一種低信噪比運動小目標的跟蹤與識別的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式識別與分類技術(shù)領(lǐng)域，尤其涉及一種低信噪比運動小目標的跟蹤 與識別的方法。
【背景技術(shù)】
[0002] 隨著科技的發(fā)展和人類的安防意識的提升，網(wǎng)絡(luò)環(huán)境下視頻監(jiān)控系統(tǒng)在各個領(lǐng)域 得到越來越廣泛的應(yīng)用，如軍事、交通、銀行、工廠、社區(qū)等。而基于視頻監(jiān)控的運動目標的 識別是一項十分有用的工作，可以應(yīng)用在航天、軍事、導彈軌跡識別跟蹤，交通違章檢測等 眾多領(lǐng)域。但在有些場合如世界各國對周邊地區(qū)環(huán)境監(jiān)視中，需要能夠盡快地截獲并鎖定 跟蹤目標。那么對運動小目標的準確檢測與跟蹤，對在軍事、民事等各個領(lǐng)域的應(yīng)用顯得越 來越重要，也越來越急迫。網(wǎng)絡(luò)環(huán)境強雜波背景條件下低信噪比運動弱小目標的檢測問題 直接決定探測系統(tǒng)的作用距離及檢測性能，其解決對于提高探測系統(tǒng)性能具有非常重要的 實際意義。
[0003] 目前對復雜背景下視頻圖像的去噪處理、運動目標的多維參數(shù)提取、視頻圖像處 理及運動目標的跟蹤與識別等問題的處理缺乏解決方法，這些問題已成為圖像處理領(lǐng)域的 一個熱點問題，這也是現(xiàn)在許多部門棘手且亟待解決的問題。
[0004] 由于不同的航空視頻采集系統(tǒng)、不同的物理現(xiàn)象如光照不能完全均勻分布等多方 面的原因，使獲得的圖像邊緣強度不同。而且，在實際場合中，圖像數(shù)據(jù)往往還被噪聲所污 染。同時景物特性混在一起又會使隨后的解釋變得非常困難。要實現(xiàn)對航空圖像畫面意圖 的準確領(lǐng)會，需要研宄既能檢測出圖像目標強度的非連續(xù)性，又要能同時確定它們的精確 位置的目標識別方法。
[0005] 低信噪比下運動小目標信號探測與提取是目前各種先進探測系統(tǒng)需要解決的 關(guān)鍵技術(shù)問題之一，此時目標的圖像只占有一個或幾個像素的面積，并且由于背景環(huán)境復 雜、大氣輻射的不均勻性、探測器的內(nèi)部噪聲等等因素影響，目標幾乎淹沒在雜波起伏背景 中，不具有形狀和結(jié)構(gòu)信息，有時甚至可能丟失目標，這就給弱小目標檢測帶來了很大的難 度。強雜波背景條件下低信噪比運動弱小目標的檢測問題直接決定探測系統(tǒng)的作用距離及 檢測性能，其解決對于提高探測系統(tǒng)性能具有非常重要的實際意義。也將對軍事、民事、公 安系統(tǒng)、道路交通等所有基于視頻系統(tǒng)的目標識別與跟蹤的發(fā)展起到重要的借鑒和參考作 用。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實施例的目的在于提供一種低信噪比運動小目標的跟蹤與識別的方法，旨 在解決現(xiàn)有技術(shù)存在跟蹤實時速度較慢、跟蹤或識別效果較差的問題。
[0007] 本發(fā)明實施例是這樣實現(xiàn)的，一種低信噪比運動小目標的跟蹤與識別的方法，其 特征在于，該低信噪比運動小目標的跟蹤與識別的方法以一種分階段、按目標分別給出不 同的實施方法，對視頻圖像中運動小目標容易被復雜背景中的其他物體或噪聲遮擋或淹沒 的情況，提出了開閉變換的消除或減弱背景與噪聲的算法；對小目標的弱小特性，提出了在 線學習的自適應(yīng)神經(jīng)網(wǎng)絡(luò)競爭模型，利用競爭的活動單元提取弱小目標的多維特征參數(shù)； 對于視頻中小目標的運動特性，利用灰度的突變，給出了小目標運動狀態(tài)模型和預(yù)測模型； 對運動小目標實時檢測與跟蹤，采用了模糊下推自動機鏈進行軌跡識別與跟蹤，以模糊下 推自動機鏈深度為閾值進行軌跡判決；
[0008] 具體包括以下步驟：
[0009] 步驟一，給出從視頻序列的單幀圖像中提取目標的方法，減弱或消除背景與噪聲 的影響；
[0010] 步驟二，給出弱小目標運動信息提取和狀態(tài)預(yù)測建模；
[0011] 步驟三，建立兩幀間圖像運動小目標的關(guān)聯(lián)矩陣；
[0012] 步驟四，基于多幀圖像疊加的信息融合，利用模糊下推自動機鏈彈棧遞歸運算提 出了網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻圖像運動小目標的跟蹤算法與識別方法。
[0013] 進一步，在步驟一中，給出從視頻序列的單幀圖像中提取目標的方法，減弱或消除 背景與噪聲的影響時，具體實現(xiàn)方法為：
[0014] 利用數(shù)學形態(tài)學組合運算求取局部極大值與極小值，減輕后續(xù)處理的計算量，盡 量減少虛警率點數(shù)，對每個局部極大值點進行區(qū)域生長、極小值點實施減弱或消除，對可能 的目標進行選擇；
[0015] 使用開運算變換g = f-f 〇 B或閉運算變換g = f □ Β-f，對單幀圖像進行濾波，檢 測到圖像中變化較大的地方，即相當于高頻分量，同時能濾去圖像中灰度值變化相對較為 平緩的地方，相當于低頻分量，利用這個變換就對一幅單幀圖像進行濾波，濾掉低頻成分， 相當于濾掉大面積背景，留下包含小目標在內(nèi)的高頻部分；式中，f為圖像灰度幀，B為結(jié)構(gòu) 體，?表示開運算，□表示閉運算；
[0016] 為準確識別目標或軌跡，進行小目標增強和干擾的抑制，由于小目標點在各幀之 間運動，對視頻圖像可進彳丁多幀萱加，在萱加的最后幀上，小目標點表現(xiàn)為相關(guān)性很強的軌 跡點，但噪聲仍有可能淹沒小目標軌跡，提出多幀差分疊加算法，選取包含運動小目標點在 內(nèi)的圖像序列，奇數(shù)幀與偶數(shù)幀各η幀差值的疊加值，即：
【主權(quán)項】
1. 一種低信噪比運動小目標的跟蹤與識別的方法，其特征在于，該低信噪比運動小目 標的跟蹤與識別的方法以一種分階段、按目標分別給出不同的實施方法，對視頻圖像中運 動小目標容易被復雜背景中的其他物體或噪聲遮擋或淹沒的情況，提出了開閉變換的消除 或減弱背景與噪聲的算法；對小目標的弱小特性，提出了在線學習的自適應(yīng)神經(jīng)網(wǎng)絡(luò)競爭 模型，利用競爭的活動單元提取弱小目標的多維特征參數(shù)；對于視頻中小目標的運動特性， 利用灰度的突變，給出了小目標運動狀態(tài)模型和預(yù)測模型；對運動小目標實時檢測與跟蹤， 采用了模糊下推自動機鏈進行軌跡識別與跟蹤，以模糊下推自動機鏈深度為閾值進行軌跡 判決； 具體包括以下步驟： 步驟一，給出從視頻序列的單幀圖像中提取目標的方法，減弱或消除背景與噪聲的影 響； 步驟二，給出弱小目標運動信息提取和狀態(tài)預(yù)測建模； 步驟三，建立兩幀間圖像運動小目標的關(guān)聯(lián)矩陣； 步驟四，基于多幀圖像疊加的信息融合，利用模糊下推自動機鏈彈棧遞歸運算提出了 網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻圖像運動小目標的跟蹤算法與識別方法。
2. 如權(quán)利要求1所述的低信噪比運動小目標的跟蹤與識別的方法，其特征在于，在步 驟一中，給出從視頻序列的單幀圖像中提取目標的方法，減弱或消除背景與噪聲的影響時， 具體實現(xiàn)方法為： 利用數(shù)學形態(tài)學組合運算求取局部極大值與極小值，減輕后續(xù)處理的計算量，盡量減 少虛警率點數(shù)，對每個局部極大值點進行區(qū)域生長、極小值點實施減弱或消除，對可能的目 標進行選擇； 使用開運算變換g = f-f 〇 B或閉運算變換g = f □ B-f，對單幀圖像進行濾波，檢測 到圖像中變化較大的地方，即相當于高頻分量，同時能濾去圖像中灰度值變化相對較為平 緩的地方，相當于低頻分量，利用這個變換就對一幅單幀圖像進行濾波，濾掉低頻成分，相 當于濾掉大面積背景，留下包含小目標在內(nèi)的高頻部分；式中，f為圖像灰度幀，B為結(jié)構(gòu) 體，〇表示開運算，□表示閉運算； 為準確識別目標或軌跡，進行小目標增強和干擾的抑制，由于小目標點在各幀之間 運動，對視頻圖像可進彳丁多幀萱加，在萱加的最后幀上，小目標點表現(xiàn)為相關(guān)性很強的軌跡 點，但噪聲仍有可能淹沒小目標軌跡，提出多幀差分疊加算法，選取包含運動小目標點在內(nèi) 的圖像序列，奇數(shù)幀與偶數(shù)幀各η幀差值的疊加值，即：
式中，A為圖像序列中的第i幀，fz為最后的疊加幀； 通過對疊加幀采取閾值化處理，方法如下：
δ是閾值，取5 = max?/_ (，·，./)'丨；M, N為疊加幀圖像的尺寸。 i=\ j=\ 、 J