基于运动特征的远距离红外目标检测方法

第29卷第8期电子与信息学报Vol.29No.82007年8月JournalofElectronics&InformationTechnologyAug..2007基于运动特征的远距离红外目标检测方法杨烜①裴继红②谢维信②①(深圳大学信息工程学院深圳518060)②(深圳大学智能信息处理实验室深圳518060)摘要：在红外热图像序列中检测远距离运动目标具有重要的军事和民用价值。由于远距离目标成像后所占的像素较少，同时受成像环境和成像条件的影响可能会存在较强的背景噪声，目标与背景的差异不明显，检测比较困难。本文针对热红外图像序列，提出了一种远距离目标的检测方法。该方法首先利用top-hat算子选择备选目标，然后利用备选目标在不同帧中的相关程度分析目标的运动特征，选择有确定运动特征的目标作为检测结果。该方法不需要进行背景估计，可以有效地避免强背景噪声的影响；通过调整运动模型，可以应用于不同运动特征的目标检测问题。实验结果证明了本文方法的有效性和鲁棒性。关键词：目标检测；红外热图像序列；运动分析中图分类号：TP391.4文献标识码：A文章编号：1009-5896(2007)08-1829-04LongRangeMovingTargetDetectionBasedonMotionAnalysisYangXuan①PeiJi-hong②XieWei-xin②①(CollegeofInformationEngineering,ShenzhenUniversity,Shenzhen518060,China)②(IntelligentInformationProcessingLaboratoryofShenzhenUniversity,Shenzhen518060,China)Abstract:Detectionoflongrangetargetsinthermalinfraredimagesequencesisofinterestinmanyapplicationssuchasmilitaryfieldandsurveillancesystem.Incomingtargetsatlongrangewherethemotionissmallandsignaltonoiseispooraredifficulttodetectinclutteredthermalinfraredimagesequences.Inthispaper,longrangetargetdetectioninclutteredthermalinfraredimagesequencesispresented.Atfirst,possibletargetsaredetectedusingtop-hatdetectorinthermalinfraredvideo.Next,motionfeatureisanalyzedbymeasurethecorrelationofatargetindifferentframes.Targetswithreasonablemotioncharacteristicsaredecidedaslongrangemovingtarget.Intheproposedmethodbackgroundestimationisnotneededandheavynoisecouldbeavoided.Bymodifymotionmodel,targetswithdifferentmotionfeaturescouldbedetected.Experimentsshowthattheproposedmethodisfeasibleandrobust.Keywords:Targetdetection;Thermalinfraredimagesequence;Motionanalysis1引言近年来，在红外热图像序列中远距离目标检测与跟踪成为研究热点。由于远距离目标成像所占的像素较少，同时受成像环境和成像条件的影响，图像序列中可能存在较强的背景噪声，因此在强噪声背景下检测远距离运动目标是一个比较困难的问题。目前在热红外图像序列中检测目标一般都是利用多帧信息，已有的方法包括：假设检验法[1–3]，这类方法对决策算法依赖较强，同时在强噪声背景下对远距离弱目标的检测能力有限；滤波方法[4–6]，这类方法在噪声信号中构造最优滤波器，其缺点是计算复杂；基于知识的方法[7,8]，这类方法需要解决背景估计问题，然后利用目标先验知识进行检测，但是在强噪声情况下估计背景模型比较困难。远距离目标检测关键在于解决沿未知目标轨迹的快速2006-01-09收到，2006-09-19改回国防重点实验室基金(51483040105QT5118)资助课题能量积累问题，即把运动目标检测问题看成是目标轨迹搜索及根据能量积累做出判决的问题，也就是根据目标运动的连续性及规则性来检测出目标。根据这一思想，本文提出了一种在强噪声背景下检测运动目标的方法。该方法不需要进行背景估计，可以适用于慢速运动的目标，有效地避免强背景噪声的影响。通过调整运动模型，可以应用于不同运动特征的目标检测问题，同时可以根据目标的运动特点筛选具有不同运动特性的目标。2备选目标提取及运动分析我们采用top-hat算子在红外图像中确定需要备选目标。经过top-hat算子检测后的备选目标很多，我们利用阈值分割出强度较大的目标，以结构元的面积为标准，将大于结构元和小于结构元一半的过大和过小的目标去除。这样得到了在红外热图像中可能存在的备选目标，这些备选目标中有实际运动目标，也有背景噪声和分割引入的误检目标。下1830电子与信息学报第29卷一步将通过运动分析对这些目标进行分类。假设Ω为当前帧中的备选目标集合，kf{1iTiΩ==,)，对于每个备选目标，其质心为(，目标在连续的若干帧中可以假设为匀速直线运动，运动模型为，，其中，2,,}NiT,cicixyxdxvt=ydyvt=(),dxdy是目标在t时间内的平面相对运动距离，(),xyvv是水平和垂直方向的运动速度。在相同的时间内，可以用t(),dxdyΔ=描述目标的运动参数。假设目标在运动参数下，在下一帧中的预测位置为，iΤΔklf+((),())pipixyΔΔ()()picipicixxdxyydyΔΔ=+=+(1)定义以质心为为中心、由结构元大小确定的在当前帧中的区域为；以预测位置为((为中心、由结构元确定的在下一帧中的区域为。定义备选目标所在区域与目标预测位置所在区域的相似度，(,cicixy)()BxkfTiR),pixΔ())piyΔklf+PiR()()()()()()()()()()()()()()()()()()()()()()1,,,,,22,,2,,,SM,,,,,,,,TiTiPipiTiTiTipikkkluvRmnRimnRklTipimnRklkmnRTikkmnRmnRpiklmnRNfuvfmnfmfmnDRDRfmnfmnDRNfmnfmnDRNfmn+∈∈+∈+∈∈∈+∈⎧⎛⎪−⎪⎜⎪⎜Δ=⎨⎜⎜⎪⎜⎪⎝⎪⎩⎫⎞⎪⎟⎪⎪⎟⋅⋅⎟⎬⎟⎪⎟⎟⎪⎠⎪⎭⋅−⎛⎞⎟⎜⎟⎜=−⎟⎜⎟⎜⎟⎜⎝⎠=∑∑∑∑∑∑()()2,,piklmnRfmn+∈⎛⎞⎟⎜⎟⎜−⎟⎜⎟⎜⎟⎟⎜⎝⎠∑∑,n∈(2)其中为结构元内像素个数。相似度N()SMliΔ的第一部分描述目标与预测位置的局部区域的相似度，如果预测准确，则预测位置是目标将出现的位置，这两个局部区域的相关度较高，否则较低；第二部分描述目标在运动前后，在同一区域强度的变化，如果是运动目标，运动之后在这个区域留下的应该是背景，两个区域的差异比较明显。如果是背景噪声，由于没有运动，这两个区域差异较小。也就是说，如果是运动目标，要满足两个条件：即当前位置与预测位置具有相关性；其次运动后这个区域内的像素强度要存在明显的变化。同时具备这两个条件，则目标在预测位置出现的可能性就较大。仅仅分析两帧之间的相似度还不能保证可靠性，对连续的帧计算这种相似度，并进行累积，确定运动特征度量：L()()1MFSMLlilΔ==∑iΔ(3)()MFiΔ表示第个备选目标关于运动参数的可能性度量。如果目标确是按该运动参数运动，则在连续的帧中局部区域的相似度较高，从而运动特征度量iiT(,dxΔ=)dyL()MFiΔ也较高；如果目标是不按该参数运动，则局部区域相似度较低，运动特征度量()MFiΔ也较低。这样可以对每个备选目标确定其可能的运动参数：iΔ∗()(){}argmaxMFiiΔΔ∗=Δ(4)在这些备选目标中，对于实际存在的远距离运动目标，应该具有明确的运动特征，也就是具有较大的运动特征度量；而对于噪声或静止目标，运动特征不明显，运动特征度量相对较小；特别是在多帧累积之后，这种差异是非常明显的。可以将具有较大运动特征度量的目标确定为检测结果。3运动特征度量在运动参数平面的单峰、多峰判断对于弱目标，由于目标与背景差异较小，经过多帧累积之后，运动特征度量也可能不是很大，这时仅仅从运动特征度量的峰值大小来判断，容易出现误差。因此，需要分析运动特征度量在运动参数平面上的分布特点来进一步判断。一般来讲，对于运动弱目标，尽管运动特征度量值不会太大，但是由于具有明确的运动参数，其运动特征度量在运动参数平面上一定会存在一个明显的单峰；而噪声没有明确运动特征，其运动特征度量在运动参数平面上的分布是杂乱的，表现为多峰或没有明确峰顶的情况。所以，我们下面介绍一种在二维参数平面判断单峰和多峰情况的算法。我们将运动特征度量在运动参数平面的分布称为运动直方图。首先将运动直方图进行归一，对于运动直方图中的归一后的数据集合,{1,,;1,,}ijZzinjn===，表示在运动参数(处的运动特征度量。我们定义在样本点处的势密度函数为,ijz),iidxdy,ijz()()2(0),,211,,exp2nnijpqpqpqijDzσ==⎛⎞−⎟⎜⎟⎜=−⎟⎜⎟⎜⎟⎟⎜⎝⎠∑∑(5)其中•是范数。我们选用高斯函数作为势函数，σ是势函数的方差。势密度函数实际是对运动直方图进行平滑拟合，这样可以选择一个明确的峰值位置。定义第一个峰值为(0)1,max{|1,,;ijDDin1,,∗==j=}n，()11,dxdy∗∗为该峰值对应的运动参数，则剩余势为()()12(1)(0),,12,,exp2ijijijdxdyDDDσ∗∗∗⎛⎞−⎟⎜⎟⎜=−−⎟⎜⎟⎜⎟⎜⎝⎠(6)在剩余势中选择第二个峰值(1)2,max{|1,,;ijDDi∗==n,}n。利用两个峰值的大小定义多峰的可能性度量ApexM=21DD∗∗。如果存在两个以上明显的峰，则较大且接近1，否则较小接近0。利用的大小可以判断是否存在多峰。ApexMApexM对于备选目标，如果运动特征度量较大，同时运动特征度量在运动参数平面的分布存在一个明显的单峰，则可以确定为实际运动目标；如果运动特征度量存在多峰情况，不论其值大小，均为噪声目标；对于弱目标情况，如果运动特征度量值较小，但存在明显单峰，可以确定为一个弱运动目标。4实验结果4.1慢速运动目标我们对一段热红外视频中的远距离慢速目标进行检测，第8期杨烜等：基于运动特征的远距离红外目标检测方法1831圆圈内标注为目标(如图1(a))，摄像头保持不动。图1(b)是top-hat算子运算结果经过分割、去除过大和过小目标后的检测结果。图2(a)是运动目标在不同运动参数下的运动特征度量，可以看出它存在一个明显的峰值；图2(b)是噪声的运动特征度量，其峰值相对运动目标小很多，同时存在多峰情况；图2(c)是另一个噪声的运动特征度量。经过阈值判定和多峰检测后确定的运动目标如图1(c)。图1慢速目标检测结果图2慢速运动目标及背景噪声在不同运动参数下的运动特征度量4.2快速运动目标我们对一段快速运动的目标进行检测，共有两个目标向右快速行驶，如图3(a)。图3(b)和3(c)是top-hat的分割结果和本文方法的检测结果。从图4可以看到两个目标的运动特征度量非常明显，其值相对很大，同时保持单峰分布，而