matlab实现大气湍流退化模型算法,大气湍流下退化序列图像的目标检测方法

引言

目标检测是计算机视觉的重要应用之一, 是后续目标识别、跟踪、目标分类以及行为分析的前提。远距离成像时通常会受到复杂变化的大气湍流影响, 使得成像结果中存在不规则抖动、偏移和模糊等退化现象[。因此, 如何从湍流退化视频中提取出全部真实的运动目标, 同时尽可能降低湍流和噪声干扰导致的误检情况, 实现高精度、低误检率的目标检测技术研究具有重要的意义。

传统目标检测算法的基础可分为前景检测、帧间差分和背景减除3类。前景检测是通过对场景中运动矢量的分析得到运动的前景物体, 再辅以图像分析来获得运动目标。此类方法无需背景先验知识, 常用的有光流法[、连续张量法[。其中, 光流法计算复杂且对光照变化敏感, 连续张量法提取快速运动的目标结果往往比实际大, 难以满足实际应用的要求。帧间差分法[采用相邻帧的对应像素相减来揭示连续帧的变化, 方法简单快速, 但由于帧差法不能有效记录背景的历史信息, 使得检测结果往往过于粗糙。背景减除法[通过一定规则建立背景模型, 采用帧间相减和更新背景的方法获得检测结果, 其最具有代表性的是混合高斯模型法(Gaussians mixture model, GMM)[。该模型利用多个高斯模型描述像素点状态, 能够较好地适应场景变化。为改善场景变化(水面波动、树叶摇摆等)对检测效果的影响, 不少学者深入研究了GMM方法并提出了相应的改进方法

近年来, 数据的低秩稀疏建模成为研究热点, 目前已被成功应用于语音增强[、立体重建[以及图像/视频恢复[通过寻找湍流图像中的低秩结构, 提出了一种低秩稀疏三分解的小目标检测法:首先计算图像中小区域内像素(如16×16)的运动轨迹, 再根据湍流和目标的运动分布不同, 设置目标置信度量, 引入低秩分解和稀疏建模思想, 将数据分为背景、湍流和小目标3部分。该方法对小目标检测精度非常高, 但用于非小目标检测时, 结果往往存在大量空洞, 且基于光流的粒子轨迹计算复杂、耗时久。本文以湍流条件下的红外视频为研究对象, 结合低秩分解和高斯建模思想及前景和背景检测, 提出了一种适应物体运动状态变化的目标检测算法, 提高了湍流退化条件下物体检测的精度, 在光照变化和模糊条件下仍能获得较好的检测结果。

1 基于低秩稀疏分解的湍流图像分解

低秩稀疏分解模型(Low-rank and sparse decomposition, LRSD)考虑的是如何从较大但分布稀疏的误差中恢复出数据的低秩结构的问题, 其基本思想是将一个矩阵分解为一个低秩结构的低秩矩阵部分和一个随机分布的误差稀疏矩阵部分[。低秩分解模型符合现实中很多物理模型和现象, 相关理论也证明了模型求解的有效性。

对于湍流序列图像{I1, I2, …, In}, 图像分辨率为w×h, 将每帧图像排列为一个(w×h)×1列向量, 记为vec(Ii), i=1, …, N, 则整个序列组成的矩阵可表示为D={vec(I1), …, vec(In)}∈R(w×h)×n。相关研究指出, 大气湍流波动具有单峰性、对称性和局部重复性, 且湍流引起的序列局部像素偏移符合零均值高斯分布的特点

$

\mathop { {\rm{min}}}\limits_{\mathit{\boldsymbol{A}}, \mathit{\boldsymbol{E}}} {\rm{rank}}\left( \mathit{\boldsymbol{A}} \right)\;\;\;\;\;\;\;{\rm{s}}{\rm{.t}}.\;\mathit{\boldsymbol{D}} = \mathit{\boldsymbol{A}} + \mathit{\boldsymbol{E}}, {\left\| \mathit{\boldsymbol{E}} \right\|_{\rm{F}}} \le \sigma

$

(1)

式中:D, A, E分别表示观测的图像序列矩阵、低秩稳像矩阵和受湍流影响的稀疏矩阵。rank(A)表示矩阵A的秩。${\left\| \cdot \right\|_{\rm{F}}}$表示矩阵的F-范数。σ表示整个序列中所有偏移像素的最大总方差, 是对湍流先验知识的反映。式(1)是一个非线性非凸的NP问题, 直接求解十分困难。文献[

$

\mathop { {\rm{min}}}\limits_{\mathit{\boldsymbol{A}}, \mathit{\boldsymbol{E}}} {\rm{ }}{\left\| \mathit{\boldsymbol{A}} \right\|_*} + \gamma {\left\| \mathit{\boldsymbol{E}} \right\|_{\rm{F}}}^2\;\;{\rm{s}}{\rm{.t}}.\;\mathit{\boldsymbol{D}} = \mathit{\boldsymbol{A}} + \mathit{\boldsymbol{E}}

$

(2)

式中: $\left\| \mathit{\boldsymbol{A}} \right\|$表示矩阵A的核范数。γ是平衡A和E两个分量大小的正则参数。γ的值越大, E的稀疏性越小, 同时低秩A中湍流分量越明显。实际中需根据湍流不同