[发明专利]一种复杂场景下基于深度图的红外小目标检测方法

说明书

本发明公开了一种复杂场景下基于深度图的红外小目标检测方法，属于目标检测领域。通过采集红外图像，利用待检测目标的先验知识，采用像素值法对图像进行二值化，基于深度先验知识对二值化图像做进一步限制，接着制定静态和动态打分策略，对形态学处理后的图像中的候选连通区域进行打分，最终检测出复杂场景下的红外小目标。该方法可以筛选出在特定范围内的目标，可靠性高；具有很强的鲁棒性；程序简单，易于实现，海陆空都可以用，在复杂的丛林背景下更加凸显其优势。

技术领域

本发明属于目标检测领域，特别涉及到一种复杂场景下基于深度图的红外小目标检测方法。

背景技术

近几年来，随着军民探测器和红外热成像技术的发展，基于红外图像的目标检测已经在无人侦察、车辆避障、战场监测、野生动物保护方起着广泛的应用。然而在极为复杂的红外场景下，绝大多数目标检测算法将会失效。由于红外小目标成像面积小，携带的信息量少；目标与周围环境的热交换使得目标的对比度较低，缺乏形状纹理等信息；周围的背景中常常包含与小目标类似特征的物体的干扰(如树枝，墙壁等)使其容易湮没于复杂的背景中；而且随着目标和探测器距离变化，目标的尺寸也会发生变化，因此复杂场景下的红外小目标检测是一个难题。

目前，传统红外目标检测算法大致分为三种，一种是帧差法，一种是背景差分法，一种是光流法。其中帧差法基于像素的时间差分，通过二值化分割提取运动区域，不易受到光照的影响，但是对环境噪声很敏感，相邻帧之间目标重叠的部分不能检测出来，同时摄像头要求固定。背景差分法同样受限于摄像头固定的条件，且难以对背景的建模和更新，因为外界光照的改变、天气的变化和背景的运动等会造成背景图像的动态变化。光流法根据图像序列的时空梯度来估算运动场，通过分析运动场的变化检测出运动对象，检测精度高，但计算过程较为复杂，实时运行有待提高。运用均值漂移算法在边缘遮挡和背景运动不均的情况下，能很好地完成检测过程，是一种不需要先验知识的无参估计方法，但是需要对每个像素值的特征量进行迭代计算，计算量大，实时性和抗噪性能较差。

发明内容

为了解决现有方法存在的问题，本发明提出了一种复杂场景下基于深度图的红外小目标检测的方法。深度图是是指将从图像传感器到场景中各点的距离(深度)作为像素值的图像，它直接反映了景物可见表面的几何形状。通过利用深度图信息以及静态和动态打分策略，该方法能在极为复杂的场景下实时地检测出静态或者动态的红外小目标。

本发明的技术方案：

一种复杂场景下基于深度图的红外小目标检测方法，包括以下步骤：

1)获取图像：获取双目红外相机拍摄的单帧或者多帧的红外图像I及其对应的深度图dis_I；

2)图像二值化：选定目标边缘梯度最大的像素值K，使用像素值法对图像进行二值化，得到二值化图像Binary_I；

3)距离限制：设目标与红外相机的距离估计值为d，根据已知的深度信息，对于不在距离范围内的像素点P(x,y)，对应到二值化图像Binary_I中，Binary_I(x,y)为0；

4)形态学处理：对二值化图像进行形态学处理包括求连通区域、膨胀和腐蚀。该步骤的目的是从图像中提取出对于表达和描绘待检测目标形状有用处的图像信息；

5)制定静态和动态打分策略：使用静态和动态特征作为决策项。使用加权打分机制，分别对静态特征和动态特征按照一定的排序策略进行排序，最后加权得出图像上每个连通区域的得分；

6)筛选目标：根据每个连通区域的分数结果筛选出单目标或者多目标。

步骤5)中，制定静态和动态打分策略的具体过程包括：

5-1)根据目标的静态特征，使用矩形度、宽高比、区域灰度值、连通区域灰度值的变异系数、圆形度作为静态特征，制定静态打分策略。各个静态特征的计算公式为：