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<sub>org</sub>(k),k=1,2,…,K;(3)对步骤(2)所述第k帧原始红外图像X<sub>org</sub>(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<sub>deal</sub>(k);(4)配准步骤(3)所述抑制噪声后的第k帧红外图像X<sub>deal</sub>(k),输出配准后的第k帧红外图像X<sub>reg</sub>(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<sub>reg</sub>(k)的背景模型BG(k);(6)将第k帧原始红外图像X<sub>org</sub>(k)与背景模型BG(k)作差分运算,输出差分运算的结果X<sub>out</sub>(k);(7)根据最大类间方差理论计算步骤(6)所述X<sub>out</sub>(k)中目标和背景的最佳分割阈值Th<sub>opt</sub>,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<sub>org</sub>(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<sub>org</sub>(k)分为高频分量<img file="FDA00002759626600011.GIF" wi="191" he="72" />和低频分量<img file="FDA00002759626600012.GIF" wi="176" he="72" />两部分:<maths num="0001"><![CDATA[<math><mrow><msub><mi>X</mi><mi>org</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mi>X</mi><mi>org</mi><mi>high</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>+</mo><msubsup><mi>X</mi><mi>org</mi><mi>low</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0002"><![CDATA[<math><mrow><msubsup><mi>X</mi><mi>org</mi><mi>low</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>X</mi><mi>org</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>⊗</mo><mi>g</mi></mrow></math>]]></maths>式中,运算符<img file="FDA00002759626600015.GIF" wi="40" he="40" />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;<maths num="0003"><![CDATA[<math><mrow><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><mn>2</mn><mi>π</mi><msup><mi>σ</mi><mn>2</mn></msup></mrow></mfrac><msup><mi>e</mi><mrow><mo>-</mo><mrow><mo>(</mo><mfrac><mrow><msup><mi>i</mi><mn>2</mn></msup><mo>+</mo><msup><mi>j</mi><mn>2</mn></msup></mrow><mrow><mn>2</mn><msup><mi>σ</mi><mn>2</mn></msup></mrow></mfrac><mo>)</mo></mrow></mrow></msup></mrow></math>]]></maths>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<sub>org</sub>(k)的偏置系数O<sup>high</sup>(k)和增益系数G<sup>high</sup>(k),第k帧坐标(i,j)处的偏置系数O<sup>high</sup>(i,j,k)和增益系数G<sup>high</sup>(i,j,k)表达式分别如下式所示:<img file="FDA00002759626600021.GIF" wi="1459" he="162" /><maths num="0004"><![CDATA[<math><mrow><msubsup><mi>O</mi><mi>tem</mi><mi>high</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mi>Num</mi></mfrac><mo>×</mo><msubsup><mi>X</mi><mi>org</mi><mi>high</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mfrac><mn>1</mn><mi>Num</mi></mfrac><mo>)</mo></mrow><mo>×</mo><msup><mi>O</mi><mi>high</mi></msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0005"><![CDATA[<math><mrow><msup><mi>G</mi><mi>high</mi></msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mi>Num</mi></mfrac><mo>×</mo><mo>|</mo><msubsup><mi>X</mi><mi>org</mi><mi>high</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msup><mi>O</mi><mi>high</mi></msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>|</mo><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mfrac><mn>1</mn><mi>Num</mi></mfrac><mo>)</mo></mrow><mo>×</mo><msup><mi>G</mi><mi>high</mi></msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>]]></maths>O<sup>high</sup>(i,j,0)=0<maths num="0006"><![CDATA[<math><mrow><msubsup><mi>O</mi><mi>tem</mi><mi>high</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mn>0</mn></mrow></math>]]></maths>G<sup>high</sup>(i,j,0)=1式中,<img file="FDA00002759626600025.GIF" wi="241" he="58" />是候选偏置系数,<img file="FDA00002759626600026.GIF" wi="249" he="63" />是第k帧原始红外图像X<sub>org</sub>(k)坐标(i,j)处的像素值X<sub>org</sub>(i,j,k)的高频分量,Num是积累帧数,ε是误差常量,<maths num="0007"><![CDATA[<math><mrow><mo>|</mo><msubsup><mi>O</mi><mi>tem</mi><mi>high</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msup><mi>O</mi><mi>high</mi></msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>|</mo><mo>≤</mo><mi>ϵ</mi></mrow></math>]]></maths>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<sub>org</sub>(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<img file="FDA00002759626600028.GIF" wi="267" he="61" />表达式如下式所示:<maths num="0008"><![CDATA[<math><mrow><msubsup><mi>X</mi><mi>deal</mi><mi>nu</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><msub><mi>X</mi><mi>org</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msup><mi>O</mi><mi>high</mi></msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>/</mo><msup><mi>G</mi><mi>high</mi></msup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow></mrow></math>]]></maths>其中,<img file="FDA000027596266000210.GIF" wi="266" he="61" />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<sub>org</sub>(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<sub>reg</sub>(i,j,k)+α(i,j,k)×BG(i,j,k-1)式中,X<sub>reg</sub>(i,j,k)是第k帧原始红外图像X<sub>org</sub>(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<sub>org</sub>(k)坐标(i,j)处的遗忘因子,表达式如下式所示:<maths num="0009"><![CDATA[<math><mrow><mi>α</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mo>|</mo><mi>H</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><mi>H</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>|</mo></mrow><mrow><mi>H</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></mfrac></mrow></math>]]></maths>式中,H(i,j,k)是第k帧原始红外图像X<sub>org</sub>(k)以坐标(i,j)为中心M<sub>1</sub>×N<sub>1</sub>大小的局部邻域的邻域熵。 |