一种低信噪比运动小目标的跟踪与识别的方法
【技术领域】
[0001] 本发明属于模式识别与分类技术领域，尤其涉及一种低信噪比运动小目标的跟踪 与识别的方法。
【背景技术】
[0002] 随着科技的发展和人类的安防意识的提升，网络环境下视频监控系统在各个领域 得到越来越广泛的应用，如军事、交通、银行、工厂、社区等。而基于视频监控的运动目标的 识别是一项十分有用的工作，可以应用在航天、军事、导弹轨迹识别跟踪，交通违章检测等 众多领域。但在有些场合如世界各国对周边地区环境监视中，需要能够尽快地截获并锁定 跟踪目标。那么对运动小目标的准确检测与跟踪，对在军事、民事等各个领域的应用显得越 来越重要，也越来越急迫。网络环境强杂波背景条件下低信噪比运动弱小目标的检测问题 直接决定探测系统的作用距离及检测性能，其解决对于提高探测系统性能具有非常重要的 实际意义。
[0003] 目前对复杂背景下视频图像的去噪处理、运动目标的多维参数提取、视频图像处 理及运动目标的跟踪与识别等问题的处理缺乏解决方法，这些问题已成为图像处理领域的 一个热点问题，这也是现在许多部门棘手且亟待解决的问题。
[0004] 由于不同的航空视频采集系统、不同的物理现象如光照不能完全均匀分布等多方 面的原因，使获得的图像边缘强度不同。而且，在实际场合中，图像数据往往还被噪声所污 染。同时景物特性混在一起又会使随后的解释变得非常困难。要实现对航空图像画面意图 的准确领会，需要研宄既能检测出图像目标强度的非连续性，又要能同时确定它们的精确 位置的目标识别方法。
[0005] 低信噪比下运动小目标信号探测与提取是目前各种先进探测系统需要解决的 关键技术问题之一，此时目标的图像只占有一个或几个像素的面积，并且由于背景环境复 杂、大气辐射的不均匀性、探测器的内部噪声等等因素影响，目标几乎淹没在杂波起伏背景 中，不具有形状和结构信息，有时甚至可能丢失目标，这就给弱小目标检测带来了很大的难 度。强杂波背景条件下低信噪比运动弱小目标的检测问题直接决定探测系统的作用距离及 检测性能，其解决对于提高探测系统性能具有非常重要的实际意义。也将对军事、民事、公 安系统、道路交通等所有基于视频系统的目标识别与跟踪的发展起到重要的借鉴和参考作 用。
【发明内容】
[0006] 本发明实施例的目的在于提供一种低信噪比运动小目标的跟踪与识别的方法，旨 在解决现有技术存在跟踪实时速度较慢、跟踪或识别效果较差的问题。
[0007] 本发明实施例是这样实现的，一种低信噪比运动小目标的跟踪与识别的方法，其 特征在于，该低信噪比运动小目标的跟踪与识别的方法以一种分阶段、按目标分别给出不 同的实施方法，对视频图像中运动小目标容易被复杂背景中的其他物体或噪声遮挡或淹没 的情况，提出了开闭变换的消除或减弱背景与噪声的算法；对小目标的弱小特性，提出了在 线学习的自适应神经网络竞争模型，利用竞争的活动单元提取弱小目标的多维特征参数； 对于视频中小目标的运动特性，利用灰度的突变，给出了小目标运动状态模型和预测模型； 对运动小目标实时检测与跟踪，采用了模糊下推自动机链进行轨迹识别与跟踪，以模糊下 推自动机链深度为阈值进行轨迹判决；
[0008] 具体包括以下步骤：
[0009] 步骤一，给出从视频序列的单帧图像中提取目标的方法，减弱或消除背景与噪声 的影响；
[0010] 步骤二，给出弱小目标运动信息提取和状态预测建模；
[0011] 步骤三，建立两帧间图像运动小目标的关联矩阵；
[0012] 步骤四，基于多帧图像叠加的信息融合，利用模糊下推自动机链弹栈递归运算提 出了网络环境下大规模图像与视频图像运动小目标的跟踪算法与识别方法。
[0013] 进一步，在步骤一中，给出从视频序列的单帧图像中提取目标的方法，减弱或消除 背景与噪声的影响时，具体实现方法为：
[0014] 利用数学形态学组合运算求取局部极大值与极小值，减轻后续处理的计算量，尽 量减少虚警率点数，对每个局部极大值点进行区域生长、极小值点实施减弱或消除，对可能 的目标进行选择；
[0015] 使用开运算变换g = f-f 〇 B或闭运算变换g = f □ Β-f，对单帧图像进行滤波，检 测到图像中变化较大的地方，即相当于高频分量，同时能滤去图像中灰度值变化相对较为 平缓的地方，相当于低频分量，利用这个变换就对一幅单帧图像进行滤波，滤掉低频成分， 相当于滤掉大面积背景，留下包含小目标在内的高频部分；式中，f为图像灰度帧，B为结构 体，?表示开运算，□表示闭运算；
[0016] 为准确识别目标或轨迹，进行小目标增强和干扰的抑制，由于小目标点在各帧之 间运动，对视频图像可进彳丁多帧萱加，在萱加的最后帧上，小目标点表现为相关性很强的轨 迹点，但噪声仍有可能淹没小目标轨迹，提出多帧差分叠加算法，选取包含运动小目标点在 内的图像序列，奇数帧与偶数帧各η帧差值的叠加值，即：
【主权项】
1. 一种低信噪比运动小目标的跟踪与识别的方法，其特征在于，该低信噪比运动小目 标的跟踪与识别的方法以一种分阶段、按目标分别给出不同的实施方法，对视频图像中运 动小目标容易被复杂背景中的其他物体或噪声遮挡或淹没的情况，提出了开闭变换的消除 或减弱背景与噪声的算法；对小目标的弱小特性，提出了在线学习的自适应神经网络竞争 模型，利用竞争的活动单元提取弱小目标的多维特征参数；对于视频中小目标的运动特性， 利用灰度的突变，给出了小目标运动状态模型和预测模型；对运动小目标实时检测与跟踪， 采用了模糊下推自动机链进行轨迹识别与跟踪，以模糊下推自动机链深度为阈值进行轨迹 判决； 具体包括以下步骤： 步骤一，给出从视频序列的单帧图像中提取目标的方法，减弱或消除背景与噪声的影 响； 步骤二，给出弱小目标运动信息提取和状态预测建模； 步骤三，建立两帧间图像运动小目标的关联矩阵； 步骤四，基于多帧图像叠加的信息融合，利用模糊下推自动机链弹栈递归运算提出了 网络环境下大规模图像与视频图像运动小目标的跟踪算法与识别方法。
2. 如权利要求1所述的低信噪比运动小目标的跟踪与识别的方法，其特征在于，在步 骤一中，给出从视频序列的单帧图像中提取目标的方法，减弱或消除背景与噪声的影响时， 具体实现方法为： 利用数学形态学组合运算求取局部极大值与极小值，减轻后续处理的计算量，尽量减 少虚警率点数，对每个局部极大值点进行区域生长、极小值点实施减弱或消除，对可能的目 标进行选择； 使用开运算变换g = f-f 〇 B或闭运算变换g = f □ B-f，对单帧图像进行滤波，检测 到图像中变化较大的地方，即相当于高频分量，同时能滤去图像中灰度值变化相对较为平 缓的地方，相当于低频分量，利用这个变换就对一幅单帧图像进行滤波，滤掉低频成分，相 当于滤掉大面积背景，留下包含小目标在内的高频部分；式中，f为图像灰度帧，B为结构 体，〇表示开运算，□表示闭运算； 为准确识别目标或轨迹，进行小目标增强和干扰的抑制，由于小目标点在各帧之间 运动，对视频图像可进彳丁多帧萱加，在萱加的最后帧上，小目标点表现为相关性很强的轨迹 点，但噪声仍有可能淹没小目标轨迹，提出多帧差分叠加算法，选取包含运动小目标点在内 的图像序列，奇数帧与偶数帧各η帧差值的叠加值，即：
式中，A为图像序列中的第i帧，fz为最后的叠加帧； 通过对叠加帧采取阈值化处理，方法如下：
δ是阈值，取5 = max?/_ (，·，./)'丨；M, N为叠加帧图像的尺寸。 i=\ j=\ 、 J