一种基于分解模型的弱小目标检测方法与流程

本发明属于红外弱小目标检测，应用了图像帧分解理念，具体为一种基于分解模型的弱小目标检测方法。

背景技术：

1、红外图像序列中的弱小目标检测过程，对于现代军事领域中的预警、搜寻跟踪、精确制导与反导系统始终有着极其重要的应用价值。但该检测过程的研究中，相关的检测方法始终面临着无法改变的难题：1、弱小目标亮度黯淡、像素数目极少、缺乏纹理与形状信息；2、弱小目标与图像背景之间的对比度很低，受到噪声、杂波与光照变化的影响较大；3、现有检测算法在保证检测精度的同时，难以兼顾较高的实时性与鲁棒性。

2、随着相关研究的进行，通过低秩稀疏分解模型来检测红外弱小目标，已发展成近年来一种十分有效的检测方法。但是，该方法中常用的时空块张量方式，在红外图像序列上会体现出帧跨度大和过度取样的特点，这一特点具有局限性，会直接导致检测结果易受到杂波的较大程度干扰，以及整个检测过程的实时性较差。

技术实现思路

1、本发明的目的是提出一种不再使用块张量方法，而是直接面向图像帧进行分解的红外图像中弱小目标检测方法，该方法主要改善了现有技术的实时性与准确性缺陷；通过初步分解与完全分解方式的结合，最终使检测结果具有更高的准确度、更低的误警率。

2、本发明采用了以下技术方案来实现目的：

3、一种基于分解模型的弱小目标检测方法，该方法将红外弱小目标检测任务转变为关于红外图像主成分分析的背景与目标分解任务，分解任务中的方法包括如下步骤：

4、s1、使用初步分解模型处理红外图像，通过构建张量模型，确定红外图像中的潜在目标；

5、s2、基于熵值匹配方式，对潜在目标进行运动监测，计算潜在目标对应图像帧之间的运动变化信息；

6、s3、对潜在目标中运动变化信息达到预设阈值的图像帧，计算此图像帧中需要完全分解的权重张量，同时激活完全分解模型；

7、s4、使用完全分解模型处理步骤s3中计算的权重张量，得到分解结果，分解结果即为红外弱小目标检测任务的检测结果。

8、进一步的，构建的用于表示初步分解任务的张量模型为：

9、

10、在张量模型中，λ为平衡因子，为原始张量数据结构；对张量模型进行求解后，可确定目标张量即对应红外图像中的潜在目标。

11、进一步的，张量模型的求解过程，采用交替向乘子法admm；首先确定张量模型的增广拉格朗日函数，如下：

12、

13、函数式中，为拉格朗日算子，μ为惩罚因子；函数式经过交替最小化运算后，更新背景张量和目标张量从而实现求解过程。

14、进一步的，在确定目标张量所对应的潜在目标后，将潜在目标对应图像的稀疏光斑作为中心点，计算局部范围内的熵值，从而发掘图像帧之间的运动变化信息；以潜在目标作为中心的局部熵值定义如下：

15、

16、

17、式中，p为输入的图像块，此图像块以潜在目标的中心点为坐标点，在预设特定范围内取得；i是灰度值，mi是图像块中灰度值为i的像素数目，mp是此图像块中所有像素的总数目；p(i)是灰度值为i的像素数目占图像块总像素数目的比例，对于p(i)＝0的情况，则将log2p(i)定义为0。

18、进一步的，对于达到预设阈值的图像帧，首先将帧间运动变化信息量化为帧间标准差，作为运动特征张量；

19、随后通过从三阶张量的不同面对图像帧进行t-svd策略，得到正向、水平与侧向分解的目标张量将三个方向分解的目标张量与运动特征张量结合，得到需要完全分解的权重张量

20、进一步的，完全分解模型为重加权三向分解模型；此模型分为正向分解模型以及水平与侧向分解模型；其中，正向分解模型的定义为：

21、

22、式中，运算符⊙表示两个张量的积；为正向求解结果的原始张量数据结构，为图像帧中背景张量的正向分解部分；采用交替向乘子法admm求解上式，从而更新权重张量中正向分解的稀疏张量

23、水平与侧向分解模型的定义为：

24、

25、式中，为正向求解时所确定的原始张量数据结构，为图像帧中背景张量的水平与侧向分解部分；同样采用交替向乘子法admm求解上式，并更新其中水平与侧向分解的稀疏张量结合稀疏张量稀疏张量和运动特征矩阵m，依据三维索引分组计算方式，得到对应索引的权重矩阵wi；所有图像帧的权重矩阵wi再按索引顺序重构权重张量作为分解结果，完成红外图像主成分分析的背景与目标分解任务。

26、综上所述，由于采用了本技术方案，本发明的有益效果如下：

27、在本发明方法中，缩减了三阶张量数据结构的通道数目，能减少对背景与目标分离过程的消耗。分解阶段被进一步细化为初步分解与完全分解两个部分；初步分解阶段旨在得到红外序列中具有稀疏特征的潜在目标，得到的潜在目标稀疏图像将会进行运动分析，以判断是否有符合条件的运动发生。当发生运动时，即会对当前张量结构进行完全分解，采用重加权张量方式，优化过程中得到准确度更高、误警率更低的检测结果。

28、本发明方法的几大特点为：

29、1、使用的算法中，利用红外序列良好的帧间相似性，直接使用图像帧构造张量数据结构；这一做法能有效减少由于时空块张量模型过度取样带来的数据结构冗余缺点，减少了张量数据结构的维度，以此有效地优化了分解算法的效率和处理过程的实时性能。

30、2、使用的算法将整个分解流程分为两段式，能进一步减少硬件消耗；初步分解与完全分解过程使用了不同的分解模型，来对稀疏张量进行不同容忍度的约束。初步分解能为后续处理过程的激活和分解做初步准备，完全分解则使用容忍度低的模型约束目标，增加检测精准度。

31、3、在运动监测阶段，本发明方法提出熵值匹配方式，将稀疏张量中较高亮度的潜在目标作为中心点，以此来表示其在序列中的运动特纵；该方式能有效降低运动估算过程的消耗，并更加符合稀疏张量的特点。

32、4、在完全分解阶段，本发明方法提出具有方向性的奇异值分解策略t-svd，作为基础的三向分解模型，对红外序列的稀疏特征进行表示，并结合运动监测阶段得到的红外序列运动特征，共同组成权重张量，来约束模型对稀疏张量的表示。这一方式能进一步得到更为精确的分解和检测结果。

技术特征：

1.一种基于分解模型的弱小目标检测方法，其特征在于：将红外弱小目标检测任务转变为关于红外图像主成分分析的背景与目标分解任务，分解任务中的方法包括如下步骤：

2.根据权利要求1所述的一种基于分解模型的弱小目标检测方法，其特征在于：步骤s1中，所构建的用于表示初步分解任务的张量模型为：

3.根据权利要求2所述的一种基于分解模型的弱小目标检测方法，其特征在于：张量模型的求解过程，采用交替向乘子法admm；首先确定张量模型的增广拉格朗日函数，如下：

4.根据权利要求3所述的一种基于分解模型的弱小目标检测方法，其特征在于：更新背景张量和目标张量的过程中，对于背景张量有：

5.根据权利要求3所述的一种基于分解模型的弱小目标检测方法，其特征在于：步骤s2中，在确定目标张量所对应的潜在目标后，将潜在目标对应图像的稀疏光斑作为中心点，计算局部范围内的熵值，从而发掘图像帧之间的运动变化信息；以潜在目标作为中心的局部熵值定义如下：

6.根据权利要求5所述的一种基于分解模型的弱小目标检测方法，其特征在于：对于多个目标张量对应的多个潜在目标，令潜在目标的总数目为l，针对熵值变化确定预设阈值σ，用于运动变化信息程度的判定。

7.根据权利要求6所述的一种基于分解模型的弱小目标检测方法，其特征在于：步骤s3中，对于达到预设阈值σ的图像帧，首先将帧间运动变化信息量化为帧间标准差，作为运动特征张量；

8.根据权利要求7所述的一种基于分解模型的弱小目标检测方法，其特征在于：将帧间运动变化信息量化为帧间标准差的过程采用下式：

9.根据权利要求8所述的一种基于分解模型的弱小目标检测方法，其特征在于：步骤s4中，完全分解模型为重加权三向分解模型；此模型分为正向分解模型以及水平与侧向分解模型；其中，正向分解模型的定义为：

10.根据权利要求9所述的一种基于分解模型的弱小目标检测方法，其特征在于：水平与侧向分解模型的定义为：

技术总结
本发明提供一种基于分解模型的弱小目标检测方法，属于红外弱小目标检测技术领域，解决了现有技术方法中存在的实时性与准确性缺陷；方法包括：S1、使用初步分解模型处理红外图像，通过构建张量模型，确定潜在目标；S2、基于熵值匹配方式，对潜在目标进行运动监测，计算潜在目标对应图像帧之间的运动变化信息；S3、对运动变化信息达到预设阈值的图像帧，计算此图像帧中需要完全分解的权重张量，激活完全分解模型；S4、使用完全分解模型处理权重张量，得到分解结果；本发明不再使用块张量方法，而是直接面向图像帧进行分解，通过初步分解与完全分解方式的结合，最终使检测结果具有更高的准确度、更低的误警率。

技术研发人员：张远民,杨康,廖愈乐,蒲杰
受保护的技术使用者：联通（四川）产业互联网有限公司
技术研发日：
技术公布日：2024/1/16