紅外小目標檢測 報告

1、紅外小目標檢測方法概述1110540103 李方舟什么是紅外小目標？關于小目標”的定義，目前沒有統(tǒng)一的定論。一般認為，當紅外成像的距離較遠時，在成像 平面上只占幾個或幾十個像素的面積，表現(xiàn)為點狀或斑點狀，對比度和信噪比較低的目標， 即可稱之為小目標。為什么要進行紅外小目標檢測？紅外成像具有距離遠，隱蔽性高，抗干擾能力強，穿透煙塵，霧以及陰霾的能力強，可全天 候，全時間工作等優(yōu)點。因此被廣泛應用于監(jiān)視偵察以及導航等軍事領域，成為現(xiàn)代精確制 導武器的主要技術之一。在盡可能遠的距離上檢測并跟蹤到敵方目標，以爭取在有利的時機發(fā)動攻擊。是決定現(xiàn)代戰(zhàn) 爭勝負的重要因素。距離越遠，目標成像面積越小，圖象質(zhì)量

2、越差，對目標的檢測和跟蹤越困難。因此，研究小目標的檢測和跟蹤方法，對提高紅外成像系統(tǒng)的作用距離，有著非常重要的意 義。目標檢測作為尋的制導系統(tǒng)中的前端處理環(huán)節(jié)，是精確制導中最為關鍵和核心的組成部分。 只有及時檢測到目標，才能保證如目標的如目標跟蹤等后續(xù)工作的正常進行?；诖嗽?， 在紅外凝視成像的圖像序列中進行目標檢測具有相當?shù)碾y度，幾乎所有的小目標檢測法都致 力于增強圖像的信噪比，積累目標能量，以提高目標檢測能力。紅外小目標檢測方法分析對于紅外目標的檢測問題，目標的一些先驗信息，如目標的形狀、大小，目標灰度變化在時 間上 的連續(xù)性，以及目標運動軌跡的連續(xù)性等是有效分割目標和噪聲的關鍵。目標檢

3、測方 法根據(jù)這些特性的使用順序不同，可分為兩大類：先檢測后跟蹤(D e t e c t B e f o r e T r a c k，D B T )方法和先跟蹤后檢測(T r a c k B e f o r e D e t e c t，T B D )方法。31 DBT檢測方法基于先檢測后跟蹤的目標檢測技術屬于一類經(jīng)典的紅外目標檢測。該類方法分為兩步:首先 根據(jù)目標形狀，強度等特性，在單幀圖像中檢測出候選目標，然后根據(jù)實際需要，在分割后 的二值化圖形序列中，通過序列圖像投影到目標軌跡。DBT檢測方法主要分以下幾種：閾值檢測方法所謂閾值檢測方法，是基于目標在圖像中主要為高頻分量，而背景對應低頻部分這

4、一事 實，對淹沒在近似正態(tài)分布雜波中的已知其響應分布的小目標，尋求其最佳信噪比。小波分析方法2O世紀9 0年代以來，小波的應用研究得到了很大的發(fā)展。小波分析方法目標檢測的主 要思想是將目標看作圖像中的高頻分量，利用小波多尺度分解提取圖像中的高頻信息，然后 通過選取合適的閾值消除噪聲的影響，從而實現(xiàn)目標的檢測。3）數(shù)學形態(tài)方法數(shù)學形態(tài)學將集合論的方法用于圖像分析，是物體形狀定量描述的有效手段。尤其是它同圖 像處理技術的緊密結合，現(xiàn)已發(fā)展成為一個新的圖像處理分支，即圖像形態(tài)學。數(shù)學形態(tài)學 作為一種數(shù)字圖像處理的新方法，其研究的主要目的在于描述圖像的基本結構和特征。其主要內(nèi)容是在積分幾何和隨機集論基

5、礎上，設計一整套變換、概念和算法，描述圖像 的各個像素之間的關系。形態(tài)學的基本運算有4個：膨脹、腐蝕、開和閉?；叶葓D像的腐 蝕和膨脹過程可直接從圖像和結構元素的灰度級函數(shù)計算出來。與基本形態(tài)學運算不同，系統(tǒng)處理的是灰度圖像，而不是集合。腐蝕 （網(wǎng)啾無力=吧.六工- 7 -開運算 U g）3 y） = K爬g） 田（瓦y）閉適算 （/ g）（x: y）=（/田切啄（瓦”對于腐蝕運算和膨脹運算還有以下性質(zhì)/0（gQh）= C/0g）鋤4）神經(jīng)網(wǎng)絡方法神經(jīng)網(wǎng)絡技術在模式識別與分類、識別濾波、自動控制、預測等方面已展示了其非凡的優(yōu)越 性。神經(jīng)網(wǎng)絡的結構由一個輸入層、若干個中間隱含層和一個輸出層組成。神

6、經(jīng)網(wǎng)絡分析法 通過不斷學習，能夠從未知模式的大量的復雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律。神經(jīng)網(wǎng)絡方法克服了傳統(tǒng) 分析過程的復雜性及選擇適當模型函數(shù)形式的困難，它是一種自然的非線性建模過程，毋需 分清存在何種非線性關系，給建模與分析帶來極大的方便。BP算法即多層網(wǎng)絡誤差反傳算法，網(wǎng)絡結構為：一個輸入層、一個輸出層、若干個隱含層，一般隱含層取1, 每層由多個神經(jīng)元組成，網(wǎng)絡結構如圖2所示。BP算法學習過程由正向傳播和反向傳播組成。正向傳播： 輸入信號輸入層向隱含層、輸出層傳播。圖2 BP網(wǎng)絡結構(2. Vyh = f ( yy 沾工 Jiyf = fl(hif(-2)flr其中,Xj為輸入信號；yh,f1為隱層輸

7、出及轉(zhuǎn)移函數(shù);yf,f2為輸出層輸出及轉(zhuǎn)移函數(shù)；wih為輸入層至隱含層 連接權值；whj為隱含層至輸出層連接權值。反向傳播：如輸出層得不到目標值，將目標值與輸出值之差反 向傳播，逐層修改各層神經(jīng)元連接權值，使輸出誤差減小至允許范圍內(nèi)。其權值修正公式為wjy + v = W屈，n) + 晌外(2- 3)其中，.再=fi( V 普)yk) ,弓 L - W . kWih( M + V = w ih f 渺 + 檢M其中，% = fi(yy話(心w 8診慫期第；ij式中,whj (n+1) ,wih(n+1)分別表示第(n+1)次權值系數(shù)；whj(n)，Wh(n)分別表示第n次權值系數(shù);t j為 輸

8、出層第j個結點目標值；n為訓練速度系數(shù)，取值01。3.2 TBD檢測方法為了進一步提高復雜背景下紅外目標的檢測性能，基于TBD的目標檢測方法逐漸發(fā)展起來， 它充分利用課處理過程中為個階段的信息，與DBT方法相比，實現(xiàn)了低信噪比下目標檢測 的可能，TBD方法的基本思路：對單幀圖像，先不判斷圖像中有無目標，先對圖像中較多 可能的目標軌跡行跟蹤，然后對各條軌跡進行檢測判決，最后得到真實目標的軌跡。TBD 方法主要包括以下幾種：三維匹配濾波方法動態(tài)規(guī)劃方法假設檢驗方法兩種目標檢測方法的比較DBT方法TBD方法優(yōu)點算法簡單，硬件容易實現(xiàn)抗干擾能力強不足抗干擾能力較差算法復雜，硬件實現(xiàn)較難適用范圍實時目標

9、檢測低信噪比下目標檢測紅外目標檢測存在的問題當前，紅外目標檢測技術仍然存在不易克服的一些難點問題，主要表現(xiàn)在一下幾個方面。復雜背景下，存在難以預測的背景干擾，低信噪比下的目標信號幾乎被掩蓋在背景噪聲 之中。2）效果越好的分割算法計算量就越大，越復雜，對存儲空間要求高，實時性越差。3）紅外目標檢測的精確性不高，由于機動目標的運動防線和速度具有很大的隨機性，隱刺 沒針對機動目標的檢測，一直是學者們致力要解決的問題。4）弱小紅外目標的檢測問題一直以來都沒有得到完美解決。弱小目標是指背景灰度差異不 高于背景方差的小目標。對復雜背景下紅外弱小目標的檢測技術的研究，對于提高小代化高 技術武器的作戰(zhàn)距離及反應速度具有重要意義。6總結紅外運動小目標檢測技術是計算機視覺領域的關鍵技術之一，在眾多行業(yè)領域都有著廣泛 的應用