[發(fā)明專利]復(fù)雜背景下紅外弱目標(biāo)檢測(cè)與跟蹤的應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 201410062826.0
• 申請(qǐng)日: 2014-02-25
• 公開(kāi)（公告）號(hào): CN103810499B
• 公開(kāi)（公告）日: 2017-04-12
• 發(fā)明（設(shè)計(jì)）人: 王忠華;廖建華;涂穎;廖遠(yuǎn);劉清平;鄧承志;陳銀軍
• 申請(qǐng)（專利權(quán)）人: 南昌航空大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06T7/246
• 代理公司: 南昌洪達(dá)專利事務(wù)所36111
• 代理人: 劉凌峰

技術(shù)領(lǐng)域

??本發(fā)明涉及紅外圖像預(yù)處理技術(shù)、弱目標(biāo)運(yùn)動(dòng)狀態(tài)的分析、以及多特征融合與度量的弱目標(biāo)跟蹤領(lǐng)域，具體涉及在復(fù)雜背景下紅外弱目標(biāo)檢測(cè)與跟蹤的應(yīng)用。

背景技術(shù)

本發(fā)明的背景技術(shù)涉及三個(gè)關(guān)鍵步驟與方法：保持拓?fù)浣Y(jié)構(gòu)的圖像預(yù)處理技術(shù)、分析突發(fā)或平穩(wěn)特性的目標(biāo)運(yùn)動(dòng)狀態(tài)、同類多特征融合與度量的目標(biāo)跟蹤方法。

保持拓?fù)浣Y(jié)構(gòu)的紅外圖像預(yù)處理技術(shù)：

雜波與噪聲的存在,?它們提高了弱目標(biāo)檢測(cè)的難度。采用空間濾波方法抑制背景與噪聲，其圖像的拓?fù)浣Y(jié)構(gòu)會(huì)產(chǎn)生變化。研究雜波與噪聲的抑制方法，既提高弱目標(biāo)的信雜比又保持圖像的拓?fù)浣Y(jié)構(gòu)。

?分析突發(fā)或平穩(wěn)特性的目標(biāo)運(yùn)動(dòng)狀態(tài)：

弱目標(biāo)的運(yùn)動(dòng)具有突發(fā)或者平穩(wěn)特性，用來(lái)表征目標(biāo)的不確定性與機(jī)動(dòng)性。依據(jù)圖像熵模式所引起的表觀就是刻畫目標(biāo)運(yùn)動(dòng)，針對(duì)區(qū)域像素灰度平緩或劇烈變化的特點(diǎn)，研究平滑與約束準(zhǔn)則的目標(biāo)運(yùn)動(dòng)估計(jì)模型，實(shí)現(xiàn)對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)的逼近。

同類多特征融合與度量的目標(biāo)跟蹤方法：

偽目標(biāo)的存在，以及目標(biāo)遮擋、交叉、分離、出現(xiàn)、消失的現(xiàn)象，它們提高目標(biāo)跟蹤的難度。目標(biāo)一般具有相同或趨近的類屬特征，研究類屬多特征融合與度量的目標(biāo)跟蹤方法可以剔除偽目標(biāo)并實(shí)現(xiàn)弱目標(biāo)的跟蹤。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供復(fù)雜背景下紅外弱目標(biāo)檢測(cè)與跟蹤的應(yīng)用，保持紅外弱目標(biāo)序列圖像拓?fù)浣Y(jié)構(gòu)的預(yù)處理技術(shù)，抑制雜波與提高目標(biāo)信雜比；依據(jù)熵模型構(gòu)建符合弱目標(biāo)機(jī)動(dòng)特征的自適應(yīng)熵流目標(biāo)運(yùn)動(dòng)的估計(jì)模型，逼近目標(biāo)的運(yùn)動(dòng)狀態(tài)；以及采用類屬多特征融合與度量的方法識(shí)別與跟蹤弱目標(biāo),從而實(shí)現(xiàn)了紅外弱目標(biāo)檢測(cè)與跟蹤。

通過(guò)建立加權(quán)熵模型、自適應(yīng)熵流的目標(biāo)運(yùn)動(dòng)估計(jì)模型與多特征融合的序貫濾波模型的研究目標(biāo)，識(shí)別弱目標(biāo)與弱目標(biāo)軌跡。本發(fā)明需要解決的關(guān)鍵科學(xué)問(wèn)題如下：

（1）構(gòu)建仿生物視覺(jué)顯著性度量的空域掩模。掩模突出空域鄰近與方向優(yōu)先的特征，采用空域掩模的加權(quán)信息熵矩陣描述圖像灰度信息矩陣，實(shí)現(xiàn)圖像熵模式的變換。?

（2）構(gòu)建非線性擴(kuò)散的自適應(yīng)變分模型。采用非線性擴(kuò)散因子控制平滑程度，適應(yīng)調(diào)整熵流變分模型的數(shù)據(jù)項(xiàng)與平滑項(xiàng)的比例因子，實(shí)現(xiàn)待估計(jì)速度逼近目標(biāo)的運(yùn)動(dòng)狀態(tài)。

（3）構(gòu)建目標(biāo)關(guān)聯(lián)函數(shù)。在既定的空域與時(shí)域內(nèi)，目標(biāo)運(yùn)動(dòng)的連續(xù)性與一致性、以及目標(biāo)類屬的相同性，決定它將以極大概率出現(xiàn)在鄰近區(qū)域內(nèi)。關(guān)聯(lián)函數(shù)包含空域與時(shí)域、運(yùn)動(dòng)與非運(yùn)動(dòng)類屬特征，采用多特征距離評(píng)價(jià)函數(shù)實(shí)現(xiàn)目標(biāo)檢測(cè)。

??本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案為：

????本發(fā)明的方法包括以下主要步驟：

1、抑制噪聲、雜波與保持圖像的拓?fù)浣Y(jié)構(gòu)，構(gòu)建空域鄰近與方向優(yōu)先的仿生視覺(jué)加權(quán)熵模型，實(shí)現(xiàn)圖像從灰度模式變換為熵模式。

2、由圖像熵模式所引起的表觀運(yùn)動(dòng)就是刻畫弱目標(biāo)運(yùn)動(dòng)，分析突發(fā)或平穩(wěn)特性的目標(biāo)運(yùn)動(dòng)狀態(tài)。依據(jù)熵流的非線性平滑與局部約束準(zhǔn)則，采用非線性擴(kuò)散因子控制平滑程度，以及熵流約束和平滑約束組合約束待估計(jì)速度,得到致密的熵流場(chǎng)，構(gòu)建符合目標(biāo)機(jī)動(dòng)特征的自適應(yīng)熵流目標(biāo)運(yùn)動(dòng)估計(jì)模型，趨近目標(biāo)運(yùn)動(dòng)狀態(tài)。

3、研究類屬多特征融合與度量的目標(biāo)跟蹤方法，構(gòu)建多特征融合的序貫濾波模型，實(shí)現(xiàn)弱目標(biāo)精確、魯棒與實(shí)時(shí)地跟蹤。

????其紅外弱目標(biāo)檢測(cè)與跟蹤流程圖如圖1所示。

??本發(fā)明的優(yōu)點(diǎn)是：

（1）提出了空域鄰近與方向優(yōu)先的加權(quán)熵模型

通常采用空間濾波抑制背景與噪聲，它會(huì)易損失目標(biāo)的信息與改變圖像的拓?fù)浣Y(jié)構(gòu)。針對(duì)本發(fā)明抑制背景與噪聲的問(wèn)題，依據(jù)生物注視機(jī)制，構(gòu)造空域鄰近與方向優(yōu)先的加權(quán)空域掩模。采用空域掩模加權(quán)的信息熵度量圖像像素灰度，實(shí)現(xiàn)圖像由灰度模式變換為熵模式。它為抑制雜波與保持圖像的拓?fù)浣Y(jié)構(gòu)提供了一種新思路。

（2）提出自適應(yīng)熵流的非線性擴(kuò)散的目標(biāo)運(yùn)動(dòng)估計(jì)模型

弱目標(biāo)的不確定性與機(jī)動(dòng)性以及雜波對(duì)運(yùn)動(dòng)估計(jì)的干擾，它們會(huì)降低目標(biāo)運(yùn)動(dòng)估計(jì)的精確度。針對(duì)本發(fā)明開(kāi)展估計(jì)目標(biāo)運(yùn)動(dòng)狀態(tài)的研究?jī)?nèi)容，面對(duì)熵變化平緩或者急劇的特點(diǎn)，自適應(yīng)調(diào)整熵流模型數(shù)據(jù)項(xiàng)與平滑項(xiàng)的比例因子，采用非線性擴(kuò)散因子控制平滑程度，實(shí)現(xiàn)熵流約束和平滑約束組合約束待估計(jì)速度，以趨近目標(biāo)運(yùn)動(dòng)狀態(tài)。它為提高弱目標(biāo)運(yùn)動(dòng)估計(jì)的精確度提供了一種新方法。

附圖說(shuō)明

圖1為本發(fā)明的紅外弱目標(biāo)檢測(cè)與跟蹤流程圖；

圖2為本發(fā)明的弱目標(biāo)檢測(cè)與跟蹤技術(shù)方案；

圖3為本發(fā)明由灰度模式到熵模式變換的技術(shù)路線；