红外图像中人体目标检测技术研究
红外图像中人体目标检测技术研究
摘 要：针对红外序列图像中人体目标检测问题，采用了基于特征点的特征区域提取方法，先用FAST算法快速提取特征点，然后基于提取出的特征点，使用LBP算法提取特征区域，在得到感兴趣的特征区域(ROI区域)后，用对ROI区域进行基于离散小波变换的小波熵特征提取，并采用复合分类方法对ROI区域进行分类，利用此方法有效地将人体目标从红外序列图像中检测出来。
关键词：红外序列图像，FAST，CS-LBP，离散小波变换，SVM，AdaboostResearch on Pedestrian Detection in Infrared Images
Abstract: This paper presents a research on pedestrian detection in infrared images, based on
key-points used FAST detector and multi-block LBP features. After locating the regions of interest
(ROI), a novel human detection algorithm based on complex wavelet transform(CWT) of the
wavelet entropy features is used to obtain more accurate target feature of human body. At last uses
support vector machine (SVM) and Adaboost to classify the detected regions. Experimental results
show that the proposed measure achieves successfully in pedestrian detection in infrared images.
Key Words: Infrared Serial Images, FAST, CS-LBP, CWT, SVM, Adaboost
0 引言
由于红外图像对比度低、边缘模糊、信噪比低、噪声大和人体目标非刚体等特性，使得对红外图像进行人体目标检测难度较大。目前常用的运动目标检测方法背景减除法[1]、帧差法[2]、光流法[3]等，在摄像机不固定的情况下，基于背景的目标检测方法将变得十分困难，因此采用单帧图像分割的方法显得更加可行。
本文采用的红外序列图像中人体目标检测的方法是：(1)采用FAST(Features from
Accelerated Segment Test)[4]算法，在单帧图像中进行特征点提取；(2)基于检测出的特征点，利用基于局部二值模型纹理特征(Local
Binary Pattern, LBP)核函数的算法提取图像的局部特性，得到人体可能存在的感兴趣区域；(3)利用双密度双树小波变换和小波熵提取训练样本的特征信息，并采用模式识别方式对提取出的感兴趣区域(Regions of
Internet，ROI)进行分类检测，得到人体目标所在区域。
1 基于特征点的人体目标区域初定位
FAST特征点提取CS-LBP区域特征提取小波熵分类特征提取复合分类器分类图(1) 本文所采用的红外图像中人体目标检测方法及其效果
由于传统的基于视频的目标检测方法，在摄像机不固定的条件下，运算量过大且鲁
棒性较差，因此在此基于单帧图像进行人体目标检测。本文采用先提取红外图像中的特征点，然后在特征点的邻域内搜寻人体目标的方法进行人体目标区域提取。
1.1 基于FAST算法的特征点提取
FAST算法是一种运算简单的特征点检测方法，首先通过Segment-Test算法来定义特征点：如果图像中以某一个像素点p 为中心，r 为半径的一个Bresenham圆上，超过N 个连续像素的亮度均超过像素p 某一阈值，或者低于像素p 某一阈值，则该像素p
处存在一个特征角点。在应用时，为了减少所提取的特征点的数量，我们将相邻的特征点进行合并，如图(2)所示，左图为原红外图像，右图为对特征点进行空间近邻合并后的图像。
图(2) 原红外图像(左图)、提取出的特征点(右图)
1.2 基于CS-LBP算法的区域特性提取 LBP算法[5][6]首先是作为一种纹理操作的算子提出来的，并且在很多计算机视觉领域得到了很成功的应用。
LBP算法根据每个像素与其邻域像素的相对差值来描述该像素的特性，因此对由光线条件变化导致的像素值变化有很强的鲁棒性。如果邻域像素的亮度值大于或等于中心像素的亮度值，则该邻域像素对应的属性取值为1，否则取值为0。CS-LBP算法 [7]是比较圆周上每对中心对称的像素之间的亮度值，因此在CS-LBP中，需要做的比较次数相对LBP算法降低了一半。图像中位于,xy位置的像素CS-LBP值可根据其邻域信息计算如式(1)：
/21,,/20,21,0()0,NiRNTiiNtCSLBPxysnntstothers (1)
其中，T为一个很小的阈值。根据式(1)，,,RNTCSLBP具有/22N个可能取值，因此整个图像区域上的,,RNTCSLBP值得统计直方图特征维数为/22N。在特征角点检测出来以后，需要在其周围确定一个图像区域，以根据该区域上的信息计算出用于描述该区域局部视觉特征向量。根据CS-LBP算法的原理，以该特征点为中心，以1为半径，比较其8邻域像素的灰度值，可计算出其LBP直方图，根据直方图特性可以提取出特征角点周围的特征区域，即所提取出的待选感兴趣区域(ROI)。图(3)、图(4)分别展示了所计算出的LBP直方图和提取出的ROI区域。
图(3）8邻域LBP直方图图
(4) 提取出的ROI区域
2候选ROI分类检测
本文基于离散小波变换(DWT)和小波熵对训练样本进行分类特征提取。在此基础上，为了更加准确地从所有选定的感兴趣区域中提取出人体目标，同时利用Boosting[9]、支持向量机(SVM)[10]的模式识别方法组成复合分类器，进行候选ROI区域分类筛选。本文主要训练了人体、车辆、其他(包括房屋、树木等非人体、车辆目标)等三类样本。
双密度双树离散小波变换(Double-density Dual-tree DWT)[8]，综合了双密度小波和双树小波的优点，具有平移不变性和抗混叠特性、基2冗余且尺度不变、近似连续小波变换和具有良好的方向特性。双密度双树离散小波变换(DD-DT DWT)，具有两个不同的尺度函数(),()hgtt和四个不同的小波函数,,,,1,2higitti，其中:,1t由:,2t偏移0.5构成，即：
,1,2,1,20.50.5hhggtttt
(2)
其中，,1,1,2,2,,hghg和分别为近似希尔伯特变换对，即：
,1,1,2,2(){()}(){()}ghghtHttHt
(3)
图像经过双密度双树离散小波变换后生成4个低频子带和32个高频子带。小波系数能够反映16个频带上的细节信息，图像的小波熵能够反映图像小波变换频率空间的能量分布信息，将双密度双树离散小波变换与小波熵结合起来具有更大的表征能力。
定义单一尺度j下的小波能量jE为该尺度下小波系数()jCk的平方和：
21(),1,2,NjjkECkjJ (4)
信号总能量为：
2111JJNtotaljjjjkEECk (5)
相对小波能量为：
11,2,,1JjjjjtotalEPjJpE (6)
如果把小波系数矩阵看作一个概率分布序列，则由此序列计算得到的熵反映了该系数矩阵的稀疏程度，即概率分布的有序程度，成为小波熵，根据香农熵的原理，小波
熵定义为：
1lnJwjjjSpp (7)
本文所采用的机器学习样本主要来自于OTCBVS Benchmark Dataset数据库和自己拍摄得到的红外图像，图(5)所示为部分机器学习样本。由于程序编程需要，所有样本宽度都是4的倍数，高度无此限制。正样本都是在人体轮廓的基础上外扩至少2个像素，负样本由自编程序在已有图像序列和视频中随机生成。最终获得人体正样本382个，车辆正样本288个，非人体非车辆负样本755个。
(a) 人体正样本
(b) 车辆正样本
(c)非人体、车辆负样本
图(5) 训练集中部分样本
3 实验结果与分析
为了检验本文提出的方法性能，我们进行了实地实验，实验分别在下午温度比较高的时候和晚上温度比较低的时候进行，试验场景分别选择了背景相对简单的野外空地和背景相对复杂的城市道路场景。所有序列图像均由固定摄像机拍摄，图像大小均为384×288。红外序列图像中运动人体目标检测结果如图(7)所示：
(6-1) 白天在野外试验结果（距离300米）(6-2) 夜晚在野外试验结果（距离300米）(6-3) 夜晚在城市道路中试验结果(距离50-300米)
根据实验结果，本算法在背景相对简单的环境下有很高的识别率和很低的虚惊率，可以正确识别红外序列图像中的人体目标，但算法同样存在着缺陷，由图(6-3)可见，在背景相对复杂的环境下，温度较低时第81帧图像到第90帧图像中存在着漏检的情况，而在之后的图像序列中，检测率较高。
4 结束语
针对红外图像的特点，本文采用了基于FAST-LBP的红外人体目标检测方法，并采用了基于离散小波变换的小波熵进行分类特征提取，使得对候选区域的特征提取更加精确。使用Boosting和SVM组成的复合分类器进行目标区域分类，确保了目标检测的鲁棒性。经试验验证，本文提出的方法具有一定的可靠性，但在温度较低、背景复杂的情况下，检测效果相对其他情况下要稍差，检测率要低于其他情况，虚警率要高于其他情况。这个问题可以通过增加分类器的各类目标学习样本来解决。本文所采用的方法，对目标检测有很好的鲁棒性，不会随着图像中目标数量的增加而影响系统运行速度，同时多个目标之间交叉遮挡时也能达到很好的检测效果。
参考文献
[1] A Mital，N Paragios．Motion-based Background Subtraction Using Adaptive Kernel Density Estimation [C]．In
Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2004，V01．2：302-309．
基于深度学习的红外目标识别与跟踪技术研究
基于深度学习的红外目标识别与跟踪技术研究
近年来，随着人工智能领域的不断发展和深度学习算法的成功应用，基于深度学习的红外目标识别与跟踪技术也逐渐成为研究的热点。本文将探讨该技术的基本理论、研究现状以及未来发展趋势。
一、基本理论
在红外目标识别与跟踪技术中，深度学习算法主要有卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等。其中，CNN是目前常用的神经网络模型，其优点在于具有良好的特征提取能力和高效的计算速度，因此被广泛应用于红外图像中的目标检测和识别任务。
基于深度学习的红外目标识别与跟踪技术主要包括图像预处理、目标检测和目标跟踪三个部分。其中，图像预处理主要是对红外图像进行去噪和增强处理，使图像能够更好地被深度学习模型处理。目标检测则是通过深度学习算法识别图像中的目标，常用的算法有Faster R-CNN和YOLO等。目标跟踪则是通过对目标的拟合和跟踪来实现目标的实时定位和追踪。
二、研究现状
近年来，基于深度学习的红外目标识别与跟踪技术得到了广泛的研究和应用。目前在目标检测方面，基于CNN的深度学习算法已经取得了很大的进展，如Faster R-CNN、SSD和YOLO等算法已经成为业界的主流算法。在目标跟踪方面，研究者们主要探究了基于卷积神经网络的目标跟踪方法。例如，Held等人提出的DeepTrack方法通过对目标进行自适应的特征提取，实现了较好的跟踪效果。
此外，还有一些研究者将深度学习算法应用于红外人脸识别等领域。例如，王震等人在红外人脸识别中应用了深度卷积神经网络，实现了较高的识别准确率。 三、未来发展趋势
基于深度学习的红外目标识别与跟踪技术目前还存在一些问题，如如何提高模型的鲁棒性、如何在复杂环境中实现高效的目标跟踪等。未来的研究方向主要集中在以下几个方面：
1. 提高深度学习算法的鲁棒性。研究者们需要进一步探索如何利用跨领域数据增加模型的鲁棒性，以及如何集成多种算法来提高模型的预测能力。
人体运动追踪技术的原理与实现步骤
人体运动追踪技术的原理与实现步骤
人体运动追踪技术是一种通过计算机视觉和图像处理技术对人体运动进行实时跟踪和分析的技术。它在许多领域中有着广泛的应用，如体育训练、医疗康复、安防监控等。本文将介绍人体运动追踪技术的原理和实现步骤。
一、原理
1. 图像采集：人体运动追踪技术首先需要获取人体运动的图像或视频。通常使用摄像机、深度相机或红外热像仪等设备进行图像的采集。这些设备能够捕捉到人体运动时的位置、姿态、速度等信息。
2. 特征提取：从采集到的图像中提取出与人体有关的特征。这些特征可以是人体关节的位置、骨骼的姿态、身体的形状等。通常使用计算机视觉和图像处理技术来进行特征提取，例如边缘检测、图像分割等算法。
3. 运动估计：根据特征的变化来估计人体的运动。通过分析特征在连续帧之间的差异和变化，可以计算出人体的运动轨迹和轨迹的速度。常用的运动估计算法包括光流法、KLT算法等。
4. 姿态估计：根据人体的运动估计出人体的姿态。姿态估计是一个复杂的问题，通常需要先推测人体的骨骼结构，再通过寻找最佳匹配的方法来估计人体的姿态。现在常用的姿态估计算法有基于模型的方法、基于深度学习的方法等。
二、实现步骤 1. 数据采集：使用合适的设备对人体的运动进行采集。常见的设备包括摄像机、深度相机、红外热像仪等。采集时需要注意灯光、背景等环境因素的影响，确保图像的质量和准确性。
2. 特征提取与选择：根据具体的应用需求选择合适的特征。例如，如果需要检测人体的关节位置和姿态，可以选择提取关节点的坐标信息。如果需要检测人体的形状和轮廓，可以选择进行图像分割和形态学处理。
3. 模型训练与优化：根据采集到的数据进行模型的训练和优化。常见的方法有机器学习算法和深度学习算法。在训练时需要对数据进行预处理、特征选择和模型调优，以提高运动追踪的准确性和鲁棒性。
4. 运动追踪与分析：使用训练好的模型对实时的图像或视频进行运动追踪和分析。根据采集到的特征，计算人体的运动轨迹、姿态和速度等信息。可以结合其他技术，如目标识别、行为分析等，进一步对人体运动进行分析和解释。
《红外弱小目标识别与追踪算法研究》范文
《红外弱小目标识别与追踪算法研究》篇一
一、引言
随着红外技术的不断发展，红外成像系统在军事、安全、监控等领域得到了广泛应用。然而，由于红外图像中目标通常呈现弱小特征，如信噪比低、对比度差等，使得红外弱小目标的识别与追踪成为一项具有挑战性的任务。本文旨在研究红外弱小目标的识别与追踪算法，以提高红外图像中目标的检测和跟踪精度。
二、红外弱小目标的特点
红外弱小目标在图像中通常表现为低亮度、小尺寸、信噪比低等特点。这些特点使得传统目标检测与追踪算法在处理红外图像时面临诸多困难。此外，由于目标运动的不确定性、背景的复杂性以及各种干扰因素的影响，使得红外弱小目标的识别与追踪更加复杂。
三、红外弱小目标识别算法研究
针对红外弱小目标的识别问题，本文提出了一种基于多尺度特征融合的识别算法。该算法通过融合不同尺度的特征信息，提高目标的表征能力，从而增强对弱小目标的识别效果。具体而言，该算法首先利用多尺度卷积神经网络提取目标的多尺度特征；然后，通过特征融合技术将不同尺度的特征信息进行融合，形成更加丰富的目标表征；最后，利用分类器对融合后的特征进行分类，实现目标的识别。 四、红外弱小目标追踪算法研究
在红外弱小目标的追踪方面，本文提出了一种基于区域协同的追踪算法。该算法通过将目标区域与周围背景区域进行协同分析，提高对目标的跟踪精度。具体而言，该算法首先利用红外图像中的局部信息，对目标区域进行初步定位；然后，通过分析目标区域与周围背景区域的关系，实现目标的精确跟踪；最后，利用卡尔曼滤波器对目标轨迹进行平滑处理，提高跟踪的稳定性。
五、实验与分析
为了验证本文提出的红外弱小目标识别与追踪算法的有效性，我们进行了大量实验。实验结果表明，基于多尺度特征融合的识别算法能够有效提高对红外弱小目标的识别率；而基于区域协同的追踪算法则能够在复杂背景下实现对目标的精确跟踪。此外，我们还对两种算法的性能进行了比较和分析，结果表明本文提出的算法在识别与追踪精度、鲁棒性等方面均具有较好的性能。
红外图像序列中运动弱小目标轨迹预测方法研究
第35卷，增刊红外与激光工程2006年10月V01．35Supple∽ntInfmedandLaserEnginee血goct．2006
红外图像序列中运动弱小目标轨迹预测方法研究
张永辉，武征，高炳哲
(中国人民解放军9294l部队91分队，辽宁葫芦岛125000)
摘要：研究在红外图像序列中预测运动弱小目标运动轨迹的方法。通过带有延迟单元的线性神经元网络对已知样本学习，采用widrow—Hof!f学习规则自适应调整神经网络参数，同时对下一帧目标轨迹进行预测，
在检测到多个目标的情况下根据预测轨迹确定真实目标，提高对目标检测的准确。在少数几帧丢失目标仍能根据预测轨迹对目标进行跟踪。仿真实验表明该方法用于目标运动轨迹预测能达到实际应用要求精度，并具
有鲁棒性。关键词；轨迹预测；图像序列；神经网络；延迟
中圈分类号：TN216文lt标识码：At文章编号：1007．2276(2006)增D．0152．04
MethodofsmaUmo、ringtargettrackprediction
ZHANGYong—hui，WUzlleng，GAOBiIlg一血e(U衄9l，92941岫Un咄PLA，Hulud∞125000，alina)
Abstract：AmemodforsmaⅡmoVingtarget觚ckpredictioninin缸medimagesequenceispresemed．Theline盯
networkwitlldelayUneis廿习Iilledincremen伽ywimWidrow-Hoffalgorimm，itcanrespondtochaIlgesinme
他lationsllipbetwcenpaSt锄dfutureValuesofmesignal．TheVeryta玛etcanbeextracting卸d廿ackingin舢ltiple
targetsthroughmemeⅡlodandmerelia_bilit)，ofex仃actingaIld仃ackingsmallrnoViIlgta玛etisincreased．whenatargetis10stinseveralfhmes，itstiUcanbem童cked．Thesimulationexpe舭ntshowtllatnlewholealgoritllmreachmepredsiontouseandisrobust．
红外图像中弱小目标检测前跟踪算法研究综述
第３７卷 第２期
２００７年２月 激光与红外
ＬＡＳＥＲ ＆ ＩＮＦＲＡＲＥＤ Ｖｏ１．３７，Ｎｏ．２
Ｆｅｂｒｕａｒｙ，２００７
文章编号：１００１－５０７８（２００７）０２－ｏ１０４－０４
红外图像中弱小目标检测前跟踪算法研究综述
张长城，杨德贵，王宏强
（国防科技大学电子科学与工程学院，空间电子信息技术研究所，湖南长沙４１００７３）
摘要：文中分析了低信噪比复杂背景中红外弱小目标检测与跟踪的难点，比较了ＤＢＴ与
ＴＢＤ两种检测与跟踪算法的性能，分析了ＴＢＤ的检测机理，总结了典型的ＴＢＤ方法，展望了
ＴＢＤ的发展。
关键词：红外；弱小目标；低信噪比；复杂背景；检测前跟踪
中图分类号：ＴＰ７５１ 文献标识码：Ａ
Ａｌｇｏｒｉｔｈｍ Ｓｕｒｖｅｙｓ ｆｏｒ Ｄｉｍ Ｔａｒｇｅｔｓ
Ｔｒａｃｋ－－ｂｅｆｏｒｅ－－ｄｅｔｅｃｔ ｉｎ Ｉｎｆｒａｒｅｄ Ｉｍａｇｅ
ＺＨＡＮＧ Ｃｈａｎｇ—ｃｈｅｎｇ，ＹＡＮＧ Ｄｅ—ｇｕｉ，ＷＡＮＧ Ｈｏｎｇ—ｑｉ￣ｎｇ （Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｐａｃｅ Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｏｌｌｅｇｅ ｏｆ Ｅｌｅｃｔｒｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎ￣ｎｅｅｆｉｎｇ，ＮＵＤＴ，Ｃｈａｎｓｓｈ￣４１００７３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｄｉｆｉｃｕｌｔｉｅｓ ｏｆ ｄｉｍ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ａｌｅ ａｎａｌｙｚｅｄ ｉｎ ｔｈｅ ｐａｐｅｒ．Ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅｓ ｏｆ ＤＢＴ ａｎｄ ＴＢＤ ａｌｅ ｃｏｍｐａｒｅｄ．ａｎｄｔｈｅｔｈｅｏｒｙ ｏｆＴＢＤ ａｌｅ ａｎａｌｙｚｅｄ．Ｔｈｅｍａｉｎｍｅｔｈｏｄｓ ｏｆＴＢＤ ａｒｅ￥ＩＩｍｍＡｌ＇ｉ￣．Ｉｎｔｈｅ ｅｎｄ，ｐｒｏｍｉｓｉｎｇｄｉ－
ｒｅｃｔｉｏｎ ｏｆｔｈｅ ｆｉｅｌｄ ｏｆＴＢＤ ｉｓ ｐｒｅｄｉｃｔｅｄ． Ｋｅｙ ｗｏｒｄｓ：ｉｎｆｒａｒｅｄ；ｄｉｍ ｔａｒｇｅｔ；ｌｏｗ ＳＮＲ；ｃｏｍｐｌｉｃａｔｅｄ ｂａｃｋｇｒｏｕｎｄ；ＴＢＤ
红外图像序列小目标的特性分析与检测
第３ｌ卷第２期 ＶｏＬ ３１Ｎｏ．２ 红外与激光工程 Ｉｎｆｒａｒｅｄ ａｎｄ Ｌａｓｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ２００２年４月 Ａｐｔ．２００２
红外图像序列小目标的特性分析与检测
吴巍，彭嘉雄，王海晖
（华中科技大学图像识别与人工智托研究所 图像信息处理与智能控制教育部重点实验室，湖北武汉４３００７４） 摘要：在红外图像中微弱一１、目标的检测一直是研究的重点和难点。文中介绍一种利用形态学 的Ｔｏｐ—ｈａｔ算子检测方法，主要步骤是先对图像进行滤波，然后依据目标运动的连续性进行目标检 测，并对检测所得的目标特性进行分析。实验表明，该检测方法十分有效，并且还发现图像序列中 ・１、目标的灰度和质０位置变化是有规律的，它可提高检测的准确性。 美键词： 红外小目标ｊ 目标检ｌ刹；能量累积；Ｔｏｐ—ｈａｔ算子 中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１００７—２２７６（２００２）０２—０１４６—０４
Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎａｌｙｓｉｓ ａｎｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｍａｌｌ ｔａｒｇｅｔ ｉｎ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ
ＷＵ Ｗｅｉ・ＰＥＮＧ Ｊｉａ－ｘｉｏｎｇ．ＷＡＮＧ Ｈａｌ—ｈｕｉ （Ｓｔａｔｅ Ｅｄｕｃａｔｉｏｎ Ｃｏｍｍｉｓｓｉｏｎ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ０ｆ Ｉｍａｇｅ Ｐｍｃｅｓｓｌｎｇ ８Ｌ ＩｍｅＬＬｈｇｅｎｔ Ｃｏｎｔｒｏ１．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉ￣ｉｃｉａ［ＩｎｔｅＬｈｓｅｎｃｅ，Ｈｕａｚｈｏｎｓ Ｕｎｉｖｅｒｚ［ｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｔｏｇｙ，Ｗｕｈａｎ ４３００７４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｄｅｔｅｃｔｉｏｎ ｏｆ ｄｉｍ ｔａｒｇｅｔ ｉｎ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｉｓ ｔｈｅ ｅｍｐｈａｓｉｓ ａｎｄ ｄｉｆｆｉｃｕｌｔｙ ｏｆ ｔａｒｇｅｔ ｄｅ— ｔｅｃｔｉｏｎ．Ａ ｍｅｔｈｏｄ ｏｆ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｔｈｅ Ｔｏｐ—ｈａｔ ｏｐｅｒａｔｏｒ ｏｆ ｍｏｒｐｈｏｌｏｇｙ ｉｓ ｐｒｏｐｏｓｅｄ．Ｉｔｓ ｍａｉｎ ｐｒｏｃｅｄｕｒｅｓ ａｒｅ ｆｉｌｔｅｒｉｎｇ ｔｈｅ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ，ａｎｄ ｔｈｅｎ ｄｅｔｅｃｔｉｎｇ ｔｈｅ ｔａｒｇｅｔｓ ｄｅｐｅｎｄｉｎｇ ｏｎ ｔｈｅ ｃｏｎｔｉｎｕｉｔｙ ｏｆ ｔｈｅ ｍｏｖｅｍｅｎｔ ｏｆ ｔｈｅ ｔａｒｇｅｔｓ．Ｓｏｍｅ ｆｅａｔｕｒｅｓ ｏｆ ｄｅｔｅｃｔｅｄ ｔａｒｇｅｔ ａｒｅ ａｎａｌｙｚｅｄ．Ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｉｓ ｖｅｒｉｆｉｅｄ ｂｙ ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ．Ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｇｒａｙ ａｎｄ ｃｅｎｔｒｏｉｄ ｏｆ ｓｍａｌｌ ｔａｒｇｅｔ ｉｎ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ ａｒｅ ａｌｓｏ ｆｏｕｎｄ，ｗｈｉｃｈ ｉｓ ｓｉｇｎｉｆｉｃａｎｔ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ｄｅｔｅｃｔｉｏｎ．
基于张量分解的红外弱小目标检测算法研究
基于张量分解的红外弱小目标检测算法研究
红外遥感技术在军事、安防等领域中具有重要的应用价值。在红外图像中，弱小目标的检测一直是一个具有挑战性的问题。为了克服这个问题，许多基于张量分解的红外弱小目标检测算法被提出和研究。
红外弱小目标通常指的是红外图像中的低对比度、低亮度等目标。由于受到红外图像采集设备的限制以及背景干扰的影响，直接从红外图像中提取目标非常困难。因此，基于张量分解的红外弱小目标检测算法成为了解决这一问题的有效方法。
首先，需要了解什么是张量分解。张量分解是一种多线性代数方法，用于将多维数据分解为低维子空间。在红外图像中，将红外图像数据分解为局部特征空间可以提高目标的显著性，从而实现目标的检测。
基于张量分解的红外弱小目标检测算法通常包括以下几个步骤。
首先，对红外图像进行预处理。预处理的目的是降低图像中的噪声以及增强目标的对比度。常用的预处理方法包括直方图均衡化、滤波等。 然后，利用张量分解技术对预处理后的红外图像进行分解。张量分解可以将原始红外图像分解为几个低维子空间，每个子空间对应一个特定的图像特征。常用的张量分解方法包括SVD（奇异值分解）、Tucker分解等。
接下来，通过对分解后的子空间进行处理，提取目标特征。通常采用一些特征提取方法，如局部二值模式（LBP）、主成分分析（PCA）等。这些特征能够更好地描述目标的纹理和形状信息。
最后，采用目标检测算法对提取的特征进行分类和检测。常用的目标检测算法有支持向量机（SVM）、卷积神经网络（CNN）等。这些算法可以根据提取的特征判断目标是否存在，并给出目标的位置和类别。
在实际应用中，基于张量分解的红外弱小目标检测算法已经取得了一定的成果。这些算法在红外图像中有效地提取了目标的显著性特征，对低对比度、低亮度等弱小目标的检测取得了较好的效果。
然而，基于张量分解的红外弱小目标检测算法仍然存在一些挑战和问题。首先，由于红外图像中存在的复杂背景干扰和噪声，目标特征的提取和目标检测的准确性还有待进一步提高。其次，张量分解算法本身的计算复杂度较高，需要更高效的算法和硬件支持。此外，针对特定目标的检测算法还需要更深入的研究。
红外图像目标识别的预处理技术研究
２矾。年７Ａ 繁７耘 电子灞试 ＥＬＥｃＴＲＯＮＩＣ ＴＥｓＴ Ｊｕｌ ２ｏ＇ｏ Ｎｏ．７
红外图像目标识别的预处理技术研究
徐慧慧 ，孙运强 ，姚爱琴 （１中北大学信息与通信工程学院，山西太原０３００５１； ２中北大学仪器科学与动态测试教育部重点实验室，山西太原０３００５１）
摘要：红外图像目标识别系统，由图像预处理、特征提取及模式分类组成，红外图像目标识别的图像预处理 包括滤波降噪、图像增强、图像分割等。滤波降噪有邻域平均、中值等滤波方法，图像增强可通过微分、 Ｂｕｔｔｅｒｗｏｒｔｈ高通滤波和形态学高低帽变换完成，图像分割采用阈值分割技术和形态学方法实现。综合比较各 种处理方法，采用中值滤波进行降噪、高低帽变换进行图像增强、阈值分割与形态学处理结合进行图像分 割，较好地实现了红外图像目标识别的预处理。 关键词：红外图像；目标识别；图像预处理 中图分类号：ＴＮ９１１．７３ 文献标识码：Ａ
Ｒｅｓｅａｒｃｈ ｏｎ ｐｒｏｃｅｓｓｉｎｇ 。 ‘ ‘ ｏｆ ｉｎｆｒａｒｅｄＲｅｓｅａｒｃｈ ０ｎ Ｐｒｏｃｅｓｓｌｎ ｔｅｃｈｎｏｌｏｇｉｅｓ ｏｔ ｉｎ／ｒａｒｅｄ
Ｉｒｏｎｇｅ ｔａｒｇｅｔ ｒｅｃｏｇｍｔｉｏｎ － － －
Ｘｕ Ｈｕｉｈｕｉ ，Ｓｕｎ Ｙｕｎｑｉａｎｇ ，Ｙａｏ Ａｉｑｉｎ （１ ＣｏＵｅｇｅ ｏｆＩｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＣｈｉｎａ，Ｔａｉｙｕａｎ ０３００５１，Ｃｈｉｎａ； ２ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ Ｓｃｉｅｎｃｅ＆Ｄｙｎａｍｉｃ Ｍｅａｓｕｒｅｍｅｎｔ—Ｍｉｎｉｓｔｒｙ ｏｆＥｄｕｃａｔｉｏｎ． Ｎｏｒｔｈ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎａ，Ｔａｉｙｕａｎ ０３００５ １，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｉｎｆｒａｒｅｄ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ ｃｏｎｓｉｓｔｓ ｏｆ ｉｍａｇｅ ｐｒｅｐｒｏｃｅｓｓｉｎｇ，ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｐａｔｔｅｒｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅ ｉｍａｇｅ ｐｒｅｐｒｏｃｅｓｓｉｎｇ ｂａｓｅｄ ｏｎ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎｃｌｕｄｅｓ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ，ｉｍａｇｅ ｅｎｈａｎｃｅｍｅｎｔ ａｎｄ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ．Ｔｈｅ ｆｉｌｔｅｒ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｍｅｔｈｏｄ ｉｎｃｌｕｄｅｓ ｎｅｉｇｈｂｏｒｈｏｏｄ ａｖｅｒａｇｅ ｍｅｔｈｏｄ， ｍｅｄｉａｎ ｍｅｔｈｏｄ．Ｔｈｅ ｉｍａｇｅ ｅｎｈａｎｃｅｍｅｎｔ ｃｏｕｌｄ ｂｅ ｒｅａｌｉｚｅｄ ｔｈｒｏｕｇｈ ｔｈｅ ｄｉｆｆｅｒｅｎｔｉａｌ ｃｏｅｆｆｉｃｉｅｎｔ、Ｂｕｔｔｅｒｗｏｒｔｈ ｈｉｇｈ ｐａｓｓ ｆｉｌｔｅｒ、ｔｏｐ ａｎｄ ｂｏｔｔｏｍ ｈａｔ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｏｆ ｍｏｒｐｈｏｌｏｇｙ；ｔｈｅ ｉｍａｇｅ ｄｉｖｉｓｉｏｎ ｃｏｕｌｄ ｂｅ ｒｅａｌｉｚｅｄ ｂｙ ａｄｏｐｔｉｎｇ ｔｈｒｅｓｈｏｌｄ ｄｉｖｉｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ｍｏｒｐｈｏｌｏｇｙ ｐｒｏｃｅｓｓｉｎｇ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｖａｒｉｅｄ ｐｒｏｃｅｓｓｉｎｇ ｍｅｔｈｏｄ，ｍｅｄｉａｎ ｆｉｌｔｅｒ ｒｅｄｕｃｅｄ ｎｏｉｓｅ、ｔｏｐ ａｎｄ ｂｏｔｔｏｍ ｈａｔ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｅｎｈａｎｃｅｄ ｉｍａｇｅ、ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｈｒｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｐｒｏｃｅｓｓｉｎｇ ｓｅｇｍｅｎｔｅｄ ｉｍａｇｅ ｃｏｕｌｄ ｒｅａｌｉｚｅ ｔｈｅ ｉｎｆｒａｒｅｄ ｉｍａｇｅ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｐｒｅｐｒｏｃｅｓｓｉｎｇ ｂｅｔｔｅｒ． Ｋｅｖｗｏｒｄｓ：Ｉｎｆｒａｒｅｄ ｉｍａｇｅ；Ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ；Ｉｍａｇｅ ｐｒｅｐｒｏｃｅｓｓｉ
红外图像序列中运动弱小目标检测的方法研究
第２４卷第６期 ２００２年１１月 红外技术 Ｉｎｆｒａｒｅｄ Ｔｅｃｈｎｏｌｏｇｙ Ｖｏ１．２４ Ｎｏ．６ ＮＯＶ￣２００２
红外图像序列中运动弱小目标检测的方法研究
徐英
（国防科技大学光电工程系，湖南长沙４１００７３）
摘要： 研究在红外图像序列中检测运动弱小目标的方法。首先通过高通或形态学滤波进行图像预处
理，进一步用似然比检测分割出候选目标，考虑到环境干扰造成的目标在某一帧暂时消失的情况，提出
了利用目标运动特征通过选择合适的邻域判决条件并结合图像流分析提取运动弱小目标的一种方法。
模拟实验表明该方法能够准确高效地检测出运动弱小目标。
关键词： 目标检测； 高通滤波； 形态学； 似然比检测； 邻域判决； 图像流
中图分类号：ＴＮ２１６ 文献标识码：Ａ 文章编号：１００１—８８９１（２００２）０６—００２７—０４
引言
运动弱小目标检测在目标识别与跟踪等领域有着
广泛的应用。复杂背景条件下，红外运动目标在像面
上只有一个或几个像素大小，并处于强杂波干扰下，信
噪比低，如何有效地检测出目标是亟待解决的难题。
为了有效抑制背景干扰，提高检测概率，必须充分
利用目标的信息。由于弱小目标在像面上最初可能只
有一个或几个像素大小，缺乏有效的辐射信息和形状
特征，可利用的信息主要为灰度信息和运动信息。因
此，在利用灰度信息对单帧图像进行处理的基础上，综
合利用目标在连续帧间运动的关联性和连续性，能够
提高目标检测精度、降低虚警概率。
现有的一些方法大多只能检测单个目标，且当目
标受环境影响在某一帧中暂时消失时容易产生漏检。
本文通过高通或形态学滤波和似然比检测提取出候选
目标，然后利用邻域判决和图像流分析提取出真正的
运动目标。考虑到由于环境的影响目标可能在某一帧
暂时消失的情况，通过选择合适的邻域判决条件，避免
了漏检。模拟实验证明该方法是高效可行的。
１问题分析
红外运动弱小目标有如下特性：目标所占像素面
红外图像处理算法的研究
论文题目：红外图像处理算法的研究
专 业：信号与信息处理 硕 士 生：黄庆华 （签名） 指导教师：吴延海 （签名）
摘 要
随着现代红外技术的快速发展，民用红外监控系统及军用红外探测系统得到了广泛
的应用。由于红外摄像器件本身及探测环境影响，成像效果并不理想。在实际应用中，
需要对获得的红外图像进行必要的增强处理，使其更适于人眼观察。同时利用对红外目
标的检测、分割来确定不易辨认的目标物，为后续的识别与智能控制等奠定基础。
本文首先介绍了红外成像机理，在分析了红外图像特点的基础上，比较了几种经典
红外图像增强算法。根据红外成像具有图像模糊、噪声大等特点，提出了将平台直方图
均衡与增强高通滤波结合的红外图像处理算法。实验结果表明，该算法能够增强图像目
标、有效的抑制噪声，具有较好的视觉效果。
图像分割是图像处理的重要环节，本文在分析了几种经典图像分割算法的基础上，
主要研究了边缘检测和阈值分割算法。针对边缘检测只显示目标轮廓，边缘线条较多且
不连续，而阈值分割则忽略了目标与目标之间的边缘细节问题，本文提出了一种新的红
外图像分割算法。该算法使用Sobel算子进行边缘检测，同时利用改进的Otsu进行阈
值分割，然后对两幅图像进行融合。实验证明分割后的图像目标轮廓清晰，图像边缘细
节特征明显，有利于图像的特征提取、目标识别等。
关 键 词：红外图像处理；平台直方图均衡；边缘检测；改进的Otsu法
研究类型：理论研究
Subject ：Research on Algorithm for Infrared Image Processing
Specialty ：Signal and Information Processing
Name ：Huang Qinghua （Signature）
Instructor：Wu Yanhai （Signature）
ABSTRACT
With the fast development of the infrared technology, infrared monitor system is widely