一種適用于海防監(jiān)控的海上紅外小目標(biāo)的檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于目標(biāo)檢測跟蹤技術(shù)，具體涉及在復(fù)雜背景中海防紅外小目標(biāo)的高效檢 測方法。
【背景技術(shù)】
[0002] 紅外小目標(biāo)檢測技術(shù)在紅外跟蹤系統(tǒng)等眾多領(lǐng)域都發(fā)揮著重要作用，因此在過去 的幾十年中人們采用了許多辦法去改進檢測的精確度和穩(wěn)定性。然而，在海防監(jiān)控等類似 的信噪比極低的場景中，由于復(fù)雜的背景、海洋雜波和類小目標(biāo)等的干擾，檢測的精確性、 穩(wěn)定性問題仍沒有很好解決，其性能堪憂。
[0003] 近來，低秩矩陣恢復(fù)（Low-rankMatrixRecovery:LRMR)理論被提出來并應(yīng)用于 目標(biāo)的檢測和跟蹤，與傳統(tǒng)的方法相比，采用低秩矩陣恢復(fù)方法進行的目標(biāo)檢測在某些情 況下表現(xiàn)更為優(yōu)異。這些基于低秩矩陣恢復(fù)理論的方法主要分為兩類。一類在單幀中檢測 目標(biāo)，但當(dāng)信噪比比較低時，其性能會急劇下降。另外一類利用視頻中所有幀的信息，這能 較好地克服在低信噪比場景中的檢測困難問題，但是其計算量和時間非常大，并且應(yīng)用此 方法必須滿足目標(biāo)在視頻中均一分布的前提條件。
[0004] 低秩矩陣恢復(fù)理論由壓縮感知和稀疏表示理論衍生而來，它認(rèn)為任何一幅理想的 圖像都滿足低秩的特性，但其低秩性又通常會受噪聲等的干擾而不再存在。因此，我們可將 圖像看成是一個低秩矩陣和一個噪聲（稀疏）矩陣的結(jié)合。近年來的研究表明，在非常寬 泛的條件下，采用穩(wěn)定主成分分析（RobustPrincipalComponentAnalysis:RPCA)求取曲 線最優(yōu)解的方式是可以從圖像中精確恢復(fù)出低秩矩陣和稀疏矩陣的。
[0005] 通常，海防監(jiān)控場景由三部分組成：背景、小目標(biāo)和各類噪聲。已有文獻證明，海 防背景特別是大面積的海洋背景局部塊圖之間是近似相關(guān)的，即使相隔一定像素距離的子 塊，仍然具備這一特點。因此，可以把海防背景認(rèn)為是一種低秩矩陣。而目標(biāo)相對整幅圖像 來說通常非常小，所以可以認(rèn)為是一種稀疏矩陣。由以上所述可推斷，小目標(biāo)檢測問題實質(zhì) 上是一個典型的從圖像數(shù)組中恢復(fù)低秩成分（背景）和稀疏成分（目標(biāo)）的問題，這個假 設(shè)在當(dāng)噪聲滿足獨立同分布，且其Frobenius范數(shù)小于某個大于零的值這兩個條件時已被 證實有效。但是實際情況中，并不是所有的噪聲都能滿足這兩個條件，尤其在海防監(jiān)控這類 背景復(fù)雜且雜波種類較多的場景中。

【發(fā)明內(nèi)容】

[0006] 鑒于現(xiàn)有技術(shù)所存在的上述問題，本發(fā)明的目的在于提供一種能在低信噪比背景 的視頻中成功檢測出運動紅外小目標(biāo)的方法，既具有較高的檢測率又能避免巨大的計算 量。本發(fā)明能最終應(yīng)用于海防監(jiān)控等嚴(yán)酷的場景。
[0007] 為了達到上述目的，本發(fā)明的技術(shù)方案是提供一種適用于海防監(jiān)控的海上紅外小 目標(biāo)的檢測方法，其包含：
[0008] 對海防監(jiān)控視頻中相鄰兩幀紅外圖像進行相鄰幀的幀間差分，得到去除了監(jiān)控場 景中靜態(tài)噪聲的潛在目標(biāo)區(qū)域；
[0009] 對于幀間差分的結(jié)果，通過低秩和稀疏矩陣恢復(fù)法來重構(gòu)目標(biāo)和背景區(qū)域，并通 過加速近端梯度算法克服監(jiān)控場景中的隨機噪聲及監(jiān)控場景中的一部分符合獨立同分布 規(guī)律的動態(tài)雜波噪聲，以近似恢復(fù)出稀疏目標(biāo)矩陣；
[0010] 對于稀疏目標(biāo)矩陣，通過局部自適應(yīng)門限閾值分割方法，對不同灰度能量值特性 區(qū)域進行判定，以能量最大和能量差異特性的綜合作為判定條件，將監(jiān)控場景中剩余的動 態(tài)雜波噪聲排除，從而將重構(gòu)的目標(biāo)區(qū)域清晰提取出來，實現(xiàn)目標(biāo)檢測定位。
[0011] 優(yōu)選地，待檢測定位的是小目標(biāo)，其通常距離較遠，沒有形狀、紋理信息，大小在 2*2~10*10像素之間，亮度不一；所述的紅外小目標(biāo)視頻是由波長為8~14微米的紅外 熱傳感器采集所得。
[0012] 優(yōu)選地，所述靜態(tài)噪聲，包含點狀類目標(biāo)、海岸線、海岸建筑物中的任意一個或其 任意組合；
[0013] 所述隨機噪聲，包含傳感器噪聲；
[0014] 所述動態(tài)雜波噪聲，包含海天雜波。
[0015] 優(yōu)選地，相鄰幀的幀間差分的公式為：
[0016]T= |I(t)-i(t-i)
[0017] 其中，I(t)為紅外圖像的第t幀視頻，I(t-i)為第t幀前一時刻的幀，|*|為取模 操作；T為包含待檢測目標(biāo)的潛在目標(biāo)區(qū)域。
[0018] 優(yōu)選地，在加速近端梯度算法中，根據(jù)已知m*n維的海防監(jiān)控視頻中的任意一幀 D，以曲線最優(yōu)的迭代逼近方式，求取該幀中具有低秩特性的背景區(qū)域A，及該幀中具有稀疏 特性的潛在目標(biāo)區(qū)域E時，折中因子λ=〇. 1 ;用以加快迭代速度的一些參數(shù)μ<]= | |D| | 2、 δ= 105、η= 0· 99。
[0019] 優(yōu)選地，局部自適應(yīng)門限閾值分割方法的公式為：
[0020]
[0021] 其中，Ε(X，y)是潛在目標(biāo)區(qū)域，（X，y)代表潛在目標(biāo)的像素坐標(biāo);Mmax是圖像最大 灰度能量值；M_為大于零的圖像最小灰度能量值；α為門限系數(shù)，是表示小目標(biāo)與背景的 分割閾值系數(shù)；β是用于判定小目標(biāo)是否存在的門限閾值；當(dāng)圖像最大灰度能量值和圖像 最小灰度能量值差異小于β時，判斷圖像中并不存在小目標(biāo)。
[0022] 優(yōu)選地，所述門限系數(shù)α= 0· 6 ;門限閾值β= 40。
[0023] 本發(fā)明提供一種可以用于海防監(jiān)控的海上紅外小目標(biāo)的高效檢測方法。該方法深 入分析海防監(jiān)控場景，將場景中的主要噪聲源一一海洋雜波噪聲、傳感器噪聲、點狀類目標(biāo) 噪聲、海岸線及岸上建筑物或其他目標(biāo)噪聲歸為三大類。點狀類目標(biāo)、海岸線、海岸上的建 筑物等歸類為靜態(tài)噪聲，傳感器噪聲等符合獨立同分布和Frobenius范數(shù)小于某個大于零 的值的規(guī)律性噪聲歸類為隨機噪聲，而海天雜波等被歸類為動態(tài)且缺乏規(guī)律的噪聲。據(jù)此 提出結(jié)合相鄰幀差分、低秩和稀疏矩陣恢復(fù)理論、局部自適應(yīng)門限閾值分割方法的優(yōu)勢，分 類排除噪聲，最終有效檢測到感興趣的紅外小目標(biāo)。
[0024] 與現(xiàn)有技術(shù)中一些使用K-SVD訓(xùn)練紅外小目標(biāo)超完備字典的檢測方法不同，本發(fā) 明中沒有字典，而是基于曲線優(yōu)化逼近的APG算法進行目標(biāo)區(qū)域的重構(gòu)。與一些單純采用 自適應(yīng)低秩和稀疏矩陣分解的檢測方法不同，本發(fā)明將低秩矩陣恢復(fù)算法與相鄰幀差分、 自適應(yīng)門限結(jié)合的方法應(yīng)用于紅外小目標(biāo)檢測。與一些檢測方法針對顯著圖做低秩處理不 同，本發(fā)明是在原紅外圖的基礎(chǔ)上進行處理，并且更為關(guān)注稀疏而非低秩部分矩陣的恢復(fù)。
[0025] 因此，本發(fā)明的優(yōu)點及有益效果在于：
[0026] 1.充分利用了多幀信息，克服了強雜波背景的干擾。
[0027] 2.將噪聲進行了分類，結(jié)合不同的手段對噪聲分類處理。
[0028] 3.以相鄰幀差分手段作為預(yù)處理手段，不僅排除了靜態(tài)噪聲的影響，而且與基于 視頻多幀的低秩矩陣恢復(fù)算法相比，大大減少了檢測的計算量和時間。
[0029] 4.結(jié)合局部自適應(yīng)門限和相鄰幀差分兩者的優(yōu)勢進一步改進了低秩和稀疏恢復(fù) 的小目標(biāo)檢測結(jié)果，大大提高了紅外圖像的信噪比增益和背景抑制因子。
[0030] 綜上所述，本發(fā)明所闡述的基于幀差分的低秩和稀疏分解的目標(biāo)檢測方法，可以 成功應(yīng)用于海防監(jiān)控等背景復(fù)雜且雜波種類較多的場景中。
【附圖說明】
[0031] 圖1為本發(fā)明應(yīng)用的典型海防監(jiān)控場景；
[0032] 圖2為本發(fā)明方法的流程圖；
[0033] 圖3a、圖3b為典型海防監(jiān)控視頻中的隨機相鄰兩幀；
[0034] 圖4a、圖4b為圖3a、圖3b所示相鄰兩幀對應(yīng)的灰度分布圖；
[0035] 圖5為相鄰幀差分結(jié)果圖；
[0036] 圖6a、圖6b為經(jīng)低秩和稀疏矩陣恢復(fù)重構(gòu)的目標(biāo)和背景圖；
[0037] 圖7a、圖7b為最終檢測到的目標(biāo)反色圖及其灰度分布圖。
【具體實施方式】
[0038] 為了使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結(jié) 合說明書附圖，進一步闡述本發(fā)明，但本發(fā)明的實施方式不限于此。
[0039] 如圖1所示，是本發(fā)明針對的典型應(yīng)用場景一一海防監(jiān)控中的紅外圖像。它通常 包括海岸線11，岸上建筑物12,隨機噪聲13,點狀類目標(biāo)14,海浪雜波15。由于這些噪聲特 性的不同，直接采用稀疏矩陣恢復(fù)重構(gòu)小目標(biāo)的效果并不理想。對此，本發(fā)明提出結(jié)合相鄰 幀差分、低秩和稀疏矩陣恢復(fù)理論、局部自適應(yīng)門限閾值分割方法的優(yōu)勢，分類排除噪聲， 最終有效檢測到感興趣的紅外小目標(biāo)。
[0040] 所述的紅外小目標(biāo)視頻是由波長為8~14微米的紅外熱傳感器采集所得，小目標(biāo) 通常距離較遠，沒有形狀、紋理信息，大小在2*2~10*10像素之間，亮度不一。
[0041] 將海防監(jiān)控場景中的噪聲分成三大類，具體包括靜態(tài)干擾（靜態(tài)噪聲）、隨機噪 聲、動態(tài)和非規(guī)則海洋雜波。其中靜態(tài)干擾為點狀類目標(biāo)14、海岸線11、海岸上的建筑物12 等，這些目標(biāo)通常復(fù)雜且無規(guī)則，但是在某一時間段內(nèi)相對靜止。隨機噪聲通常為傳感器噪 聲等符合規(guī)律的噪聲；海天雜波等認(rèn)為是動態(tài)且缺乏規(guī)律的噪聲。
[0042] 本發(fā)明的方法首先采用相鄰幀差分迅速且有效地排除靜態(tài)噪聲得到初始潛 在運動目標(biāo)區(qū)域。然后基于低秩和稀疏矩陣恢復(fù)理論，利用APG算法（加速近端梯度AcceleratedProximalGradient)克服隨機噪聲影響，以近似恢復(fù)出稀疏目標(biāo)矩陣。最后 通過局部自適應(yīng)門限，對不同灰度能量值特性區(qū)域進行判定