top-hat变化 Matlab,基于对称差分和Top-Hat融合的红外目标检测方法

0引言目标检测与跟踪作为计算机视觉中经典的研究内容之一,被广泛应用于探测制导、智能监控等场景。目标检测,是通过分析成像传感器获取到的场景视频图像帧,从背景信息中检测、提取、分割出运动目标,得到目标的信源特性。在光电跟踪(detectbefore track,DBT)领域,目标检测是其重要组成部分。现有的基于图像序列的目标检测主要有背景差分法、帧间差分法和光流法等[1]。背景差分法[2]是运用高斯背景建模的方法建立一个背景图像,然后将当前图像帧与建立好的背景模型进行差分运算,从而检测出视频中的运动目标。该算法易于实现,但需要对背景进行建模,同时还需要图像背景的部分先验知识。光流法[3]的优点在于它能够检测出独立运动的对象,不需要预先知道场景的任何信息,并且可用于摄像机运动的情况;但是光流法的计算相当复杂、抗干扰能力差、运算耗时长且无法满足实时性要求。帧间差分法[4]就是利用图像序列中连续的2帧或几帧图像的差来进行目标检测和提取。该算法优点是运算量小、速度快,且对运动物体敏感。但该方法也存在一定的缺陷,一般不能完全检测出所有相关的运动像素点,在运动目标的中间可能会产生“空洞”现象,运动目标速度过于迅速或者缓慢,都会对运动目标的检测造成影响。为解决常用帧间差分法易出现的“空洞”与虚假目标[5]的现象,同时获取目标的准确信息,笔者将传统的帧间差分法进行了改进,并与Top-Hat结合,提出了一种七帧对称差分和Top-Hat融合的新型目标检测方法。1理论基础1.1一般帧间差分法基本原理传统意义上的帧间差分法一般有2种:相邻帧间差分和连续三帧差分。对于相邻帧间差分,设某红外图像序列为:{(,),,,}iF f x y x M y N i N(10)(28)≤≤?。(1)其中,一帧图像大小为M×N,fi(x,y)为图像序列中第i帧图像在(x,y)处的像素值,若定义Di-1,i(x,y)为图像序列中第i帧与第i-1帧的绝对差分图像[6],则1,1(,)|(,)(,)|D x y f x y f x y--(28)-。(2)根据工程实际情况,选取适当的阈值T,即可完成差分图像的分割与二值化。据此,差分图像可以表示为:11,1|(,)(,)|(,)0i ii if x y f x y TD x y--?-(28)??>其他。(3)在Di-1,i(x,y)中,像素值为1的点对应2帧之间发生变化的像素点,通过阈值二值化以后,该点初步被设定为目标,但具体是否为真目标,还需在后续检测步骤进行测试。对于连续三帧差分法[7],取当前图像帧fi的前一帧fi-1和后一帧fi+1分别进行绝对差分运算,得到2帧差分图像Di-1,i(x,y)和Di,i+1(x,y);同样,选取适当的阈值T,将差分图像进行阈值分割,并得到二值化图像。随后,在每一个像素位置,对2个绝对差二值图像Di-1,i(x,y)和Di,i+1(x,y)进行“与”运算:1,,1(,)(,)(,)B x y D x y D x y-(10)(28)?。(4)得到对称差分结果二值图像Bi(x,y),即为第i帧图像中的三帧对称差分结果。1.2七帧对称差分法基本原理由于相邻帧差分和三帧对称差分对背景模型的要求极高,最理想的情况是背景完全不动,但实际无法达到,所以检测出的目标容易出现“空洞”或虚警目标,即帧间背景无法完全消除,在差分图像中会出现残留痕迹,导致二值化后被初步判定为目标。为了在前端初步判定目标区域时,尽可能地减小虚警目标,为后续检测目标提供良好的样本,笔者提出七帧对称差分法。在红外图像序列F中,将第i帧图像fi(i≥4)