[发明专利]一种复杂背景下小目标快速识别方法

说明书

技术领域

本发明涉及图像信息处理技术领域，具体为一种复杂背景下小目标快速识别方法。 

背景技术

在本发明中，小目标是指出现在待识别图像中显示像素大于10×10像素小于40×40像素的目标。 

传统的基于点特征的算法无法提取从10×10像素到40×40像素之间尺寸的目标足够多的特征点；基于多帧序列和基于信息融合的识别算法，只能识别在背景简单的运动点状目标，并且由于使用多帧序列，导致该算法的实时性很差；基于人工神经网络、支持向量机等一类非线性识别算法，由于识别时计算量大，实时性很差，同时要识别新的目标，必须进行一次新的训练，造成应用价值不高。并且，上述算法都只能应用于红外背景、海面背景、天空背景等简单背景的画面中进行识别，如果应用在可见光复杂背景中，算法计算量将大大的提高，同时识别率将降低，虚警率上升。 

目前，公知的小目标识别算法识别的目标是小于10×10像素的点状目标，这类目标识别方法主要是在背景中检测点目标，但不能对其形状、纹理等特征与已有目标模板进行识别。对于10×10像素到40×40像素的目标识别，由于目标已经没有明显的结构特征，并且很容易受到噪点的影响，现有这类小目标识别方法都不适用。 

发明内容

本发明提供了一种复杂背景下小目标快速识别方法，以解决现有方法无法对复杂背景下大于10×10像素小于40×40像素尺寸的小目标的进行识别问题。 

本发明涉及图像信息处理领域，提供了一种复杂背景下小目标快速识别方法，目的在于能够对在复杂背景的图像中，显示像素大于10×10小于40×40的目标进行高准确率的识别，并将识别结果(目标位置)实时反馈给系统。本发明所述方法包括：本发明首先计算目标模板图像的信息熵矩阵，然后对待识别图像进行小波变换并软阈值去噪，得到一系列的采样点，通过采样点来确定待识别区域，其次对所有的待识别区域计算信息熵矩阵，最后计算所有的待识别区域的信息熵矩阵与目标模板图的信息熵矩阵的欧氏距离，在小于判定阈值中最小的欧氏距离的待识别区域所对应的点的位置，就是目标所在的位置。本发明与已有的相应技术 相比，具有在复杂背景下对小目标高准确识别的能力，对识别速度进行了一定的改善。 

本发明采用的技术方案为：首先计算目标模板图像的信息熵矩阵，然后对待识别图像进行小波变换并软阈值去噪，得到一系列的采样点，通过采样点来确定待识别区域，其次对所有的待识别区域计算信息熵矩阵，最后计算所有的待识别区域的信息熵矩阵与目标模板图的信息熵矩阵的欧氏距离，在小于判定阈值中最小的欧氏距离的待识别区域所对应的点的位置，就是目标模板所在的位置。本发明的技术方案总流程图如图1所示。 

步骤1：用户输入。 

用户由人机接口提供目标模板图像、待识别图像，待识别图像可以是静止图像或视频流中的一帧图像，根据用户输入设定信息熵矩阵的宽度m_w和高度m_h，设定信息熵矩阵欧氏距离判定阈值d，小波去噪窗口大小的宽度S_w和高度S_h。 

步骤2：提取目标模板图像的信息熵矩阵。 

1.1、提取一副图像的信息熵矩阵流程图如图2所示。 

(1)计算单元块的宽、高。 

读取一副输入图像，得到这幅图像宽W像素，高H像素。根据用户输入的信息熵矩阵的阶数m_w×m_h，将该图像分成m_w×m_h个单元块对其进行描述。计算每个单元块的宽度W_t和高H_t，由于像素点为整数，所以必须取整。计算公式如下： 

其中 表示对小数向下取整数，例如： 

(2)将该图像转换成灰度图像，在灰度图像上进行分块，然后计算每个单元块的灰度值。 

不论输入图像是黑白图像或是彩色图像，都将输入图像转换成灰度图像。根据用户输入的信息熵矩阵的阶数m_w×m_h将灰度图像分块成m_w×m_h个，每个单元块大小是宽度为W_t像素高度为H_t像素。分块的作用是体现图像局部的统计特征，使得图像局部统计特性不因个别点的变化而变化。使用这些单元块组成的矩阵对该图像进行一个整体性的描述。