基于空时显著性融合的红外运动目标检测方法

摘要

本发明公开了一种基于空时显著性融合的红外运动目标检测方法，用于解决现有基于空时显著性的运动目标检测方法获取的运动目标轮廓清晰度差的技术问题。技术方案是首先利用空域显著性方法得到红外图像的静态显著图，利用时域检测方法得到动态显著图；然后采用加权融合的方式计算空时融合显著图；最后对融合显著图做适当的阈值分割得到检测的运动目标前景结果。本发明方法利用目标的运动特征，突出运动目标的显著性。在OTCBVS公开红外数据库上测试结果表明，本发明方法保留了空域显著性特征中静止目标的显著性，抑制了时域显著性特征中运动目标的晕轮效应。

主权项

一种基于空时显著性融合的红外运动目标检测方法，其特征在于包括以下步骤：步骤一、将红外检测图像的颜色空间转换到Lab颜色空间，使用空域显著性检测方法－频率调谐方法计算检测帧的区域静态显著性特征，得到空域显著图Sal^S；步骤二、在计算检测帧空域显著性的同时计算该帧图像的时域显著性特征；将检测帧分成子块，标记所述子块为检测帧的一个事件B(r,s,t)；相应的在前N‑1帧中对应位置的事件构成集合V(r,s)＝{B(r,s,t‑1),B(r,s,t‑2),...,B(r,s,t‑N+1)}，则该事件的时域显著性通过公式(1)计算得到；$\begin{array}{c}{\mathrm{Sal}}^T(r,s,t)=-log\left(p\right(B(r,s,t)\left|V(r,s)\right))\\ =-\log \left(p\left(y_0|Y\right)\right)\end{array}---\left(1\right)$构建一个N维向量Y＝{y₀,y₁,...,y_N‑1}，表示每一个子块，在此引入非参核密度估计，估计每一个事件发生的概率分布；$\hat{f}\left(y\right)=\frac{1}{N}\underset{i=0}{\overset{N-1}{\Sigma }}{K}_H(y-y_i)---\left(2\right)$式中，H表示带宽矩阵，核函数表示为K_H(y)＝||H||^‑1/2K(H^‑1/2y)，式(2)具体展开表示为公式(3)；$\begin{array}{c}\hat{f}\left(y\right)=\frac{1}{N}\underset{i=0}{\overset{N-1}{\Sigma }}{K}_H\left(y-y_i\right)\\ =\frac{1}{N}\underset{i=0}{\overset{N-1}{\Sigma }}\left|\right|H\left(y_i\right)|{|}^{-1/2}K\left(H{\left(y_i\right)}^{-1/2}\left(y-y_i\right)\right)\end{array}---\left(3\right)$式中，H(y_i)反应样本点y_i的变化导致估计样本点的变化情况，带宽表示为H(y_i)＝h(y_i)I，h(y_i)表示为y_i到k‑th近邻点的欧氏距离；采用对称多变量高斯密度函数作为核函数；$\hat{f}\left(y\right)=\frac{1}{{\left(2\pi \right)}^{q/2}N}\underset{i=0}{\overset{N-1}{\Sigma }}\left[{\left(h\left(y_i\right)\right)}^{-q/2}\exp \left(-\frac{1}{2}{\left(y-y_i\right)}^T\left(h{\left(y_i\right)}^{-1}I\right)\left(y-y_i\right)\right)\right]---\left(4\right)$最终检测帧中一个事件块的时域显著性表示为公式(5)，$\begin{array}{c}{\mathrm{Sal}}^T(r,s,t)=-log\left(p\right(y_0|Y\left)\right)\\ =-log\left(\hat{f}\right(y_0\left)\right)\end{array}---\left(5\right)$式中，Sal^T表示检测帧的时域显著性；步骤三、将步骤一计算的静态空域显著性特征和步骤二计算的动态时域显著性特征融合，得到空时域目标显著性特征。