一种基于红外视频图像的小目标检测方法与流程

本发明属于视频图像处理方法技术领域，具体涉及一种基于红外视频图像的小目标检测方法。

背景技术：

随着红外成像技术的不断发展，红外小目标检测技术在军事领域和民用领域均得到了广泛的应用，一方面，在军事应用领域，全天候的红外搜索与跟踪系统(infraredsearchandtracksystems，irst)意义重大，与雷达探测的主动作战相比，它不仅可以被动探测，隐蔽性更好，不易被敌方发现，而且具备全天候检测的能力和抗电磁干扰能力，因此红外成像技术在军事领域发挥了极为重要的作用，如天基红外预警的核心技术之一便是红外探测系统。另一方面，在民用领域，红外成像的作用也不可小觑，如随着科学技术的发展，无人机掀起了时代的新热潮，然而无人机的非法使用也给国家安全和人民生活安全带来了威胁，此时便需要一个可以实现检测功能的有力且可靠的系统；此外，红外成像在居民生活区的安全监控、生物医学等方面也做出了突出贡献。

然而，红外成像也存在一些不足，其成像结果受到目标辐射强度和探测距离的影响较大，首先，随着探测距离的增大，红外成像的目标越小，目标辐射越小，成像的目标强度也越弱。但通常情况下，目标与红外探测器之间的距离是较远的，探测器捕捉到的目标信息通常呈现为大小只有几个像素至几十像素的微弱目标点，而且特征信息不明显(如纹理、形状等)，加之以红外成像结果较易收到环境因素(大气辐射等)的影响，成像结果的信噪比往往较低，这就导致目标点的灰度值相对于背景和噪声部分而言区分并不大，这就给目标的检测带来了很大的困难。因此，研究基于红外视频图像的弱小目标检测技术具有极大的理论创新意义和现实使用价值。

目标检测一般是基于背景提取和前景分离技术进行的，即通过某种背景建模策略，把视频图像分为背景部分和前景部分，目前常用的目标检测方法有高斯背景建模法、帧差法、低秩分解法等，但这些算法仍受到诸多因素的限制。首先，高斯背景建模法在复杂背景下的虚警率较高，且容易产生“鬼影现象”；采用帧差法得到的检测结果受目标运动情况的影响较大，难以检测出运动缓慢或具有重复运动轨迹的目标，存在“空洞现象”；这些问题都给实际应用带来了极大的限制，如无人机在执行侦察任务时需在某处盘旋飞行，此时采用上述方法均无法完整、连续地检测出目标；此外，当目标较小时，环境因素带来的干扰噪声仍然会对采用低秩矩阵分解法的检测结果产生较大影响。

技术实现要素：

本发明的目的在于提供一种基于红外视频图像的小目标检测方法，能准确检测出红外小目标并不受目标运动情况的限制。

本发明所采用的技术方案是：一种基于红外视频图像的小目标检测方法，包括以下步骤：

步骤1：将m帧红外视频序列的每一帧作为列向量输入，构成数据矩阵；

步骤2：假设步骤1中输入的数据矩阵由背景、目标和干扰噪声三部分构成，基于阵列信号处理的理论，建立以鲁棒矩阵近似理论为背景建模方式，外加基于目标稀疏表达项和抗噪声干扰项的红外视频图像目标检测模型；

步骤3：运用交替方向乘子法(alternatingdirectionmethodofmultipilers，admm)求解步骤2中得到的红外视频图像目标检测模型，得到红外视频背景部分和目标部分的最优解；

步骤4：将步骤3求解得到的背景部分和目标部分转换到视频形式并输出。

本发明的有益效果是：本发明一种基于红外视频图像的小目标检测方法，能准确的检测出红外小目标，即使在目标微弱至仅有几像素的情况下也能够实现小目标的准确有效提取，检测结果无“鬼影现象”和“空洞现象”；其次，减小了目标运动情况对检测结果的影响，当目标出现重复轨迹时也可实现准确检测；此外，本发明的目标检测方法具备更好的抗干扰能力，无需额外进行去噪处理，具有更强的适用性。

附图说明

图1是本发明一种基于红外视频图像的小目标检测方法流程图；

图2是本发明一种基于红外视频图像的小目标检测方法检测模型示意图；

图3(a)是本发明检测行人的输入图像，图3(b)是本发明检测行人的检测结果；

图4(a)是本发明检测蝙蝠群第一种实施例的输入图像，图4(b)是本发明检测蝙蝠群第一种实施例的检测结果；

图5(a)是本发明检测蝙蝠群第二种实施例的输入图像，图5(b)是本发明检测蝙蝠群第二种实施例的检测结果；

图6(a)是本发明检测无人机的输入图像，图6(b)是本发明检测无人机的检测结果；

图7-1-1是低秩矩阵分解法检测行人的检测结果，图7-1-2是本发明检测行人的检测结果，图7-1-3是帧差法检测行人的检测结果，图7-1-4是高斯背景建模法检测行人的检测结果；

图7-2-1是低秩矩阵分解法检测蝙蝠群第一种实施例的检测结果，图7-2-2是本发明检测蝙蝠群第一种实施例的检测结果，图7-2-3是帧差法检测蝙蝠群第一种实施例的检测结果，图7-2-4是高斯背景建模法检测蝙蝠群第一种实施例的检测结果；

图7-3-1是低秩矩阵分解法检测蝙蝠群第二种实施例的检测结果，图7-3-2是本发明检测蝙蝠群第二种实施例的检测结果，图7-3-3是帧差法检测蝙蝠群第二种实施例的检测结果，图7-3-4是高斯背景建模法检测蝙蝠群第二种实施例的检测结果；

图7-4-1是低秩矩阵分解法检测无人机的检测结果，图7-4-2是本发明检测蝙蝠群的检测结果，图7-4-3是帧差法检测无人机的检测结果，图7-4-4是高斯背景建模法检测无人机的检测结果。

具体实施方式

下面结合附图以及具体实施方式对本发明进行详细说明。

本发明提供了一种基于红外视频图像的小目标检测方法，如图1和图2所示，包括以下步骤：

步骤1、将m帧红外视频序列的每一帧作为列向量输入，构成数据矩阵r；

步骤2、假设数据矩阵r＝[r1(t),r2(t)…rn(t)]由背景、目标和干扰三部分构成，以鲁棒矩阵近似理论为基础进行背景建模，通过将各阵元输出进行加权求和，将输入的红外视频信号导向至背景部分，即接收期望的背景信号并抑制其他信号；采用稀疏表达项对前景目标建模求解；通过噪声由与背景和前景所构成的原始数据近似的残差来进行抑制干扰项的建模，即假设将场景自身的变化以及环境带来的影响统一认为是干扰项，通过抑制因子达到去除干扰的效果，建立基于红外视频图像的小目标检测模型：

其中，a为导向矩阵，稀疏矩阵s为目标，b为背景，λ1和λ2为折中系数，||·||^p为lp范数，||·||f为frobenius范数。

不同于其他目标检测理论的背景建模方式，本发明巧妙地运用了阵列信号处理的相关内容，该模型可视为一个智能天线系统，可以实时接收目标数据并进行处理。在目标检测理论中，数据是由背景、目标和干扰噪声三部分构成，本发明即建立了这样的一个系统，利用鲁棒矩阵近似理论能实现有效的背景建模方式，并可以对噪声进行抑制，达到一定的抗干扰效果，最终准确检测到红外小目标；

步骤3、运用交替方向乘子法(admm)求解该非凸优化模型；

本发明为简化计算，在步骤2提出的模型中引入中间变量z＝r-s，上述模型表示为：

上式是一个非凸优化模型，使用交替方向乘子法(admm)迭代算法求解，从而得到分离出的背景b和目标s。具体步骤如下：

(1)根据模型建立增广拉格朗日函数如下：

其中，y为拉格朗日乘子，ρ控制admm算法迭代步长。关于该模型，p的选取很重要，p＝1，则演变为s的l1范数，p＝0，则演变为s的l0范数，l0范数表示向量非零元素的个数，实际上l0范数不可解，所以，为了更稀疏约束信号，选取0＜p＜1，p越接近0，s越稀疏。

(2)分步优化如下：

①固定{z(t),s(t),y(t)}，分别更新{b(t+1),s(t+1)}；

求解背景b，忽略无关项，公式简化为：

即求解：

求解可得b(t+1)

求解稀疏前景s，忽略无关项，公式简化为：

上式可转化为：

即求解：

其中，进一步，上式可以划分为n个子问题求解：

其中sn，分别是s、中的第n个元素，上式变为：

其中ρs＝ρ/λ1；从上式中，不难看出，

a)|sn|^p是偶函数，且随着|sn|增加而增加，对称中心是sn＝0；

b)在处对称，在(-∞,0)单调递减，在单调递增；

c)f(sn)在上均是单调的，因此f(0)分别是两段区间上的局部最小值。

因此，f(sn)的全局最小值一定出现在上，由此可通过讨论其一阶、二阶、三阶导数来进一步讨论f(sn)在上的凹凸性；显然，当0＜p＜1时，给定任意p值，我们可以得到f(sn)的全局最小值，即s(t+1)的每一个元素都可以得到。

②固定{b(t+1),s(t+1),y(t)}，求{z(t+1)}；

忽略无关项，公式简化为：

即求解：

即求解：

采用固定点迭代法求解上式即可得：z(t+1)；

③固定{b(t+1),s(t+1),z(t+1)}，更新{y(t+1)}

y(t+1)＝y(t)+ρ(z(t+1)-r+s(t+1))(14)

重复步骤①-③直至达到最大迭代次数或收敛阈值，采用上述方法即可解得背景b和目标s；

步骤4、将求解得到的背景部分和目标部分转换至视频形式并输出。

实验结果

以下采用本发明的方法分别对四个红外视频中的小目标进行识别。图3(a)、图4(a)、图5(a)、图6(a)为原视频图像，图3(b)、图4(b)、图5(b)、图6(b)图为采用本发明的小目标检测结果；图7为通过与背景技术中提到的低秩矩阵分解法、帧差法、混合高斯背景建模法所得结果进行比较，以说明本发明的有效性。

图3中所示为序列——行人检测的输入图像，以本发明提供方法作为优选实施例，对图3(a)中的图像进行目标检测，所得结果列于图3(b)中。由图7-1-4和图7-1-1可见，混合高斯背景建模和低秩稀疏矩阵分解虽然可以得到完整的检测结果，但其效果受到噪声干扰的影响；图7-1-3中采用帧差法取得的检测结果存在“鬼影”和“空洞”现象。针对该序列，本发明提出的方法(图7-1-2)抗干扰能力强，无“鬼影”和“空洞”现象，可以达到较好的检测效果。

图4和图5中所示为序列——蝙蝠群检测的输入图像，以本发明提供方法作为优选实施例，对图4(a)和图5(a)中的图像进行目标检测，所得结果列于图4(b)和图5(b)中。由图4和图5可见，由于蝙蝠运动的快速性和无序性，检测效果受到较大的影响。采用帧差法(图7-2-3)得到的检测结果受噪声影响较大，采用混合高斯背景建模法(图7-2-4)得到的检测结果存在模糊现象，采用低秩稀疏矩阵分解(图7-2-1)并经过阈值滤波后以及采用本发明提出的方法(图7-2-2)均可达到不错的效果，区别在于，本发明提出方法具有较好的自适应性，无需进行额外的滤波处理。当蝙蝠数目较大时，如图5(a)所示，采用帧差法(图7-3-3)、低秩稀疏矩阵分解图(图7-3-1)、混合高斯背景建模法(图7-3-4)虽然可以得到完整的检测结果，但均受到了摇晃的树枝等带来的噪声影响，图片中右下角区域对应于原图像的树影轮廓部分的干扰点均被误检为目标部分；针对该序列，本发明提出的方法(图7-3-2)去噪效果显著，并且无干扰点出现。

图6中所示为序列——无人机检测的输入图像，以本发明提供方法作为优选实施例，对图6(a)中的图像进行目标检测，所得结果列于图6(b)中。由图6可见，该序列的场景最为复杂，目标最小，运动轨迹存在重复片段，并且视野内有明亮的人类建筑物存在，导致该场景下的红外微小目标检测难度极大。如图7-4-4和图7-4-3所示，混合高斯背景建模和帧差法虽然可以提取出目标，但却无法忽略孤立噪声点带来的影响，这将给实际应用带来极大的困难，而且当目标运动轨迹重复时，两种方法均会出现“空洞”现象和丢帧现象，无法继续捕捉到目标信息；如图7-4-1所示，采用低秩稀疏矩阵分解的方法可以较为完整地提取出目标部分，但同样受到了孤立噪声点的影响；本发明提出的方法(图7-4-2)则是在完整检测目标的基础上，进一步提高框架的鲁棒性，最大程度上减小了噪声干扰对检测结果的影响。

可以看出，本发明的方法很好地实现有效的背景建模方式，能准确的检测出红外小目标，如图3-图5，即使在目标微弱的情况下(如图6)，也可实现目标的准确有效提取。其次，本发明受目标运动情况的影响较小，其检测结果无“鬼影现象”和“空洞现象”；此外，本发明可以对噪声进行抑制，达到较理想的抗干扰效果。