红外目标（精选9篇）
红外目标 篇1
摘要：红外成像目标的检测和识别技术是导弹制导、自动搜索跟踪、红外警戒和预警等应用领域的关键技术之一。本文从相关技术的研究现状出发, 就如何实现稳健的红外目标检测和识别进行研究。该研究可以应用于多种实际的武器系统研究中。
关键词：红外成像,目标跟踪,目标识别
从20世纪60、70年代开始, 红外成像技术就被广泛应用于红外告警与侦查、精确制导等军事领域, 它己逐步成为现代防御系统和武器装备中除雷达外应用最多、最具发展潜力的探测技术之一。对基于红外成像技术获得的目标图像进行目标的自动检测、识别与跟踪是空空导弹的重要发展方向。因此, 开展红外成像目标检测与识别中关键技术的研究, 对于提高区域防御系统的生存能力、有效的反击能力以及在未来战场中争夺控制权具有重要的战略意义和实战价值。
1 目标的红外辐射特性
自然界中的一切物体, 只要其温度高于绝对零度 (-273℃) , 就存在分子和原子无规则的运动, 其表面就不断辐射红外线。红外线是一种电磁波, 它的波长范围为0.78~1 000μm, 不为人眼所见。物体的温度越高、发射率越大, 红外辐射能量就越大;对于红外探测元件来说, 接收到的辐射功率Ps越强。红外成像系统通过探测器接收物体表面的红外辐射, 并将其转换为电压信号, 经过放大、处理后, 将高电压量化为图像灰度。目标或背景辐射能量越大, 探测器响应输出的电压值也就越高, 对应的图像灰度值就越高, 反映在灰度图像上就越亮。图1为一架客机的红外图像, 清晰可见发动机的部位温度较高。
由于在大气中传输会对红外辐射中某些波长发生严重吸收, 在大气层内, 特别是低高度应用中, 只能选择传输中衰减较小的窗口谱段, 即近红外 (波长1~2.5µm) 、中红外 (波长2.9~5.0µm) 和远红外 (波长8~14µm) 。同时, 考虑到发动机尾喷、尾焰的主要辐射波段在中波范围内, 因此采用多元中波响应的探测器, 可以提高探测距离, 并能够较为细致地反映物体细节。
2 红外目标检测识别
检测并截获目标是跟踪目标的前提。目标检测实质是统计检测的问题, 即在满足给定的探测概率和虚警概率指标要求下发现目标。从信息处理角度来看, 目标检测就是一个从噪声中检测脉冲信号的过程。导引头系统中存在包括背景噪声、探测器噪声以及电路噪声等多种噪声。
目标检测之前, 系统一般设有信息预处理器。信息预处理器包括时域高通滤波、非均匀性校正、空间滤波等等, 可以滤除1/f噪声、空间低频部分的云层背景, 并将系统非均匀性减到最小限度。通过信息预处理器之后的系统噪声可以认为基本上由白色高斯噪声组成, 服从正态分布, 其概率密度函数为:
其中, μ为x的均值, σ为均方差。
其中, 虚警概率Pf只与TNR有关, TNR越高, Pf也就越低。检测概率Pd与SNR和TNR均有关。当虚警概率Pf一定时, TNR确定, 为提高Pd, 只有提高SNR。
导弹的攻击目标为空中高速飞行器, 结合弹载系统资源有限、实时性要求高的特点, 目标检测算法采用正灰度门限检测算法。导弹对目标的检测过程为:读取图像数据、门限分割、特征识别及检测结果。由于在判断疑似攻击目标时, 会受到各种非期望信息的干扰, 处理不好这些信息就会有相当一部份虚假对象目标被当作待攻击目标, 大幅降低检测率并提高虚警概率。因此, 选择合适的检测门限和检测判据是至关重要的。根据对目标、背景红外特性和大量试验数据的统计分析, 并参考其他型号的检测判据, 发现除盲元外, 系统噪声绝大多数处于图像灰度均值的4倍方差以内, 大部分低频背景也在4倍方差以内, 而所探测的目标基本上处于4倍方差以外, 由于目标特性均满足此规律。同时, 考虑到产品的噪声分布, 为避免系统噪声引起的截获虚警, 在截获概率为98%时, 设定最低截获灰度、截获信噪比为4是满足要求的。再结合当前图像的灰度分布, 确定最优阈值进行门限分割, 分割的结果会残留一些信噪比超过4或灰度超过限度的背景和噪声, 此时就需要通过特征识别算法进行筛选处理, 以确定待攻击目标。当截获信噪比进一步下降时, 会导致虚警概率的进一步上升, 不满足截获概率的要求。
2.1 影响红外目标探测性能的指标
国内外均使用截获灵敏阈来评价导弹的探测性能, 灵敏阈值越小, 导弹越灵敏, 探测性能越好。空空导弹的探测性能直接影响着导弹总体战技指标, 综合分析国外第四代空空导弹的相关资料, 其前向探测距离均在10km左右。截获灵敏阈值表示导弹恰好能够截获目标时入射到导弹光学系统入瞳的辐射照度。对于相同的应用环境及目标, 导弹的截获灵敏阈值越低, 相应的截获距离也就越远。
导引头的灵敏阈与光学系统参数、探测器性能、信息处理和系统设计密切相关。表1所示为国外同类产品的灵敏阈指标。
探测距离理论计算公式为:
2.2 目标截获算法
导弹攻击目标为高速飞行器, 并且这些目标通常具备高于背景的红外辐射特性;结合弹载系统资源有限、实时性要求高的特点, 红外导弹的目标检测算法通常采用信噪比门限检测, 能够保证所攻击目标的快速准确检测。其检测流程如图2所示。
2.2.1 分割算法
设置合适的分割门限, 从灰度上对图像中的目标与非目标进行分类。非目标包括:系统噪声 (盲元、随机白噪声、非均匀性残留等) 、云或者地物背景等;图像分割算法中, 设定最低检测信噪比为4, 再结合当前图像的灰度分布, 确定最优阈值进行门限分割;分割的结果会残留一些信噪比超过4的背景和噪声, 此时需要通过特征识别算法进行筛选处理, 以确定待攻击目标。
2.2.2 特征提取算法
对分割后的二值像进行标记, 将同一连通域的二值像标记为同一个目标;统计每个标记目标的特征, 包括:长、宽、面积、平均灰度、最高灰度、长宽比及位置等。
2.2.3 特征识别算法
运动特性判定, 即判断当前视场中, 疑似目标的运动是否符合连续性 (物理学规律) ;静态特征判定, 需要利用前期试验积累的经验值, 包括:目标的长、宽、面积、灰度、长宽比、灰度面积比、目标像素分布及目标灰度分布等特征的自相关和互相关特性, 确定此疑似目标是否为待攻击目标;进一步判定检测目标特征是否满足连续性;确认截获该目标, 并转入跟踪。
2.3 跟踪策略
中远距目标成像面积小, 选择目标的能量中心进行跟踪;近距离目标成像面积大, 为提高跟踪精度, 在目标上选择高灰度区域中心进行跟踪;侧向交汇时, 为排除尾焰对跟踪精度的影响, 一方面在目标上选择尾喷口跟踪;另一方面当尾焰较长时, 利用尾喷口到尾焰的灰度分布特性, 获得机身方向, 进一步选择尾喷口偏向机身方向的一端进行跟踪。
2.4 抗干扰算法
干扰起燃判定算法设计思路基于以下两点。
第一, 在忽略大气透过率, 且目标能量不变后的情况下, 导引头探测到的目标能量与弹目距离平方成反比。因此, 在导弹接近目标过程中的能量变化是连续的。
第二, 红外诱饵弹具有较高的红外能量 (在目标能量的2倍以上) , 且具有快速起燃的特性 (在0.2~0.5s时间内达到能量峰值的0.9倍以上) 。因此, 在红外诱饵弹起燃时, 导引头探测到目标能量快速增长, 目标能量变化率发生突变。
在目标跟踪过程中, 实时统计跟踪目标的能量变化率, 当判定能量变化率连续3帧发生突变时, 判定出现干扰起燃, 程序进入抗干扰状态。
3 结语
本文在以往工作和实践的基础上, 对红外目标检测和识别技术进行总结和研究, 在以后的工作中, 会更多地关注红外多目标成像及其检测和识别的方法, 多目标跟踪的研究会遇到单个目标跟踪下所无法遇到的难题, 例如, 目标之间的遮挡、交互下的跟踪、同一帧图像中启动多个跟踪器时对整个系统的实时性的影响和新目标的加入以及已跟踪目标跑出场景之外的处理等等。多目标的跟踪比单个目标的研究更具有挑战性, 也是今后有待于深入研究的课题之一。
参考文献
[1]毕兰金, 刘勇志.精确制导武器在现代战争中的应用及发展趋势[J].战术导弹技术, 2004 (11) .
[2]秦喧, 吉书鹏.一种新的红外成像近距目标的跟踪算法[J].航空兵器, 2003 (2) .
红外目标 篇2
一种新的红外序列图像运动小目标分割算法
红外序列图像运动小目标检测技术,是红外搜索与跟踪系统的一项核心技术,也是现代研究领域的一大难题.本文提出了一种新的红外序列图像运动小目标分割算法,算法运用边界跟踪理论进行图像分割,并与传统的阈值分割算法进行效果比较.大量的.实验结果表明,此新的算法能取得更好的小目标分割效果.
作 者：于素芬 车宏 周洪武 YU Su-fen CHE Hong ZHOU Hong-wu 作者单位：中航一集团洛阳电光设备研究所,河南,洛阳,471009刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：200512(3)分类号：V243.6 TN219关键词：红外序列图像 运动小目标 边界跟踪 目标分割
红外目标 篇3
关键词：星图匹配 三角形匹配 研究
中图分类号：V448 文献标识码：A 文章编号：1007—3973（2012）009—101—02
1 引言
基于三角形方法的星图匹配是为了有效配准图像中星源而提出的。匹配两维点源坐标立标的问题需要预先得到天体测量的底片常数。其中包括平移，缩放，旋转等等。
2 创建三角形点列表
得到目标点的中心，然后按照星等由小到大进行排序，最后选择最亮的n颗星输出到列表A中。表A用来存储图像中拍摄到的目标的中心和星等信息。直接读取星表所给数据，按照星等由小到大排序，最后输出到列表B中，在每个列表中选择n颗亮星，期望它们都能找到自己所对应的星。
创建三角形列表。定义BC为最长的边，是最短的边，n个点可以构造T个三角形，T的确定如下：
定义点积和和最长边和最短边的比率如下：
其中是C到B的向量，是C到A的向量，a/c最长边和最短边的比率。点积对平移和旋转具有稳定性，用下面公式表示点积：
3 三角形匹配
在构建好了三角形列表A，B后，对三角形列表B按最长边和最短边比率来分类，将比率在yi €？ 内的三角形才进行匹配计算，这样可以降低计算量和复杂度。
计算底片常数。在三角形列表A和B进行匹配成功后，进行底片常数的计算。计算标准坐标，转换公式如下所示：
其中代表星表中的赤道坐标，（A，D）代表原点。如图1所示。
其中a，b，c，d，a'，b'，c'，d'是描述两个坐标系统之间的平移和旋转的底片常数，L是焦距。通常选取多个点用最小二乘法来求a，b，c，d，a'，b'，c'，d'，作为一个检验，有a=b'，b=—a'，这是由Edberg1983年提出来的。底片常数的绝对误差超过2.5%，则这个候选对象被拒绝。
标准坐标（ ，），和测量坐标（x，y）的转换关系如下：
4 三角形匹配方法的实现
通过三角形方法的匹配主要工作是创建三角形，表1是对图像的目标创建三角形列表部分数据。三角形数据按照最大边与最小边的比率降序排列。
利用matlab2008a对上文中给出的星图三角形列表中数据编程实验，给定比率误差在小于0.005，点积误差小于0.005，最小边长度误差小于0.005为限制条件最终得到匹配结果，表2给出了导航星表中三角形点和星图三角形列表中行对应匹配点的对应关系。将望远镜参数代入公式（6）、（7）中可以求得底片常数。
用算得的底片常数可以计算出图像中每个点在标准坐标中的坐标位置。
5 总结
通过文章分析和利用matlab计算可以看出利用三角形方法进行星图匹配具有较好的实用性，在实际的星空导航系统中可以得到一定程度的应用。
参考文献：
[1] 房建成，全伟，孟小红.基于Delaunay三角剖分的全天自主星图识别算法[J].北京航空航天大学学报，2005，31（3）：312—315.
[2] 陈元枝，郝志航.适用于星敏感器的星图识别方法[J].光电工程，2000，27（5）：5—10.
[3] 邹晓，靳艳峰.基于贪心算法进行三角剖分的印鉴匹配方法[J].计算机工程与设计，2007，28（5）：1199—1201.
[4] 朱长征，张志龙，沈振康.一种新的星模式识别算法[J].宇航学报，2005，26（sup）：35—38.
[5] 任俊杰.快速星像匹配算法的比较[D].广州：暨南大学，2010.
[6] Seheehter P L，Mateo M，Saha A.DOPHOT，A CCD Photometry Program：deseription and tests[J].PASP，1993，105：1342—1353.
[7] Mikhail Belenkii，David Sandler，Donald Bruns，et al.DAYTIME STELLAR IMAGER FOR ATTITUDE DETERMINATION[P].United States Patent Application Publication，US20060085130A1，United States，2006 Apr.20.
红外车辆目标的自动模糊分割 篇4
图像分割是一种将图像分割成为若干个有意义区域的图像处理技术。它是图像处理和分析的关键技术, 也是一个经典难题, 因为只有在分割完成后, 才能对分割出来的目标进行识别、分类定位。红外车辆目标图像固有的特殊性使其分割更加困难, 主要体现在:1) 红外成像为热源成像, 图像中目标和边界均模糊不清;2) 目标自身并无明显形状、尺寸、纹理等信息可以利用;3) 目标的成像面积小, 往往伴随着信号强度弱, 目标分割要在低信噪比条件下进行;4) 车辆战场背景条件复杂, 致使获得的红外车辆目标图像的对比度低, 分割困难。
针对红外图像的特点, 目前已经有很多学者提出了各种有效的方法, 免疫遗传算法的图像分割[1];基于二维OTSU的红外图像分割[2];蚁群算法和模糊熵理论相结合法[3]和多尺度形态滤波与连接相对熵准则法[4]等。本文提出了一种基于遗传算法的红外车辆目标图像的自动模糊分割方法, 总体框架如图1所示。
2 感兴趣区域的选择
所谓的感兴趣区域 (ROI) , 就是包含目标的区域;毫无疑问, 该区域越小, 之后步骤的运算量就越小。本文参考文献[5]给出的简单且有效的ROI获取方法。本算法中假设根据先验知识已知目标的最小和最大高和宽。因目标和观测者的距离可利用安装在车辆上的激光测距机来测量, 又根据这个距离能够大概估计目标的大小, 与先验知识进行比较首先排除对奇异形状假目标, 例如对高度很大或宽度很宽的窄长形状的目标进行排除。
3 基于遗传算法的二维OTSU图像分割
令二维矢量 (S, T) 为阈值, 可将图像的二维直方图分成四个区域, 如图2所示。根据同态性, 在目标和背景处, 像素的灰度值和领域的平均灰度值接近, 在目标和背景的分界领域, 像素的灰度值和邻域的平均灰度值之差较大。因此目标和背景中的像素会出现在对角线周围。区域A代表背景, 区域B代表目标;远离对角线的C和D代表可能的边缘和噪声[2]。
用两类C0和C1来代表背景和目标, 则它们出现的概率分布分别是:
其中:W0表示背景发生的概率, W1表示目标发生的概率。背景和目标对应的均值矢量为
由于远离直方图的对角线的概率可忽略不计, 则W0+W1≈1, 总体均值Uz表示为
定义一个目标和背景类间的离散测度矩阵:
则采用矩阵σB的迹trσB作为目标和背景的距离测度函数
对二维OTSU法求解阈值的过程其实就是寻找使式 (5) 取最大值时的分割阈值 (S0, T0) , 因此这一搜索最优解的过程完全可以使用把式 (5) 作为适应度函数的遗传算法来完成。
4 ROI分割的最佳阈值范围的确定
如果能够确定ROI的最佳阈值范围, 在此范围内用遗传算法寻找最佳的分割阈值 (S0, T0) 将大大加快遗传算法的速度。假设一幅图像大小为M×N, 灰度值为0, 1, ……L-1级, 则初始阈值为
式中:f (x, y) 为点 (x, y) 的灰度值, K=M×N为总像素数。初始阈值TA将图像分割成两部分, 基于红外图像的特点, 目标的亮度一般高于背景, 设大于TA的部分为目标区域B, 计算B的灰度均值, 即:
式中:fB (x, y) 为经初始阈值TA分割后区域B的各点灰度值, NB为区域B的总像素数。对于红外图像的实际复杂场景中, 背景的灰度还可能高于某些目标灰度, 利用初始阈值分割图像, 可能将部分亮背景错判为目标, 即目标的灰度值必高于初始阈值TA, 所以可将TA设定为阈值的下限, 这样可以保证目标分割的完整性。阈值上限的确定, 我们希望可以利用初始阈值TA分割后的图像, 使得目标所占比例增大, 分割区域灰度均值TB增高。通过实际实验情况, 可以看到, 图像灰度高于TB值的点必为目标点。因此, 可以将阈值的上限确定为TB, 至此确定了最佳的阈值范围为[TA, TB]。
求出图像最佳的阈值范围, 不仅能减少运算量, 而且由于下限除去了大量暗背景, 上限除去了部分亮目标, 在所剩下的目标或背景的像素中, 目标和背景所占比例相差不大, 可以结合二维OTSU原理并利用遗传算法在此阈值范围内自动搜索最佳分割阈值以进行红外车辆目标图像的自动分割[6]。
5 实验结果
综上所述, 本文先提取红外车辆目标图像的ROI区域, 然后采用文献[7]提出的自适应模糊增强技术对感兴趣区域的红外车辆目标图像进行预处理增强, 借助于二维OTSU原理和遗传算法在选定阈值范围内自动搜索最佳分割阈值以对感兴趣区域进行自动分割;为了弥补单独利用二维OTSU方法分割的不足, 采用缩短模糊边缘宽度的方法来提取感兴趣区域红外车辆目标图像的边缘[8];最后把二维OTSU方法分割的图像与模糊边缘提取得到的边缘图像进行或运算后进行填充以得到最终的车辆目标分割图像[9,10]。为了证明新算法的分割效果, 把它与一维OTSU分割方法和文献[2]提出的分割方法进行实验对比分析。
在图3中, 图3 (a) 为对输入的红外车辆目标图像tank1提取出的ROI的区域, 其大小为87×142, 数据量仅有原输入图像的1/4;图3 (b) 为进行一维OTSU分割后的图像;图3 (c) 为文献[2]的方法得到的分割图像;图3 (d) 为本文新方法得到的红外目标车辆分割图像。
从实验结果可以看出一维OTSU算法得到的分割图像效果最差, 虽然它对普通图像甚至对直方图没有明显双蜂的图像一般都能取得较好的分割结果, 但在此处分割效果较差, 未能分割出目标的主体;图3 (c) 是参考文献[2]进行二维OTSU算法的分割结果, 分割效果较好, 基本分割出了红外车辆目标图像的主体, 但它却没有分割出坦克的炮塔。图3 (d) 本文的新方法得到的分割效果明显是最好的, 坦克主体得到了最完整的分割。
为了进一步说明本文方法对红外车辆目标图像的分割效果, 再选取一幅图像进行实验, 如图4所示。其输入的红外车辆目标图像质量更差, 如图4 (a) 所示。新方法依然对其主体进行了较完整的分割, 分割效果很好, 如图4 (d) 所示。
限于篇幅, 只列举这两幅红外车辆目标图像的分割效果图, 实际上对大量的红外车辆目标图像进行实验都证明这是一个很好的红外车辆目标图像分割方法。
为了定量地衡量分割效果, 下面首先分析一下本文分割方法每一步计算的复杂度。设实验图像的大小为M×N, 感兴趣区域图像的大小为m×n, 第一步ROI选择的计算复杂度为O (MN) ;第二步对感兴趣区域图像进行模糊增强的计算复杂度为O (mn) ;第三步借助于二维OTSU原理和遗传算法在选定阈值范围内自动搜索最佳分割阈值以对感兴趣区域进行自动分割的计算复杂度为O (m2n2) ;第四步提取车辆目标模糊边缘的的计算复杂度为O (mn) 。因此本文总的计算复杂度大约为O (m2n2) 。文献[2]基于二维OTSU和遗传算法的红外图像分割方法的计算复杂度大约为O (M2N2) 。因为M>m, N>n, , 所以本文算法虽然看似复杂, 步骤较多, 但此算法设计降低了每一步的难度, 使其总的计算复杂度小于文献[2]的计算复杂度。因此相对文献[2]来说, 本文具有更高的分割效率。一维OTSU分割方法的算法复杂度为O (MN) , 其相对文献[2]和本文方法来说, 算法复杂度最低, 但比较所有方法的分割效果, 一维OTSU的分割效果是最差的。
为了更直观地对比分析一维OTSU、文献[2]和本文算法的性能, 表1给出了三种分割方法的算法计算复杂度和运行时间。
6 结论
本文选取了感兴趣区域大大提高运算速度;通过将二维OTSU算法与遗传算法相结合应用于红外车辆目标图像分割, 利用二维OTSU算法不仅考虑图像的灰度信息, 还考虑邻域空间的相关信息的特点来保证图像分割精度, 利用遗传算法大大提高运算速度。提取了车辆目标的模糊边缘来弥补二维OSTU的图像分割的不足, 最后把二维OTSU方法分割的图像与模糊边缘提取得到的边缘图像进行或运算后进行填充以得到完整的车辆目标分割图像。实验表明它具有较高的适应性和自动性, 是一种较好的红外车辆目标分割方法, 具有一定的应用价值。目前本文的工作只适用于单目标的红外车辆目标分割, 进一步的工作是在本文的基础上进行拓展并适当结合其他技术, 将其应用于多目标红外图像分割。
参考文献
[1]工春柏, 赵保军, 何佩琨.基于免疫遗传算法的自适应图像分割方法[J].红外与激光工程, 2004, 33 (2) :178-193.WANG Chun-bai, ZHAO Bao-jun, HE Pei-kun.Adaptive segmentation method based on immune genetic algorithm[J].Infrared and Laser Engineering, 2004, 33 (2) :178-193.
[2]杜晓晨, 刘建平.基于二维OTSU和遗传算法的红外图像分割方法[J].红外技术, 2005, 27 (1) :66-69.DU Xiao-chen, LIU Jian-ping.Infrared Image Segmentation Method Based on2D Maximum Between-cluster Variance and Genetic Algorithm[J].Infrared Technology, 2005, 27 (1) :66-69.
[3]TAO Wen-bing, JIN Hai, LIU Li-man.Object segmentation using ant colony optimization algorithm and fuzzy entropy[J].Pattern Recognition Letters, 2007, 28 (7) :788-796.
[4]吴盘龙, 李言俊, 张科.一种红外目标图像的自动分割方法[J].计算机工程, 2006, 32 (11) :32-34.WU Pan-long, LI Yan-jun, ZHANG Ke.An Automatic Segmentation Method for IR Target Image[J].Computer Engineering.2006, 32 (11) :32-34.
[5]金梅, 张长江.一种有效的红外图像中人造目标分割方法[J].光电工程, 2005, 32 (4) :82-85.JIN Mei, ZHANG Chang-jiang.Effective segmentation of man-made target from IR image[J].Opto-Electronic Engineering.2005, 32 (4) :82-85.
[6]ZHANG Wei, FANG Xiang-zhong, YANG Xiao-kang.Moving vehicles segmentation based on Bayesian framework for Gaussian motion model[J].Pattern Recognition Letters, 2006, 27 (9) :956-967.
[7]魏晗, 张长江, 胡敏, 等.基于遗传算法的图像自适应模糊增强[J].光电子?激光, 2007, 18 (12) :1482-1485WEI Han, ZHANG Chang-jiang, HU Min, et al.A Kind of Adaptive Fuzzy Enhancement for Gray and Color Images by Genetic Algorithm[J].Journal of Optoelectronics?Laser, 2007, 18 (12) :1482-1485.
[8]李红松, 候朝桢.一种新的模糊边缘检测算法[J].计算机工程, 2003, 29 (9) :1-2.LI Hong-song, HOU Chao-zhen.A New Fuzzy Edge Detection Algorithm[J].Computer Engineering, 2003, 29 (9) :1-2.
[9]张爱华, 余胜生, 周敬利.一种二维直方图阈值化图像分割的后处理方法[J].华中技大学学报:自然科学版, 2002, 30 (10) :59-61.ZHANG Ai-hua YU Sheng-sheng, ZHou Jing-li.A post-processing method of two-dimensional thresholding image segmentation[J].Huazhong Univ.of Sci.&Tech:Nature Science Edition, 2002, 30 (10) :59-61.
一种新的红外目标跟踪方法 篇5
红外目标跟踪是计算机视觉[1]领域中的一个重要问题,其主要目的是对红外图像序列中的运动目标进行检测、提取、识别和跟踪,获得红外运动目标的运动参数,如位置、速度、加速度以及运动轨迹等,从而进行进一步处理和分析,实现对运动目标的行为理解,以完成更高一级的任务,在红外制导、侦察和安检等军事应用中非常重要。本文利用带有空间位置信息的目标区域直方图描述红外目标,对跟踪目标的实时位置数据利用卡尔曼滤波校正和预测,增强了跟踪的实时性。
1红外目标运动模型
红外目标跟踪的目的是在连续的序列图像中,“寻找”至少在相邻2帧图像之间具有一致性的特征不变量,即红外目标。而目标可以由自身状态来描述,因此跟踪问题等价于对目标状态的求解,该过程可利用估计理论来实现。特征量的选择对应着红外目标描述,“寻找”的方法对应着目标运动模型。
在红外目标跟踪中,运动模型[5,6]刻画了红外目标在2帧之间的运动特性。显然,越精确的目标运动模型越有利于红外目标的稳健跟踪。而建立精确的目标运动模型是非常困难的,因此本文采用近似的状态模型。定义未知红外目标状态向量为:
Xt=[XTt,1XTt,2]T。 (1)
式中,Xt,1为红外目标质心位置;Xt,2为红外目标质心运动速度。同时,假定随机序列{Xt,1}和{Xt,2}相互独立,且红外目标质心位置与速度在各自时间序列上服从白噪声加速度模型:
式中,ut,i为零均值高斯向量:
式中,E为期望;q为已知的正实数;δ为二维单位采样序列,当(r,s)=(0,0)时,δr,s=1,其余为零。
2观测模型与跟踪算法
2.1红外目标描述
红外目标利用灰度加权直方图来描述。为了克服灰度直方图对图像描述缺少空间位置信息的缺陷,同时增加描述的鲁棒性,在描述红外图像中目标区域的直方图时,采用如下带有空间位置信息[2]的加权直方图描述。
将目标所在图像区域看作球体或椭球体,则其在二维图像平面中对应圆形或椭圆区域。假定椭圆中心点位置为m=(mx,my)T,椭圆在水平和垂直方向的半径为h=(hx,hy)T。同时,对于椭圆区域内每个图像点{xi},i=1,2,…,Nh(Nh为椭圆区域内图像点的个数),其灰度值表示为b(xi),即该图像点在直方图上的灰度级索引标识为b(xi)。于是,包含空间位置信息的加权直方图的思想就是:在计算直方图时,给每个图像点赋予一定的权值,根据该点距离中心点位置的远近用核函数进行调节。加权直方图描述如下:
undefined。 (4)
式中,δ为Delta函数;Ci为归一化常数;u为直方图灰度级的索引。根据归一化条件∑pm(i)=1可得:
undefined。
从定义中可以看出,在统计图像灰度级的分布情况时,对每个像素,根据其离椭圆中心点的距离大小,赋予其一定的权值,即直方图不单单是对应灰度级的像素点个数的累加,而是对应该灰度级的像素点的权值的累加。当像素离中心点越近,其对应的权值越大,反之该权值就越小。
2.2相似性度量
理想情况下,红外运动目标T时刻的观测概率密度函数p(zT|xt)可以从数据中估计出来。事实上,也可以根据具体应用要求来事先定义好,本文中根据所选择目标的灰度加权直方图特征来描述,利用描述目标的直方图相似性度量来定义红外目标的观测过程模型。2个图像区域的加权直方图的相似性度量采用直方图交叉[3]来计算:
undefined。 (5)
式中,Im和M(i)分别表示以采样点m为中心的图像区域的加权直方图与目标模板的加权直方图描述。直方图交叉的相似性测度体现在min()函数的选择性中。
2.3跟踪算法
在红外目标的动态跟踪过程中,为充分利用目标运动的连续性和前后2帧图像之间的相关性,本文采用卡尔曼滤波算法对搜索窗进行更新。卡尔曼滤波[4]的实质是试图用所有已知信息来构造系统状态变量的后验概率密度,即用系统状态转移模型预测状态的先验概率密度,再使用最近的观测值进行修正,从而得到后验概率密度。这样,通过观测数据来递推计算状态取不同值时的置信度,由此获得状态的最优估计。
首先预测目标在第帧中的大概位置,在该位置附近划分出一个搜索窗(远小于整个图像大小)。然后在此搜索窗内进行红外目标搜索,若搜索窗内存在目标则继续处理下一帧图像,否则将搜索窗按比例扩大重新搜索,直至目标丢失时进行跟踪过程重新初始化。卡尔曼滤波算法的一步迭代过程分为以下5步:
① 状态预测:利用目标状态Xk以及协方差矩阵Pk做一步预测,得到新的状态估计向量undefinedk及状态协方差估计矩阵undefinedk;
② 观测预测:利用上一步记过,计算得到当前目标状态的预测观测向量undefinedk以及观测协方差估计矩阵undefinedk;
③ 实际观测:由状态预测值的位置分量作为搜索窗的中心位置坐标,获得实际观测值;
④ 观测匹配以及计算滤波器增益;
⑤ 进行状态更新。
至此一个完整的红外目标搜索周期完成,开始读入下一帧图像,重复上述5个步骤即可完成整个的红外目标动态跟踪。
2.4试验结果及分析
为对提出的红外目标跟踪方法进行验证,用红外图像序列进行跟踪实验,序列每帧大小为200×110。实验在Pentium IV 3.0 GHz、内存512 MB的PC机上采用MATLAB 6.5软件实现。待跟踪红外目标的参考目标模型在图像序列第一帧手动选定。图1为实验的跟踪结果。
在跟踪过程中,当目标运动方向发生变化时,可能出现预测不准确的现象,即搜索窗口的预测位置与目标的实际位置有一定差别,然而随着跟踪的继续进行,滤波器根据实际观测不断进行误差校正,最终能准确预测出目标位置,实现有效跟踪。实验结果表明,本文提出的红外目标跟踪方法对红外序列图像中的目标跟踪是有效的和稳健的。
3结束语
提出了一种基于灰度加权的卡尔曼滤波红外目标跟踪方法,在红外目标跟踪中,采用目标区域的灰度加权直方图来描述。利用带有空间位置信息的目标区域直方图描述红外目标,克服了灰度直方图对图像描述缺少空间位置信息的缺陷,同时增加了描述的鲁棒性。实验证明了该方法的有效性和鲁棒性。如何准确地选择滤波的初始参数如初始状态和滤波误差方差初始值是下一步改善该方法的切入点。
参考文献
[1]侯志强,韩崇昭.视觉跟踪技术综述[J].自动化学报,2006,32(4):603-617.
[2]COMANICIUD,RAMESHV,MEERP.Real-time Tracking of Non-rigid Objects Using Mean Shift[C].Proceeding of IEEE Conference on Computer Vision and Pattern Recognition.USA:Hilton Head Island,South Carolina,2002:142-149.
[3]SWAIN M,BARLLARD D.Color Indexing[J].International Journal of Computer Vision,1991,7(1):11-32.
[4]BAKER S,MATTHEWS I.Lucas-Kanade20Years on:A Unifying Framework[J].International Journal of Computer Vision,2004,56(3):221-255.
[5]邢睿智.彩色图像序列中基于贝叶斯滤波的目标跟踪[D].大连:大连理工大学,2005:23-26.
空中目标红外场景建模及仿真研究 篇6
1 红外辐射特性及光谱发射率建模
1.1 红外辐射特性建模
目标到达探测器的红外辐射不仅包含自身热辐射, 还包括大气路径辐射、天空背景辐射和太阳辐射等。空中目标红外场景仿真表现出的红外辐射传输过程如图1所示。
对于空中目标红外场景而言, 到达探测器表面各点的辐射[2]为
1.2 光谱发射率建模
根据文献[4]中给出的抗氧化涂层材料不同波长的反射率值, 利用多项式拟合的方法拟合出以波长为自变量, 发射率为因变量的光谱发射率曲线, 其拟合方程为
通过上述方式得到的发射率曲线如图2所示。
2 空中目标红外场景建模
若不考虑红外成像系统效应, 空中目标红外场景仿真的步骤主要为设计红外场景、预生成辐射数据和生成红外图像, 其间关系如图3所示。
2.1 三维场景建模
通过3DS Max软件进行建模和设计材质, 然后用o Fusion插件将模型、材质和动画等导出为OGRE支持的模型文件 (.mesh) 和材质脚本文件 (.material) 等资源文件[5]。
2.2 飞机的红外辐射特性建模
飞机的红外辐射主要来源于尾焰、尾喷口和蒙皮。根据红外辐射的基本原理, 分别为尾焰、尾喷口和蒙皮建立红外辐射模型。但飞机总的红外辐射并不等于这3部分的简单加和, 而需要对热空腔的辐射进行修正。所以飞机的总红外辐射[6]为
式中, I't, λ=It, λ (λ, a) τ (λ, a, s) ;It, λ (λ, a) 为飞机喷口处的光谱辐射强度;τ (λ, a, s) 为通过尾焰的路径a-s的透过率;Ip, λ为飞机尾焰的光谱辐射强度;Is, λ为飞机蒙皮的光谱辐射亮度;s为观测方向的传输路径。通过式 (3) 就可求出飞机在某给定波段内任意飞行状态和任意实现方向上的红外辐射强度。
2.3 大气辐射传输建模和环境辐射建模
Modtran是计算大气辐射传输的经典模型, 其不仅可以计算大气辐射传输特性, 还能计算天空背景辐射和太阳直射辐射。虽然Modtran可以满足工程要求的计算精度但是要达到实时计算, 其计算速度却较慢。所以采用预计算的方式, 将黑体—辐射亮度、大气透过率、大气路径辐亮度、天空背景辐亮度和太阳辐照度的计算结果以DDS的格式进行存储。大气背景辐射传输建模流程如图4所示。
3 仿真结果及分析
本文根据西安电子科技大学红外技术实验室开发的PRISSE (Physically Reasonable Infrared Scene Simulation Engine) 红外场景仿真平台, 实现对空中目标自身辐射的仿真, 并加入反射和大气效应。
为方便计算, 假定下图中飞机的飞行高度为12 km, 表面温度为300 K。在中波波段分别添加大气效应和反射并进行仿真, 仿真结果如图5和图6所示。
为了能较好地比较采用均值发射率和光谱发射率仿真结果的差异, 利用表1中飞机蒙皮的A点、B点处的灰度值 (括号内为其灰度值对应的辐亮度, 单位W/ (m2·sr) ) 来进行对比分析。
通过对比分析上述表格中的仿真效果图可以看出, 采用光谱发射率的飞机蒙皮的辐射亮度明显比采用均值发射率的辐射量度值高, 这是因为在其计算过程中非黑体的本征辐射的发射率与光谱信息有关, 而图5的仿真中, 对目标的发射率采用均值的计算方法, 这大幅影响了仿真的真实性。
4 结束语
本文介绍了光谱发射率对红外辐射特性的影响, 并通过GPU和OGRE渲染引擎实现空中目标红外场景的建模以及目标对环境辐射的反射和大气效应的仿真。最终通过采用均值发射率仿真得到的红外图像与采用光谱发射率仿真得到的红外图像进行对比分析, 得出采用光谱发射率进行仿真可大幅增加仿真的真实度。
参考文献
[1]于坤, 刘玉芳, 贾光瑞, 等.基于8~14μm带宽的谱带发射率的研究[J].光谱学与光谱分析, 2012, 2 (2) :289-292.
[2]姚涛, 李一凡.场景红外成像仿真原理和应用[J].计算机仿真, 2004, 21 (1) :96-98.
[3]张建奇, 方小平.红外物理[M].西安:西安电子科技大学出版社, 2004.
[4]张宇峰, 戴景民, 张昱, 等.基于积分球反射计的红外光谱发射率测量系统校正方法[J].光谱学与光谱分析, 2013, 33 (8) :2267-2271.
[5]GREGORY J.Pro OGRE 3D programming[M].New York:Apress, 2012.
[6]王超哲, 童中翔, 芦艳龙, 等.飞机红外辐射特性及其探测技术研究[J].激光与红外, 2011, 41 (9) :996-1001.
[7]符泰然, 程晓舫, 钟茂华, 等.辐射测温中光谱发射率的表征描述[J].光谱学与光谱分析, 2008 (1) :1-5.
一种红外弱小目标提取的有效算法 篇7
本文采取背景抑制方法, 通过将原始图像进行高通滤波、改进中值滤波等处理, 有效地抑制背景杂波, 提高图像的信杂比, 并在此基础上利用八向梯度法对滤波后图像进行阈值检测找出目标点, 以实现对弱小目标的检测。
1 弱小目标检测原理
弱小目标检测的实质就是将图像中的小目标从背景图像中分割出来。由于红外成像除了目标往往存在各种背景物, 如大气云层背景中, 除了有云层外, 还有空间上不相关的噪声;并且小目标成像面积小, 缺乏几何形状、纹理结构等特征, 可供检测识别的信息很少, 这些特征严重影响了对红外弱小目标的检测, 因此, 为了提高信噪比, 突出小目标, 需对图像进行检测前的图像预处理, 包括背景抑制和噪声削减等方法, 以提高对目标的检测概率;经过预处理后的图像再采用目标梯度阈值分割、多特征提取等算法即可实现对弱小目标的检测。弱小目标检测原理框图如图1所示。
2 弱小目标检测过程
2.1 图像背景抑制
利用红外传感器采集的小目标图像, 背景区域比较平坦, 是灰度变化缓慢的低频部分, 具有一定的相关性。而小目标的亮度较背景高, 其灰度处于突变区域, 且与背景不相关, 是图像中的高频部分。由于高通滤波器能有效抑制低频分量, 让高频分量通过, 为此采用高通滤波器来进行全视场的背景抑制, 背景抑制的结果增强了局部弱小目标同时也保留了部分高频噪声。
对于数字图像, 滤波器的脉冲响应函数一般选用卷积模板来表示, 记为矩阵H。在模板系数选择上, 如果矩阵中间权值之和与旁边权值之和相互抵消, 就能有效地去除低频分量, 由于小目标一般都是包含几个像素, 因而取如下模板H:
2.2 改进的中值滤波
中值滤波法是一种非线性变换, 它不仅能保持轮廓边缘的清晰度, 对多种噪声有良好的去噪功能, 而且算法简单, 便于实现。其实现过程如下:
(1) 选择一个有奇数点的滑动窗。如一维处理可选长度为3, 5等的滑动窗, 二维处理可以选择3×3, 5×5等的滑动窗。
(2) 将滑动窗内的点按数值大小顺序排列成序列X。
(3) 将滑动窗中心的点用序列X的中值代替。如长度为5的滑动窗的中心用序列X的第3个值替换, 滑动窗为3×3的中心用序列X的第5个值替换。
由于高通滤波后的图像在保留弱小目标的同时也保留了高频噪声, 为了进一步抑制噪声, 需要对图像再次滤波。由于红外成像系统中热扩散的原因, 目标的成像面积一般大于一个像素。本文选用的改进中值滤波, 以尽可能去除非目标象素点, 满足弱小目标单帧检测概率要求。其实现过程如下:
(1) 弱小目标在红外成通常像上仅形成一个不大于3×3像素的非均匀区域, 因此选择一个3×3的滑动窗。
(2) 将3×3滑动窗内的点按灰度从大到小排列成序列X。
(3) 将滑动窗中心的灰度用序列X的第三个值代替, 即选取灰度第三大的点的灰度作为该点的灰度。
通过改进的中值滤波, 可以去掉孤立的噪声点, 同时又确保保留像素点不小于3的小目标, 避免造成漏警。
2.3 八向梯度法决策
经过对大量复杂云层图像的观察和分析, 发现红外图像中的弱小目标即使在整个图像中强度不是最强的, 但在它所处的小区域中与局域背景的差别较明显, 弱点目标沿各个方向上的梯度均较高, 而背景部分的梯度由于其相关性不具有这一特性, 且边缘仅在某些连续的方向上具有高梯度。
基于以上观点, 这里提出用多向梯度来检测弱小目标的原理。梯度可以定量反应待检测像素点在某一方向上高于其周围像素点数值大小的量, 当多个方向的差异度都大于一定阈值时, 则该像素点为弱小目标;反之, 则为背景。
图像任意一点的梯度为一矢量, 其数学定义如下:
该梯度向量的模为:
式中, m, n为水平和垂直方向的梯度步长, 它的选取与目标大小、系统要求的检测概率和计算时间相关。一般情况下, 对图像中每点梯度的计算方向越多对检测弱小目标越有利, 但计算量会急剧增加, 导致实时性差。综合考虑检测效果和实时性, 本文采用八向梯度来计算, 则定义图像中任意一点f (x, y) 的八向梯度为:
根据阈值判决的方法, 利用式 (5) 将梯度图像G[f (x, y) ]进行二值化处理, 则加阈值的梯度图像g (x, y) 的表达式为:
式中TH为阈值门限, 且TTHH由梯度图像G[f (x, y) ]的均值μ和标准差σ来构造, 如公式 (6) 所示:
式中λ为梯度阈值系数, 一般选取2.0~2.4时, 该阈值分割算法能实现较高的检测概率 (>95%) , 同时又将虚警个数降得较低 (每帧虚警个数可小于5) , 从而达到了检测目的。
3 实验结果及结论
采用原始红外图像, 经高通滤波后、改进中值滤波、八向梯度均值分割后的图像如图2~5所示。
从图2可以看出原始图像经过高通滤波后, 大面积的背景被抑制掉, 但还是保留了大量的高频噪声;经过改进的中值滤波后, 可以看到噪声被进一步抑制, 但降低了图像的信噪比, 不便于目标辨认;再经过八向梯度判决滤除了背景干扰, 获取了正确目标。经过实验及结果分析验证了本文算法是切实有效的。
参考文献
[1]王江安, 肖伟岸.基于双波段的目标红外特征分析[J].激光与红外, 2001, 31 (6) :351~353.
[2]章毓晋.图像工程[M].北京:清华大学出版社, 2007.
红外目标 篇8
1 红外扫描型成像系统成像方式
1.1 扫描成像方式简介
目前主流红外探测器的扫描成像方式大致可分为三类[1]。
1.1.1 串联扫描成像
如图1所示, 串联扫描成像方式按扫描方向排列线阵检测单元来进行水平和垂直方向的扫描, 各检测单元的输出信号由元件的间隔和扫描速度共同决定, 探测器的输出信号则由各检测单元的输出信号叠加而成。扫描方法为利用多面体旋转扫描镜在水平方向上进行快速扫描和利用垂直扫描镜进行垂直方向慢速扫描。若再利用所谓时间延迟积分 (TDI) 技术则可以补偿由于高速扫描而引起的灵敏度下降问题。串联扫描的优点是即便探测元件灵敏度有误差, 图像也有比较好的均匀性。
1.1.2 并联扫描成像
如图2所示, 并联扫描成像方式相对于扫描方向排列成扫描线阵, 线阵各行的检测单元分担每行的扫描区。这种方式的线阵元件数量多, 不必对垂直方向进行扫描, 因此相对于串联扫描方式具有扫描速度快、扫描结构简单等优点。目前, 在民用方面, 多采用多面体旋转扫描镜或鼓式扫描镜进行水平方向扫描, 扫描线阵约10个元件左右;军用方面, 多采用平面镜进行扇面扫描, 扫描线阵约240至900个元件不等。并联扫描的缺点是每个元件都需要独立的放大器, 成像质量与各元件的性能相关。
1.1.3 串并联扫描方式
如图3所示, 串并联扫描方式综合了串联扫描中时滞与积分改善性噪比的优点和并联扫描中扫描速度快的优点。在目前串并联扫描方式中, 以扫描型CCD成像方式最为典型:如图2.3所示, 用2至16列线阵CCD, 在各列之间进行时间延迟积分。在图像垂直方向用线阵CCD, 信号由CCD读出, 各列元件的信号进行时间延迟积分后重叠在最后的CCD列上。CCD列伴有机械扫描, 故称为扫描型CCD。目前, 欧美发达国家投入实用的扫描型CCD已经达到960×4元, 对8~12μm波段的红外成像具有很高的水平。
1.2 红外扫描型成像系统参数
在红外扫描型成像系统中, 最重要的两个参数是扫描周期和探测单元的扫描时间 (驻留时间) 。由于红外扫描型成像系统的帧频不容易改变, 其扫描周期一般为常数, 故我们关心的是扫描时间与驻留时间之间的关系, 这需要求出驻留时间的表达式。下面以并联扫描为例说明探测单元扫描时间的求解过程。
如图4所示, 设红外探测器的光敏面为矩形, 尺寸为ɑ×b;光学系统物空间线视场尺寸为A×B。于是, 探测器的角度尺寸 (光敏面瞬时视场) 为
式1中, f为光学系统物镜焦距。红外成像系统的角视场:
式2中, D为目标到红外成像系统的距离。对于A1×B1的视场, 设红外成像系统的扫描周期为TTa, 扫描效率为η, 一个探测单元的扫描时间为, n为线列每一行的并行扫描元探测单元数, 则我们可得到关系式如下:
式3中, 为表征红外扫描型成像系统扫描特性的重要参数, 称为驻留时间, 其值一般为数微秒左右。通过查阅相关资料可知, 一般情况下, 驻留时间在目标线列CCD扫描周期内的占空比低于1%。当瞬时视场的扫描速度不变时, 驻留时间为常数。
由图4还可见, 水平扫描棱柱的旋转速率是与红外探测器的扫描速率一致的, 因此, 红外扫描型成像系统的光敏面 (扫描棱柱) 只有在驻留时间内才存在“猫眼”效应, 使目标主动探测成为可能。
2 脉冲制式激光主动探测系统探测原理分析
由第一章激光主动探测系统背景可知, 激光主动探测系统的各组成部分按功能可分为激光主动成像单元和实时信号处理单元两部分。其中, 激光主动成像单元包括激光器、发射光系统、基于接收CCD探测器的回波接收系统和捕获跟瞄机构等;而实时信号处理单元主要包括数据处理系统和目标信息输出系统。由于本文要解决的是作为目标的红外扫描型成像系统的可探测性问题, 而不涉及目标提取和识别问题, 因此, 重点关注的是激光主动成像单元的工作原理, 即激光器、发射光学系统、基于CCD探测器回波接收系统的基本工作原理。
2.1 脉冲激光器
作为激光主动探测系统主要组成部分的激光器, 一般分为高频连续激光制式和脉冲激光制式两大类。通常, 连续激光制式发射功率较低, 后向散射噪声较大, 致使探测距离受限;而脉冲激光能量较高, 并且受后向散射噪声影响较小, 因此具有更远的探测距离。因此, 目前主流的激光主动探测系统一般多选用脉冲制式的激光器。
激光器作为激光主动探测系统的核心部件, 提供了对目标主动照射的能量, 其性能直接关系到激光主动探测系统的效能[2]。在波长方面, 现有激光主动探测系统普遍采用1.06μm、793nm、808nm或880nm近红外光, 它们在大气传输特性等方面具有较好性能, 此外, 在激光器选型时, 还要考虑对应回波接收系统的CCD对应哪种波长具有较高光电转化率等实际问题;功率方面, 主要依据主动探测系统探测距离需求选型;发光制式方面, 多选用半导体激光器, 因为与气体激光器和固体激光器相比, 半导体激光器具有体积小、工作寿命长、电光转化率高、光束质量好等优点。对于脉冲激光器, 除激光波长、峰值功率等参数外, 还需要知道激光脉冲的脉宽、重复频率等信息。在本研究中, 重点关注的是激光脉冲脉宽和重复频率参数, 两者关系式简要推导如下:
由调Q理论[3]可知, 当调Q重复频率为f时, 激光脉冲的能量E, 脉冲宽度Δt表达式为:
在式4至式6中, P'为激光器平均输出功率;ni和nf为上、下级的粒子束密度;h为普朗克常量;V0为激光输出的中心频率;L'为谐振腔透射损耗以外的其他损耗;L为谐振腔长度;c为真空中光速。由式2-4和式2-6, 可得激光脉冲宽度与激光重复频率之间的关系式如7所示。
由式7还可以看出, 当激光重复频率f和光子频率V0不变时, 激光脉冲的脉宽Δt与激光脉冲能量E成反比, 这说明若激光脉冲的能量减小, 则脉宽增大, 反之则减小。
2.2 发射光学系统
在激光主动探测中, 减小激光发散角, 可以提高激光能量利用率并增大探测距离, 而激光器本身的发散角一般不符合使用要求, 因此, 需要对激光器出射光束进行准直处理, 改善光束的方向性。在对光束进行准直处理后, 为将激光束能量最大限度投送到远距离目标上, 通常还会对光束进行扩束处理以增大光束宽度。激光主动探测系统的发射光学系统的功能就是对激光器出射光束进行准直扩束处理。
目前, 激光主动探测系统的发射光学系统一般采用折射式变焦扩束方案和反射式扩束方案。折射式变焦扩束方案如图5所示。
图5中, 从左至右三个镜组分别称为变焦组、固定组和补偿组。当变焦组相对于固定组发生移动时, 会使得变焦组与固定组的等效焦距连续改变并产生新的焦点。当变焦组移至某个位置时, 补偿组也可以移动到相应位置使新的焦点稳定在补偿组的焦点上。这样就组成了新的扩束比的扩束系统。
若设变焦组、固定组和补偿组的焦距分别为f1、f2、f3, 变焦组与固定组之间的距离为l1, 固定组与补偿组之间的距离为l2, 输入激光束的瑞利距离为Z01, 则按照高斯光束通过透镜的变换理论[4], 可得扩束比M和l1与l2之间的关系式:
在式8和式9中, M和l2随l1递减的条件为:
在实际应用中, 为满足成像质量要求, 需要对变焦组、固定组和补偿组三个镜组的参数进行优化。优化过程一般是首先根据高斯参数设定初始结构参数, 然后组合得到一个可追踪光迹的光学系统, 最后附加一个理想抛物面反射镜进行像差优化和成像质量评价, 并结合多重结构来优化。
激光器出射光束经过折射式扩束系统后, 形成发散角较小的平行光, 此时光束的轴外像差较小, 而轴上宽光束引起的球差较大。为消除球差, 需要增设反射式扩束系统。目前反射式扩束系统主要有卡塞格伦系统、牛顿系统、格里高利系统等, 其中卡塞格伦系统应用最为广泛。在卡塞格伦系统中, 由于次镜是对无限远目标进行成像, 因此一般采用双抛物反射面系统来消除系统球差。此外, 由于激光束能量集中在中心, 因此需要在共轴系统所设定的初始参数基础上进行离轴处理, 并对次镜二次球面系数进行优化, 以避免中心遮挡。
2.3 基于CCD的回波接收系统分析
在目前的激光主动探测系统研究中, 一般采用雪崩光电二极管 (APD) 或电荷耦合器件 (CCD) 等将目标回波的光信号转化为电信号供后续信号处理单元处理。APD具有单光子探测能力, 内增益和灵敏度高, 因而能探测微弱信号, 使低功远距离耗探测成为可能[5]。然而, APD受半导体制造工艺限制, 内增益能力提高有限, 且回波信号为一维信号, 受背景噪声影响较大, 目标信号的去噪处理较复杂。而通过CCD得到目标信号为二维图像, 与一维数字信号相比不仅更有利于目标识别提取, 而且还具有灵敏度高等优点, 更适合应用于快速主动成像场合。
CCD基本工作方式主要依靠信号电荷的注入、存储、转移和检测, 通过以电荷为信号载体实现光信息到电信息的转换[6,7]。目前, CCD图像传感器可分为一维 (线阵) CCD和二维 (面阵) 两大类。其中, 线阵CCD图像传感器光敏单元紧密排列成一行, 具有传输速度快、集成密度高等优点, 广泛引用于高速测量和大幅面高精度实物图像扫描等领域。线阵CCD又有单沟道和双沟道之分, 单沟道线阵CCD主要结构如图6所示。
图6中, 光敏二极管在光信号作用下产生信号电荷, 转移栅可将光敏区信号电荷向模拟移位寄存器转移, 且在模拟移位寄存器转移信号电荷期间隔离模拟移位寄存器和像元, 使像敏区进行光积分的同时将模拟移位寄存器中的信号电荷转移到信号输出单元。在信号输出单元中, 信号电荷经输出电路转换为脉冲电压序列从输出端口输出。
双沟道线阵CCD在单沟道CCD的结构基础上, 又增加了一组CCD模拟移位寄存器、转移栅和存储栅等部件, 如图7所示。
双沟道线阵CCD与单沟道线阵CCD相比, 具有驱动简便、较高动态范围等优点, 但由于双沟道线阵CCD的信号分别通过两个移位寄存器沟道输出, 两个沟道转移特性的差异会造成输出信号的奇偶性, 影响器件像敏单元不均匀性参数。
将线阵CCD作为激光主动探测系统的回波接收器件时, 具有以下优点:
1) 光谱探测范围大:当探测距离增大到一定程度时, 受背景环境各种波长的杂波以及探测光束在大气中损耗等因素影响, 目标受“猫眼”效应而产生的回波信号很容易湮没在噪声中, 此时利用CCD光谱范围宽的特点, 通过在回波光学系统中添加滤光片, 可消除杂散波影响, 而突出对探测光波长的响应。
2) 图像采集速度高:在高速工作的线阵CCD中, 通常采用“分段同步驱动”的设计方法, 将器件的线阵分段并行输出, 使器件的等效驱动频率等于各分段驱动频率之和, 从而提高了图像传感器的工作速度。此外, 还可以通过降低分辨率的方法来提高速度。目前, 高速线阵CCD工作频率范围从数十到数百兆赫兹不等。
可见, 在设计激光主动探测系统的激光主动成像单元时, 需要综合考虑激光器选型、发射光学系统设计、回波接收系统设计等问题, 各个子系统的性能及其匹配程度好坏决定了激光主动成像单元的整体效能。
3 红外扫描型目标探测建模与分析
当采用基于脉冲激光制式的激光主动探测系统探测红外扫描型成像系统时, 由于后者的后向反射特性并不是一直存在的, 因此发射光打到这类目标时, 目标可能不能产生“猫眼”效应而将入射光原路返回, 导致目标不可探测。为分析红外扫描型成像系统这类目标探测结果的不确定性, 首先需要依据激光主动探测系统和红外扫描型成像系统的工作原理, 对激光主动探测的探测过程进行建模, 确定相关参数;然后, 通过探测仿真实验分析目标反射回波数量与目标扫描频率的定量关系, 从而得到目标扫描频率与目标探测难易程度之间的关系, 即目标的探测特性。
3.1 红外扫描型目标的探测模型
在脉冲制式激光主动探测系统和红外扫描型成像系统工作原理的基础上, 结合对红外扫描型成像系统的可探测性问题的研究目的, 可知在分析目标的可探测性时, 只需关心目标有无反射回波的情况, 而不必考虑回波强度等其他因素。因此, 为分析简便起见, 探测模型建立的前提条件可假设如下:
1) 激光主动探测系统中的激光器为脉冲激光器, 对于模型中的脉冲激光器, 不用考虑波长、功率、脉冲能量、发散角等因素, 而只需考虑激光脉冲的脉宽和重复周期 (频率) 参数;
2) 对于激光主动探测系统中的发射光学系统部分, 出射光束为理想的平行光, 光束宽度、发散角等因素不用考虑;
3) 回波接收系统的光电传感器为满足实时目标探测应用领域的专用高速线阵CCD, 其工作频率 (数十兆赫兹) 远高于脉冲激光器重复频率 (数百赫兹) , 因此在CCD在接收到回波光信号到输出电压信号的积分时间可忽略不计, 并且忽略分辨率等其他不相关参数;
4) 由于在实用中激光主动探测系统的探测距离通常为数十千米左右, 因此探测光束来回传播时间可忽略不计, 同时还可不计大气扰动等因素的影响;
5) 对于红外扫描型成像系统, 只需考虑其扫描线阵的扫描周期 (频率) 和驻留时间参数。
由探测模型的建立条件可知, 脉冲制式激光主动探测系统对红外扫描型成像系统的探测结果之所以具有不确定性, 其原因主要体现在时间因素上。因此, 在对激光主动探测的探测过程进行建模时, 需要分别考虑激光主动探测系统的时间参数模型和红外扫描型成像系统的时间参数模型的建模。
激光主动探测系统的时间参数模型如图8所示:将时间轴t看成由无数发射激光重复周期所组成的序列, 激光脉冲为每个重复周期内的一段子区间, 如图中的灰色矩形块所示。模型中涉及到的时间参数分别是发射激光重复周期 (频率) , 以及激光脉冲脉宽。
与激光主动探测系统的时间参数模型建模一样, 可将时间轴看成由无数目标线阵扫描周期 (以下简称目标扫描周期) 组成的序列, 如图9所示, 图中箭头表示红外成像目标扫描焦平面的时间, 即驻留时间。由3式可见, 驻留时间的大小与红外成像系统的扫描周期成正比, 因此可假定对于不同的红外扫描型成像系统的扫描频率, 其驻留时间的占空比为定值。这样, 目标时间参数模型中涉及到的时间参数就只有目标线阵的扫描周期 (频率) 。
在实际探测中, 激光主动探测系统和红外扫描型成像系统之间的时间关系是不确定的:只有在探测系统发射探测激光脉冲的同时, 目标由探测单元所组成的扫描线阵恰好扫描至光学窗口焦平面, 目标才能受“猫眼”效应影响产生反射回波。这样, 上述反射回波的产生条件, 反映在时间关系上, 就是驻留时间脉冲与发射激光脉冲的交集不为空, 如图10所示。又由于在探测模型的建立条件中, 已假设回波接收系统的高速线阵CCD的积分时间以及探测光传输时间可忽略不计, 因此目标若能够反射探测光形成反射回波, 则反射回波脉宽等于驻留时间与发射激光脉冲交集宽度。
将图8中的激光主动探测系统时间参数模型和图9中的红外扫描型成像目标的时间参数模型组合在一起, 就可以得到探测模型如图11所示。
由于在实际探测中, 激光主动探测系统是在开机启动之后才进行探测工作的。因此, 在图11的探测模型中, 可定义一个0时刻, 代表激光主动探测系统开始工作的时刻。此外, 由于在系统开始探测时, 目标相对于探测系统的时间状态是不确定的, 故可以将不确定的时间状态用初始时间定量表示, 即为0时刻开始到目标第一个驻留时间脉冲上沿之间的间距, 于是可知初始时间就是在目标扫描周期范围内的均匀分布的随机变量, 初始时间每一种取值情况, 都可视为探测系统相对于目标的一个初始状态。
将图11中的探测模型参数化得到图12所示。
上述参数相关说明如下:由于激光脉冲的脉宽大小取决于系统本身, 因此为计算方便, 设激光脉冲脉宽Tpl可整除激光脉冲重复周期TLa;Tsa是在 (0, TTa]上均匀分布的随机变量;TMe是从0时刻开始的有限长时间段。设置观测时间参数TMe的原因是:在实际中, 观测时间无限长是没有意义的, 故一般只关心在观测时间内的探测情况, 而不关心观测时间以外的探测情况。
3.2 红外扫描型目标的探测特性分析
在建立了激光主动探测系统对红外扫描型成像系统的探测模型后, 可根据探测模型, 分析目标的探测特性。这里, 探测特性指的是目标探测的难易程度。而目标探测的难易程度, 可以用其初始状态与反射回波数量的关系来形象表示———若目标在大部分初始状态条件下都产生反射回波, 且反射回波数量多, 说明该目标探测难度较低;反之则说明探测难度较大。
由上节中的探测模型可知, 初始时间Tsa是描述目标相对于探测系统时间状态的物理量, 反映在探测模型中, Tsa就是在 (0, TTa]上均匀分布的随机变量。当Tsa在 (0, TTa]上取不同的值时, 也就反映了目标相对于探测系统不同的状态。因此, 可以考虑遍历Tsa取值的所有可能情况, 对每一个取值条件下进行探测试验, 得到目标反射回波的情况, 最后通过初始状态与目标反射回波数量的关系得到目标的探测特性。
由于初始时间在理想条件下为连续的随机变量, 对应的初始状态为无穷多且不可数, 而探测试验的次数为有限可数的离散量。因此, 为了得到初始状态与目标反射回波数量的关系, 需要首先将初始时间进行量化处理, 即对初始时间的取值范围 (即目标扫描周期) 进行抽样, 使每一个抽样值对应一个初始状态。这样, 初始时间经抽样后得到的初始状态即为数量有限的离散值, 初始状态也即是在目标扫描周期上分布的离散随机变量。目标扫描周期的抽样过程如图13所示。
图13中, Tsa为初始时间;TTa为目标扫描周期;TLa为发射激光脉冲周期;Ts为抽样间隔。由图可见, 当完成目标扫描周期的抽样后, 探测系统的0时刻可看成是一个指针 (以下称为0时刻指针) , 这个0时刻指针从目标驻留时间上升沿开始, 从右向左移动, 移动的步长等于抽样间隔Ts。0时刻指针每移动到一个抽样时刻, 就对应一个新的初始状态。这样, 当0时刻指针遍历完每个抽样时刻后, 也就遍历完了所有的初始状态。通过分析在不同初始状态条件下目标的反射回波数量情况就可得到目标的探测特性。
关于抽样间隔Ts, 需要作出下面两点说明:
1) 图2.13中, Ts的值可根据计算精度的可自行指定:Ts越小, 则初始状态越多, 探测特性精度越高, 但计算量也会急剧增大;而Ts越大, 则计算负担越小, 但探测特性精度低, 极端情况下当抽样间隔等于目标扫描周期时, 探测模型反映不出任何有意义的初始状态信息。因此抽样间隔Ts需要合理地确定。
2) 抽样过程既可以是均匀抽样, 也可以是非均匀抽样。在非均匀抽样中, 抽样间隔Ts的值可改变。但无论采用哪种抽样方式, 由于目标初始时间是服从均匀分布的随机变量, 因此每个初始状态发生的可能性与其对应的抽样间隔长度成正比。为计算简便起见, 本章考虑均匀抽样的情况, 以保证每个初始状态发生的可能性相等。
上述探测特性分析过程可以用图14中的流程图表示。
在实际的激光主动探测中, 目标扫描频率的具体数值是未知的, 一般只知道扫描频率的范围, 因此在仿真实验中, 通过遍历目标每个扫描频率, 就可以得到目标反射回波数量、目标扫描频率 (周期) 、以及初始时间三者之间的定量关系。该定量关系可以直观的反映出目标在各个扫描频率条件下的探测特性。
4 红外扫描型目标的探测仿真实验
本节仿真实验条件为:目标扫描线阵的扫描频率范围为10Hz到200Hz, 驻留时间占空比0.5%;探测系统发射激光重复周期为10ms;激光脉冲脉宽为1ms, 均匀发射;抽样间隔为1ms均匀抽样;观测时间为1s。仿真实验结果如图15所示。
由图15可见, 由于不同目标扫描频率对应的扫描周期不同, 使得初始时间也不相同。为了能够在统一的尺度上研究目标在不同扫描频率下的探测特性, 对于目标扫描周期不足100ms的情况, 可扩大抽样范围, 即将初始时间抽样范围统一为100ms后均匀抽样, 得到探测结果如图16所示。
在图16中, 可见对于目标所有可能的扫描频率, 其反射回波数量在目标初始时间上周期性分布, 周期等于探测系统激光脉冲重复周期。图17给出了目标扫描频率分别为27Hz、46Hz、133Hz和179Hz条件下的目标反射回波数量与初始时间的曲线关系图。
图17中出现的目标反射回波数量在目标初始时间上呈现周期性现象的原因是探测激光脉冲均匀发射:在观测时间不变的情况下, 初始时间每隔10ms, 相当于目标扫描周期序列相对于发射激光重复周期序列平移一个重复周期的距离。由于激光脉冲的周期性, 两个序列对应时间关系在平移前后等效, 因此对应的观测时长内的目标反射回波数量自然也就没有变化, 从而呈现出周期性。
由图16还可以看到在不同的初始时间条件下, 都有目标扫描频率越大, 则目标反射回波数量越多的情况。这说明, 目标反射回波数量与目标扫描频率为正相关关系。图18给出了初始时间分别为13ms、47ms、73ms和91ms条件下的目标反射回波数量与目标扫描频率的曲线关系图。
由图16和图18可直观地看到, 在各个初始状态条件下, 都有目标扫描频率与反射回波数量的正相关关系。这说明, 目标扫描频率越高, 则越容易被探测到。
在上面的仿真实验中, 都是用初始时间来表示目标相对于探测系统的时间状态, 这样的表示方式不能反映出目标扫描相位与目标反射回波数量之间的关系。在上述仿真实验基础上, 还可以得到目标扫描频率、目标初始相位以及目标反射回波数量三者之间的三维关系曲线图, 如图19所示。
将图19与图16相比较后可以发现, 在图19中, 当固定目标某个初始相位时, 其对应的目标扫描频率与目标反射回波数量关系的曲线和图16中一样, 呈现出正相关关系。然而, 当固定某个目标扫描频率时, 发现有些频率对应的目标相位与目标反射回波数量的关系呈现一定周期性, 而有些频率则没有。对图19中所示的部分目标扫描频率, 我们可得其对应的目标相位与目标反射回波数量的关系曲线如图20所示。
由图20中可见, 目标扫描频率为179Hz时, 其对应的初始时间最大值等于扫描周期, 小于发射激光重复周期, 因此目标扫描周期序列相对于发射激光重复周期序列平移的距离不足一个重复周期, 自然也就无法呈现出像图17中那样的周期性了。
5 结论
综上, 首先在红外扫描型成像系统成像方式和脉冲制式激光主动探测系统的工作原理的基础上, 提出了脉冲制式激光主动探测系统探测红外扫描型成像系统的探测模型, 分析了目标探测结果存在不确定性的根本原因是探测系统与目标之间之间的时间状态;然后, 根据探测模型, 对目标在不同扫描频率以及不同初始时间条件下进行了探测仿真实验。实验的结果表明, 在探测系统激光脉冲均匀发射条件下, 且目标扫描频率大于激光脉冲重复频率时, 目标反射回波数量随着初始时间的增加呈现周期性;而无论激光脉冲是否均匀发射, 目标反射回波数量与目标扫描频率均存在正相关关系, 这个正相关关系从定性的角度反映了目标扫描频率越高则越容易被探测的特点。此外, 通过对目标探测特性的分析流程, 可以为探测概率计算提供相应的理论依据。
摘要：文章分析了红外成像系统的成像方式以及脉冲制式激光主动探测系统的探测原理;然后, 依据它们的工作原理, 建立了激光主动探测系统对红外扫描型成像系统的探测模型, 并通过探测模型分析了目标探测结果存在不确定性的影响因素;最后, 通过对红外扫描型成像系统的探测特性进行仿真实验, 从定性的角度, 刻画了目标扫描频率与目标探测难易程度之间的关系。
关键词：红外扫描,目标探测,理论分析
参考文献
[1]陈伯良.红外焦平面成像器件发展现状[J].红外与激光工程, 2005, 34 (1) :1-7.
[2]蔡毅.红外系统中的扫描型和凝视型FPA[J].红外技术, 2001, 23 (1) :3-7.
[3]刘强, 李扬聪, 周昕等.激光脉冲输出能量与脉冲宽度相互关系特性实验研究[J].激光杂志, 2009, 30 (1) :20-21.
[4]周斌, 刘秉琦, 张瑜等.利用CCD实现“猫眼”目标探测的实验研究[J].光电工程, 2011, 38 (11) :35-39.
[5]张瑜, 刘秉琦, 周斌等.基于APD的“猫眼”目标主动探测系统信噪比分析[J].激光与红外, 2012, 41 (11) :1240-1243.
[6]Mc Ewen R K.European Uncooled Thermal Imaging Technology, SPIE, 1997.3061:179-190.
红外图像中人体目标检测技术研究 篇9
由于红外图像对比度低、边缘模糊、信噪比低、噪声大和人体目标非刚体等特性,使得对红外图像进行人体目标检测难度较大。目前常用的运动目标检测方法背景减除法[1]、帧差法[2]、光流法[3]等,在摄像机不固定的情况下,基于背景的目标检测方法将变得十分困难,因此采用单帧图像分割的方法显得更加可行。
本文采用的红外序列图像中人体目标检测的方法是:采用FAST(Features from Accelerated Segment Test)[4]算法,在单帧图像中进行特征点提取;基于检测出的特征点,利用基于局部二值模型纹理特征(Local Binary Pattern, LBP)核函数的算法提取图像的局部特性,得到人体可能存在的感兴趣区域;利用双密度双树小波变换和小波熵提取训练样本的特征信息,并采用模式识别方式对提取出的感兴趣区域(Regions of Internet,ROI)进行分类检测,得到人体目标所在区域。
1 基于特征点的人体目标区域初定位
由于传统的基于视频的目标检测方法,在摄像机不固定的条件下,运算量过大且鲁棒性较差,因此在此基于单帧图像进行人体目标检测。本文采用先提取红外图像中的特征点,然后在特征点的邻域内搜寻人体目标的方法进行人体目标区域提取,如图1所示。
1.1 基于FAST算法的特征点提取
FAST算法是一种运算简单的特征点检测方法,首先通过Segment-Test算法来定义特征点:如果图像中以某一个像素点p为中心,r为半径的一个Bresenham圆上,超过N个连续像素的亮度均超过像素p某一阈值,或者低于像素p某一阈值,则该像素p处存在一个特征角点。在应用时,为了减少所提取的特征点的数量,将相邻的特征点进行合并,如图2所示。
1.2 基于CS-LBP算法的区域特性提取
LBP算法[5,6]首先是作为一种纹理操作的算子提出来的,并且在很多计算机视觉领域得到了很成功的应用。
LBP算法根据每个像素与其邻域像素的相对差值来描述该像素的特性,因此对由光线条件变化导致的像素值变化有很强的鲁棒性。如果邻域像素的亮度值大于或等于中心像素的亮度值,则该邻域像素对应的属性取值为1,否则取值为0。CS-LBP算法[7]是比较圆周上每对中心对称的像素之间的亮度值,因此在CS-LBP中,需要做的比较次数相对LBP算法降低了1/2。图像中位于(x,y)位置的像素CS-LBP值可根据其邻域信息计算如式(1)所示:
式中:T为一个很小的阈值。根据式(1),CS-LBPR,N,T具有2N/2个可能取值,因此整个图像区域上的CS-LBPR,N,T值的统计直方图特征维数为2N/2。在特征角点检测出来以后,需要在其周围确定一个图像区域,以根据该区域上的信息计算出用于描述该区域局部视觉特征向量。根据CS-LBP算法的原理,以该特征点为中心,以1为半径,比较其8邻域像素的灰度值,可计算出其LBP直方图,根据直方图特性可以提取出特征角点周围的特征区域,即所提取出的待选感兴趣区域(ROI)。
图3、图4分别展示了所计算出的LBP直方图和提取出的ROI区域。
2 候选ROI分类检测
本文基于离散小波变换(DWT)和小波熵对训练样本进行分类特征提取。在此基础上,为了更加准确地从所有选定的感兴趣区域中提取出人体目标,同时利用Boosting[8]、支持向量机(SVM)[9]的模式识别方法组成复合分类器,进行候选ROI区域分类筛选。本文主要训练了人体、车辆、其他(包括房屋、树木等非人体、车辆目标)等三类样本。
双密度双树离散小波变换(Double-density Dual-tree DWT)[10],综合了双密度小波和双树小波的优点,具有平移不变性和抗混叠特性、基2冗余且尺度不变、近似连续小波变换和具有良好的方向特性。双密度双树离散小波变换(DD-DT DWT),具有两个不同的尺度函数φh(t),φg(t)和四个不同的小波函数ψh,i(t),ψg,i(t),(i=1,2),其中ψh,1(t)和ψg,1分别是由ψh,2(t)和ψg,2偏移0.5构成,即:
式中:ψh,1,ψg,1和ψh,2,ψg,2分别为近似希尔伯特变换对,即:
图像经过双密度双树离散小波变换后生成4个低频子带和32个高频子带。小波系数能够反映16个频带上的细节信息,图像的小波熵能够反映图像小波变换频率空间的能量分布信息,将双密度双树离散小波变换与小波熵结合起来具有更大的表征能力。
定义单一尺度j下的小波能量Ej为该尺度下小波系数Cj(k)的平方和:
信号总能量为:
相对小波能量为:
如果把小波系数矩阵看作一个概率分布序列,则由此序列计算得到的熵反映了该系数矩阵的稀疏程度,即概率分布的有序程度,成为小波熵,根据香农熵的原理,小波熵定义为:
本文所采用的机器学习样本主要来自于OTCBVS Benchmark Dataset数据库和自己拍摄得到的红外图像,图5所示为部分机器学习样本。由于程序编程需要,所有样本宽度都是4的倍数,高度无此限制。正样本都是在人体轮廓的基础上外扩至少2个像素,负样本由自编程序在已有图像序列和视频中随机生成。最终获得人体正样本382个,车辆正样本288个,非人体非车辆负样本755个。
3 实验结果与分析
为了检验本文提出的方法性能,进行了实地实验,实验分别在下午温度比较高的时候和晚上温度比较低的时候进行,试验场景分别选择了背景相对简单的野外空地和背景相对复杂的城市道路场景。所有序列图像均由固定摄像机拍摄,图像大小均为384×288。红外序列图像中运动人体目标检测结果如图6所示。
根据实验结果,本算法在背景相对简单的环境下有很高的识别率和很低的虚惊率,可以正确识别红外序列图像中的人体目标,但算法同样存在着缺陷,由图6(c)可见,在背景相对复杂的环境下,温度较低时第81帧图像到第90帧图像中存在着漏检的情况,而在之后的图像序列中,检测率较高。
4 结 语
针对红外图像的特点,本文采用了基于FAST-LBP的红外人体目标检测方法,并采用了基于离散小波变换的小波熵进行分类特征提取,使得对候选区域的特征提取更加精确。使用Boosting和SVM组成的复合分类器进行目标区域分类,确保了目标检测的鲁棒性。经试验验证,本文提出的方法具有一定的可靠性,但在温度较低、背景复杂的情况下,检测效果相对其他情况下要稍差,检测率要低于其他情况,虚警率要高于其他情况。这个问题可以通过增加分类器的各类目标学习样本来解决。本文所采用的方法,对目标检测有很好的鲁棒性,不会随着图像中目标数量的增加而影响系统运行速度,同时多个目标之间交叉遮挡时也能达到很好的检测效果。
参考文献
[1]MITAL A,PARAGIOS N.Motion-based background sub-traction using adaptive kernel density estimation[C]//Pro-ceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2004,2:302-309.
[2]MOSCHENI F,BHATTACHAREE S,KUNT M.Spatial temporal segmentation based on region merging[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1998,20(9):897-915.
[3]BARRON J,FLEET D,BEAUCHEMIN S.Performance of optical flow techniques[J].International Journal of Com-puter Vision,1994,12(1):42-77.
[4]ROSTEN E,DRUMMOND T.Machine learning for high-speed corner detection[C]//2006European Conference on Computer Vision.[S.l.]:ECCV,2006:430-443.
[5]Anon.LBP Website[EB/OL].[2011-12-20].http://www.ee.oulu.fi/mvg/page/lbp_bibliography.
[6]LU Hui-min,ZHANG Hui,ZHENG Zhi-qiang.A real-time local visual feature for omnidirectional vision based on FAST and CS-LBP[C]//Proceedings of The10th Workshop on Omnidirectional Vision,Camera Networks,and Non-classi-cal Cameras.Zaragoza,Spain:[s.n.],2010:111-121.
[7]HEIKKIL¨A M,PIETIK¨AINEN M,SCHMID C.Descrip-tion of interest regions with local binary patterns[J].Pat-tern Recognition,2009,42(3):425-436.
[8]FREUND Y,SCHAPIRE R E.Experiments with a newing boosting algorithm[J].Proceeding of the Thirteenth Inter-national Confrrence.Morgan Kauman,San Francisco.[S.l.]:[s.n.],1996,148-156.
[9]李伟红,基于支持向量机的人脸特征选择及识别研究[D].重庆:重庆大学,2006.
[10]SELESNICK I W.The double-density dual-tree DWT[J].IEEE Transactions on Signal Processing,2004,52(5):1304-1314.