[发明专利]一种基于二元显著性特征的海面红外目标检测方法

说明书

本发明公开了一种基于二元显著性特征的海面红外目标检测方法，包括：根据目标尺寸，对原始红外图像进行基于中心环绕抑制的显著性特征提取，得到抑制背景的特征图，对原始红外图像进行基于广义统一局部二进制模式的显著性特征提取，得到排除干扰的特征图；将抑制背景的特征图和排除干扰的特征图融合，得到目标二元显著性特征图；在目标二元显著性特征图上，提取目标感兴趣区，基于目标感兴趣区在原始红外图像对应的ROI区域提取类间类内方差比特征，利用类间类内方差比特征，剔除虚警，得到目标检测结果。本发明检测率高，虚警率低，大大降低了云遮挡、海杂波、眩光、运动尾迹等复杂背景和干扰的影响。

技术领域

本发明属于红外图像处理领域，更具体地，涉及一种基于二元显著性特征的海面红外目标检测方法。

背景技术

红外技术因灵敏度和帧频高、隐蔽性好、不受使用时间限制，被广泛应用。当目标距离较远时，红外探测器接收到的目标辐射能量较低，同时接收到了视场内其他物体的辐射，因此成像后的图像中大部分为空间分布不平稳的复杂背景杂波(如云层遮挡、海杂波、眩光、运动船只尾迹等)，其中，浓云和较大海浪的边缘在梯度信息上与少像素目标极为相似；目标不仅信噪比较低，而且成像所占图像的像素数少，形状信息不充分；海面目标检测技术对检测率和算法实时性的要求近乎苛刻。既要满足检测系统信息处理的实时性要求，同时尽量降低背景杂波的影响，提高目标的检测率和检测速度，降低检测虚警率。

目前在红外图像海面目标检测方法上，可以分为两个方向：一是基于模板匹配的目标检测，二是基于知识的目标特征检测。基于模板匹配的目标检测算法需要目标完全出现在图像视场中，而实际应用中，目标常常被云层遮挡，或者有海杂波、眩光、运动船只尾迹等干扰，要使用该方法就要首先进行图像滤波，将被干扰的目标突出出来，因此，该方法适应能力差，处理复杂。同时，使用该方法需要提前进行模板制备，而模板制备所需的图像数据获取代价大。

在基于知识的目标特征检测算法上，所选择的特征的表达能力至关重要，它直接决定了算法的检测率和虚警率的高低。根据特征的提取方式不同，目标检测方法分为基于规则模型的目标检测算法和基于深层知识的目标检测算法。基于规则模型的目标检测算法，其特征提取方法采用自顶向下的人为主观设计，得到固定模式特征、有限类特征，该类特征往往基于专家知识，特征的优劣很大程度上靠经验，而非客观上的最优或者次优的目标表达特征。所以，在面对复杂干扰背景下的目标检测问题时，算法的泛化能力将受到制约，局限性凸显。在复杂背景和干扰成像条件下，算法的检测率下降，虚警率上升。但是，该类方法往往实时性较好，易于硬件实现。

不同于基于规则模型的目标检测算法中人为设计特征，以深度学习为背景的基于深层知识的目标检测算法，模拟人类神经网络的工作机理，以海量的样本数据，训练深度神经网络模型，实现特征的自动提取和筛选。虽然深度学习已经在图像目标检测识别领域获得了巨大的成功，且随着网络结构的不断调整，其参数量也不断减小，但是对于硬件要求严苛的条件下难以保证实时性，且网络性能对于前期的训练样本依赖性太大，而制作海量的优秀训练样本代价较大。

由此可见，现有技术存在含有大部分虚假目标、检测率低、虚警率高的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于二元显著性特征的海面红外目标检测方法，由此解决现有技术存在含有大部分虚假目标、检测率低、虚警率高的技术问题。

为实现上述目的，本发明提供了一种基于二元显著性特征的海面红外目标检测方法，包括：

(1)根据目标尺寸，对原始红外图像进行基于中心环绕抑制的显著性特征提取，得到抑制背景的特征图，对原始红外图像进行基于广义统一局部二进制模式的显著性特征提取，得到排除干扰的特征图；

(2)将抑制背景的特征图和排除干扰的特征图融合，得到目标二元显著性特征图；