目标提取（精选7篇）
目标提取 篇1
微动是指目标或目标的组成部分除质心平动以外的振动、转动和加速运动等微小运动[1]。目标或其结构的微动会对雷达回波信号产生附加的频率调制,从而产生关于目标主体的多普勒谱边带,这种现象被称为微多普勒效应(Micro-Doppler effect)[1,2]。微多普勒从频率上描述了目标微动的雷达特征,反映了多普勒频移的瞬时特性[3]。在雷达成像领域,微多普勒信息可为雷达目标识别提供新的思路,可以用来确定目标的一些性质、完成对特殊目标的分类、识别和成像[4,5]。为了利用微多普勒信息实现对目标的准确识别,许多有效的微多普勒特征提取技术相继被提出,如:时频分析技术[1,6]、联合时频分析和小波变换理论[7,8]、匹配追踪法[9]、扩展Hough变换法[10]、经验模式分解EMD(empirical-mode decomposition)[11]和慢时间积分法[12]等。
为了进一步提高对目标微多普勒特征的提取速度,通过分析目标微多普勒在距离-慢时间谱图域的表现形式及其特点,结合正弦曲线的周期性分离雷达回波信号距离-慢时间二维谱图域上的曲线,然后对曲线的角频率、半径、初相以及曲线在频率(距离)轴的位置分别进行提取,来实现对谱图中曲线参数的快速提取,从而获得目标真实的微动信息,最终实现对目标的准确快速识别。最后,通过仿真验证了本文算法的有效性。
1 目标微多普勒特征在谱图域上的表现形式
以雷达为原点,以初始时刻目标和雷达的连线为Y轴建立平面直角坐标系,如图1所示。假设目标以速度V沿与X轴平行方向运动,并且该目标包括两种典型的散射点即:目标主体散射点(包括目标中心O、旋转中心Q和其它非旋转点)、旋转散射点P (其旋转半径、角频率和初相分别为r,ω,θ)。另外,在初始时刻,定义目标中心O、旋转中心Q和旋转散射点P的坐标分别为(xo,yo)、xQ,yQ)和(xP,yP)。
假设雷达发射的线性调频信号P(t)为
式(1)中,rect(t)为矩形窗函数,其值只有在-1/2≤t≤1/2时为1,在t取其它值时为0。fc是载频,Tp是脉冲宽度,μ是调频率。那么在慢时间τ时刻散射点i(i可以表示目标上的任意散射点)的回波信号可写成
式(2)中,Ri+(τ)表示τ时刻散射点i到雷达的距离。以目标中心点O作为参考点,将回波信号与参考信号共轭相乘,同时对其求关于快时间t的傅里叶变换,经过计算以及相应的相位补偿,可以得到在ISAR回波信号距离-慢时间二维谱图域中,旋转点P距离像的峰值出现在[13]
式(3)中,ΔRQ(0)表示在初始时刻目标上旋转中心Q到参考点O的相对距离,同时(0)为旋转中心Q距离像峰值出现的频率位置。从式(3)中可以看出,该公式中第一项是由于目标平动产生的,而第二项则是由旋转点的周期性旋转产生的。这也说明,在峰值出现位置上,旋转点随慢时间在旋转中心附近作正弦规律变化,旋转点对回波信号调制产生的正弦曲线谱变化周期与旋转点的旋转周期相同,而对于目标主体散射点,其与参考点的相对位置是固定的。这也使得目标谱图将由非旋转点产生的直线谱和旋转点产生的正弦曲线谱组成。将正弦曲线的参数提取出来,就能够获得旋转目标的旋转半径,频率和相位信息,即获得目标的微动特征。从而有利于实现目标的分类、识别和成像。
2 正弦曲线参数提取
算法的基本思想是利用目标结构部件旋转或振动部件引起的微多普勒效应在距离-慢时间谱图上表现为正弦曲线形式这一特征,通过将图像空间中的检测问题转换为参数空间的估计问题,提取目标的微多普勒信息。利用不同角频率的曲线具有不同周期这一性质,将距离-慢时间谱图上的具有不同角频率的曲线给分离开来,然后对相应曲线的角频率、半径、初相以及曲线在频率(距离)轴的位置分别进行分析,来实现对谱图上曲线参数的快速提取,从而获得目标真实的微动信息,最终达到对目标的准确快速识别的目的。
为了表述简单,假设在距离-慢时间谱图上微多普勒的表现形式为:
式(4)中r为半径,ω是角频率,且ω=2π/T,T是周期,θ为初相,d为基线(它描述了曲线在谱图中频率(距离)轴的位置,即基线位置)。
由式(4)可知,在距离-慢时间谱图上具有相同频率(距离)的点(在谱图中体现为同一行),必然有符合其周期性。正是利用这一点,将同一行中的点按照所有可能的周期进行排列,并取出所有可能的周期。这样每一行都有一个或一组的排列可能,及其相应的周期。利用每一行得到的周期数据,映射到一维参数ω,这样具有相同角频率的所有排列组合,将被累加器收敛于一个局部最大值。从而获得所有曲线的角频率ω。与此同时,可以获得角频率ω所对应的每一个点。从而将不同角频率的曲线分离开来。
对于式(4)所表述的曲线,如果有f1=rsin(ωt1+θ)+d,f2=Tsin(ωt2+θ)+d,且t2-t1=π/ω,那么必然有d=(f1+f2)/2。首先确定谱图上具有相同频率(距离)的点所在的某f'1行,查找另一f'2行,使得f'1和f'2行上的点在慢时间τ轴的位置相差的慢时间正好是半个周期,那样就生成一个d=(f'1+f'2)/2。利用这一特性,将具有相同角频率ω的曲线上的所有点,映射到参数d上,这样相同角频率ω,且具有相同基线的所有点,将同样被收敛于一个局部最大值。与此同时,由于曲线的基线必然是旋转中心在谱图上的直线谱。而在谱图中检测直线谱很容易,这样仅仅需要比较在直线位置上的累加器数值。从而将相同角频率,却不同基线的曲线分离开来。当然,这样会导致如果两条不同曲线的基线的平均值所在位置正好是直线谱所在位置,这将导致d的误判,此时则需要在计算半径的过程中将这种状况予以排除。
然后依据式(4),做出如下假设:
式中,表示对f求关于t的导数。那么必然有。首先确定谱图上具有相同频率(距离)的点所在的某f'1行,查找另一f'2行,使得f'1和f'2行上的点在慢时间τ轴的位置相差很小。定义差值所组成的数组映射到慢时间上为Δτ,那么:
ω为之前所估计得到的角频率值。这样,在相同角频率、相同基线以及相同半径的点将收敛于一个局部最大值。而在计算d时出现的特殊状况,将不会收敛于一个较大的局部最大值,从而将这种状况排除。这样可以提取出相同角频率和相同基线的半径。
对于初始相位θ,则采用穷搜索的办法,对其所有可能的值进行遍历。即
式(8)中表示让括号内最小的θ值,而()分别表示之前所估计得到的半径、角频率和基线值。这样具有满足()的所有点也会在θ上收敛于一个局部最大值,从而获得初始相位的估计值。
3 算法流程
假设已经获得了距离-慢时间谱图|S(f,τ)|,那么其每列都是慢时间τ时刻的距离像,同时每一行都是频率f所对应的慢时间τ位置。将二位谱图中能量较弱的点置零(本文仿真中将能量小于峰值能量0.25倍的点置零),获得新的二维谱图I(f,τ)。对于参数的提取,具体流程如下:
3.1 分离不同角频率的曲线
分离不同角频率的曲线正是本文的核心部分,其流程如图2所示。这样,所获得的每一个周期T’都有与其相对应的位置数据组D'T'(f'T',T')及对应的行值集合f'r',且其角频率为ω'=2πPRF/T'(其中PRF为脉冲重复频率)。
3.2 提取各曲线的基线
首先将周期T'所对应的行值集合f'T'从小到大进行排序。提取曲线基线的流程如图3所示。
由于旋转中心点在谱图上的位置就是对应的正弦曲线在谱图上的位置,所以可以将直线位置左右的dcount结果加到直线位置所对应的dcount值上,并将其他非直线位置的dcount值置零。累加器dcount的峰值点即为该角频率曲线所对应的基线位置值。并用获得的基线位置值,得到在计算过程中满足该基线位置所对应的频率值f'T'(i)和f'T'(j)。这样就可以分离在不同基线位置,但具有相同周期的不同曲线。
3.3 提取曲线的半径
定义周期为T'、基线位置值为d'所对应的行值为fT'd',那么所对应的位置数据矩阵为D'T'd'(f'T'd',T',d')=D'T'(f'T'd',T')。提取该曲线半径的流程如图4所示。累加器rcount,的峰值点即为角频率为ω'、基线位置为d'的曲线所对应的半径r'。
3.4 提取曲线的初始相位
图5为提取该曲线的初始相位的流程图。累加器Phicount的峰值点φ',就是周期为T'、角频率为ω’、基线位置为d',且半径为r'的正弦曲线所对应的初始相位。
4 仿真分析
仿真中,假设雷达发射带宽为B=300 MHz、时长为Tp=1μs的线性调频信号,且其脉冲重复频率PRF=1 000 Hz,载频fc=10 GHz,对应的波长λc=0.03 m,快时间采样率fs=300 MHz,信噪比SNR=0 dB。假设目标以速度V=300 m/s沿基线平行方向运动,目标中心与雷达相距10 km。目标散射点模型共由7个散射点组成,其中有4个非旋转点和3个旋转点。非旋转点如图6所示。而3个旋转点的旋转中心坐标、旋转半径、旋转频率和初始相位分别如同表1所示。
1)在配置A的情况下,3个旋转点具有不同的旋转频率,但其旋转中心相同,也就是其所生成的微多普勒曲线在谱图上的基线位置相同,同时半径和初始相位也相同。在该配置情况下,其所生成的距离-慢时间谱图(已将能量较小的点置零)如图7(a)所示。从中可以明显看出目标谱图由非旋转点产生的直线谱和旋转点产生的正弦曲线谱组成。
从图7(b)-(d)中,可以明显看出曲线3的基线位置,半径和初始相位,在累加器中,都被映射到一个峰值点。而该峰值的位置,正是该曲线的参数。
2)在配置B的情况下,3个旋转点中,旋转点1和旋转点2具有相同的旋转频率和半径,同时旋转中心也相同,因此其所生成的微多普勒曲线在谱图上的位置相同,然而初始相位不同。其谱图如图8a)所示。
由图8(b)-(d)可以看出,在相同的频率下,基线位置和半径都被映射到一个峰值点,而相位被映射为两个峰值点。说明在该频率下,有两条曲线,且这两条曲线的半径和基线位置相同,但初始相位不同。
3)在配置C的情况下,其谱图如图9 (a)所示。
从图9(b)中可以看出,在该频率下,谱图被映射为两个峰值点,即有两条基线位置不同的曲线。而通过图9(c)和图9(d)可以看出,该曲线可以分别在半径和初始相位域中映射为1个峰值点,最终实现该曲线参数的提取。
表2为在各种配置情况下,从谱图中直接提取出的曲线基线位置、半径、频率和初始相位信息,与表1中所体现出的实际值相比,吻合度是较高的,但仍有一定的偏差,这主要是在算法流程中基本上每个部分都需要有一个阈值,而在仿真中,将每个阈值都给定义为l=6,合理的调节阈值也能提高仿真的准确性;另外,在对相位进行搜索时,步长设置为0.1 rad,这也导致了初始相位检测时的偏差。
同时,为了证明算法能有实现对含旋转部件目标微多普勒特征的快速准确提取,将该算法与文献[13]中的扩展Hough变换方法的耗时进行了比较,如表2所示。从中可以明显看出,直接使用扩展Hough变换使用耗时比本文所提算法高出太多,这主要是因为该算法不同于扩展Hough变换那样需要对曲线的四维参数进行联合搜索,而是对其逐步进行提取,从而缩短提取所需时间,具有良好的应用性,但这必然也会造成准确性降低。
5 结论
以运动目标旋转部件为例,提出了运动目标微动特征提取的新方法。利用目标部件旋转形式的微动所产生的微多普勒频率在回波信号的距离-慢时间二维谱图域上服从正弦规律调制这一特点,对曲线进行分离,从而逐步提取出曲线的位置、半径和初始相位。通过与扩展Hough变换进行仿真比较可以看出本文所提算法具有较好的有效性和快捷性,最终达到快速对目标微动部件多普勒信息进行提取的能力。
一种红外弱小目标提取的有效算法 篇2
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.
目标提取 篇3
关键词：智能交通,时频域特征,特征提取,地磁信号,机场场面
0 引言
由于机场飞机起降架次增多等原因,跑道入侵成为影响飞行安全的重大隐患,预防跑道入侵成为重要问题。目标检测,通常认为是非协作式机场场面活动目标的检测和识别方法,作为跑道入侵防御系统最为基础的系统监视功能部分,能够为目标跟踪和入侵控制提供信息支持[1]。利用地磁传感器(anisotropic magneto resistance,AMR)作为目标检测器,通过其得到场面移动目标磁信号,信号数据中含有丰富的目标信息,在去除信号中的噪声干扰后,如何提取目标特征是本文研究的关键。
目前应用于机场场面的目标特征提取主要是基于视频图像信号和雷达信号[2],但其处理数据复杂,且视频图像的检测方式稳定性不高,易受天气影响。在目标信号的特征提取中,多采用时域特征方法提取目标特征。文献[3]提出利用车辆检测算法获得车辆特征向量,并将所有时域波形归一化进行特征提取,此方法以牺牲目标长度特征信息为代价,有效地减少了计算量;文献[4]根据不同车辆地磁扰动特性,抽象出了相车长、平均能量、归一化方波的波峰波谷数目3类时域信号特征,信号的时域特性虽然能够直观反映信号特征,但是只从信号外观描述信号的特性。而机场场面移动目标包含场面上的车辆和飞机,场面目标种类较多且飞机磁信号具有一定的复杂性,只分析信号的时域特征并不能全面展现信号特性,需要补充信号的频域特征。小波分析作为1种信号的频域部分特征的提取手段,在声信号及振动信号的特征提取中有较好的应用。文献[6]利用小波多变换获得信号的频域特征从而识别水下目标;文献[7]利用小波分析方法提取人体脉象信号特征,取得了良好的识别效果。为此,笔者在前人研究的基础上,提出了1种结合时域特征和基于小波分解的频域特征的机场目标特征提取方法,以机场场面部分车辆和航空器磁信号为样本,利用目标特征区分度测度的方法进行了验证。
1 时域特征提取
1.1 目标长度特征提取
AMR地磁传感器(霍尼韦尔HM5883)具有体积小、灵敏度高、成本低廉的特点。AMR地磁传感器的布置方式如图1所示。在机场跑道及滑行道中线布置2个传感器s1,s2,两者的距离为l。
图1 AMR地磁传感器布置Fig.1 Anisotropic Magneto Resistance layout
目标长度是目标的首要特征参数,要提取目标长度特征,需要获得目标速度。目标感知信号宽度实际上就是目标经过传感器采样节点的时间宽度[3]。目标通过先后通过2个传感器的时间间隔很小,因此,可以认为其匀速通过传感器采样节点,有:
式中:v为目标速度;t1为目标经过s1的时刻;t2为目标经过s2的时刻。则目标长度L为
式中:ts为传感器采集信号的时间宽度。
1.2 感知信号时域规整
同一目标以不同速度经过传感器节点时,其感知信号的时间轴宽度不同。为了消除速度对目标分类识别的影响,必须提取与速度无关的特征量。本文利用基于目标长度的归一化方法规整时域信号。根据目标长度特征对磁信号进行规范化处理,将其转换为相应固定的长度的信号数组,并保留能够做进一步目标特征提取的信息特征。
规定长度为L的目标磁信号的数据点个数为N,对相同长度目标的磁信号向量数组进行归一化[4]。信号归一化的方法为
式中,t(k)为原始的数据,k=1,2,…,Ki,Ki因目标长度的不同而不同;c(i)为信号归一化后第i组数;Δn为归一化后信号第1到N-1组中每组的数据个数;N为原始信号进行归一化后以时间戳形式重分的数据组个数;c(N)归一化后信号的第N组数;Ki-(N-1)·Δn为归一化信号后第N组数的数据个数。
图2为根据目标长度规整后的食品升降车,加油车及机场引导车,塞斯纳550B,空客320及空客340的时域信号,这6种目标为机场场面典型的目标类型。食品升降车与加油车车长相同,其规整后的时域信号数据点个数也相同,而机场引导车及3种不同类型的飞机的长度不一,其规整后的时域信号的数据点个数相应的压缩或扩充,规整后的信号皆保留了原始信号特征信息。
图2 不同车辆与飞机的规整后时域信号Fig.2 Structured time domain signals of different vehicles and aircraft
1.3 峰值特征提取
目标磁信号的变化剧烈程度与目标自身铁磁材料的分布密度有关,尽管不同的移动速度会造成信号采样点个数或者时间宽度的差异,但目标材料的构造及分布却是目标本身属性。构成目标的铁磁性材料的结构越多,磁信号的扰动越强。图3为波音737-800磁信号扰动峰值特性与机身的相对位置,磁信号变化剧烈的部分表明这些地方的磁性材料的分布相较于整架飞机较为集中,分别对应于尾翼与机翼。尾翼结构主要为垂直安定面,方向舵,升降舵等,机翼部分由发动机,起落架及油箱等部分构成。信号的峰值反映了磁性材料相对机身的位置及其分布的密度[5]。
设目标长度为L的感知信号,规整后数据点个数为N,波峰数为m,最大峰值振幅hmax为信号的第nmax点,最大峰值的位置比为nmax/N,最小峰值hmin为信号的第nmin点,最小峰值的位置比为nmin/N。图3中波音737-800的机身长度L=40m,规整后时域信号的数据点个数为N=200,波峰m=3,最大振幅hmax=137,最大峰值位置比nmax/N=0.72,最小峰值hmin=31,最小峰值位置比为nmin/N=0.52。
图3 波音737-800信号扰动峰值特性与相对机身位置Fig.3 The peak feature of Boeing 737-800signal and its relative position to the plane
2 基于小波变换的频域特征提取
2.1 小波变换的基本概念
笔者利用小波变换方法对信号进行时域分析,与傅里叶变换相比较,小波分析具有多分辨特性和良好的时频局部化特性。通过小波函数展开信号,可以在不同尺度上对信号进行分解。
设ψ(t)∈L2(R),如果满足则称ψ(t)为基本小波或母小波,ψ(ω)为ψ(t)的傅里叶变换。将母小波ψ(t)进行某种程度的伸缩和平移,即称为小波基函数。将小波基函数ψa,τ(t)作用于待测信号f(t),与f(t)做内积得到称为连续小波变换[6]。
在实际应用中,连续小波变换需要进行离散化,二进制离散小波取a=2-j,τ=2-jk(j=0,1,2…,k为正整数)。将信号进行二进离散小波变换,可分解成不同尺度下的各个分量。信号f(t)向尺度空间Vj投影后得到j尺度下的近似信号为,式中φj,k(t)为尺度函数,尺度展开系数cj,k=[f(t),φj,k(t)]。信号f(t)向小波空间Wj投影后所得到该空间的细节信号为。其中:小波系数dj,k=[f(t),ψj,k(t)]。
2.2 频域特征提取
霍尼韦尔HM5883传感器连续测量模式的采样频率为75Hz。根据奈奎斯特采样定理,感知信号的频率范围为0~37.5Hz。利用Matllat分解算法3层分解信号,将规整后的时域信号分解成3层细节信号和1个近似信号,即将频率划分为低频0~4.687 5Hz,中低频4.687 5~9.375Hz,中高频9.375~18.75Hz,高频18.75~37.5Hz 4个频带[7],见图4。
图4 信号频带划分Fig.4 Division of the frequency band
感知信号能量的计算公式为
式中:E0为信号总能量;ECA3为近似信号能量值;ECDj为信号f(t)在第j尺度下的小波能量。不同类型目标在各个尺度下小波能量比是不一样的,将归一化后的各阶小波能量值与近似信号能量比作为信号的频域特征向量,即Ei=[ECA3/E0,ECD3/E0...ECD1/E0]。图5为规整后波音737-800与空客320磁信号的db2(Daubechies 2)、db5(Daubechies 5)3层小波分解对比图。db5小波不仅在近似信号和细节信号中具有更高的表现力,且二者的频域特征的区分在db5小波分解中比db2更明显。对比不同小波的分解结果,最终选取db5小波分解信号。
图5 波音737-800磁信号db2与db5的3层小波分解Fig.5 3scales wavelet decomposition of Boeing 737-800magnetic signal by db2and db5
图6所示为食品升降车,加油车及机场引导车,塞斯纳550B,空客320及空客340的规整后时域信号的db5小波3层分解。从各目标类型的频域信号分解中可以看出各目标类型的频域信号在频带中的分布情况。加油车的d1系数波动比食品升降车更为强烈,而机场引导车的d3系数变化比加油车和食品升降车的变化更明显。空客340的d1和d3系数比空客320及塞斯纳550B变化更显著,塞斯纳550B的d2系数波动高于空客320及空客340。
图6 3种车辆及飞机磁信号的3层小波分解Fig.6 3scales wavelet decomposition of 3vehicles and aircraft
3 不同目标特征区分度的测度
通过时域和频域特征提取方法一共抽象出10个特征,x={x1,…,x10},分别为目标长度L(x1)、波峰数m(x2)、最大峰值hmax(x3)、最大峰值的位置比为nmax/N(x4)、最小峰值hmin(x5)、最小峰值的位置比为nmin/N(x6)、近似信号能量比ECA3/E0(x7)、三阶信号能量比ECD3/E0(x8)、二阶信号能量比ECD2/E0(x9),以及一阶信号能量比ECD1/E0(x10)。特征提取的目的是保证目标特征能够与其他类别的目标特征具有足够的区分度从而完成目标类型的最终分类[8]。各类型目标特征的相对距离越大,说明目标特征间的相似度越低,区分度越明显。本文利用目标特征区分度测度方法来衡量目标特征间的相对距离。
设目标类型的集合为A={A1,A2,…,A7},目标各特征权重为w={w1,w2,…,w10},第k类目标的特征值为xk={x1k,x2k,…,xk10},第m类(m≠k)目标的特征值为xm={x1m,x2m,…,xm10}。
式中:xi为所有目标的第i个特征值之和;Dkm为第k类目标与第m类目标特征值的相对距离;D为目标类型集合中所有目标之间相对距离之和。2个特征的相似度的度量计算公式为
式中:Xi为第k类目标与第m类目标的第i个特征值之比,为
且目标特征权重w通过建立单优化模型求得,,目标特征值权重w={w1,w2,…,w10}满足
求得权重wi从而获得各类目标特征与其他各类型目标特征的相对距离Dkm、距离总和D及相似度Skm,得到各类型目标特征的区分度。
4 实验
4.1 实验步骤
笔者以机场场面的部分移动的飞机/车辆磁信号为样本,部分飞机磁信号数据来自于H.Gao[10]与K.Dimitropoulos[11],部分车辆数据于2013年在机场附近采集,利用霍尼韦尔HM5883L型号的AMR地磁传感器作为目标检测器,采用动态阈值法进行滤波。首先利用时域特征提取方法获得待测目标的长度,根据目标长度规整时域信号,在此基础上提取时域部分的峰值特征并利用db5小波3层分解信号提取信号频域特征,将所提取的目标时域特征和频域特征结合共同构成待测信号的全部特征[12]。时频域的特征提取方法一共抽象出10个特征值,根据目标特征区分度测度算法获得各类型间目标特征的相对距离,即依据目标类型建立特征值的分配权重矩阵及目标特征相对距离的单优化模型,计算出第k类目标特征值的分配权重及其与其他目标类型特征的相对距离总和及相似度。图7为特征提取方法流程图。
图7 特征提取方法Fig.7 Feature extraction method
1)时域特征提取。首先为目标长度的获取,以食品升降车为例。设定2只AMR地磁传感器s1,s2之间的距离为l=5m,目标先后经过二者的时间差为Δt=0.58s,并且目标经过其中1个AMR地磁传感器的时间检测域宽度为ts=0.81s,由此得到目标长度,依据目标长度规整时域信号,消除速度对信号检测宽度的影响。
其次为感知信号的峰值特征提取,食品升降车规整后时域信号如图2(a)。可得到波峰数m,最大峰值hmax,最大峰值的位置比为nmax/N,最小峰值hmin,最小峰值的位置比为nmin/N分别为4,145,0.27,69,0.11。
2)频域特征提取。对规整后的时域信号进行频域特征提取。AMR地磁传感器的采样频率为75Hz,利用db5小波进行3层信号分解,信号总能量值为E0=1 548 274.68,近似信号能量值ECA3=1 559 189,第1层、第2层、第3层小波能量值ECD1、ECD2、ECD3分别为4 521.65,1 247.35,405.39,归一化近似信号能量值及各层小波能量值,即将近似信号能量值ECA3和3层小波能量值ECD1,ECD2,ECD3分别与信号总能量E0进行比较,得到食品升降车的磁感知信号归一化近似信号能量比及3层小波能量比为Ei=[ECA3/E0,ECD3/E0,…,ECD1/E0]=[0.9 9 3,0.0 0 2 9,0.000 8,0.000 26],将其作为信号的频域特征,并结合时域特征,得到食品升降车信号特征为x={x1,…,x10}={7,4,1 4 5,0.2 7,6 9,0.1 1,99.3%,0.29%,0.08%,0.026%}。
4.2 实验结果及分析
检测样本的目标类型为机场引导车,食品升降车,加油车,塞斯纳550B,波音737-800,空客320,空客340 7种类型[13]。按照时域频域特征结合的特征提取方法分别对车辆及飞机目标磁信号检测样本进行特征提取。表1为7种目标的时域特征及频域特征。
表1 目标类型时频域特征Tab.1 The time domain futures and frequency domain features of the targets
以食品升降车为例,根据目标特征区分度测度算法分别计算食品升降车时域、频域及时频域特征与另外6种目标时域特征、频域特征及时频域特征距离[12]。根据算法获得食品升降车时频域特征分配权重为w时频={0.15,0.11,0.07,0.05,0.11,0.11,0.01,0.09,0.15,0.15},其时域特征分配权重w时域={0.3,0.2,0.1,0.1,0.1,0.2},频域特征分配权重为w频域={0.05,0.2,0.35,0.4}。表2为对比3种特征提取方法的其他6种目标特征与食品升降车的相对距离。
表2 其他类型目标与食品升降车的相对距离Tab.2 The distance between other target and catering truck
对照表2,在时域特征提取方法中,食品升降车与加油车的目标特征距离为0.013,表明其时域特征极其相似,仅依靠时域特征方法不能很好的区分2种目标类型,而时频域特征提取方法使得其特征距离提高到0.046,2种类型区分度增大。在频域特征提取方法中,食品升降车与波音737及空客320的特征距离分别为0.027,0.026,但在时频域结合的特征提取方法中,食品升降车与二者的特征距离为0.082,0.083,使得食品升降车与这2种飞机有较明显的区分度。
图8为3种特征提取方法的目标类型相似度对比。横坐标目标类型对比中数字1,2,3,4,5,6,7分别表示机场引导车,食品升降车,加油车,塞斯纳550B,波音737-800,空客320,空客340 7种目标类型,1-2即表示机场引导车与食品升降车的对比。对照图8,对7种目标间相似度求平均值,目标间时频特征的平均相似度为0.516,略高于频域特征的0.489,略低于时域特征的0.523,但是时频域特征提取方法使得目标之间的相似度均低于0.79,没有出现不同目标类之间具有极高相似度的情况。食品升降车与加油车时域特征的相似度为0.937,而时频域特征相似度为0.775,加油车与波音737-800的频域特征相似度为0.936,而时频特征相似度为0.759,时频域特征提取方法能够在时域特征区分度不够时,补充信号的频域特征对目标进行分类,反之在时域特征区分度不够的情况下,可补充信号的时域特征对目标进行分类[14]。总体说来,信号的时频域特征综合时域特征和频域特征,其丰富的特征信息能够更全面的反映信号特性,能够有效的平衡及降低各目标间的相似度。
图8 3种特征提取方法的目标相似度对比Fig.8 The comparison of the similarity of 3feature extraction methods between different targets
5 结束语
目标提取 篇4
在电视制导系统中,CCD捕获的电视序列图像通过自适应阈值二值化成为二值图像后,系统快速识别图像中包含的多个不同目标并提取其形状、面积、坐标位置和其他特征的能力,是电视制导系统自动识别和跟踪导弹目标、抵抗各种主动干扰[1]的关键技术。为了将多个不同目标的特征信息提取出来,常用标记二值化图像连通区域的方法。主要的连通域标记方法有如下几种:区域增长法、反复扫描法、两次扫描法、图像索引法。其中,图像索引法基于图像索引不同的表示方式又可分为四叉树表示、链码表示、游程表示等[2,3,4]。上述的二值图像标记算法对于电视制导系统来说存在两大缺点:一是实时性不强,一般要对图像进行两次遍历;二是所需要的存储空间多,而且空间分配不灵活,对于相对简单的情况空间的占用也不会减少[5,6]。针对现有算法的上述弊端,配合本电视制导系统由FPGA加DSP组成的硬件并行处理系统,我们设计了基于二值图像索引图的快速目标标记和特征提取算法:首先对原始图像进行一次遍历生成索引图,由FPGA完成,这时无需进行任何图像标记和计算的操作;然后由DSP针对索引图进行一次附加了计算的遍历,即可快速完成二值图像的目标标记和特征提取。
2 建立索引图
2.1 索引图的结构设计
在本算法中最为核心的数据结构就是索引图。在本跟踪系统中,二值化后的图像由两种灰度值的像素点组成,亮的点用“1”表示,暗的点用“0”表示。我们跟踪的目标为飞行中的导弹,其特点是亮度值比背景要高,所以在本系统中,亮的点表示了要跟踪的目标,而暗的点是目标的背景。由于我们需要的是目标的信息和特征,所以我们在建立索引图的时候只考虑亮点的信息。一幅图像是由很多行组成的,在单独的一行中,由可能的目标的形态特征可知,亮点一般都会连成一段段连续的游程,我们就以这一段段连续亮点组成的游程为基本单位,建立我们的索引图。事实上在文献[7]中提到了以游程为单位建立索引图的办法,但我们在他的基础上进一步完全舍弃了暗点的信息,并且事实证明舍弃暗点信息后我们的算法完全能够实现标记目标并输出目标面积、形心等特征的功能,这样就进一步节省了储存空间的开销。
我们所建立的索引图由标识了单个游程的许多索多索引单元组成,每一个索引单元都包含了Begin、End、Length、Line和Tag五个项目,每个项目包含的具体信息见表1中说明,其中坐标轴定义满足基本的图像坐标定义即原点位于左上角。
索引单元中Length和End是两个有所重复的信息,因为Begin+Length=End,但我们在后面的编程中发现涉及End大小的比较运算非常的频繁,直接由FPGA给定End值可以减轻DSP的运算负担,达到以一点点的空间换取实时系统中非常宝贵的时间的效果。
2.2 索引图的生成
按照设计,索引图的生成由FPGA来完成,对原始图像的遍历只需进行一遍,就可以建立起完整的索引单元数组。这一部分的核心算法是前一像素比较法,即我们定义一个辅助变量prepixel用来表示当前像素点的前一像素的值。这样每当遍历到一个像素点,像素点的值有0和1两种情况,prepixel的值也有0和1两种情况,综合起来就是“00”、“01”、“10”、“11”四种情况。其中“00”、“11”都没有发生状态的变化,而“01”、“10”则分别表示了亮点段的终结和开始,在这两种情况下建立和储存索引单元即可。需要注意的是当到达一行的末端(最右端)的像素点时,必须给出额外的判断;如果当前正在遍历亮点段,则亮点段终结;如果当前是一个孤立的亮点(即末端像素点是亮点,之前是暗点),则新建一个索引单元并马上结束它。
3 基于索引图的目标信息获取算法
在得到了原始图像的索引图即索引单元结构数组之后,我们要通过遍历此索引图得到我们需要的全部信息,包括目标的个数,各个目标的面积、质心,为了方便后面要进行的目标识别操作,还要计算出各个目标的二阶矩不变向量。根据系统的上述设计目标,我们设计了一套基于索引图的目标信息获取算法,只需遍历索引图一次,就可同时计算得出所有需要的信息,算法具体流程如下:
第一步,初始化。
需要初始化的变量包括目标计数器target Number,连通计数器connect Number,标记计数器tag Number,用于存放目标面积的临时数组Areatmp[],用于存放目标∑xi、∑yi、∑xiyi、∑xi2和∑yi2值的临时数组co Xtmp[]、co Ytmp[]、mxytmp[]、mx2tmp[]和my2tmp[],以及个别用于数值传递的临时变量,以上变量值都初始化为0,循环变量i值设为1。这里xi表示组成目标的任一像素点在图像中的横坐标值,∑xi表示组成目标的所有像素点的横坐标值的累加,其余以此类推。
第二步,从第一个索引单元开始遍历索引图。
由索引图的生成算法可知在索引图中各个索引单元排列的顺序与其在原始图像出现的顺序,按从左到右,从上到下的方向保持一致。所以第一个索引单元一定是第一个目标,将此索引单元的Tag值记为1,标记计数器记为1,Areatmp[],co Xtmp[],co Ytmp[],mxytmp[],mx2tmp[]和my2tmp[]这几个临时数组的第一位都根据其定义计算并存放上相应的值,并初始化两个用于标记操作行的变量linenow和linepre为当前遍历行的y坐标和前一遍历行的y坐标。
第三步,循环变量i加1,检查是否已经遍历完毕。
如果遍历完成了,进入第七步;如果没有则进入第四步。
第四步,检查当前遍历的索引单元data(i)的Line值是否与linenow一样,若不一样则将linenow置为当前索引单元Line值,linepre置为linenow减1。
第五步,从当前索引单元的前一个单元起逆向遍历索引图,检查排在当前索引单元之前的其他索引单元与当前单元的8-连通关系。
a):设定循环变量j=i-1。
b):j值减1,到j=0时循环终止,进入第六步,否则进入c)。
c):检查data(j)的Line值,如果Line值小于linepre,说明data(j)不位于当前索引单元data(i)所在行的前一行,所以data(j)不可能与data(i)连通,此时循环将马上终止,进入第六步。如果Line值等于linepre,说明data(j)有可能和当前索引单元data(i)是连通的,进入d)。
d):判断两个索引单元是否8-连通,若不连通,进入b)。如果发现8-连通关系,将连通计数器connect Number加1,进入e)。
e):当connect Number等于1时,更改当前索引单元data(i)的Tag值为逆向遍历到的索引单元data(j)的Tag值。根据定义算出当前索引单元的面积、∑xi等值后,与各个临时数组中位于data(i).Tag位置的值相累加。
当connect Number大于1时,说明已经不止一个前向索引单元与当前索引单元连通了。此时必须将各个临时数组如Areatmp[],co Xtmp[]等中位于data(j).Tag位置的值与位于data(i).Tag位置的值合并并储存于data(i).Tag位置,将data(j).Tag位置的值置0。然后再生成一个逆向遍历循环,遍历当前i值以前的所有索引图单元并将所有Tag值为data(j).Tag的索引单元的Tag值改为data(i).Tag。
做完上述操作后回到b)。
第六步,如果在经历了第五步之后connect Number的值仍然为0,说明当前索引单元属于一个新的目标。将tag Number值加1后赋给当前索引单元的Tag值。将所有在第二步中提到的临时数组的第i位根据其定义计算并存放上相应的值,重设linenow和linepre为当前遍历行的y坐标和前一遍历行的y坐标。
如果connect Number不为0,则只是简单的将connect Number置为0。
完成上述操作后返回第三步。
第七步,此时索引图遍历已经完成。从Areatmp[]等数组中抽取所有非0值即得所需的目标信息,再代入公式[8]计算可得到目标个数及所有目标的面积、质心坐标和二阶矩不变向量。
4 针对序列图像处理的并行性设计
在本系统中,待处理的电视图像以场为单位,图像大小为512像素×256像素,场周期为20ms。FPGA输出索引图时,它不需要知道整个图像后面的内容,只需一行一行地扫描图像,并顺序输出索引单元,而不会出现前后两幅图像混淆的情况。
而在DSP针对索引图进行计算时,由本文2中所述算法可知,所有的比较和计算操作都只与已经遍历过的索引单元相关,当然在DSP的内部储存空间中可能需要一些空间来储存已经遍历过的索引单元,但索引单元的总数以及当前遍历的索引单元之后的所有索引单元,都对当前的遍历行为没有影响。
由此可知,通过一个双口RAM相连接,在FPGA输出第一个索引单元之后,DSP就可以开始进行计算了,而当FPGA输出完整个索引图后,DSP将在这之后的某一时刻结束计算。DSP不需要等待FPGA输出完整个索引图后才开始计算,这一设计给系统带来了极高的并行性。对双口RAM的读写操作可以采用信号灯操作(即PV操作)的方式来进行控制,通过两个信号灯变量“FPGAwrite”和“DSPread”(FPGAwrite初始化为双口RAM的容量大小,DSPread初始化为0)来保证双口RAM中的数据的正确性。
5 系统实验
系统实验分为模拟仿真实验和靶场实弹飞行实验两种情况。图1是一幅模拟视场中包含四个目标的二值化图像,应用前述算法对该图像进行处理得到了四个目标的相关信息如表2所示。从表中可以看出,使用本文提出的二值图像目标快速标记及特征提取算法可以非常准确地得到目标个数、质心坐标、目标面积和二阶不变矩量,为后续的目标识别和定位跟踪提供了可靠的保证。
在靶场实弹飞行实验中,导弹飞行非常平稳,高精度地击中了3000m的目标,从整个跟踪过程的电视制导系统输出结果看,应用本文算法的系统处理时间从未超过20ms场周期,即没有出现图像分割失败或不连续的情况,很好的满足了系统实时性的要求。表3是截取了电视制导系统跟踪导弹过程中连续10场图像导弹目标的特征输出结果,从表中可以看出,系统对导弹目标的标记和特征提取正确,导弹目标得到了准确的识别和精确的跟踪。
6 结论
本文采用一种基于索引图的快速目标标记算法,实现了电视制导系统序列图像的分割与目标特征提取。在该算法中,原始图像经过一次遍历可得一张只含目标信息的索引图,在对原始图像遍历时不进行任何图像标记和计算的操作;所有的标记和计算仅针对索引图,即只针对被压缩了的图像数据,数据计算量显著减少。在电视制导系统的硬件使用上,索引图的建立由FPGA完成,索引图的标记和计算由DSP完成,两项工作并行完成。本文特别设计了针对索引图遍历的优化算法,对索引图只需遍历一遍,并且边遍历边计算,所有计算只与已经遍历的索引单元节点相关。这样的前向型流程设计使FPGA和DSP之间的数据传递实现了流水线式操作,提高了系统的并行处理效率。经系统实验证明,本文的算法完全可满足电视制导系统快速实时识别和跟踪导弹目标的要求。
参考文献
[1]刘光灿,白廷柱,周中定.红外测角仪抗红外干扰的信息处理方法[J].光电工程,2006,33(4):6-9.LIU Guang-can,BAI Ting-zhu,ZHOU Zhong-ding.Anti infrared interference information processing method of the infrared angular instrument[J].Opto-Electronic Engineering,2006,33(4):6-9.
[2]Suzuki K,Horiba I,Sugie N.Linear-time connected-component labeling based on sequential local operation[J].Computer Vision and Image Understanding,2000,89:1-23.
[3]Zenzo S D,Cinque L,Levialdi S.Run-based algorithms for binary image analysis and processing[J].IEEE Transactions on Pattern Recognition and Machine Intelligence,1996,18(1):83-89.
[4]Dillencourt Michael B,Samet Hannan,Tamminen Markku.A general approach to connected-component labeling for arbitrary image representations[J].J.ACM,1999,39(2):253-280.
[5]陈忠碧,张启衡.一种适合于多目标检测的图像分割方法[J].光电工程,2004,31(5):34-37.CHEN Zhong-bi,ZHANG Qi-heng.An image segmentation algorithm suitable for multi-object detection[J].Opto-Electronic Engineering,2004,31(5):34-37.
[6]刘关松,吕嘉雯,徐建国,等.一种新的二值图像标记的快速算法[J].计算机工程与应用,2002,4:57-59.LIU Guan-song,LJia-wen,XU Jian-guo,et al.A new algorithm for fast pixel labeling in binary images[J].Computer Engineering and Applications,2002,4:57-59.
[7]王铁生,施鹏飞.二值图像的快速标记方法及其应用[J].微型电脑应用,2004,20(6):6-9.WANG Tian-sheng,SHI Peng-fei.Fast labeling of binary images and its application[J].Microcomputer Applications,2004,20(6):6-9.
目标提取 篇5
1 灰关联分析的基本原理和分析方法
灰色系统理论是一种适合研究小样本、贫信息不确定性系统的新方法。灰色关联分析是灰色系统理论的重要方法之一, 其应用几乎渗透到科学研究的各个领域且取得了非常好的应用效果。其实质是通过比较参考序列和比较数列曲线间几何形状, 找出和参数序列曲线形状最类似的序列, 即认为该比较数列和参考序列的关联度较大;反之, 则关联度较小[3,8]。灰色系统理论中灰关联分析的常用算法有邓氏关联度、斜率关联度和绝对关联度。其中绝对关联分析方法与其他一些统计方法、先验处理方法相比, 在处理具有非典型规律的数据 (如非高斯分布、非平稳、非白噪声) 方面, 具有明显优势。绝对关联分析是分析系统中各因素关联程度或者是对系统动态过程发展态势的量化比较分析的方法, 反映的是事物发展过程中相对变化速率的关联程度。绝对关联度通过比较数列曲线的变化态势的接近程度来计算, 对于离散数列, 两曲线的接近程度是根据两数据序列在对应各时段上曲线的斜率的接近程度来判断的[3], 据此思想推导得到绝对关联度的计算公式。本文采用绝对关联分析的方法确定灰关联程度进而对数字图像进行边缘检测, 其计算步骤如下:
(1) 首先建立参考序列和比较序列, 参考数列用于表征系统特征变化规律, 比较数列则是描绘影响系统的各因素变化的数列, 求各序列的始点零像化, 记为:
式中:xi′ (n) =xi (n) -xi (1) ;n为序列中分量的个数;m为比较序列的个数。
(2) 计算|s0|, |si|, |si-s0|:
(3) 计算灰色绝对关联度:
以上步骤 (1) 中的始点零像化的目的是使各序列间具有可比性。采用绝对关联算法在初值化过程中不会出现分母为零的无意义情况, 这使得参考序列和比较序列的可选用范围更广了, 可以更方便的使用计算机来实现计算。绝对关联度算法中, 数列间的距离可以在|si-s0|中消除, 关联度大小只由参考序列和比较序列两曲线几何形状的相似程度来决定。另外, 邓氏关联算法中还需要设定分辨系数, 而这会引起关联度的不惟一, 而绝对关联度算法中不存在此问题, 从而使得绝对关联度计算更简单, 也更具有可比性。
2 边缘检测算子与绝对关联度结合的算法
采用灰色关联分析的方法对数字图像进行边缘检测是一种新的图像边缘检测思路[8,10]。在图像处理中, 一般进行分析的图像为3×3或5×5邻域, 能进行分析的像素数有限, 属于小样本、贫信息系统, 比较适合采用灰色系统理论进行分析处理。将绝对关联分析和图像边缘检测相结合, 其基本思路是根据比较序列和参考序列的绝对关联度大小来判断该点是否为边缘点。通过寻找一个有效的边缘序列作为参考序列, 逐一计算图像中各像素点及其邻域像素形成的序列与该参考序列的绝对关联度值。根据关联度的大小可以判别出图像的边缘。如果关联度大, 则说明该点有边缘特性, 是边缘点;反之, 则说明该点不具有边缘特性, 不是边缘点。
二阶微分算子能够使边界锐化, 而且能够增强细节。本文采用图1所示的二阶微分算子作为模板, 该模板不依赖于边缘方向性, 可以很敏感地捕获边缘斜率发生变化的地方, 即使是变化比较平缓的边缘部分, 也很容易检测到。采用该模板与图像像素作用可以起到提取图像目标边缘的作用, 可以避免一些算子如Sobel算子存在单一方向性[2], 而同时运用几个方向的模板序列又存在计算速度过慢等缺陷。将该模板写成X0= (0, 1, 0, 1, -4, 1, 0, 1, 0) 的形式, 由于本文采用的是绝对关联算法, 不会出现像采用邓氏关联算法那样在初值化过程中出现分母为零的无意义情况, 因此可以选用此类算子作为评判边缘点的参考序列, 这大大拓宽了灰关联分析方法在图像处理中的应用范围。
根据上述灰色绝对关联度的计算步骤, 逐一算出图像中每个像素点及其8⁃邻域形成的比较序列和参考序列之间的灰色关联度。进行边缘点判别之前, 首先预设一个关联度阈值。若计算得到的绝对关联度值大于预先设定的关联度阈值, 则说明该像素点及其8⁃邻域所组成的比较序列与该二阶微分算子参考序列很相似, 即该点是边缘点;否则, 不是边缘点。
3 实验结果及分析
为验证本文算法的有效性, 以光学经纬仪实际拍摄的大小为1 024×1 024, 含有复杂噪声的飞机可见光图像为例, 将本文算法与传统边缘检测算法及文献方法作一比较, 结果如图2所示。图2 (a) 是将原始图像经过直方图均衡化处理, 并经过均值滤波和维纳滤波去噪后的图像, 由图可见, 图像的平均亮度和对比度得到了提高和增强, 但是图像中仍然带有严重的噪声, 这对图像的后续处理, 如边缘检测和目标识别等带来了困难, 因此, 一般图像处理之前都必须先对原始图像进行去噪处理。本文中所有的边缘检测算法都是在图2 (a) 基础上进行。图2 (b) 为采用本文算法的图像边缘提取结果。图2 (c) 是采用常用的典型非边缘检测参考序列X0= (1, 1, 1, 1, 1, 1, 1, 1, 1) 作为参考序列, 采用绝对关联算法对图2 (a) 进行边缘检测的结果。图2 (d) 为采用文献方法[11,12], 即以X0= (1, 1, 1, 1, 1, 1, 1, 1, 1) 作为参考序列, 采用邓氏关联算法对图2 (a) 进行边缘检测的结果。图2 (e) ~ (h) 为几种传统算法的边缘提取结果。
由实验结果可以看出, 与传统算法及文献方法相比, 本文算法的边缘检测效果明显优于其他算法, 在抑制图像噪声和保持边缘细节方面同时取得了较好效果, 检测的边缘更完整, 更清晰, 且连续性好, 精度较高, 能检测出很多别的算法所不能检测出来的细节, 不丢失重要的边缘, 也没有虚假边缘, 如图2 (b) 所示。图2 (c) 检测的边缘效果基本上跟图2 (b) 接近, 但还是有少许细节信息丢失, 边缘不如图2 (b) 清晰。图2 (d) 是采用文献方法检测到的边缘, 可以看出, 检测的边缘连续性不好, 对于原始图像中灰度变化缓慢的边缘容易漏检, 丢失了许多细节信息, 其边缘检测效果远不如图2 (b) 。与本文算法的检测结果相比, Roberts算子检测中机头上部及机翼机尾的边缘没有完全被检测出来, 边缘信息丢失严重, 如图2 (e) 所示。另外, 本文所用图像为实际拍摄的图像, 含噪声严重且层次相对复杂, 用Laplacian算子、LOG算子和Canny算子检测的边缘非常模糊, 出现了由噪声产生的伪边缘和碎边缘, 不能有效提取目标飞机的边缘。
这是由于这些算子各有针对性及特点, 由于涉及方向性, 普遍对噪声敏感, 抗噪能力差, 很难检测出实拍图像中复杂的边缘, 导致检测出的边缘信噪比降低, 如图2 (f) ~ (h) 所示。所以本文算法在检测由光学经纬仪实际拍摄的含复杂噪声、细节比较多、层次较为复杂的图像边缘的效果较好, 对边缘细节的提取较为有效, 抗噪声性能好, 适合实际工程应用。而前述几种传统算法在处理该类图像时丢失了很多宝贵的边缘信息, 且得到的边缘也较为粗糙, 抗噪性能差, 不能有效提取目标边缘信息。
4 结语
本文采用二阶微分算子和灰色系统理论相结合的方法, 提出了一种新的图像边缘检测方法。本法对边缘方向的敏感性低, 避免了同时采用几种不同方向序列进行关联分析提取边缘所带来的计算复杂性。针对光学经纬仪实际拍摄的含复杂噪声图像的灰度特征, 提取了图像目标的边缘, 并与传统边缘检测方法进行了比较。实验结果表明, 本法边缘检测精度高, 抗噪声能力较强, 能够将目标从背景中完整地分割出来, 边界比较清晰且连续性好, 这大大增强了图像视频判读时对判读点位的把握能力, 工程实用性强。
摘要：针对传统边缘检测方法对光学经纬仪实际拍摄的含噪声图像边缘检测效果不理想的问题, 将灰色系统理论引入图像边缘检测, 通过绝对关联分析与边缘检测算子相结合, 提出一种利用二阶微分算子作为参考序列, 图像像素作为比较序列, 通过计算灰色绝对关联度来检测图像边缘的方法。实验结果表明, 该方法与现有方法相比, 边缘检测效果更好, 检测的边缘清晰、连续, 对噪声图像边缘的检测精度较高, 抗噪声能力强。
关键词：绝对关联度,边缘检测,二阶微分算子,灰色系统
参考文献
[1]张德丰.Matlab数字图像处理[M].北京:机械工业出版社, 2012.
[2]王康泰, 戴文战.一种基于Sobel算子和灰色关联度的图像边缘检测方法[J].计算机应用, 2006, 26 (5) :1035-1037.
[3]高永丽, 薛文格.基于灰色系统理论的绝对关联度图像边缘检测方法研究[J].楚雄师范学院学报, 2009, 24 (6) :13-16.
[4]桂预风, 吴建平.基于Laplacian算子和灰色关联度的图像边缘检测方法[J].汕头大学学报, 2011, 26 (2) :69-73.
[5]胡鹏, 傅仲良, 陈楠.利用灰色理论进行图像边缘检测[J].武汉大学学报:信息科学版, 2006, 31 (5) :411-414.
[6]黄海龙, 王宏.一种基于小波变换和数学形态学的边缘检测算法[J].东北大学学报:自然科学版, 2011, 32 (9) :1315-1318.
[7]景少玲, 叶鸿瑾, 白静.小波阈值去噪联合数学形态学的肺部图像边缘检测[J].计算机应用与软件, 2013, 30 (11) :187-191.
[8]钟都都, 闫杰.基于灰色关联分析和Canny算子的图像边缘提取算法[J].计算机工程与应用, 2006 (28) :68-71.
[9]赵蓓蕾, 吴亚婷, 李强.基于形态学与灰度模态分析的阴影去处方法[J].兵工自动化, 2013, 32 (12) :15-19.
[10]马苗, 田红鹏, 张艳宁.灰色理论在图像工程中的应用研究进展[J].中国图象图形学报, 2007, 12 (11) :1943-1951.
[11]胡涛, 徐磊.灰色理论在储粮害虫图像处理中的应用[J].湖北农业科学, 2009, 48 (3) :729-731.
目标提取 篇6
目标提取是指单幅图像或序列图像中将感兴趣的目标与背景分割开来,从图像中识别和解译有意义的物体实体而提取不同的图像特征的操作。目标提取的方法主要有[1,2]:基于参数度量的特征提取;基于非参量度量的特征提取;小波变换特征提取等。本文研究的对象是高空目标图像,它们是一类背景和目标有显著差异性的,我们采用的是一种互相关匹配的方法对图像进行阈值分割,达到背景和目标分离,最后提取出感兴趣的目标信息。
图像分割是一种重要的图像处理技术,它不仅得到人们广泛的重视和研究,也在实际中得到大量的应用。图像分割的方法很多,至今已提出了上千种各种类型的分割算法,而且近年来每年都有上百篇有关图像分割研究报道发表。由于现有的分割算法非常多,根据分割方式的不同把分割算法分成三大类[3,4]:阈值分割、边缘提取、区域分割,本文主要从阈值分割的角度研究图像分割的方法。近年来人们结合特定的理论知识又提出了些新的分割算法,有借助模糊集合和模糊散度的分割方法、基于信息论熵概念的交叉熵分割方法[5]、基于小波变换的分割方法。
本文利用信号中互相关性原理[6]表征两个信号相似度的方法,并结合图像模式识别中的匹配的概念,构造出了通过目标和背景互相关匹配时确定最佳分割阈值的方法。本文中用到了互相关函数并不是通常理解的表示目标和背景的相似性,而是重要在于说明目标和背景各自的匹配效果。只有它们同时达到最佳的匹配时,此时才有最大值。利用相似性概念在本文得到的分割值是表示匹配程度的一种度量。最后通过最大互相关匹配确定分割阈值,从而将目标和背景分离,提取图像中的目标。
1 互相关原理
在信号处理领域中,互相关是用来表示两个信号之间相似性的一个度量,通常通过与已知信号比较用于寻找未知信号中的特性,这两个信号不一定是随机信号。它是两个信号之间相对于时间的一个函数,有时也称为滑动点积,在模式识别以及密码分析学领域都有应用。
设有两个信号f(t)和g(t),它们之间的相关性被定义为它们乘积的积分并归一化。即:
由式(1)可知η当且仅当f(t)和g(t)随时间变化规律相同,比例系数一致时有最大值。
如果两个信号的起始时间不同,延迟时间τ时,则对延迟信号进行相对地的移动,此时的相关函数是一个关于τ的函数,定义为:
η(τ)数值越大,说明两个信号的近似程度越高。η(τ)是上凸一类的函数,当η(τ)达到峰值时,对应的时间τ即是两个信号相似程度最高时信号g(t)相对于信号f(t)的时间延迟。
2 分割模型
以下我们将介绍互相关匹配份分割图像的原理,基于上述的互相关性原理,在这里我们假设如下三种数学模型:(1)块a和块b都没配准,且块a大于块b;(2)块a和块b都没配准,且块b大于块a;(3)块a配准,且块b也同时配准。三种分割模型如图1所示。
利用上面讲到的相关性原理,对三种模型进行性能分析,这里我们是以是否配准为判别准则的。借助于相关性的函数模型于本文假设的三种数学模型进行比较。由比较结果可知,对于两种没有配准的模型,无论是块a配多配少还是块b配多配少,它们两个的乘积结果都会是小于块a和块b同时配准的情况。所以乘积的最大值表示了目标和背景同时达到了最佳配准,分割效果最好。
3 互相关匹配分割
在图像处理中,互相关函数定义为R(i)=f(t)×f(-t),它反映的是两个函数在不同的相对位置上互相匹配的程度。在模式识别方法中同样引入了互相关的概念,设X(i,j)为一幅m×n的图像,Y(i,j)是一幅m×n模板图像,则最大互相关匹配定义为:
对两个匹配模板求解最大相关量的算法。这一方法运用在图像阈值分割中就是:设一幅大小m×n,灰度级数为L的图像f(x,y)。则灰度级g(g=0,1,2,...,L-1)出现的频数为fi,于是定义其出现概率为pi=fi/(m×n),可以假设pi为一类分布函数。阈值T将整幅图像分成目标和背景两个区域,设:
no为目标概率分布函数,nb为背景概率分布函数,这样就将图像用目标(no)和背景(nb)分别表示出来。
阈值分割方法就是找到一个合适的阈值T使目标和背景能够被完整的分割出来,为此我们假设了一个最佳阈值T,使此时的目标被分割成目标;背景被分割成背景,即并行匹配。通过阈值T得到了目标概率函数no,背景概率函数nb,用目标概率函数和背景概率函数的互相关性表示匹配程度。进一步地,引入一个定量分析系数ρ,用来表征分割精度,它定义为:
对于式中nb(i)(i>L)时,对背景概率函数nb拓展,并且全部赋0值。ρ即是表示目标概率函数和背景概率函数的相关程度,而它又是由目标和背景各自的匹配程度的度量,所以ρ的值越大表明分割效果越显著。因此最大的ρ(T*)值对应了最佳分割阈值T*。
5 结果分析
利用上述提出的阈值分割方法,对不同类型的灰度图像进行阈值分割实验,发现该方法的分割结果相当的准确,并且通过阈值很好的将图像中感兴趣的目标提取出来。从提取结果可以看出B-52和机群图像都很好的将目标从背景中分离出来,达到了目标提取的目的。用该方法得到的二幅图像的最大互相关匹配度ρ*和对应的分割阈值T*如表1分割目标提取结果如图2所示。
5 结论
实验结果表明互相关匹配分割算法准确的确定了分割阈值,将目标很好的从背景中分离开来。特别是针对于高空图像中目标和背景的灰度差异性,利用互相关匹配方法能够有明显的优势,该方法算法简单、实时性较好。从实验结果可以看出匹配程度越高目标提取结果效果越显著,图2(a)的互相关匹配程度低于图2(b)的互相关匹配程度。另外从灰度直方图来看很显然图2(a)的目标灰度分布有其他背景信息,目标提取效果不是很好;而从图2(b)的灰度直方图分布来看目标部分和背景部分很好的分离看来,目标信息提取效果显著。
本文的主要工作就是对高空图像进行感兴趣目标的提取。然后针对这种图像的灰度分布特点提出了一种互相关匹配分割方法用于将目标和背景分离,实现感兴趣目标的提取。
参考文献
[1]周伟,关键,等.高分辩率遥感图像感兴趣目标的提取算法.光电工程,2011;38(2):115—121
[2]王晓飞,郭敏,等.基于图割于改进水平集的目标提取方法.计算机工程,2010;36(22):214—216
[3]章毓晋.图像分割.北京:科学出版社,2000:43—49
[4]梁光明,孙即祥,等.Otsu算法在Canny算子中的应用.国防科技大学学报,2003;25(5):36—39
[5]金永镐,崔荣一,等.基于交叉熵极小化的图像边缘检测算法.吉林大学学报,2006;24(6):656—660
[6]张仔鸿,杨红雨.利用互相关方法识别图片内容.微计算机信息,2009;25(11):169—170
[7]周敬.图像分割中阈值法的研究.计算机技术应用,2010;1(1):39—41
[8]薛景浩,章毓晋,等.基于最大类间后验交叉熵的阈值化分割算法.中国图象学报,1999;4(2):110—114
目标提取 篇7
关键词：单高斯模型,运动目标检测,背景提取
运动目标检测指通过对视频序列的分析来提取运动物体,即区分“前景”和“背景”。它是实现目标跟踪、行为分析的基础。被广泛应用于智能监控、自动导航、人机交互等领域[1]。
近年来,随着数字图像处理技术的进步,运动目标检测的新方法也层出不穷,精度也得到了逐步的提高。大体而言,基于视频的运动检测算法可分为如下几类:光流法检测,帧间差分法,背景差除法[2]。光流法进行运动目标检测是基于运动物体随时间变化的光流特性,该方法的优点是在摄像机运动存在的前提下也能检测出独立的运动目标[3]。但是光流法的计算量较大,对硬件要求较高,很难实现对目标的实时检测。帧间差分法实时性强,通过在连续的图像序列中的两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域[4,5]。对于动态环境具有较强的自适应性,但一般不能完全提取出所有相关的特征像素点,而且在运动实体内部容易产生空洞现象。对于运动物体速度过慢或者过快这两种极端情况得不到很好的效果。
背景差除法是当前比较流行的一种方法。其通过建立背景模型继而和当前帧进行比较从而得出前景。而高斯模型是各种背景建模方法中效果较好的一种方法。高斯模型可以分为单高斯和混合高斯模型。相较于混合高斯模型,单高斯背景建模因其快速性和相对准确性依然得到了相当广泛的应用。在背景相对简单的前提下,单高斯背景建模速度快,时效性强。本文分析了单高斯模型在运动目标检测中的优缺点,为每个像素点建立一个计数器来防止背景点的误判,确定了一种“防虚假背景欺骗”的机制,提出了一种改进的单高斯背景建模方法。
1 单高斯背景模型
在室内场景或者室外背景等较为简单的情况下,可以认为构成视频画面的各个背景像素点处在一个较为稳定的值附近,认为其服从一维正态分布。因而我们可以为每一个像素点建立一个高斯模型[6]。
式(1)中ix,y代表坐标为(x,y)对应的某一像素点的值。μx,y代表该像素点高斯模型的均值,δx,y为对应的方差。P(ix,y)表示该点像素值为ix,y的概率。对于每一个像素点而言,如果没有运动目标的进入导致该像素点的值发生较大变化,其值都会在一个较为稳定的水平内变化,一旦因为有运动物体进入该从而影响该点像素值,则会和之前该点的背景均值μx,y发生较大的偏差,如果偏差超过一定阈值TP,我们便认为该点是前景点。因为视频流不断读取新的帧,因而各个点的高斯模型需要进行更新维护。
Bt=αIt+(1-α)Bt-1 (2)
Bt为当前的单高斯背景模型,Bt-1为上一次的背景模型,It为当前帧的信息。α为更新率,α越大,表示每一次更新模型融入更多当前帧的信息。本文中实验取得更新率均为0.1。更新率代表了从一帧中获取信息量的更新速率。
1.1 模型的初始化
通过对视频的第一帧信息进行提取,为每一个像素点建立起一个高斯模型,提取第一帧中各个像素值成为对应高斯模型的均值,初始化的时候初始设定一个方差δx,y。进而完成单高斯模型的初始化。文献[7,8]提及了通过积累多帧图像信息对初始化方式进行改进。假设初始化累计的帧数为N,在N帧之内运动目标从静止变为运动,该方法能有效的平均这种“伪背景”带来的影响。但对于N帧之后才开始从静止演变为运动的物体则无能为力。 本文在此不对改进的初始化模型作进一步论述。本文试验仅取第一帧进行初始化。即在公式(3)、式(4)中取N=1。
1.2 模型的更新
对于一个像素点而言,没有运动物体进入对其造成影响的时候, 其值也是缓慢的发生变化的。因此在每一帧中实时的更新背景模型有能保持该模型的真实性,避免在一段时间后背景模型失真。依据公式(2)对单高斯模型进行更新。其本质就是更新该像素点的均值和方差。可以具体为式(5)、式(6)。
μt(x,y)=(1-α)μt-1(x,y)+αIt(x,y) (5)
δ
[It(x,y)-μt(x,y)]2 (6)
模型更新有两种方式,早期的单高斯模型对整个图像的像素点都进行更新,即按照公式(2)进行全局更新。如果一个像素点在运动目标进入该区域影响其值之后,根据更新公式,运动目标的像素信息会融入到背景中,在运动物体离开该区域后,该点的背景模型中均值和真实的背景像素有了较大偏差,这个时候反而会将背景误认为是前景,从而造成单高斯模型的拖尾现象。
Bt(x,y)=αIt(x,y)+(1-α)Bt-1(x,y) (7)
本文实验视频为户外一段170帧260×260的车辆运动视频。图1(a)(b)(c)分别截取自视频第1、100、和最后一帧(第170帧)。显示了车辆由监控区域左端向右端运动的状态。
图2是在VS2008平台下基于OpenCV函数库对传统单高斯模型算法C语言实现的仿真结果。图(a)是视频第100帧实时图片,图(b)是第100帧时实时的背景模型图,图(c)是分割前景的结果图。从(b)图可以看出,因为盲目更新所有像素点的背景,该背景模型融入了车辆的像素信息。而车辆的像素信息在下一帧也不会立马得到消除,需要数帧的时间更新才能逐渐使其消失。而每一帧又会产生新的“尾巴”。因而(c)图车辆中一直会拖着一个“尾巴”。这就是传统单高斯模型的“拖尾”现象。(为能清晰观测拖尾,实验未对前景目标进行二值化阈值处理)
为了避免拖尾现象,文献[9]对单高斯模型进行了改进,提出了一种选择性更新的方法,该方法首先预判新一帧中像素点属于前景还是背景,如果是背景才进行更新,如果是前景则维持之前的高斯模型不变;表述如下式(8)。
该改进方法有效的规避了拖尾现象。但是又产生了新的问题,如果运动物体一开始就是背景的一部分,或者在运动一段时间后停下来成为背景的一部分,则会产生“脱壳”现象。
图3是在VS2008平台下基于OpenCV函数库对选择性更新单高斯模型算法C语言实现的仿真结果。
图(a)是第100帧的实时图片,图(b)是第100帧时的实时背景模型,图(c)是前景分割的结果。从图(b)可以看出,因为对像素进行前背景点的预判,第100帧的车辆位置信息没有融入到背景模型中,因而拖尾现象得到了很好的消除,但是其将第一帧就存在的车辆信息误判成了背景。因而一直认为图片左上方有车辆存在。这就造成了该改进方法的一个缺点,即“脱壳”现象。
2 改进的单高斯背景模型
最初的单高斯模型由于盲目性全局像素点背景模型更新,导致将运动物体的信息也融入到背景模型中,因而在运动目标离开某区域之后,该区域也将在接下来数帧即时更新的背景模型中残留有该运动目标的信息。所以产生运动目标的拖尾现象,在前景分割的效果中显示为真实运动目标的后面拖着一个长长的“尾巴”。 改进的单高斯模型进行选择性更新,通过对像素点进行前景点和背景点的预判,从而对背景模型选择更新。该改进算法虽然能有效的规避拖尾现象,但在某些特定情况下又产生了误分割的问题,本算法在选择性更新背景模型的基础上提出了一种改进方法,建立起一种学习“防欺骗”机制,一定程度上抑制了误分割现象。
如果运动目标一开始就保持静止,此时它是背景的一部分。一旦其开始运动,则原来被该物体遮挡的真实背景会显露出来,这个时候单高斯模型若是进行选择性更新,在进行前景点背景点判别时,会因为现在真实的背景和运动目标静止在该区域充当背景时的值相差较大而被预判为前景,即真实的背景被当成了前景。而且因为这种差值在之后各帧中一直会维持在一个较大的水平,因而在后续的预判中一直将其判定为前景。因而在不会对该区域进行背景模型的更新。因而无法融入后面各帧中运动目标离开后真实背景的信息。导致后续该位置一直检测出来有运动目标,而事实上这个运动目标并不存在(同样运动目标运动一段时间静止在视频区域范围内也会有这种情况)。这种“脱壳”现象就像运动目标脱了一个壳在原来的静止位置,因而该中情况下的误识别对运动目标检测造成了较大的困扰。
当图像中的运动目标在某个区域由静止演变为运动之后,单高斯模型误判该区域真实的背景是运动目标,可以说是被“欺骗”了,而且这种误判一直会保持在之后各帧即时更新的背景模型中。本文算法旨在建立起一种防欺骗机制。类似于为每一个像素点建立一个高斯模型,为每一个点建立一个计数器,每次模型更新判定为背景点的话则让该计数器清零,如果判别为前景点则该计数器数值加一,根据先验知识,运动目标以一定速度经过视频监控画面的区域,也就是说对画面内任何一个像素点而言,连续被判为前景点的次数会是有限的,该次数取决于运动目标的速度。运动目标离开某个区域后,真实背景显露,此时预判会将该点计数器清零。等再有运动目标经过该点时才会重新计数。
图4是传统的全局高斯背景模型更新、改进的选择性背景更新、本文算法更新进行对比的截图。各选取了第20、100、和第120帧前景分割效果进行呈现。(a)图是传统单高斯模型进行全局更新后的前景分割效果,(b)图是选择性更新单高斯模型的分割效果,(c)图是本文算法的前景分割效果。可以看出,本文算法规避了传统单高斯模型的“拖尾”现象,对选择性更新的“脱壳”现象进行了较好的抑制。本文算法进行的实验设定的阈值Ct为25,即默认一个像素点被连续预判为前景点最大不超过25次,超过该阈值后即对背景模型进行更新,融入该点像素值新信息。可以观察到该算法有效的抑制了“脱壳”现象。算法流程上,首先对单高斯模型进行初始化,提取初始帧图像信息作为初始化数据。然后提取新一帧的信息,对各像素点进行前背景点的预判,如果判为背景点,则对该点背景模型进行更新(与此同时计数器清零),如果判为前景,则不进行更新但同时为该点设定的计数器进行加一操作。如果计数器累加的次数超过阈值Ct,则认为其是虚假前景,对该点背景模型进行更新。通过背景减差来进行最终前背景点的分割判断。算法流程图如图5所示。
3 总结
基于单高斯背景建模在运动目标检测中的不足,本文分析了全局更新和选择性更新两种方法存在的问题,在选择性更新单高斯背景模型的基础上,为抑制虚假背景区域带来的影响,即运动目标原来静止后续开始运动或者运动一段时间后成为背景,导致该区域持续被检测为前景的现象。本文提出了一种防止误判的机制,通过为每一个像素点建立一个计数器,能在超过阈值Ct后迅速的消除被误判的伪前景,有效地抑制虚假背景区域的“欺骗”。该算法存在的不足是:因为运动目标正常状态下通过某区域也要经过数帧的时间,即该防误判机制需要被“欺骗”一段时间后才能对虚假背景进行修正。如果阈值Ct设定过小,一定程度上能减少“被欺骗”的时间,但是也增大了产生“拖尾现象”的可能,但实验结果表明,即便因为阈值Ct设定过小,较之传统的单高斯背景建模,产生的拖尾现象也会非常轻微。在后续的进一步的工作中将思考做更有效的改进。
参考文献
[1]万缨,韩毅,卢汉清.运动目标检测算法的探讨.计算机仿真,2006;(2):221—225
[2]张晖,董育宁,基于视频的车辆检测算法综述.南京邮电大学学报,2007;(3)88—93
[3]计文平,郭宝龙,丁贵广.基于虚拟线圈的光流法车流量检测.计算机仿真,2004;(1):109—112
[4]王孝艳,张艳珠,董慧颖.运动目标检测的三帧差法算法研究.沈阳理工大学学报,2011;(4):82—86
[5] Zhang Hongjiang,Gong Yihong.Moving object detection,trackingand recognition.The 3rd International Conference on Automation,Ro-botics and Computer Vision,1994:97—103
[6] Wren C,Azabayejani A,Darrel T,et al.Real-time tracking of thehuman body.IEEE Transactions on Pattern Analysis and Machine In-telligence1997;19(7):780—785
[7]杨珺,史忠科.基于改进单高斯模型法的交通背景提取.光子学报,2009;(6):1293—1296
[8]胡学刚,刘忠振.基于高斯背景模型的车辆检测改进算法.计算机工程与设计,2011;(3):4111—4114