红外目标检测（共10篇）
红外目标检测 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) .
红外目标模拟器的光学设计 篇2
关键词：红外； 目标模拟器； 光学系统设计； 投影光学系统
中图分类号： TN 21 文献标志码： A doi： 10.3969/j.issn.1005-5630.2015.01.009
Abstract： We design an optical system of infrared target simulator for infrared optical testing system. A non-focal and back-focal systems were adopted. We use Zemax software to design and optimize the system. The optical system works at 8-12 μm with a field of view of 12°， a focal length of 230.599 mm， an exit pupil distance of 600 mm and an exit pupil diameter of 100 mm. The optical system has 9 lenses. The lens with the largest diameter is 229.77 mm. The designed optical system almost achieves diffraction limit. MTF of full fields are more than 0.39.80% energy is focused within 23 μm diffraction circle. The design meets the requirement. The system is good for infrared optical testing system.
Keywords：infrared； target simulator； optical system design； projection optical system
引 言
红外目标模拟器是红外半实物仿真中的关键部件。红外目标模拟器的光学系统的作用就是将红外场景生成器产生的红外目标准直投射到被测系统，准直系统的出瞳要与被测系统的入瞳重合，模拟来自无穷远的红外目标，以便检测被测系统的各项性能指标。为了保证模拟目标器的性能，投射光学系统的性能必须与被测系统的光谱波段、出瞳位置和尺寸、视场角、分辨率等各项要求相匹配。可见，目标模拟器的光学系统在整个红外目标模拟器中具有非常重要的作用，它直接影响到目标模拟器的各项性能。
1 光学系统的指标
投射光学系统要求将产生的红外目标经光学系统准直投射到被测系统。该红外准直投射光学系统的设计参数由三个因素确定：（1）被测红外搜索跟踪光电系统的光学参数；（2）红外发射器的有效尺寸；（3）被测系统与红外场景投射器的光机耦合的限制。这三个因素基本决定了红外准直投射光学系统的工作波段、视场、焦距、出瞳直径、出瞳距和光学系统尺寸等技术指标。
根据光学系统的要求，红外目标模拟工作波段为8～12 μm，光学系统的视场角为12°。确定光学系统的视场角后，得知红外目标产生器的工作面为48.50 mm，就可以确定光学系统的焦距为230.56 mm。红外目标模拟器光学系统和被测系统组合成复合系统，红外目标模拟器的出瞳参数必须与被测系统入瞳相匹配才能达到最优测试效果。根据瞳孔比配原则，被测系统的入瞳就是红外目标模拟器光学系统的出瞳，红外准直投射光学系统的出瞳尺寸要大于等于被测系统的入瞳尺寸，以防止通过系统的能量被阻挡或渐晕。
2 结构形式和材料的选择
2.1 结构形式的选择
根据光路可逆原理，采用反向设计，即采用平行光入射，其像面位于光学系统的焦平面上。在设计时采用准直投射光学系统来实现，将红外目标发生器放置在准直投射系统的焦面上来模拟无穷远的红外目标。
准直投射光学系统一般有透射式和反射式两种。反射式系统对于材料没有限制，在材料表面镀膜即可，没有色差，镜筒可以做的很短，轴外像差校正容易。但反射式系统存在众多缺点，比如由于次反射镜存在中心遮挡，导致透过率下降，次反射镜的固定和校正较困难，同时反射式系统的视场一般较小，不能满足大视场、大孔径的要求。相比较而言，透射式光学系统校验方便，且能满足较大视场和孔径的像质要求。因此在设计中，采用透射式结构来实现准直投射光学系统。
根据系统的技术指标，出瞳距为600 mm，出瞳直径为100 mm，采用透射式结构，轴外光束在第一组透镜上的投射高度很大。光学系统的视场为12°，第一片透镜的口径为：
致使第一片透镜的通光孔径D1大约在226 mm，采用一次透射式结构，轴外像差校正难度大，因此采用无焦系统和聚焦系统的复合系统。不仅可以减小系统后面透镜的尺寸，减轻系统重量还可能降低轴外像差的校正难度，同时在分束镜位置引入平行光还可以减小分束镜带来的像差。透射式结构原理图如图1所示，工作方向与设计方向相反，加入分数镜便于引入另一路目标源。
2.2 材料的选择
红外光学系统与可见光光学系统的主要区别在于只有有限的材料可有效应用于中波红外和长波红外波段，能同时应用于这两个波段的材料就更少。锗、硅等是红外光学系统常用材料，表1所示为红外光学材料对不同波长的折射率。
红外目标检测 篇3
运动弱小目标的检测和跟踪被广泛应用于红外自寻的制导、搜索跟踪和预警等领域,是一个对实时性和识别精度有较高要求的高科技问题,近20年来,一直是雷达、光学和红外图像应用领域的研究热点。由于弱小目标在红外图像中表现为无形状、大小、纹理的点目标,且图像信噪比低[1],单帧的检测跟踪方法已不能满足要求,取而代之的是更加复杂的针对序列图像的处理算法[2,3,4]。算法复杂度的增加,使得单个DSP很难满足实时性要求,从而使利用多DSP并行处理技术实现高速数据传输和处理成为研究的重点。
ADSP-TS201S是ADI公司Tiger SHARC系列中面向通信和视频领域的高端DSP。该款处理器是当前处理能力最强的浮点DSP,同时兼容定点处理;其采用了静态超标量结构,支持单指令多数据(SIMD),每周期执行4条指令、6个浮点或24个16 bit定点操作;内核时钟高达600 MHz,处理能力每秒48亿次乘加运算(GMACS)或36亿次浮点运算(GFLOPS)。此外,TS201S所具有适合多DSP并行处理的突破性体系结构,专门的片内分布式总线仲裁逻辑可以实现最多8片DSP共享1条外部总线,4条高速链路口(LINK)可以实现多处理器间的通信的无缝连接,非常适合于大数据量、高复杂度数据的实时处理应用[5]。
本文提出了以4片ADSP-TS201S为信号处理单元,采用链路口两两交叉互联构成了松耦合多DSP并行流水处理平台。通过与CPLD和各种存储设备的配合使用,设计实现了具有高实时性、高存储量和良好扩展性等特点的多DSP红外目标检测跟踪系统。
2 多DSP并行处理系统设计
2.1 并行系统方案的确定
在多处理器系统中,处理器节点之间的通信通常采用两种方案:一种方案是使用专门的点对点通信信道;另一种方案是节点之间通过一个共享的全局存储器和一条并行总线进行通信。ADSP TS201S通过高速链路口(LINK)实现第一种方案,通过高速外部总线口(簇总线)实现第二种方案。
由多ADSP TS201S组成的DSP系统从数据传输方式来看,有以下3种耦合结构[6]:
1)由高速链路口(LINK)互连构成松耦合结构;
2)由高速外部总线口(簇总线)共享存储器构成的紧耦合结构;
3)由前两种共同构成的混合耦合结构。
紧耦合结构中数据传输是并行模式,优点是传输速率高,但随着并行处理单元数量的增加,DSP之间的通信时间和总线仲裁时间开销急剧上升,造成并行加速比和并行处理效率降低。相比之下,松耦合结构中数据传输是串并行方式,适合于多DSP的分布式并行处理。同时这种结构还具有结构简单、总的数据传输速率高于紧耦合结构、无总线仲裁问题、PCB板设计也相应简化等优点。根据红外弱小目标检测跟踪的特点,本文采用高速链路口的松耦合结构。
图1给出了所设计的并行系统框图,红外弱小目标检测跟踪并行处理系统方案采用了4片ADSP TS201S通过高速链路口(LINK)两两交叉互联的方式,4片TS201S的4个LINK口中的3个被用于DSP之间的两两互联,1个用于处理板之间的扩展互联。在本系统中,4个DSP在600 MHz下的定点运算的峰值速度可达到19.2 GMAC(16 bit),浮点运算的峰值速度可达到14.4 GFLOPS,4个LINK口由于采用了LVDS技术和DDR技术,总数据吞吐率能达到4GB/s。64 bit外部数据总线最大数据吞吐率1 GB/s。同时每片DSP都拥有4 G的外部存储器和外设寻址空间。这些性能指标为复杂的检测跟踪算法的硬件实时实现提供了可能。
2.2 系统的数据处理流程
如图1所示,首先通过前端LVDS数字视频接口,使LVDS视频图像数据在CPLD的控制信号下,经过时序转换后写入前端双口RAM中。此处我们选用的是IDT70V28L高速64k×16位的双口RAM。在DSP1的DMA控制器作用下,将视频输入双口RAM中的数据转移到SDRAM中,然后各个DSP通过链路口在DMA方式下进行数据的传输,使得数据分配过程与DSP运算过程并行执行,提高处理效率。处理后的数据,在DSP4的DMA控制器作用下,将数据从SDRAM写入后端双口RAM中。最后在CPLD控制下将双口RAM中的视频数据通过LVDS数字视频接口输出到外部。视频数据的输入输出、DSP中断和其它外设控制逻辑的管理由1片XC95288XL CPLD完成。
系统通过挂载在DSP1的FLASH进行系统的初始化及程序加载。由于松耦合系统没有使用总线共享,所以除了DSP1是采用EPROM方式进行加载外,其他DSP都是通过链路口实现程序的加载。图2给出了所研制的并行处理系统的实物图。
3 算法流程及实现
本系统主要用来实现对红外弱小目标的检测和跟踪,可以实时地从红外成像仪或其他采集系统读入视频图像信号,对图像进行实时处理以检测和跟踪目标,并将目标的位置和运动信息输出。红外小目标的检测跟踪算法流程如图3所示。将各阶段的处理分别分配给各DSP,实现基于过程控制流的并行处理。
3.1 算法原理
图像预处理主要是实现对图像背景的抑制,增强目标,提高信噪比。它的处理效果直接关系到后面检测与跟踪的速度和可靠性。根据红外图像中目标、背景干扰和噪声的特点,本文采用经典的灰度形态学Top-hat滤波算子对输入图像进行滤波。该算法原理简单,易于硬件实时实现,并且能有效地消除红外图像中的背景[7]。Top-hat滤波算子定义如下:
其中:f为红外输入图像,g为结构元素,fg为用结构元素g对图像f进行灰度开运算,其结果为估计出的背景,相减后得到HAT(f),为滤除了背景的目标图像。由于小目标像素在2×2~5×5之间,根据概念,结构元素要大于或等于小目标的面积。这里我们选取7×7的钻石型结构元素。
Top-hat滤波后,进一步对图像进行自适应全局门限法的阈值分割[8]。设输入图像为f(i,j,k),处理后图像为g(i,j,k),并令门限为T(k),则有:
式中T(k)是随序列图像的变化而自适应改变的,即:
式中λ为加权值,选择范围为3~5。mean(k)、var(k)分别表示第k帧图像的图像灰度均值和方差。经过上述的阈值处理以后,得到一个去除背景干扰和弱噪声的目标图像,这时,可能是目标的点保留其灰度值,其余点的灰度值为零。
由于红外图像的信噪比一般都较低,所以单帧图像无法作出对目标适当的判断,因此采用检测前跟踪(TBD)算法来实现目标的检测跟踪。这里我们采用多级假设检验算法。该方法是速度滤波器的一种高效算法,是截断的序贯似然比检验法[9]。它利用假设检验的方法对候选轨迹所组成的树形结构做出修正,以随时去掉没有通过检验的树,达到减少运算量和存储量的目的。该算法的具体硬件实现可以参考文献[10]。
3.2 算法的系统实现
整个算法在硬件系统中的实现流程如图4所示。按照检测跟踪算法原理将系统分为4个模块处理单元,预处理模块、目标检测模块、目标跟踪模块、输出处理模块。实际应用中根据不同的算法进行合理的DSP分配。
针对本文所提出的算法,首先视频图像采用乒乓缓冲方式存入输入双口RAM中,这样可以保证处理器进行数据处理的同时,外部数据的连续传输。当一帧图像存入双口RAM时,DSP1通过DMA方式将图像传输到SDRAM中,并完成Top-hat和阈值分割预处理算法。然后通过链路口DMA方式将图像传输到DSP2的SDRAM中,再以同样的传输方式将图像传输到DSP3中,在这两个DSP中实现多级假设检验算法,最后在DSP4中完成目标位置的标识、参数输出等工作,并将视频图像通过输出双口RAM输出到外部显示装置。
4 实验结果
对系统进行了一系列的实验研究。其中一个实验事例采用的输入图像信号是一组天空背景下导弹飞行的红外序列图像。图像尺寸为600 pixels×479 pixels,灰度级为256,序列图像为25帧/s,信噪比小于2。使用上述检测跟踪算法,该并行处理系统实现了对目标实时、准确地检测及跟踪。图5~图8分别给出了各个处理阶段的结果。类似规模与帧频的实验结果都表明,并行处理系统能有效地实时检测并跟踪红外运动小目标。
结束语
随着现代红外数字图像处理中画幅尺寸、帧频、数字量化程度的日益提高,为了满足对实时处理算法复杂度和数据吞吐率急剧增长的需要,本文设计了一套基于4个ADSP TS201S的高性能并行图像处理系统。实验表明,该系统具有良好的实时性、扩展性及适用性,可以实现对大画面、高帧频的红外弱小目标实时检测跟踪。
参考文献
[1]WANG Zhi-cheng,GAO Chen-qiang,TIAN Jin-wen.Multifeature distance map based fusion detection of small infrared targets with low contrast in image sequences[J].SPIE,2005,5985:669-673.
[2]Blostein Steven D,Richardson Haydn S.A sequential detection approach to target tracking[J].IEEE Transactions onAerospace and Electronic System,1994,30(1):197-212.
[3]XING Si-yuan,JI Hong-bing.A track-before-detect algorithm based on particle filter with model estimation[J].ICSP’04,2004,1:311-314.
[4]Zaveri M A,Merchant S N,Desai U B.Multiple single pixel dim target detection in infrared image sequence[J].ISCAS’03,2003,2:380-383.
[5]Analog Device Company.TigerSHARC Embedded Processor Data Sheet[EB/OL].http://www.analog.com,2006.
[6]刘书明,罗勇江.ADSP TS20XS系列DSP原理与应用设计[M].北京:电子工业出版社,2007.LIU Shu-ming,LUO Yong-jiang.ADSP TS20XS Series DSP Theory and Application Design[M].Beijing:Publishing House of Electronics Industry,2007.
[7]王新增,严国莉,关小歉.灰度形态学滤波的红外运动小目标检测方法[J].中国测试技术,2006,32(5):79-81.WANG Xin-zeng,YAN Guo-li,GUAN Xiao-qian.Detection Method of Infrared Moving Small Target Based on Grey Morphology Filtering[J].China Measurement Technology,2006,32(5):79-81.
[8]李国宽,彭嘉雄.红外序列图像中运动小目标的检测方法[J].华中理工大学学报,1999,27(11):25-27.LI Guo-kuan,PENG Jia-xiong.Detection Method of Small Moving Targets in IR Sequence[J].Huazhong Univ.of Sci&Tech,1999,27(11):25-27.
[9]Werthmann J R.A step-by-step description of a computationally efficient version of multiple hypothesis tracking[J].SPIE,1992,1698:289-230.
发电厂带电电力设备红外检测浅析 篇4
电力设备的红外检测诊断是一项简便、快捷的设备状态在线检测技术，任何有一定温度的物体，都会以电磁波的形式向外界辐射能量。所辐射能量的大小与该物体的热力学温度的四次方成正比。利用这个原理制成的红外测温仪，具有不停电、不取样、非接触、直观、准确、灵敏度高、快速、安全、应用范围广等特点，是发、供电设备实施状态检修重要技术监督方法，是保证电力设备安全、经济运行的重要措施。本文就红外诊断的基本原理、红外诊断对象、诊断方法和设备缺陷的判断依据，对红外检测和诊断技术管理工作等方面结合实际进行探讨。
一、电力设备状态红外检测与故障诊断的基本原理
设备故障红外诊断的前提，首先是用红外方法检测到设备运行状态的变化及故障信息。
电力系统的各种电器设备中，导流回路部分存在大量接头、触头或连接件，如果由于某种原因引起导流回路连接故障，就会引起接触电阻增大，当负荷电流通过时，必然导致局部过热。如果电器设备的绝缘部分出现性能劣化或绝缘故障，将会引起绝缘介质损耗增大，在运行电压作用下也会出现过热；具有磁回路的电气设备，由于磁回路漏磁、磁饱和或铁芯片间绝缘局部短路造成铁损增大，会引起局部环流或涡流发热；还有些电气设备（如避雷器和交流输电线路绝缘瓷瓶），因故障而改变电压分布状况或增大泄露电流同样会导致设备运行中出现温度分布异常。总之，许多电力设备故障往往都以设备相关部位的温度或热状态变化为征兆表现出来。
世间万物都会发射人眼看不见的红外辐射能量，而且物体的温度越高，发射的红外辐射能量越强。红外测量通常测量到的是三种合成辐射——本身的辐射、物体表面反射的辐射、大气辐射的能量。只要运用适当的红外仪器检测电力设备运行中发射的红外辐射能量，并转换成相应的电信号，再经过专门的电信号处理系统处理，就可以获得电力设备表面的温度分布状态及其包含的设备运行状态信息。这就是电力设备运行状态红外检测的基本原理。
二、红外诊断对象
只要表面发出的红外辐射不受阻挡的设备，都属于红外诊断技术的有效监测设备，例如：旋转电机、变压器、断路器、互感器、电力电容器、避雷器、电力电缆、母线、导线、绝缘子串、组合电器、低压电器及二次回路等。
三、诊断方法和设备缺陷的判断依据
电力设备巡视是每天必须进行的一项重要工作，其方法一般为通过目测、耳听和鼻嗅等来了解设备的运行情况，其中以目测为主。但目测的方法有着很大的局限性，一些有发展性的缺陷，特别是设备内部缺陷，要等到设备发热到一定程度后才能被发现，这样不但使设备缺陷的及时发现和处理造成延误，而且可能会对运行设备造成不同程度的损坏。
1.电流致热缺陷判断
（1）三相同位置最大相间温差比较法。进行同一间隔设备相同位置接点的最大温差比较，电流致热缺陷分析和判断一般采用本方法。
（2）绝对温升判定法。当设备三相同位置接点均过热时使用本方法。
（3）以环境温度参照体温度作为基准温度与三相过热点进行比较。
选取环境参照体有困难时，可在被检测设备本间隔或其他间隔设备载流导线、导电杆上选取温度较低的部位作为环境温度参照体，以其温度作为基准温度与三相过热点进行比较。
（4）电流致热类缺陷分析中应注意的事项。影响红外分析诊断的因素有：负荷、环境温度、风速影响、其他辐射热源干扰、材料辐射系数、测试距离、仪器参数设置（最高最低温度、环境温度、辐射率）、仪器使用条件。
2.电压致热类缺陷检测与诊断
电压致热类缺陷是长时间带有额定电压的设备由于介电强度降低、绝缘劣化、电场分布不均等所导致的设备局部或整体发热。
电压致热类缺陷绝大多数是设备的内部异常发热，所对应的缺陷都是重大缺陷，是红外检测的重点。
某些致热类缺陷也纳入了电压致热类缺陷去分析和管理，如：并联电容器极板击穿后的异常发热；变压器箱壁漏磁通涡流、磁屏蔽接地不良导致的发热；变压器油路循环不倡导致的发热或主油管油循环不正常；电力行业标准中没有计列的其他缺陷性质的发热（如：机械转动部分缺陷导致的发热、非电气原因导致的设备局部温度异常等）。
在红外检测发现和认定的缺陷中，电流致热、电压致热类缺陷都是不可自愈的，而电压致热类缺陷发展形成的事故是电力变电主设备损毁的主要原因。
电压致热类缺陷检测受到影响的程度和内容有：气象条件的影响、日照辐射影响、周围光辐射影响、双节设备电场分布的影响、被拍摄设备视角的影响、仪器参数设备（最高最低温度、环境温度、辐射率）。
3.发电厂变电所设备红外检测的故障判别方法
上文提出用发热点相对环境温度的温升来判断热缺陷，并给出了对不同负荷电流下不同设备接头过热的警界温升表。当被检测点相对环境温度的温升大于表中所规定的警界温升时就认为有缺陷，并按表中的警界温升确定缺陷种类，这种方法简单、直观、实用性较强，但是在线路红外检测时存在以下不足：
（1）对于发电厂变电所设备，由于条件限制，不可能准确测量设备周围的环境温度、湿度、风速以及检测距离（一般采用地面环境温度、湿度、风速作设备的环境参数，检测距离的估计），这样所测得的发热点相对环境温度的温升存在误差，必然带来热缺陷判断的误差。
（2）对于高压设备，即使相同材料、相同环境条件，由于集肤效应和邻近效应，在相同负荷电流情况下，交流线路的发热应比直流线路的发热严重，而上文中只根据导线型号和负荷电流来规定警界温升是有局限性的。
（3）不同设备、不同材料的发热特性各不相同，在不同条件下的允许温升应各不相同，例如在有太阳辐射时，会在被检测对象上附加一定的温升，这时的警界温升显然与没有太阳辐射时是不一样的。显然，简单地采用这种方法来分析热缺陷并不方便、准确。《带电设备红外诊断技术应用导则》对电流致热型设备的热故障判别提出用相对温升判断法，该方法通过分析相对温差与接触电阻的变化关系，依据电力行业标准《电力设备预防性试验规程》(DL/T596)中对接触电阻的规定，确定了分析电流致热型设备热缺陷的相对温升来判断。这种方法从发热的内在原因出发确定判断方法，克服了一些环境因素及负荷电流等对测量结果的影响，对电力设备的红外诊断具有指导性。
四、红外检测和诊断技术管理工作
1.红外检测人员基本要求
（1）掌握紅外检测的基本原理。
（2）熟悉设备的基本结构和运行原理。
（3）掌握红外检测相关规程。
（4）掌握目前已成熟的红外检测经验和案例。
（5）积累红外检测经验。
（6）学会使用分析软件。
2.电流致热缺陷现场拍摄
（1）检查仪器参数设置。
（2）必要时记录环境气象条件。
（3）核对负荷电流和最大负荷。
（4）不热的不拍。
（5）争取有个相间同位置进行比较。
（6）热点图像单拍摄一张局部详图。
（7）角度合适，能准确反映设备发热的部位和原因。
（8）尽可能避开外辐射源的影响。
（9）记录好每张红外热像图的编号和对应设备名称。
3.电压致热类缺陷检测现场拍摄
（1）检测前，应了解设备的运行情况。
（2）红外热像仪开机后先检查仪器日期、时间、辐射系数、距离参数、温度范围设置。精确检测的辐射系数使用0.92，距离参数设置12m，现场一般不再调整。
（3）不论红外热像仪屏幕红外图像目测有无温度异常，均应拍摄红外热像图，使用软件进行红外热像图分析。
（4）应将间隔内三相设备拍摄在一张红外图像。不同间隔的单一设备拍摄应与其他间隔同类设备使用相同距离、相同角度。
（5）拍摄应去掉对红外图像分析无意义的物体，获取设备最大的整体红外热像图。
（6）三相或两相设备本体的关键部位应互相无重叠遮挡。
（7）设备本体温升、温场分布异常达到严重及以上缺陷时，应将设备异常过热的准确位置、实测温度、缺陷初步诊断结果和注意事项告知值班员，缺陷诊断初步结果应填入缺陷记录簿。初步诊断为危急缺陷的，应立即向上级汇报。
（8）新投运的变电设备应于投运的第1、3、7天连续进行精确检测，无异常后转入正常的电力设备红外检测。初始红外检测热像图应作为基础技术资料保存。
（9）新投运的变电设备精确检测发现设备本体温场分布异常时，应进行红外连续跟踪检测，根据红外诊断结果及时采取其他带电或停电检测措施。
红外诊断技术还可以在电厂其他诸多方面发挥重要作用，例如：转动机械轴系过热故障的诊断；储煤自燃隐患的诊断；锅炉堵灰的红外检测等。可以说，凡是能够表现为温度异常的各种故障，原则上都可以应用红外检测技术做出诊断，许多课题尚待进一步研究开发。
红外图像中人体目标检测技术研究 篇5
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.
基于相似性滤波的红外小目标检测 篇6
空中弱小目标的检测是当前红外研究的热点和难点,当导弹﹑飞机与红外探测器的距离很远时,目标在红外图像中仅占一个或几个像素点,很难提取出目标的形状结构﹑纹理等特征,而且红外图像中绝大部分是起伏的云层和大气辐射背景,目标往往会淹没在背景当中,同时红外探测器和成像系统本身也会引入各种噪声,使得红外点目标的图像信噪比低,对比度低,更增加了弱小目标检测的难度。
鉴于点目标只有灰度信息,同时信噪比低,传统的基于目标的特征和强度信息的方法很难实现小目标的检测,因此,检测识别点目标的可用信息时除了目标本身的灰度信息外,还必须利用目标周围的灰度分布和图像中灰度起伏特征。本文利用背景像素点和目标像素点的灰度值在空间分布上与其邻域像素之间的差异,提出相似性滤波的方法来抑制背景杂波的干扰,提高图像的对比度和信噪比。同时为了降低噪声的影响,对红外图像中存在的高斯噪声和脉冲噪声分别进行处理,不但尽可能的消除了噪声的影响,还最大限度的保留了图像的边缘信息。结合Robinson Guard空域滤波方法,给出了红外点目标检测的具体实现。
2红外点目标﹑背景和噪声的特性分析
天空红外图像的背景绝大部分是云层和大气辐射,既有较亮的块状云团,面积较小的云朵,也有暗淡的大气背景。云层和大气辐射部分的像素值是平缓变化的,相邻像素点的灰度值之间具有很强的相似性。运动目标往往淹没在背景当中,仅占几个像素点,从灰度值上看,因为目标点的热辐射作用,点目标灰度值与背景灰度值之间存在很大差别,与周围邻域像素点之间的相似性很小。红外噪声主要包括热噪声﹑散粒噪声﹑1/f噪声和温度噪声等,红外噪声的分布与背景无关。
基于灰度信息的红外点目标图像模型可以描述为:
f(i,j)=fT(i,j)+fB(i,j)+fN(i,j) (1)
其中,fT(i,j)为红外图像的灰度值;fT(i,j)为点目标的灰度值;fB(i,j)为背景灰度值;fN(i,j)为噪声灰度值。点目标和噪声为图像中的灰度奇异点,属于图像的高频信息,大部分背景属于图像的低频信息。
3自适应噪声处理
天空点目标的红外图像是低信噪比的图像,为了有效的检测出点目标,必须去除图像中的噪声。传统的去除噪声方法主要有:中值滤波法﹑均值滤波法﹑形态学方法和小波方法。但这些方法往往只对某种噪声有效或严重依赖于给定的关键值。红外图像一般同时受到高斯噪声和脉冲噪声的污染,为了有效去除这两种噪声,很多自适应的方法被提出[2,3],但这些方法在去除图像噪声的同时使得图像变得模糊。图像的边缘包含很多有用的信息,在去噪的同时应尽可能的保留,因此,在上述方法的基础上进行改进:对图像中受噪声污染的像素和边缘像素进行识别,对被高斯噪声和脉冲噪声污染的像素点分别进行处理,保持边缘像素点,从而在尽可能消除噪声影响的同时保留图像的细节。
3.1像素点的区分
脉冲噪声(正脉冲噪声和负脉冲噪声)在数值上通常表现为局部极大值或极小值,但数值很大或很小的像素并不一定就是脉冲噪声点,还必须利用噪声的其他特性[4]。考虑噪声点往往是孤立点,即几个脉冲噪声点同时在一起的可能性很小,而边缘点虽然在局部也具有最大或最小特性,但边缘像素点是连续的,同时高斯噪声点集中分布在其均值左右的三倍方差范围内。利用这些特性来实现脉冲噪声﹑高斯噪声﹑边缘的分离。
设f(i,j)为图像中任意点,以像素f(i,j)为中心的邻域内全体像素点的均值为m﹑方差为σ,设max(i,j),min(i,j)分别表示邻域内像素的极大值和极小值,计算f(i,j)与均值m之间的偏差σy,表示y(i,j) 8邻域中的任意点,σy表示y(i,j)与均值m之间的偏差,则具体判别规则如下:
(1)若σf≥3σ,并且f(ij)=max(i,j)或f(ij)=min(i,j),且存在y(i,j)满足σy≤σf,则将f(i,j)判为边缘点,保留其灰度值,不对其进行去噪处理;
(2) 若σf≥3σ,且f(ij)=max(i,j)或f(ij)=min(i,j),但不存在y(i,j)满足σy≤σx,则将f(i,j)判为脉冲噪声点;
(3)将不满足(1)﹑(2)条件的点判为受高斯噪声污染的点;
对整幅图像的像素点分别进行计算,判别出图像中的像素点分别属于脉冲噪声﹑高斯噪声﹑边缘像素的类别,分别对它们进行不同的噪声处理。
3.2噪声处理
中值滤波利用当前滤波点的邻域平均值来代替当前点的灰度值,均值滤波利用邻域中值来代替当前点的灰度值,同时为减少滤波点周围噪声污染像素点对滤波效果的影响,对滤波窗口内像素点给出相对应的权值,权值随噪声类型和局部灰度变化而改变,通过改变权值控制滤波效果。如果当前像素点为高斯噪声或灰度值与局部的中值相差不大,最后的滤波器处理结果则趋近于均值滤波,如果当前像素点为脉冲噪声或灰度值和中值相差很大,最后的滤波器处理结果趋近中值滤波。通过噪声类型和局部灰度分布变化自适应得调节滤波器的参数,尽可能的利用中值和均值的滤波的良好特性。
改进的自适应滤波处理的表达式如下:
式中,med为滤波窗口内灰度中值;f(i,j)为点(i,j)灰度值;f(i+m,j+n)表示f(i,j)的滤波邻域;定义该点权值为wi,j(m,n),归一化权值为undefined;(-p,p)是滤波窗口的范围;g(i,j)为f(i,j)经过滤波后的灰度值。
4相似性滤波算法
在红外运动目标的检测中,为了消除背景的影响,提高图像的信噪比,一般采用预测背景的方法,将预测的背景fL(i,j)与原始图像作差分。自适应背景预测表达式如式(2)、(3)。wi,j(m,)为像素值的加权系数。权系数的取值由邻域像素值与窗口中心像素值绝对差的某个函数决定 即:
undefined (6)
若f(i,j)为物体内部或弱边缘,则与邻域点的灰度值相差不大,这时主要使用邻域点对其预测,需要选取较大的邻域权值wi,j(m,n)。若f(i,j)处于物体的强边缘,其邻域点灰度值与之差异显著,此时需要保留f(i,j),邻域权值wi,j(m,n)取值较小,为此ϕ可以选择单调递减函数。
将预测背景图像与原始的图像作差分,得到残差图像f'(i,j)如下式:
undefined (7)
利用邻域灰度值的加权对当前像素点进行预测不可能得到完全精确的值,预测值与原始灰度值之间存在着误差,对于整幅图像来说,各个背景像素值的误差其分布在实际处理中认为近似服从高斯分布,即后续的处理被看作是从高斯分布中寻找非高斯信号的过程。对高斯信号中非高斯信号的识别非常复杂,而且由于背景预测的影响使得点目标的非高斯特性不明显。同时采用预测背景的方法不但要计算各个邻域点的加权系数,还要将各个邻域点的灰度值与权系数相乘并计算累加和,计算非常耗时,不利于红外点目标在实际中的应用。为此,在背景预测基础上提出一种相似性滤波方法。
相似性滤波是基于红外天空图像的像素分布特点而提出的。若当前像素点属于背景像素时,因为背景平缓变化,相邻像素值之间具有很强的相似性,则当前像素与它的邻域像素点之间的平均相似性很大;若当前点为点目标像素,目标像素点因辐射作用,灰度值与周围像素点存在一定差异,与邻域像素点的平均相似性很小;若当前像素为背景的边缘,该点与邻域部分像素存在较大差别,则平均相似性介于点目标与背景之间。通过像素点之间平均相似性的评价,把图像中所有或明或暗的云层和暗淡的大气辐射背景都统一转化为平均相似性接近的区域,通过平均相似性取反值,背景区域的像素值趋近零,突出相似性小的点目标,而边缘部分的相似性介于两者之间,实现了背景﹑点目标﹑云层边缘的分离。相似性滤波的表达如下:
undefined (8)
undefined (9)
undefined (10)
其中,s(i,j)为当前滤波点s(i,j)的平均相似值;undefined为平均相似性的反值;k为邻域像素个数;(Δi,Δj)表示邻域大小,一般根据目标的大小选择合适的矩形区域;s(i+Δi,j+Δj)为邻域点f(i+Δi,j+Δj)与当前点f(i,j)的相似性;σ用于调节函数的衰减速度。
相似性滤波抑制了占图像中绝大部分的背景杂波,同时增强了待识别的点目标信息,保留了图像中的边缘细节,使得整幅图像的对比度和信噪比得到大大提高,即使点目标在原图像中的灰度值与部分背景灰度值差别不大也能够在图像中得到明显体现。相似性滤波后的背景部分不再是近似高斯分布的噪声,而是仍然满足平缓变化的区域,在减少大量计算量的同时,使得后续的点目标识别变得简单。
5点目标检测算法的实现
红外图像中噪声对点目标检测识别的影响很大,在进行相似性滤波之前,对原始图像进行去噪处理消除噪声尤其是高斯噪声的干扰,然后对图像进行相似性滤波,达到抑制背景的同时增强点目标,分离边缘云层,提高整幅图像的对比度和信噪比,为得到点目标,结合Robinson Guard 空间滤波算法进一步消除平缓变化的背景﹑背景边缘的影响。
6仿真试验与结果分析
6.1仿真试验
图1～图4为两组天空红外弱小点目标的仿真图像,其中图1为原始图像,对它分别进行处自适应去噪处理和相似性滤波操作,图2为相似性滤波后的图像,图2中云层和大气辐射背景被极大的抑制了,同时云层的边缘被很好的保留,不明显的点目标被极大增强了。利用Robinson Guard对图像进一步处理,如图4为最后检测的结果。
图1中,点目标并不明显,点目标的灰度值低于部分背景像素的灰度值,背景并不是均匀分布的,认为点目标与背景的灰度值具有极大差异,如基于局部能量比[5],图像熵[6],分形维数[7]和蚁群的Otsu[8]方法等都不能够很好的实现目标的检测。图3分别为原始图像与预测背景图像作差分后的残差图像(为便于直观显示,对整幅残差图像的灰度值进行了线性调整),图像中的背景部分经过抑制后仍然存在大量的杂波,这是由于预测的不准确造成的,部分杂波灰度值接近点目标灰度值,点目标难于利用简单有效的方法识别出来。图2采用相似性滤波的方法能够将明亮的云层和暗淡的大气辐射背景都转化为平缓分布的暗淡区域,其大部分像素趋近于零值,图像中点目标虽然与部分背景灰度值接近,但滤波后却被增强了,同时滤波后很好的保留了背景的边缘变化,图像的信噪比和对比度获得极大的提高。平缓背景的高信噪比和高对比度图像中目标的检测很容易实现。
6.2结果分析
采用自适应噪声处理和相似性滤波的方法能够有效地提高图像中信噪比和对比度,抑制图像中对点目标检测造成干扰的大量背景杂波信息,结合Robinson Guard滤波方法能够有效的实现点目标的检测。
算法的实现是建立在原始图像的背景分布比较平缓的条件下,若背景的变化特别剧烈,则相邻像素点之间的相似性很小,易于突出变化激烈的背景像素,造成点目标在相似滤波后仍然受到的背景杂波的干扰,相似性滤波对图像质量的提高能力有限;当点目标很小时,噪声斑块的大小和灰度值可能接近点目标,相似性滤波会引起部分噪声点的增强,因此必须对噪声进行有效地的预处理;相似性滤波窗口的大小要选择适当,过小时,使得当前像素点被误判为背景像素点,目标点有可能出现空洞甚至丢失现象,过大时,计算耗时。
摘要：针对天空红外图像的特点,利用背景像素点和目标像素点的灰度值在空间分布上与其邻域像素灰度值之间的差异,提出相似性滤波的方法,相似性滤波的方法,算法简单,图像中的背景干扰能够被极大抑制,图像中点目标的对比度和图像的信噪比被显著提高。为减小噪声影响,一种自适应的噪声处理方法被给出,它对图像中的高斯噪声和脉冲噪声分别处理,在提高去噪效果的同时保留了图像的边缘信息。仿真结果表明提出的算法对红外点目标的背景具有极好的抑制能力。
关键词：红外点目标,自适应噪声处理,相似性滤波
参考文献
[1]郭杰峰,陈桂林.云天背景下单帧红外图像的点目标检测.激光与红外,2007,37(9):898～891
[2]Tudan,Yanhong,Zhenkang Shen.A New Nonlinear Preprocessing Algorithm for Infrared Image.IEEE,1997.
[3]曹西征,郭立红.基于相似加权滤波的红外图像增强算法.计算机测量与控制,2007,15(4):534～537
[4]何洪英,姚建刚,罗真生.红外图像的自适应混合消噪方法.计算机工程与应用,2006,6:7～9
[5]林玉野,高晓颖,曹炬.基于局部能量比的空中红外弱小目标的检测方法.航天控制,2007,25(5):48～50
[6]赵钦佩,姚莉秀,刘瑞明等.一种新的基于背景的红外图像分割方法.计算机仿真,2007,24(5):202～205
[7]卢晓东,周军,周凤岐.自然背景下对人造红外目标的分形检测.航空兵器,2006(12):31～33
红外目标检测 篇7
在现代化的高技术战争中, 能及时地发现目标, 实现迅速有效的攻击, 是机载武器系统发展的一个趋势。对于远距离目标, 且对比度较低的情况下, 要保证可靠、准确地检测并跟踪目标是很困难的。早期围绕背景预测的红外弱小目标检测技术使用较多的是中值滤波器和匹配滤波器, 到后来提出的形态学滤波器等, 但得到的作用效果有限。
目前, 提出了一些新的背景预测方法, 包括基本背景预测法、自适应背景预测法、分块背景预测法、基于神经网络的背景预测方法等。但当背景起伏较大, 图像信噪比较低时, 在背景的起伏边缘就会出现较多的虚警。为了尽可能地对边缘进行准确预测, 使残差图中边缘被极大抵消。
文献[1]和文献[2]提出了新的背景预测和小目标检测方法。但文献[1]需要设定阈值对亮暗点分类, 文献[2]需要在处理中使用公式, 增加了算法复杂度。鉴于此, 本文借鉴了多向梯度的思想, 结合云层的灰度特点, 提出了一种新的背景预测方法, 不仅减少了起伏背景对检测结果的影响, 并且降低了算法复杂度。
1背景预测原理
由于背景图像像素点间的灰度有较强的相关性, 任何一个点灰度值均可以用其邻域像素点的灰度值预测, 也就是说可以通过周围区域点灰度的线性或非线性的组合来预测。
将原始图像与预测图像相减可以得到预测差, 预测差图像的灰度值越小, 越能增加目标的对比度。基本的背景预测模型为:
预测差图像为:e (i, j) =f (i, j) -y (i, j) (2) 式中:f (i, j) 表示红外图像的灰度值;e (i, j) 表示图像中像素点坐标;y (i, j) 表示预测估计值。
2背景预测方法介绍
根据权值的不同取法, 目前的背景预测方法可以分为:基本背景预测方法, 分块背景预测方法, 基于边缘区域亮暗点分类的背景预测方法等。
2.1 基本背景预测方法
基本背景预测的权重为同定权值。按权值的取法可对应成如下的滤波器模板:
式中:h1, h2, h3模板均适用于点目标和弱小目标;h2, h3模板的兼容性更好一些。
但实际情况是, 整幅图像的背景往往不是单一的。如果用其周围的所有像素的灰度组合来进行预测会导致虚警率的增加, 不利于后续的阈值分割。为解决这一问题, 提出了分块背景预测的方法。
2.2 分块背景预测法
分块背景预测法是将像素点周围背景以该像素点为中心划分为4个区域, 分别以这4个区域中的最大值、最小值、均值、最相似值作为预测点的预测值, 获得预测图。依次称为区域最大化背景预测法、区域最小化背景预测法、区域均值背景预测法、区域最相似背景预测法。这4个区域的背景预测值分别为:
这里以最大值背景预测法为例进行说明。
当弱小目标灰度值较低, 且位于亮云层边缘时, 采用区域最大化背景预测法, 很难使目标灰度预测值远小于真实值, 残差图中的目标点与背景的对比度较低, 无法正确检测到目标。
2.3 基于边缘区域亮暗点分类背景预测法
当被预测点不是边缘点时, 直接进行滤波;当被预测点是边缘点时, 首先利用灰度图像的分割算法将预测窗口内的像素点以预测窗口均值为阈值分为亮点和暗点2类:若亮像素点为多数, 则根据亮像素点计算预测值;若暗像素点为多数, 则根据目标像素点计算预测值。上述方法的缺点是:若预测窗中暗像素点为多数, 则高亮云层边缘的预测值可能会大大减小, 这些边缘点的残差值较大, 从而产生预测误差和虚警。
3基于多向梯度的背景预测法
3.1 多向梯度的简要介绍
在分析上述算法的基础上, 本文借鉴了文献[3]提出的多向梯度的思想, 提出了基于多向梯度的背景预测法:
所谓多向梯度, 是指红外灰度图像在平面各个方向上所表现出的高梯度特性。图像可以看作是在具有空间相关性的红外背景中加入弱点目标而形成的, 所以, 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, 且边缘仅在某些连续的方向上具有高梯度。
理论上, 多向梯度是指平面图像上的360°方向, 但为了便于分析和说明问题, 这里仅举出水平正向、水平负向、垂直正向以及垂直负向4个方向为例做介绍:
梯度中水平正向的定义:Δf (m, n) X+=|X (m+l, n) -X (m, n) | (7) 式中:l为梯度步长, 它与目标的大小有关。
同样, 可以给出 (m, n) 位置处沿水平负方向、垂直正方向和垂直负方向上的梯度 (分别用Δf (m, n) X-, Δf (m, n) Y+和Δf (m, n) Y-来表示) 的定义:Δf (m, n) X-=|X (m-l, n) -X (m, n) | (8)
Δf (m, n) Y+=|X (m, n+l) -X (m, n) | (9)
Δf (m, n) Y-=|X (m, n-l) -X (m, n) | (10)
3.2 弱小目标和复杂云层边缘的灰度特点分析
经过对大量复杂云层图像的观察和分析, 发现图像中的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;而强度较高的背景中的像素, 虽然灰度值较大, 但在它所处的区域中与周围背景无明显差异。并且, 通过对红外图像中云层边缘区域的放大分析, 可以看到这些区域成像时在较大的分析尺度上都呈现出有规律的逐级过渡的纹理特点, 而弱小目标所在的区域在同样的分析尺度上却不具备这样的纹理分布特征[4]。也就是说, 弱小目标的灰度以中心点为最大, 向周围逐渐衰减扩散, 而云层边缘点并非是其邻域内的灰度最大点, 它呈现出由暗逐渐变亮过渡的特点。
3.3 算法的提出
基于上述分析, 假设目标所占像素区域为3×3, 可以得到, 在窗口中心点 (i, j) 处, 选取梯度步长l为3和5, 分别在其水平正方向、水平负方向、垂直正方向和垂直负方向、左上45°方向、右上45°方向、左下45°方向、右下45°方向分别取8个像素点。如图1灰色方框所示, 其中, 中心区域3×3部分代表目标所占区域。
分情况讨论如下:
(1) 选取梯度步长l为3对应的9个像素点, 若预测点为这9个像素点中灰度值最大的点, 则取梯度步长为5, 也在上述8个方向上取8个像素点。
① 若预测点仍为最大值, 则判断预测点为区域最大值点, 此时, 根据上述分析可知该预测点极有可能为目标点。且目标点有2种可能的位置:在较平缓背景处;距离边缘点较近处。因此选取梯度步长l为3对应的8个像素点中灰度值第6高的点, 将其值赋予被预测点。若目标点位于平缓背景中, 赋予的值不影响后续处理;若目标点位于边缘处, 赋予的值可以避免将高亮度的背景边缘像素点赋予预测点, 从而可以提高目标点在残差图像中的对比度, 方便后续的处理。
当然, 该预测点也可能是背景点中的局部最大值点, 考虑到背景的平缓性, 将梯度步长l为3对应的8个像素点中的灰度值第6高的点的灰度值赋予该点, 并不影响后续的处理。
② 若预测点不为最大值, 则此预测点也可能有2种位置:在较平缓背景处;位于云层背景边缘处。此时选取梯度步长l为3对应的8个像素点中的灰度值与被预测点最为接近的像素点的灰度值赋予被预测点。若预测点在较平缓背景处, 选择灰度值最为接近的点显然有利于后续的处理;若预测点在云层背景边缘处, 选择灰度值最为接近的点保证了云层边缘点灰度值预测的准确性。
(2) 若预测点灰度值不为梯度步l为3对应的9个像素点中灰度值最大的点, 则可判断此预测点位于平缓背景处, 也有部分可能位于云层的边缘处。此时选取与被预测点灰度值最为接近的像素点的灰度值赋予被预测点, 可以保证预测值的准确性。
基于上述讨论和分析, 设计算法如下:
(1) 在 (i, j) 像素点的7×7邻域上, 选取包括 (i, j) 在内的其他8个像素点: (i-3, j-3) , (i-3, j) , (i-3, j+3) , (i, j-3) , (i, j+3) , (i+3, j-3) , (i+3, j) ,
(i+3, j+3) , 对这9个点进行排序, 若 (i, j) 不是灰度最大点, 则选取灰度值最为接近的点, 将其值赋予 (i, j) 。若是最大值点, 则转入步骤 (2) 。
(2) 在 (i, j) 像素点的11×11邻域上, 选取包括 (i, j) 在内的其他8个像素点 (i-5, j-5) , (i-5, j) , (i-5, j+5) , (i, j-5) , (i, j+5) , (i+5, j-5) , (i+5, j) , (i+5, j+5) , 对这9个点进行排序, 若 (i, j) 不是灰度最大点, 则选取灰度值最为接近的点, 将其值赋予 (i, j) 。若是最大值点, 则转入步骤 (3) 。
(3) 选取 (i, j) 像素点的7×7邻域上9个像素点按大小排序后将第6大灰度值点赋予 (i, j) 。
(4) 遍历整幅图像。
4背景对消和阈值分割
图像经过背景预测后, 得到的残差图已去掉了大部分低频信息。但仍存在部分高频噪声和干扰点。所以需对图像进行分割, 去掉干扰, 只保留可能目标点。阈值选择对后续处理有重要影响:阈值过高, 可能会丢失真正的目标信息;阈值过低, 将造成较高的虚警率。这里采取自适应阈值分割图像, 取门限为:T=m+kσ (11) 式中:m为图像的均值;σ为图像的均方差;k为权重系数, 根据经验值获得, 一般取5～15。
5仿真实验结果和分析
本文采用的红外弱小目标图像是大小为244×280的具有复杂云层背景的天空图像, 随机加入位于云层边缘的信杂比SCNR为3.0左右的弱点目标。SCNR= (GI-Gb) /σb (12) 式中:GI为目标平均灰度;Gb为背景平均灰度;σb为背景标准差。通过采用基本背景预测法、频域背景预测法、基于边缘区域亮暗点分类背景预测法、区域最大值背景预测法和本文提出的算法在Matlab 7.1平台上进行仿真实验, 并对结果进行分析。
5.1 几种算法的背景预测图效果对比分析
几种算法的背景预测图效果对比分析如图2所示。图2 (c) 为采用基本背景预测法得到的图像。可以看出, 云层边缘部分不仅较暗, 而且存在模糊现象。说明在图像背景相对复杂的情况下, 用其周围的所有像素的灰度组合来进行预测会产生较大偏差。图2 (d) 为采用butterworth频域背景预测法得到的图像, 可以看出, 云层边缘部分同样存在着较为昏暗和模糊的现象。图2 (e) 为采用基于边缘区域亮暗点分类背景预测法得到的图像, 可以看到云层边缘的预测值有较大幅度的降低, 这使其背景残差较大。图2 (f) 为采用基于区域最大值背景预测法得到的图像, 可以看到此时目标灰度预测值较大, 这在后续的处理中使得目标点与背景的对比度降低。图2 (b) 为采用本文算法得到的背景预测图像, 可以看出预测的背景边缘很好地反映了原图的情况, 并且目标区域灰度值很小, 提高了对比度, 易于后续的处理。
5.2 背景对消和阈值分割后几种算法的检测图效果对比分析
背景对消和阈值分割后几种算法的检测图效果对比分析如图3所示。
通过第5.1节的讨论可得到, 采用本文算法预测的背景更为接近真实背景图像, 而且经过背景对消后, 目标点与剩余点灰度值的对比度较大, 鉴于此, 选取权重系数k为15, 得到阈值分割后的效果图如图3 (b) 所示。图3 (c) , (d) 为选取权重系数k为7得到的效果图。图3 (e) , (f) 为选取权重系数k为6得到的效果图。
这里在高亮云层边缘处随机取100个点进行仿真实验, 可以得到在权重系数k为15的条件下, 检测概率可达到98%, 而虚警点个数小于26。由于本文讨论的其他算法得到的残差图像的对比度较低, 在权重系数k为15的条件下, 基本上检测不到目标, 所以不做统计。
6结语
针对传统的背景预测算法存在的不足, 本文借鉴了文献[3]中的多向梯度思想, 并将它运用到了背景的预测中, 提出了基于多向梯度的背景预测算法。实验结果表明:在图像背景起伏较大、信噪比较低的情况下, 该算法能够很好地抑制背景, 特别是能够抑制复杂边缘对检测结果的影响, 有效地检测到红外弱小目标。
摘要：为解决复杂空中背景下红外弱小目标的检测, 提出一种新的基于多向梯度的背景预测方法。该方法根据云层边缘区域、平缓背景区域及弱小目标所呈现的不同梯度特点, 采取不同方法分别进行预测;基本保留云层边缘区域和平缓背景区域的点, 而对弱小目标区域采用邻域低灰度值点进行预测。然后经过背景消除和阈值分割, 将弱小目标检测出来。仿真结果表明, 该算法对复杂空中背景预测有很高的准确性, 能够更加有效地抑制云层边缘引起的虚警, 将红外弱小目标点检测出来。
关键词：背景预测,多向梯度,阈值,弱小目标
参考文献
[1]杨丽萍, 冯小毅.一种新的背景预测方法在红外弱小目标检测中的应用[J].电子技术应用, 2007 (8) :72-75.
[2]杨丽萍, 冯小毅.一种基于背景预测的红外弱小目标检测方法[J].红外技术, 2007, 29 (7) :404-408.
[3]马治国, 王江安, 宗思光.海天线附近红外弱点目标检测算法研究[J].激光与红外, 2004, 34 (5) :389-391.
[4]郭伟, 赵亦工, 谢振华, 等.基于非参数统计的云层背景描述与红外弱小目标检测[J].红外与毫米波学报, 2008, 27 (5) :383-388.
[5]朱斌, 樊祥, 马东辉, 等.窗口大小和权值模板对固定权值背景预测算法的影响[J].红外与激光工程, 2006 (35) :179-184.
[6]朱红, 赵亦工.基于背景自适应预测的红外弱小运动目标检测[J].红外与毫米波学报, 1999, 18 (4) :305-310.
[7]余小英, 李凡生, 邵晓鹏.基于背景抑制的4种红外小目标检测算法比较[J].红外技术, 2009, 31 (5) :287-290.
[8]DENNEY B S, FIGUEIREDO R J P.Optimal point targetdetection using adaptive auto regressive background predic-tion[C].Proc.SPIE.[S.l.]:[s.n.], 2000, 4048:46-57.
[9]TOET A, WU Tirui.mall maritime a target detectionthrough false color fusion[C]//SPIE-The lntemational Soci-ety for Photo-Optical Instrumentation Engineers.USA:[s.n.], 2000, 6945:9450-9459.
红外目标检测 篇8
红外视频图像是对景物热辐射进行处理而得到的灰度图像,相比可见光图像,红外图像不易受到光线影响,这就为进行复杂检测提供了可能,因此可以说红外视频系统是理想的运动目标检测环境。
目前常用的运动目标检测方法主要有3种:帧差法,光流法,背景差分法[1]。其中背景差分法是目前最常用的运动目标检测方法,采用背景差分法进行运动目标检测,首先要对图像背景进行精确估计,然后用当前图像与背景图像进行差分运算,最后对差分图像进行处理,提取出感兴趣区域(ROI),实现对运动目标的检测。背景提取可以采用人工指定的方法,即选取视频图像序列中某一帧没有目标的图像,作为背景图像,但这种方法不能对背景变化进行跟踪,因而背景环境变化将导致检测错误,比较可行的方法是建立自适应背景估计模型,利用视频图像序列对背景进行实时更新[2]。本文选用了一种简单而高效的自适应背景更新模型,该模型原理简单,实现方便,计算量小,能够满足系统实时性要求。
文中基于背景差分法构建运动目标检测系统,对传统方法进行改进,使用该方法不必进行背景初始化,可直接进行运动目标检测,并有效抑制了虚假目标产生。检测系统是基于Intel公司开发的OpenCV函数库在Visual Studio 2008平台上编程实现的。实验结果表明,该系统不但可以满足红外运动目标检测要求,而且具有实时性强、实用性高、错误率低等特点。
1 OpenCV简介
OpenCV(Open Source Computer Vision Library)是Intel公司支持的开源计算机视觉库。它高效而简洁,由一系列C函数和少量C++类构成,主要用于对视频图像进行一些高级处理,如人脸识别、运动跟踪、图像分割及人机互动等,OpenCV的设计目标是执行速度尽量快,主要关注实时应用,它可以在VC++环境下使用,调用方便,功能强大,可以大大缩短相关程序的开发周期[3]。
2 基于背景差分的运动目标检测系统设计
基于背景差分法构建的运动目标检测系统主要包含以下处理流程,如图1所示。
2.1 前景图像的获取
假设环境温度不变,红外视频图像的背景也是不变的,在运动目标可视的情况下,包含运动目标的当前图像与背景图像之间必然在运动目标区域存在较大的灰度差值,利用图像减法就可以得到差分灰度图像。差分图像包含了运动目标信息,相对于背景图像又称之为前景图像。假设利用图像平均法可得到当前背景图像Bfr(x,y),假设当前的输入图像为Cfr(x,y),则前景图像Dfr(x,y)可以表示为:
假设背景是微变的,不难理解,前景图像最后可以归结为当前图像帧中的运动对象和被它遮挡的背景的差值。
2.2 ROI分割
ROI分割是将红外图像中的潜在目标区域分割出来,以便于后面的目标检测操作。ROI分割步骤包括图像二值化处理、数学形态学处理、标记连通区域3个子步骤[4]。
1)图像二值化处理。
采用直接灰度门限法[5]对前景图像进行二值化处理,通过设置合适的灰度阈值T,将前景图像分割为两个区域,即目标区域与背景区域。通过式(2),将低灰度区域划为背景区域, ROI即感兴趣的高灰度区域划为目标区域。本实验阈值T设为40。
2)数学形态学处理。
由于上述处理后的前景图像还包含有很多噪声,而噪声多是亮度较高的像素或小区域,因此可采用数学形态学进行处理。数学形态学最基本的操作是腐蚀和膨胀,先对二值化的前景图像进行腐蚀,然后膨胀其结果,整个操作过程称为开运算操作[6],它具有消除噪声点及细小区域,平滑较大区域边界的作用。
3)标记连通区域。
高亮区域检测结果可能包含很多分离的连通区域,为了完成对目标的检测需要对这些区域进行标记,即获取这些区域的外接矩形坐标。在标记过程中可能出现分离的连通区域标记结果不同或者标记不完整的问题,为了解决这个问题,需要进行区域合并,如果两个区域存在接合部分,则合并这两个区域,采用这两个区域的最外面的坐标为新区域的坐标[4]。
2.3 自适应背景更新
由于环境温度是不断变化的,因此背景提取必须采用自适应背景估计的方法。自适应背景估计的显著特征是背景随着时间更新,更新按照更新公式进行,更新公式的作用在于只用当前图像和已知背景图像来更新背景。在OpenCV函数库中有一个专门的用于背景更新的函数[5]cvRunningAvg,其定义为:
Bfr+1(x,y)=(1-α)·Bfr(x,y)+α·Cfr(x,y) (3)
式中:Bfr(x,y)为当前背景图像;Bfr+1(x,y)为更新后的下一帧的背景图像;Cfr(x,y)为当前的输入图像帧;α是背景更新速率。
α越大背景更新越快,当前输入图像对背景的影响越大,利用背景差分法检测运动目标时,若α取值较大,则可以在更新的背景图像中看到运动目标后面有短而明显的阴影,这对于后续处理有很大影响,会降低目标检测的精确度,目标短暂停留造成漏检等,反之,α取值较小时,这种阴影则长而淡,此时阴影的影响可以通过设置阈值来消除。一般来说,α取值不宜过大,本实验α取为0.01。
由于背景更新需要已知当前背景图像,因此在系统启动时需要进行背景初始化,传统的背景初始化方法是采用图像平均法,就是把从红外视频中提取的一系列连续帧图像的对应像素灰度值累加并求平均作为背景像素灰度值,经过一定时间间隔的图像平均后,就可以把运动目标所造成的误差消除,得到比较准确的背景,但这种方法有个致命的缺陷就是初始化时间较长,在此期间,即使存在运动目标也无法对其进行检测。为了实现开机即检测的实时性要求,可直接初始化背景图像为输入的第一帧图像,再按照上述的背景更新公式更新背景。
3 OpenCV实现
利用OpenCV编程实现的关键步骤说明如下:
1)从视频流抓取图像帧
pCapture = cvCaptureFromFile ("E:openCV movie.avi");
pFrame = cvQueryFrame( pCapture );
cvCvtColor(pFrame, ImgG, CV_BGR2GRAY );//将原始图像帧转为灰度图
2)图像灰度图减去背景灰度图得到前景灰度图
cvAbsDiff( ImgG,bkImgG, dstG ); //dstG=
|ImgG-bkImgG|
3)二值化处理前景图像
cvThreshold(dstG, dstG2, 40, 255, CV_THRESH_BINARY ); //将dstG中的灰度>40的用//0xFF表示,否则用0表示
4)数学形态学滤波
cvErode(dstG2, dstG2, 0, 1 ); // 做腐蚀操作,消除消除小目标和噪声
cvDilate(dstG2, dstG2, 0, 1 ); // 做膨胀操作,消除目标的不连续空洞,平滑目标表面
5) 在原图像中添加矩形框
cvFindContours(dstG2, stor, &cont, sizeof(CvContour), CV_RETR_EXTERNAL,
CV_CHAIN_APPROX_SIMPLE, cvPoint(0,0));//在二值化差分图像中寻找区域
CvRect r = ((CvContour*)cont)->rect;//类型转换
cvRectangle(pFrame, cvPoint(r.x,r.y), cvPoint(r.x + r.width, r.y + r.height),
CV_RGB(255,0,0), 1, CV_AA,0);// 在原图像中添加矩形框
cvShowImage( "检测效果(ATR)", pFrame);//显示图像
6)背景更新,作为下一帧的背景
cvRunningAvg(ImgG, bkImgMat, 0.01, 0); // bkImgMat必须是32bit浮点型
cvConvert(bkImgMat, bkImgG);//转换为8bit图像以进行下一帧的减背景操作
4 实验结果分析与改进
4.1 实验环境介绍
程序在Visual Studio 2008环境下使用VC语言编程实现,程序中调用了OpenCV 2.10库函数,硬件运行环境为Pentium E5300 2.6GHz双核/2G内存,视频为红外摄像机拍摄到的avi文件,大小为720*576,25帧/s,为静止红外摄像机拍摄的远景图像,视频中有一个行人沿垂直于摄像方向行走过一段距离后折返,步行速度适中。
4.2 实时性分析
对于具有实时性要求较高的场合必须对程序的执行时间进行分析,设法计算出程序语句的执行时间,若某段功能代码执行时间过长,则需要对其作算法修改,以提高算法的执行效率。在待测试程序段两头同时设定时间返回函数,取时间差即可得到程序的执行时间,用此方法对所用的OpenCV函数分别计算执行时间可得:对于一帧图像处理时间的主要花费在于图像位数转换(15 ms)及寻找目标轮廓(16 ms),其余操作时间花费约为2 ms,处理一帧图像总的时间花费约为33 ms,输入视频图像为25 帧/s,由此可见,基于OpenCV的运动目标检测可以满足实时性处理要求。
4.3 程序运行结果及分析
检测系统对此红外视频图像中的运动目标进行检测跟踪,实验结果以3个视频的形式输出,这3个视频包括自适应估计的背景视频(Background)、前景视频(Foreground)以及运动目标检测视频(Moving_Target_Detecting),实验结果表明以上3个视频播放流畅,说明检测处理过程实时性很好。本文选取某一时刻同时对此3个视频进行截图,通过对比,可直观看出检测效果。下面对实验结果进行更进一步的分析。
图2显示系统稳定后的实验结果,可以看出:自适应背景估计取得了理想的背景估计效果;对差分图像的处理也很成功,抑制了大部分噪声,得到了很干净准确的差分结果;在原视频图像上对运动目标进行了实时标记。
图3显示了程序刚刚加载运行时,对于运动目标的检测结果,从估计出的背景图像可以看出,第1帧图像中运动目标所在区域仍较亮,没有达到理想的背景估计效果。前景图像显现了两个高亮区域,这导致了在目标检测图上框出了两个运动目标,造成了检测错误。从另一方面来看,系统的检测的实时性很高,从第2帧就可以检测到运动目标。
由于输入视频的第1帧就存在有运动目标,在前面的自适应背景估计一节中已经提到,输入视频图像的第1帧被作为初始化的背景,然后按照(3)式进行背景更新,由于背景更新速率α较小,系统无法很快消除初始化背景的影响,因而无法避免上述的检测错误。进一步实验可知,当目标在运动过程中,出现短暂停留,背景更新会使该区域越来越亮,当目标继续运动时,仍会造成类似图3所示的检测错误。
4.4 改进
为了达到理想的检测效果,必须对算法进行改进,以解决上述问题,通常有以下2种改进方案:
1)增大背景更新速率α,快速更新背景以消除第1帧作为背景的影响,这样无法根本解决系统初始运行时的检测错误,只能缩短错误检测的时间,且背景更新速率α过快又会引入新的问题。
2)利用图像平均法进行背景初始化,而后运用(3)式进行背景更新。背景初始化之后可以得到比较理想的背景,这样系统在初始检测时虽然可以避免上述错误,但引入了初始化时间,且牺牲了多帧图像,若初始化时间内有多个运动目标穿过视频区域,则必然造成漏检。对于一些实时性要求非常强的应用领域,这种方法是不可取的。进一步分析可知,这种方案也无法解决因目标在运动过程中短暂停留而造成的类似图3所示的检测错误。
以上两种方案都没有从根本上解决这个问题,本文提出一种新的检测方法。仔细分析算法可以知道,对前景图像进行处理之后,利用前景图像分割ROI,并在原视频中将运动目标标记出来,即运动目标检测的依据仅为处理后的前景图像,由于在前景图像的处理过程中运用了二值化的图像处理方法,使得真正的目标区域与假目标区域灰度值相同,因而不可避免地造成了检测错误,此时如果利用输入图像的有用信息就可以设法避免这种检测错误。仔细观察图3中的前景图像及运动目标检测图像,可以看出前景与背景灰度图中假目标对应区域两者灰度差别很大,而真正的运动目标所在区域两者灰度差别较小,根据处理后的前景图像与原始图像中真目标与假目标的灰度特点,可设置一个阈值对标记区域的灰度差进行判定,由于真目标两者的差值较小,而假目标两者差值较大,以此为依据就可以消除假目标,一举解决前面提到的问题。改进后的处理结果如图4所示。
前面2.2节在对前景图像进行二值化处理时也用到了阈值,或许有人会认为直接将此灰度门限取大就可以解决上述问题,而不用费那么多周折,我们也考虑过这个问题,实验发现,二值化处理时阈值过大造成的后果是丢失低分辨率目标或者使部分目标区域变小,如果再进行后续的数学形态学处理就可能把部分目标当成噪声或小物体剔除,如此,即使存在运动目标,也无法对其进行检测。对应的实验结果如图5所示。
5 结束语
本文系统地阐述了基于背景差分法检测红外运动目标的方法步骤,并利用OpenCV函数加以实现,最后对实验进行了改进。从最终的实验结果来看,三个输出视频画面流畅自然,检测的实时性较强,检测的准确率也很高。由于检测源采用的是红外视频图像,不能反映出运动目标的纹理和颜色信息,若进一步对运动目标进行识别则存在一定困难,另外本系统特别适合对静止的红外摄像机拍摄的视频图像进行运动目标检测,在背景配准后也适用于移动摄像机的情形,且本文没有对运动目标被遮挡的问题进行探讨,这些需要在后续工作中进一步研究。
摘要：针对红外视频图像中运动目标的检测问题,提出了一种以OpenCV为平台,以背景差分法为基础的运动目标检测算法,在传统检测方法基础上进行了改进,使用该算法不需要进行背景初始化,能直接检测运动目标,并有效抑制了虚警。利用OpenCV提供的函数库在Visual Studio 2008平台上编程实现。实验结果表明,该方法具有目标跟踪快、检测概率高、实时性好等特点。
关键词：视频检测,背景估计,OpenCV
参考文献
[1]谭歆,武岳.基于OpenCV的运动目标检测方法研究与应用[J].电视技术,2010,34(S1):184-187,193.
[2]刘勃.交通流量的视频检测方法研究[D].安徽:中国科学技术大学,2005.
[3]刘瑞祯,于仕琪.OpenCV教程一基础篇[M].北京:北京航空航天大学出版社,2007.
[4]梁英宏.红外视频图像中的人体目标检测方法[J].红外与激光工程,2009,38(5):931-935.
[5]孙即祥.图像分析[M].北京:科学出版社,2005.
[6]HOOSE N.IMPACT:an image analysis tool for motorway a-nalysis and surveillance[J].Traffic Engineering Control Jour-nal,1992.
红外目标检测 篇9
【关键词】状态检修；红外成像；输变电设备
【中图分类号】U224 【文献标识码】A 【文章编号】1672—5158（2012）08—0191-01
0.引言
状态检修，就是在设备状态监测的基础上，根据监测和分析诊断的结果，科学安排检修时间和项目。状态检修的内容不仅包括在线监测与诊断，还包括设备运行维护、带电检测、预防性试验、故障记录、设备管理、设备的检修及验收等许多方面。而红外检测技术是通过非接触式的红外检测手段来监测设备的运行状态，对电力系统中具有电流致热型、电压致热型或其他致热型设备进行成像测温、分析诊断，可以有效诊断设备过热等缺陷，便于及时发现设备隐患，消除设备缺陷，确保输变电设备安全运行。
1.红外检测与诊断的应用
随着经济的发展，长期以来形成的定期检修已不能满足供电企业生产目标，即用最低的成本，建设具有足够可靠水平的输送电能的电力网络。要掌握设备的运行状况可通过先进的仪器对设备进行检测，做到及时掌握设备的运行状况，目的将传统的“预防性检修”提高到“状态性检修”上来。在运行单位要掌握设备的运行状况若还采用传统的检修模式不但消耗大量的人力物力和财力而且没有针对性，不能从根本上消除设备存在的缺陷。运行中的输变电设备由于施工问题和运行环境的变化压接管和引流线部分都有发热的可能若不依靠设备有可能到发生事故时才会发现缺陷。
本着如何有效控制检修成本、合理延长设备使用寿命等问题，在输变电设备中运行维护中大力推进设备状态检修管理理念的应用，使用红外成检测的方法可随时掌握致热型设备的运行状况。根据现有红外检测设备的技术性能等级，由高到低可分为：焦平面热像仪、光机扫描热像仪，斩波型热电视、平移加瞬变型热电视、平移型热电视、红外测温仪。输变电设备可配置高性能的红外热成像仪。
2.红外热成像仪测温原理
每一个有一定热量的物体，都会以电磁波的形式向外界辐射能量，而辐射能量的大小与该物体的热力学温度的四次方成正比。基于此种原理开发研制的红外热成像仪，可以获取设备的红外辐射状态的热信息，并转换成温度进行显示，能测量设备表面上某点周围确定面积的平均温度，以温度高低来判断其工作状态的正常与否，无需与物体直接接触，可实现输变电设备在运行状态时远距离非接触式的测量物体的温度，检测设备的运行状况，通过对电气设备表面温度及其分布的测试、分析和判断，发现设备故障引起的异常温度，准确地发现电气设备运行中的异常和缺陷。从而实现故障隐患的提早发现并进行处理，给输变电设备运行监测提供了—种先进手段。
3.红外成像检测方法
使用红外热成像仪，在开机后应进行温度校准，待图像稳定后先对所有应测部位进行全面扫描，找出热态异常部位，然后对异常部位和重点检测设备进行准确测温。针对不同的检测对象应选择相对应的环境温度参照体；测量设备发热点、正常相的对应点及环境温度参照体的温度值时，应使用同一仪器相继测量；做同类比较时要注意保持仪器与各对应被测点的距离一致、方向一致；正确键入大气温度、相对湿度、测量距离等补偿参数；并选择适当的测温范围；应从不同的方向进行检测，求出最热点的温度值；记录异常设备的实际负荷电流和发热相、正常相及环境温度参照体的温度值。
将采集回来的红外热图传输到电脑上，图片经过分析软件；相应的“分析结果表”中就显示出设备表面的最大值，当然红外热图传输到电脑上后可以在工作站所建立的图片库中找到本幅图片的真实写照来上传到分析报告中（又称可见光图）
4.红外成像检测管理
在专业管理方面，可通过对输变电设备在线监测数据、交接预试信息、运行信息的分析，科学地判断设备综合健康状况，对设备进行状态评估，并根据评估结果，确定维修计划，做到当修必修、需修才修。在输变电红外检测的实际应用中可根据电气设备的重要性、电压等级、负荷、运行方式及环境条件等确定运行设备红外测温的周期。
对输变电设备在330KV变电站中，在停电检修前及预试前检测一次，以便查出的缺陷在检修中得到及时处理，避免重复停电。在重负荷运行前应进行一次检测。在正常运行时每两周进行一次一般检测。在重负荷（迎峰度夏、迎峰过冬等）运行期间每天应检测一次。对330kV及以上变压器、断路器、电抗器、套管、电压互感器、电流互感器、避雷器、电容器、电缆终端等设备每年进行一次精确检测并建立图库。
在110kV变电站中，在重负荷运行前应进行一次检测。110kV枢纽变电站、重负荷变电站在正常运行时每月进行一次一般检测。发现异常进行精确检测，并建库。在重负荷（迎峰度夏、迎峰过冬等）运行期间每天应检测一次。110kV其他变电站每季度检测一次。
35kV及以下变电站（含10kV开闭所）中，在正常运行时每半年检测一次，在重负荷（迎峰度夏、迎峰过冬等）运行期间每月检测一次。
对于运行环境差、陈旧或有缺陷的设备，在重负荷运行期间、系统运行方式改变且设备负荷突然增加期间，需增加对设备的检测次数。
新建、改扩建或大修后的电气设备，应在投运带负荷后不超过1个月内（但至少在24h以后）进行一次检测。并对变压器、断路器、电抗器、套管、电压互感器、电流互感器、避雷器、电容器、电缆终端进行精确检测，对原始数据进行图像存档。
330kV及以上输电线路在重负荷运行前应进行一次检测。在正常运行期间应每半年进行一次检测，在重负荷（迎峰度夏、迎峰过冬等）运行期间每月进行一次检测。
110kV及以下输电线路在重负荷运行前应进行一次检测。在正常运行期间应每半年进行一次检测，在重负荷（迎峰度夏、迎峰过冬等）运行期间必要时进行检测。
新建、改扩建或大修后的线路，应在投运带负荷后不超过1个月内（但至少在24h以后）进行一次检测。
110kV及以上电缆终端设备，在正常运行期间，每季度检测一次；在重负荷（迎峰度夏、迎峰过冬等）运行期间每两周检测一次。
35kV及以下电缆终端设备每半年检测一次。
在重大事件、重大节日、重要负荷以及重要负荷突然增加等特殊情况应增加检测次数，进行有针对性的检测。
对设备进行红外测温检测后应完成测试记录及数据管理。红外测温的检测和诊断数据，主要包括现场记录、设备热像图、设备参数及诊断分析报告。现场记录内容应包括日期、气象条件、地点、设备名称、缺陷部位、實际负荷、检测结果、诊断结论和处理结果。对典型缺陷应拍摄热像图和检查处理时的照片，做为技术资料存档，以便积累经验。
保存采集到的设备红外检测状态信息，可作为输变电设备的状况评分依据。对设备状态进行评分所依据的信息称为状态信息，主要包括运行工况、预试数据、缺陷、检修、在线监测数据、家族缺陷等。评分值可以基本上判断设备的健康状况，并以此作为延长或者缩短检修周期的依据。
5.结束语
利用红外诊断技术，人员可以多次预知性的发现设备发热故障，跟踪检测发热设备，是状态检修在输变电设备的具体应用，在电力系统中发现和避免了许多设备事故，确保了电力设备的安全稳定运行。非接触式红外测温方法在输变电设备应用为缺陷发现、日常维护提供了一个新的监测手段，使大量设备缺陷消除在萌芽状态，使输变电设备的状态检修很有意义，提高了输变电设备运行管理水平，保证了电网安全供电。
参考文献
[1]《带电设备红外诊断应用规范》中华人民共和国国家发展和改革委员会2008.6
红外目标检测 篇10
图像序列检测和跟踪点目标的问题以及它的战略意义, 近年来一直是研究的热点问题之一。算法和硬件的性能提高了在复杂环境中检测弱小目标的处理能力。然而, 由于现实环境的复杂性, 没有一种通用算法在任何环境下都适应。造成这种情况的主要原因有:极低的信噪比, 目标信号的不可重复性, 目标有相似形状的干扰, 被遮蔽的目标缺少一个初始条件和信号统计的先验信息等[1]。
利用多帧图像累计时空信息的方法, 通常称为检测前跟踪算法。标准方法是将跟踪问题变为在3-D噪声中检测已知信号的问题。这些技术的主要缺点在于它们依赖于特定的统计噪声和干扰分布模型, 而对真实数据不是很适用。特别是当整个3-D空间必须为每个目标速度的潜在轨迹滤波时, 计算量非常大。
2 目标检测
于远距离红外小目标而言, 背景中细节成分较少, 小目标在图像中和背景相比是一些突出的峰值点, 其中含有大量的高频信息, 且与周围背景的相关性小。而背景由一些缓慢移动的云层组成, 大部分为低频信息, 且噪声具有高斯特征。因此, 利用背景像素之间灰度的相关性, 目标灰度与背景灰度的无关性, 设计一个简单的空间高通滤波器, 就可以滤除大量的背景像素, 而只保留高频噪声和目标点, 实现目标与背景的初步分离。
3 目标跟踪
假如在图像区域成功检测到目标, 则进入目标跟踪状态, 只需要将经阈值分割后标记的潜在目标和检测到的真实目标进行最近邻关联, 便可实现持续跟踪。
(1) 在红外检测跟踪系统中, 如果成功在场景中确认目标, 则将目标的坐标值和场景中心坐标值的偏差信息发送给转台, 以控制转台移动, 使目标始终锁定在视场中心。
目标运动时, 将目标在视场中的坐标和视场中心的坐标的差值发送给转台, 转台转动, 但是转动的位置和真正的目标中心由于转台精度、目标时刻在运动等原因, 总会存在一定的差值。
需要注意的是, 跟踪框不能选得太小, 在实际应用中需要设置一个下界, 不然在阈值分割阶段无法正确提取出目标点。
由于采用了自适应的跟踪窗口, 提高了算法的实时性。在某无人值守项目中采用的红外跟踪器上实验, 算法的处理时间大约为20 毫秒每帧左右, 比采用固定大小跟踪框的时间大约节约了5%。
(2) 目标跟踪过程中遮挡, 丢失。
a.目标遮挡的判决。
空中小目标被遮挡主要表现为目标未越出视场边界, 但在视场范围内未能检测到目标, 这时一般为目标被云层遮挡。
b.目标被遮挡时的处理。
如果在自适应窗口中, 连续多帧未能提取出目标信息, 则扩大搜索窗口, 或全帧搜索, 进入检测状态, 看能否检测到目标, 如果未能检测到目标, 说明目标受到了较大云层的遮挡, 这时, 我们认为目标彻底丢失, 需要人为选定感兴趣区域。
4 结束语
文章从实时性、实用性等方面出发, 对空中红外小目标的检测和跟踪算法进行了详细阐叙, 针对空中红外小目标跟踪时容易受云层干扰影响的问题, 提出了一种基于kalman滤波思想的自适应跟踪窗口算法, 尽可能地减少云层干扰信息对目标跟踪的影响:根据转台和目标的运动信息建立系统状态方程, 通过kalman滤波预测跟踪框的大小, 在保证能检测到目标的前提下, 缩小跟踪框, 从而对云层干扰能起到一定的抑制作用。通过在真实红外跟踪平台上的试验, 证明文章方法能较长时间稳定的跟踪飞机等空中小目标。算法的平均处理时间为20 毫秒每帧左右, 完全能保证跟踪的实时性。
参考文献
[1]Ren-Jean Liou, Mahmood R.Azirdi-Sadjad.Multiple target detection using modified high order corre1ations[J].IEEE Transactions on Aerospace and Electronic Systems.VOL.34, NO.2 APRIL 1998.
[2]Porat, B., and Friedlander, B.A frequency domain algorithm for multiframe detection and estimation of dim targets[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 12 (Apr.1990) :398-401.
[3]Mohanty, N.C.Computer trxking of moving targets in space[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, I'AMI-3, 1981, 5:606-611.