[發明專利]基于矩陣恢復的紅外小目標檢測方法

有效

• 申請號: 201910729259.2
• 申請日: 2019-08-08
• 公開（公告）號: CN110443209B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 劉時明;朱虎;李海波;鄧麗珍
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V10/77
• 分類號: G06V10/77;G06K9/62
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 張耀文

1.一種基于矩陣恢復的紅外小目標檢測方法，其特征在于：包括以下步驟：

步驟S1、獲取真實紅外圖像；

步驟S2、建立紅外小目標檢測模型；

步驟S3、優化求解紅外背景子問題；

步驟S4、優化求解紅外目標子問題；

步驟S5、優化求解紅外噪聲子問題；

步驟S6、引入其余參數的優化求解問題；

設待處理的真實紅外圖像為D∈R^m×n,紅外背景圖像為B∈R^m×n,紅外目標圖像為T∈R^m×n,噪聲圖像為N∈R^m×n，其中m×n為真實紅外圖像矩陣大小；

其中，所述步驟S2實現方法為：

S21、建立紅外小目標檢測優化模型，如下所示：

其中，||B||_r＝||B||_*-tr(XBY^T)代表矩陣B的截斷范數，||B||_*代表矩陣B的核范數，r代表矩陣B的秩，代表目標矩陣T的l_q范數，并且XX^T＝I,YY^T＝I，λ₁和λ₂為系數；

S22、引入變量M＝B，模型改寫為：

s.t.D＝B+T+N M＝B；

S23、應用交替方向乘子算法求解模型，如下所示：

其中，a和b為拉格朗日系數，R和Q為懲罰系數，||·||_F是Frobenius范數。

2.根據權利要求 1所述的一種基于矩陣恢復的紅外小目標檢測方法，其特征在于：所述步驟S3中優化求解紅外背景圖像B的方法為：

S31、令T和N為固定常量，求解子模型：

其中：SVD(B_k)＝[U,Σ,V]，X＝(u₁,u₂,…,u_r)^T,Y＝(v₁,v₂,…,v_r)^T

S32、B_k+1更新：

3.根據權利要求1所述的一種基于矩陣恢復的紅外小目標檢測方法，其特征在于：所述步驟S4中優化求解紅外目標圖像T的方法為：

S41、令B和N為固定常量，求解子模型：

S42、帶入l_q范數得：

S43、則T_k+1更新：

其中，

4.根據權利要求1所述的一種基于矩陣恢復的紅外小目標檢測方法，其特征在于：所述步驟S5中優化求解紅外噪聲子問題N的方法為：

S51、令T和B為固定常量，求解子模型：

S52、N_k+1更新：

其中，τ為控制因子。

5.根據權利要求1所述的一種基于矩陣恢復的紅外小目標檢測方法，其特征在于：所述步驟S6中引入其余參數的優化求解方法為：

S61、引入參數M，優化求解：

令B、T、N為固定常量，求解子模型：

M_k+1的更新：

其中，

S62、引入參數R，優化求解：

R_k+1的更新：

R_k+1＝R_k-τa(B_k+T_k+N_k-D)

其中，τ為控制因子；

S63：引入參數Q，優化求解：

Q_k+1的更新：

Q_k+1＝Q_k-τb(B_k-M_k)

其中，τ為控制因子；

S64：引入參數a的優化求解：

其中,τ為控制因子,δ是矩陣D的第五個奇異值，所述奇異值從大到小排列；

S65：引入參數b的優化求解；

其中,τ為控制因子,δ是矩陣D的第五個奇異值，所述奇異值從大到小排列。