本發(fā)明涉及紅外圖像目標(biāo)檢測，更具體地，涉及一種基于相位配準(zhǔn)和一致性分析的紅外小目標(biāo)檢測方法。

背景技術(shù)：

1、目前單幀方法包括局部對(duì)比、top-hat濾波器、低秩和稀疏分解、深度學(xué)習(xí)以及背景抑制噪聲處理等技術(shù)。這些方法主要依賴于單一圖像幀的信息來進(jìn)行目標(biāo)檢測。多幀方法相比于單幀方法在精度上具有顯著優(yōu)勢(shì)，因?yàn)樗軌蛲ㄟ^時(shí)間維度的信息積累提升目標(biāo)檢測和跟蹤的穩(wěn)定性和準(zhǔn)確性。其根本原因在于，多幀方法能夠利用連續(xù)圖像中的目標(biāo)運(yùn)動(dòng)信息和時(shí)間序列關(guān)系，有效降低噪聲干擾，減少誤報(bào)和漏檢，提高在低信噪比和復(fù)雜背景條件下的表現(xiàn)。同時(shí)，多幀數(shù)據(jù)積累增強(qiáng)了目標(biāo)信號(hào)，提升了目標(biāo)狀態(tài)估計(jì)的精度，尤其適用于目標(biāo)快速運(yùn)動(dòng)或信號(hào)微弱的情況。目前常見的多幀方法有：

2、(1)傳統(tǒng)濾波方法

3、在tbd(tracking?before?detection)算法的研究中，傳統(tǒng)濾波方法為目標(biāo)檢測與跟蹤奠定了基礎(chǔ)。kalman?等人[1]最早提出了卡爾曼濾波器(kalman?filter)，用于線性狀態(tài)空間模型下目標(biāo)的運(yùn)動(dòng)估計(jì)，但在處理復(fù)雜背景和非線性運(yùn)動(dòng)時(shí)存在局限。為此，julier等人[2]提出了無跡卡爾曼濾波器(unscented?kalman?filter,?ukf)，有效處理了非線性問題。隨后，gordon?等人[3]提出了粒子濾波器(particle?filter)，該方法通過大量粒子來模擬目標(biāo)狀態(tài)，適合于更復(fù)雜的動(dòng)態(tài)環(huán)境。為了提升粒子濾波器的效率，doucet?等人[4]進(jìn)一步提出了自適應(yīng)粒子濾波器(adaptive?particle?filter,?apf)，該方法通過動(dòng)態(tài)調(diào)整粒子的數(shù)量與權(quán)重，提高了目標(biāo)檢測與跟蹤的準(zhǔn)確性。

4、(2)張量分解方法

5、隨著數(shù)據(jù)維度的提升，張量分解技術(shù)逐漸在tbd算法中占據(jù)重要位置。xu?等人[5]首次引入了低秩張量分解(low-rank?tensor?decomposition)，通過將序列圖像表示為張量結(jié)構(gòu)，有效分離了小目標(biāo)與復(fù)雜背景。基于這一研究，研究者們提出了時(shí)空張量分解(spatio-temporal?tensor?decomposition)，由?liu?等人[6]進(jìn)行了進(jìn)一步優(yōu)化，該方法利用了時(shí)序信息來增強(qiáng)小目標(biāo)的檢測效果。此外，zhao?等人[7]提出了張量稀疏分解(tensor?sparse?decomposition)，結(jié)合稀疏表示技術(shù)，進(jìn)一步提升了復(fù)雜場景下的目標(biāo)檢測性能。

6、(3)網(wǎng)絡(luò)結(jié)構(gòu)方法

7、近年來，隨著深度學(xué)習(xí)的興起，tbd算法得到了新的發(fā)展。lecun?等人[8]提出了卷積神經(jīng)網(wǎng)絡(luò)(cnn)，為小目標(biāo)的特征提取提供了強(qiáng)有力的工具。然而，cnn在處理序列圖像時(shí)存在一定局限，為此，hochreiter?和?schmidhuber[9]提出了長短時(shí)記憶網(wǎng)絡(luò)(lstm)，通過引入記憶單元，解決了時(shí)序信息處理問題。進(jìn)一步，tran?等人[10]提出了三維卷積神經(jīng)網(wǎng)絡(luò)(3d?cnn)，通過在時(shí)間和空間維度上同時(shí)進(jìn)行卷積操作，捕捉多幀之間的運(yùn)動(dòng)特征。最近，goodfellow?等人[11]引入了生成對(duì)抗網(wǎng)絡(luò)(gan)，該方法通過生成逼真的目標(biāo)運(yùn)動(dòng)軌跡模型，增強(qiáng)了在低信噪比環(huán)境下的檢測效果。

8、目前，多幀方法存在如下缺陷：

9、(1)現(xiàn)有算法大部分依賴多幀時(shí)間序列數(shù)據(jù)的分析帶來的精度提高，導(dǎo)致算法較大的時(shí)間開銷。其根本原因在于，傳統(tǒng)方法往往需要處理長時(shí)間序列數(shù)據(jù)，從而在時(shí)間維度上積累了較高的計(jì)算復(fù)雜度；

10、(2)現(xiàn)有算法面對(duì)環(huán)境復(fù)雜、噪聲嚴(yán)重的場景時(shí)，小目標(biāo)往往會(huì)淹沒在沉重的噪聲中導(dǎo)致目標(biāo)的丟失。其根本原因有以下兩點(diǎn)，一是單幀檢測算法難以有效抑制強(qiáng)烈的物體邊緣。其次，圖像噪聲、鏡頭傳感器噪聲以及運(yùn)動(dòng)引起的偏差會(huì)導(dǎo)致小目標(biāo)的運(yùn)動(dòng)特征無法被準(zhǔn)確捕捉或識(shí)別，從而破壞目標(biāo)的運(yùn)動(dòng)規(guī)律，進(jìn)而影響檢測算法的效果；

11、(3)?現(xiàn)有算法往往基于移動(dòng)連續(xù)性假設(shè)，無法解決目標(biāo)快速移動(dòng)、目標(biāo)移速過慢、目標(biāo)遮擋導(dǎo)致目標(biāo)跟蹤丟失的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種基于相位配準(zhǔn)和一致性分析的紅外小目標(biāo)檢測方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種基于相位配準(zhǔn)和一致性分析的紅外小目標(biāo)檢測方法，包括如下步驟：

4、步驟s1，輸入紅外圖像序列，讀取并排序包含k幀連續(xù)紅外圖像的待檢測序列，并初始化位移閾值、配準(zhǔn)閾值以及區(qū)域面積閾值；

5、步驟s2，圖像配準(zhǔn)，選取第一幀作為基準(zhǔn)圖像，計(jì)算后續(xù)幀與基準(zhǔn)幀之間的相位相關(guān)變換矩陣，進(jìn)行幀間配準(zhǔn)，若配準(zhǔn)效果不佳，則沿用前一幀的變換矩陣進(jìn)行修正；

6、步驟s3，一致性圖像計(jì)算，利用配準(zhǔn)后的圖像計(jì)算幀間一致性圖像，并基于設(shè)定的閾值進(jìn)行處理，抑制噪聲區(qū)域，增強(qiáng)可能的目標(biāo)點(diǎn)；

7、步驟s4，候選目標(biāo)提取，通過連通區(qū)域分析從一致性圖像中篩選目標(biāo)候選區(qū)域，剔除面積過大或靠近邊緣的虛警點(diǎn)，并對(duì)符合條件的區(qū)域按最大峰值排序，選取前十個(gè)候選目標(biāo)點(diǎn)；

8、步驟s5，消失容忍機(jī)制，若目標(biāo)在短時(shí)間內(nèi)未檢測到但預(yù)測位置附近仍有可能的目標(biāo)，則維持其跟蹤狀態(tài)；靜止容忍機(jī)制，若目標(biāo)在容許幀數(shù)范圍內(nèi)仍在變化，則判定為真實(shí)目標(biāo)；

9、步驟s6，目標(biāo)篩選與跟蹤，結(jié)合前幾幀的目標(biāo)位置，計(jì)算候選點(diǎn)的運(yùn)動(dòng)軌跡，剔除偏離合理運(yùn)動(dòng)軌跡的目標(biāo)點(diǎn)，最終確認(rèn)真實(shí)目標(biāo)；

10、步驟s7，目標(biāo)區(qū)域權(quán)重加強(qiáng)，預(yù)測下一幀真實(shí)目標(biāo)出現(xiàn)的位置，并對(duì)預(yù)測出現(xiàn)位置區(qū)域范圍進(jìn)行加強(qiáng)增強(qiáng)。

11、進(jìn)一步的，在步驟s2中，利用頻域中的相位相關(guān)性特征來估算圖像幀間的平移位移，實(shí)現(xiàn)像素級(jí)對(duì)齊操作。

12、進(jìn)一步的，通過傅里葉變換計(jì)算兩幅圖像的相位差異，得到平移量相位配準(zhǔn)的公式：

13、???(1)

14、式(1)中，和分別表示兩幀圖像的傅里葉變換；為的共軛復(fù)數(shù)；表示逆傅里葉變換。

15、進(jìn)一步的，在步驟s3中，通過計(jì)算目標(biāo)點(diǎn)及其周圍多個(gè)方向上的差異一致性，以抑制冗余信息并突出目標(biāo)邊緣特征。

16、進(jìn)一步的，步驟s3包括如下步驟：

17、步驟s301，采用預(yù)定義的像素范圍r和8個(gè)方向計(jì)算像素差異值；在每個(gè)方向上，差異計(jì)算公式為：

18、???(2)

19、式(2)中，表示在第r個(gè)范圍內(nèi)，第d個(gè)方向的差異值；表示目標(biāo)點(diǎn)的像素值，坐標(biāo)為p和q；和分別表示不同方向上的像素偏移；k是一個(gè)校正因子，用于調(diào)整差異值；

20、步驟s302，計(jì)算連續(xù)像素范圍r內(nèi)的差異總和，并對(duì)不同方向的差異總和進(jìn)行乘積，得到一致性系數(shù)c的值：

21、???(3)

22、式(3)中，表示在第r個(gè)范圍內(nèi)，第d個(gè)方向的差異值。

23、進(jìn)一步的，在步驟s5中，靜止容忍機(jī)制包括如下步驟：

24、步驟s501，設(shè)目標(biāo)在連續(xù)幀之間的位移為：

25、???(4)

26、式(4)中，表示目標(biāo)在第t幀的坐標(biāo)，表示目標(biāo)在第t-1幀的坐標(biāo)；

27、步驟s502，若目標(biāo)的位移滿足以下條件：

28、???(5)

29、式(5)中，為距離閾值；

30、當(dāng)目標(biāo)在兩幀之間的位移小于時(shí)，目標(biāo)被認(rèn)為是靜止的，此時(shí)，靜止容忍度被更新為：

31、???(6)

32、步驟s503，當(dāng)靜止容忍度超過設(shè)定的最大靜止容忍度時(shí)，目標(biāo)被認(rèn)為是靜止的，但不會(huì)被丟失，而是繼續(xù)保持在目標(biāo)列表中。

33、進(jìn)一步的，在步驟s5中，消失容忍機(jī)制包括：

34、步驟s504，設(shè)目標(biāo)在第t幀的消失容忍度為，其更新規(guī)則如下：

35、若目標(biāo)未被匹配，則；

36、若目標(biāo)被匹配，則；

37、步驟s505，當(dāng)消失容忍度超過設(shè)定的最大消失容忍度時(shí)，目標(biāo)被判丟失；在目標(biāo)未被匹配的幀中，根據(jù)目標(biāo)的歷史位移信息預(yù)測其位置；設(shè)目標(biāo)在第t-1幀的位置為，

38、其位移為，

39、目標(biāo)在第t幀的預(yù)測位置為???(7)。

40、進(jìn)一步的，步驟s7包括：

41、設(shè)目標(biāo)在相鄰兩幀之間的位移符合勻速直線運(yùn)動(dòng)；計(jì)算目標(biāo)在當(dāng)前幀和前一幀之間的位移量，以推測目標(biāo)在下一幀的位置；利用預(yù)測位置的附近區(qū)域會(huì)被加權(quán)處理，權(quán)重系數(shù)依據(jù)目標(biāo)運(yùn)動(dòng)的速度和方向確定，加權(quán)操作公式如下：

42、???(8)

43、式(8)中，是圖像中的像素點(diǎn)坐標(biāo)；是預(yù)測的目標(biāo)位置；是權(quán)重系數(shù)；是距離閾值，表示與預(yù)測位置的距離范圍。

44、本發(fā)明的有益效果是：

45、1.本發(fā)明利用梯度增強(qiáng)的差異一致性檢測算法，有效抑制背景干擾，提升單幀檢測精度。

46、2.本發(fā)明通過引入靜止容忍機(jī)制和消失容忍機(jī)制，使檢測方法具有極強(qiáng)的魯棒性，以應(yīng)對(duì)目標(biāo)運(yùn)動(dòng)不規(guī)律及遮擋問題。

47、3.本發(fā)明通過模塊化框架和動(dòng)態(tài)權(quán)重調(diào)整機(jī)制，實(shí)現(xiàn)高效檢測。