一种背景自适应估计的红外运动目标实时检测方法

摘要

本发明公开了一种背景自适应估计的红外运动目标实时检测方法，包括如下步骤：(1)初始化背景模型BG(0)；(2)输入第k帧原始红外图像Xorg(k)，k＝1，2，...，K；(3)对第k帧原始红外图像Xorg(k)的空间域非均匀性噪声和时域随机噪声进行抑制，输出抑制噪声后的图像Xdeal(k)；(4)配准Xdeal(k)，输出配准后的第k帧红外图像Xreg(k)；(5)背景模型更新：通过自适应遗忘因子法更新第k帧红外图像的背景模型BG(k)；(6)将第k帧原始红外图像Xorg(k)与背景模型BG(k)作差分运算，输出差分运算的结果Xout(k)；(7)根据最大类间方差理论计算Xout(k)中目标和背景的最佳分割阈值Thopt，完成运动目标的检测。本发明通过图像预处理，有效解决了传统背景差分法对噪声和场景变化过于敏感的问题，提高了目标检测概率。

主权项

1.一种背景自适应估计的红外运动目标实时检测方法，其特征在于，包括如下步骤：(1)初始化背景模型BG(0)；(2)输入第k帧原始红外图像X_org(k)，k=1,2,…,K；(3)对步骤(2)所述第k帧原始红外图像X_org(k)的空间域非均匀性噪声和时域随机噪声进行抑制，输出第k帧抑制噪声后的图像X_deal(k)；(4)配准步骤(3)所述抑制噪声后的第k帧红外图像X_deal(k)，输出配准后的第k帧红外图像X_reg(k)；(5)背景模型更新：通过自适应遗忘因子法更新步骤(4)所述配准后的第k帧红外图像X_reg(k)的背景模型BG(k)；(6)将第k帧原始红外图像X_org(k)与背景模型BG(k)作差分运算，输出差分运算的结果X_out(k)；(7)根据最大类间方差理论计算步骤(6)所述X_out(k)中目标和背景的最佳分割阈值Th_opt，完成运动目标的检测；所述步骤(3)中，使用有限支撑域高频恒定统计非均匀性校正法对第k帧原始红外图像X_org(k)的空间域非均匀性噪声进行抑制，所述抑制的方法为：利用高斯低通滤波器g将第k帧原始红外图像X_org(k)分为高频分量和低频分量两部分：$X_{\mathrm{org}}\left(k\right)=X_{\mathrm{org}}^{\mathrm{high}}\left(k\right)+X_{\mathrm{org}}^{\mathrm{low}}\left(k\right)$$X_{\mathrm{org}}^{\mathrm{low}}\left(k\right)=X_{\mathrm{org}}\left(k\right)\otimes g$式中，运算符表示卷积操作；坐标(i,j)处的高斯低通滤波器g(i,j)表达式如下式所示；$(i,j)=\frac{1}{2\pi {\sigma }^2}{e}^{-\left(\frac{i^2+j^2}{2{\sigma }^2}\right)}$式中，σ是高斯低通滤波器g的方差；计算第k帧原始红外图像X_org(k)的偏置系数O^high(k)和增益系数G^high(k)，第k帧坐标(i,j)处的偏置系数O^high(i,j,k)和增益系数G^high(i,j,k)表达式分别如下式所示：$O_{\mathrm{tem}}^{\mathrm{high}}(i,j,k)=\frac{1}{\mathrm{Num}}\times X_{\mathrm{org}}^{\mathrm{high}}(i,j,k)+(1-\frac{1}{\mathrm{Num}})\times O^{\mathrm{high}}(i,j,k-1)$$G^{\mathrm{high}}(i,j,k)=\frac{1}{\mathrm{Num}}\times |X_{\mathrm{org}}^{\mathrm{high}}(i,j,k)-O^{\mathrm{high}}(i,j,k-1)|+(1-\frac{1}{\mathrm{Num}})\times G^{\mathrm{high}}(i,j,k-1)$O^high(i,j,0)＝0$O_{\mathrm{tem}}^{\mathrm{high}}(i,j,k)=0$G^high(i,j,0)＝1式中，是候选偏置系数，是第k帧原始红外图像X_org(k)坐标(i,j)处的像素值X_org(i,j,k)的高频分量，Num是积累帧数，ε是误差常量，$|O_{\mathrm{tem}}^{\mathrm{high}}(i,j,k)-O^{\mathrm{high}}(i,j,k-1)|\le ϵ$是有限支撑域高频恒定统计非均匀性校正法的有限支撑域；因此，X_org(i,j,k)经有限支撑域高频恒定统计非均匀性校正法处理后的输出表达式如下式所示：$X_{\mathrm{deal}}^{\mathrm{nu}}(i,j,k)=(X_{\mathrm{org}}(i,j,k)-O^{\mathrm{high}}(i,j,k))/G^{\mathrm{high}}(i,j,k)$其中，是经非均匀性噪声抑制后的图像；所述步骤(5)中，第k帧原始红外图像X_org(k)坐标(i,j)处的背景模型BG(i,j,k)表达式如下式所示：BG(i,j,k)＝(1-α(i,j,k))×X_reg(i,j,k)+α(i,j,k)×BG(i,j,k-1)式中，X_reg(i,j,k)是第k帧原始红外图像X_org(k)坐标(i,j)处的配准输出，α(i,j,k)是第k帧原始红外图像X_org(k)坐标(i,j)处的遗忘因子，表达式如下式所示：$\alpha (i,j,k)=\frac{|H(i,j,k)-H(i,j,k-1)|}{H(i,j,k-1)}$式中，H(i,j,k)是第k帧原始红外图像X_org(k)以坐标(i,j)为中心M₁×N₁大小的局部邻域的邻域熵。