便可以检测出弱小目标。阈值分割后的图像，不仅包含了弱小目标，还有可能包含了高频噪声和边缘部分。显然目标在帧间的运动具有连续性和关联性，因此可以通过对帧间候选点目标的位置关系进行分析，来消除噪音，进一步检测弱小目标。

本发明的效果通过以下仿真进一步说明：

1.仿真条件

为验证本发明的有效性，利用本发明对一组含惯导数据的图像序列进行检测，图像序列为大小为241×241的场景相对较亮的红外图像序列，图中的运动目标为公路上行驶的一辆汽车。图像序列的获得是通过vega视景仿真技术构建目标模拟器来模拟摄像机在不同位姿下所拍摄的真实场景目标。模拟器利用3d建模技术建立目标场景模型，其场景图通过googleearth获得，它可以根据仿真产生惯导位姿数据以及预置的视景参数在显示器上显示当前位姿下所拍摄的真实场景。实验环境是intel(r)core(tm)cpu3.10ghz/2gb内存/matlab2011。

2.仿真参数设置

仿真实验采用前n＝9帧来估计当前帧的背景，假设图像区域像素点位于同一高度；爬山法的互相关算法求平移参数中，兴趣区域为当前帧中心区域的101×101的矩形区域，其搜索区域为33×33，初始爬山者设置为等间距的9个爬山者；高斯加权系数设置为σ＝3；阈值分割中的阈值δi为差分图像。

3.有效性分析

为了说明本发明的有效性，首先与基于单帧图像的检测算法进行对比，对比算法为tophat算法和bhpf算法。针对图像序列中一帧的处理结果如图6至图13所示，其中：

图6是本发明有效性对比测试采用的原始图像。图7是原始图像中选择的图像序列中一帧的灰度分布。图8至图10分别是原始图像中选择的图像序列中一帧的bhpf算法和本发明的处理结果示意图。图11至图13分别是原始图像中选择的图像序列中一帧的bhpf算法和本发明的分割结果对比图。

从结果可以看出，对于地面复杂的背景条件下，传统的基于单帧的检测算法处理效果并不理性，不连续的亮斑和高亮区域对小目标的检测产生了较大的干扰。本发明则表现了较好的检测性能，能够有效的应对复杂地面背景条件下的各种变化，具有较低的误检率和较好的环境适应能力。