[发明专利]基于显著性和结构性的红外运动小目标识别方法

说明书

技术领域

本发明涉及在无任何先验知识条件下的红外小目标快速识别方法，具体是一种基于显著性和结构性的红外运动小目标识别方法，属于计算机视觉、模式识别、图像处理等交叉应用技术领域。

背景技术

红外目标图像的处理是早期预警、目标定位、安全监控、导弹制导等军事以及民用领域的一项非常关键的技术。在现代化战争科技和军事应用中,要求武器系统需要具有对远距离可疑目标进行检测、识别、跟踪的能力,以赢得更多的作出反应的时间,从而在战场中取得主动。当目标距离红外探测器太远时，红外目标的尺寸很小、对比度很低,没有明显的纹理、结构等特征，使目标的识别相当困难。而且红外成像图像是灰度图像，因此一般红外图像中目标与背景的边缘会比较模糊，目标纹理不明显，并且信噪比低。此外，由于通常情况下,目标所处的背景极其复杂,目标被大量出现的杂波和噪声所污染,使红外目标的处理更加困难。

目标的自动识别一直是计算机视觉领域中两个非常重要的研究课题，是包括图像处理、模式识别、人工智能、信号处理等多学科交叉的前沿科学，具有很强的复杂性。而对于红外目标而言，由于红外图像与可见光图像相比，具有纹理少、边缘弱和对比度低等特点，其实现难度更大。当前大部分的研究工作是建立在先验知识的前提下，也就是通过建模和匹配的方法进行红外目标的识别。应用于红外目标识别的方法很多：修补并学习扭曲目标特征前向反馈的方法；使用矢量量化和多层感知器的方法；Bayesian推理方法等。然而，现有方法中红外图像的杂波对特征的修补和学习是一个重大的干扰，尤其是一些杂波比较大的红外图像，修补后的特征缺乏可信度。此外，现有的方法，都是识别一些尺寸比较大的目标，在实际场景中，尤其是当识别的目标位于远处时，不可避免地会遇到这样的问题：目标的尺寸非常小，信噪比低。所以，这些算法无法满足这样的需求。在众多的应用到识别的分类模型中，特别是当特征空间是高维时，支持向量机(SVM)和Boosting算法，无疑是两种比较有效的分类算法。在过去几年中，Boosting算法已经发展为一种十分有效的算法，其基本原理是通过组合一系列弱学习器形成一个更加准确的分类器，来获得组合的弱学习器所达不到的精确度量。很多研究者在此基础上构建不同的红外小目标识别方法，特别是即使面对高噪声的红外数据特征，也能获得较好的识别效果。

上述的方法都是建立在一定的先验知识前提下，可通过先验知识建立模型，然后通过模型匹配去识别红外小目标。在实际应用中，对于某些红外图像和小目标无法获得它们的先验知识，一方面是不能获得目标的特性，也就是无法通过建模的方法实现识别；另一方面，由于红外图像成像条件以及低信噪比的限制，使得小目标没有明显的纹理、结构等特征，这给目标的检测和识别带来较大困难。

红外目标的识别主要是指从红外序列图像中提取感兴趣的目标对象，并通过一定方法识别出可疑目标。在没有先验知识前提下的红外目标识别中，本发明将提取的目标分成感兴趣目标、背景和杂波、噪声三类。因此，红外目标识别任务就是从感兴趣的目标中排除背景、杂波、噪声的干扰，最终识别出真实目标。

发明内容

针对红外场景下小目标易受背景、噪声点等干扰以及没有先验知识条件下，本发明提出了一种基于显著性和结构性的红外运动小目标识别方法。

本发明是过以下技术方案实现：首先依据显著性特征对每帧图像进行显著性检测，然后通过运动目标的结构性排除非目标，通过运动目标的连续性轨迹进行目标的自动识别。对于视频场景中的运动目标，它具有连续的运动轨迹，而非目标或者噪声点、干扰点都不具有连续的运动轨迹。

本发明所述方法包括两个步骤：显著性检测和结构性判断。本发明提出了基于结构性的判据准则，并结合显著性检测实现对无先验知识条件下的红外运动小目标的自动识别。

(1)显著性检测

由侯晓迪[1]提出的基于谱残差的显著性检测方法是一种快速、常用的目标检测方法（Hou X,Zhang L.Saliency detection:A spectral residual approach[C]//Computer Vision and Pattern Recognition,2007.CVPR'07.IEEE Conference on.IEEE,2007:1-8.），它是一个图像视觉显著性的简单计算模型。该方法的基本思想是：从信息论角度出发，信息可分为冗余部分和变化部分，而人们对视觉中的变化部分更为敏感。视觉系统的一个基本原则是抑制对频繁出现的特征的相应，而对非常规的特征保持敏感。基于此，可把图像分为两部分：