[发明专利]一种基于邻域梯度的复杂背景下红外弱小目标检测方法

权利要求书

1.一种基于邻域梯度的复杂背景下红外弱小目标检测方法，其特征在于，包括以下步骤：

步骤1，对当前帧图像f(i,j)进行滑动窗口遍历，生成初始搜索主窗口模板W₁和子窗口模板SW₁；

步骤2，计算子窗口模板SW₁矩阵SH₁(i,j)的最小像素值MIN，获取前景判断窗口像素矩阵WF(i,j)；

步骤3，计算前景判断窗口像素矩阵WF(i,j)的均值WF_Mean和方差WF_Varce，生成前景判断映射表Table(i,j)；

步骤4，根据前景判断映射表Table(i,j)计算前景判断窗口像素矩阵WF(i,j)的各子块的邻域峰值梯度、平均梯度和邻域阶跃梯度，计算邻域峰值梯度特征向量U₁和邻域阶跃梯度特征向量U₂；

步骤5，对邻域峰值梯度特征向量U₁和邻域阶跃梯度特征向量U₂进行SVM分类权值判断得到分类判断权值φ(U₁,U₂)；

步骤6，计算满足φ(U₁,U₂)＝1的前景判断窗口像素矩阵的邻域对比度ConRatio，并与图像全局对比度ConRatioAll进行比较判断，如果满足ConRatio≥ConRatioAll，则当前窗口目标标志位Flag＝1，否则Flag＝0；

步骤7，自适应调整滑动窗口步长为S，计算得到下一轮滑动窗口模板，依次完成步骤2～步骤6，实现当前帧图像全部遍历，得到满足窗口目标标志位Flag＝1的所有窗口，生成第1帧图像的候选目标窗口向量Vec_Target1；

步骤8，对连续N帧图像进行上述步骤1～步骤7，得到候选目标检测向量序列[Vec_Target1,Vec_Target2,…Vec_TargetN]，Vec_TargetN表示第N帧图像的候选目标窗口向量，对候选目标检测向量序列中的候选目标点进行序列运动特性判断和静止特性判断，计算得到当前帧图像的弱小目标检测信息；

步骤1包括：

步骤1-1，对当前帧图像f(i,j)进行滑动窗口遍历，设定主窗口模板尺寸大小为M₁×M₁，在当前帧图像中以主窗口模板中心位置(M₁/2,M₁/2)构建图像搜索主窗口模板W₁；其中M₁为主窗口模板的宽度和高度；

步骤1-2，获取主窗口模板W₁图像矩阵H₁，以矩阵H₁的像素值大小h(iv)和像素位置l(is)构建二维向量V(h(iv),l(is))，以像素值大小为主权值进行从小到大排序，生成排序后向量V'(h(iv),l(is))，其中iv为像素值大小的一维向量序号变量，iv取值范围为0,1,...M₁×M₁-1；is为像素位置的一维向量序号变量，is取值范围为0,1,...M₁×M₁-1；

步骤1-3，设定子窗口模板尺寸为M₂×M₂，其中M₂为前景判断窗口像素矩阵的宽度和高度，以主窗口模板图像的次大值像素位置V'(h(iv-1),l(is-1))为中心，生成子窗口模板SW₁；

步骤2中，通过如下公式计算子窗口模板SW₁矩阵SH₁(i,j)的最小像素值MIN和前景判断窗口像素矩阵WF(i,j)：

MIN＝min(SH₁(i,j))，

WF(i,j)＝SH₁(i,j)-MIN·E，

其中min为矩阵求最小值操作，SH₁(i,j)为子窗口模板SW₁矩阵，i,j分别为水平和垂直坐标，为单位矩阵，矩阵E的宽度和高度均为M₂；

步骤3包括：

步骤3-1，计算前景判断窗口像素矩阵WF(i,j)的均值WF_Mean和方差WF_Varce：

步骤3-2，分别遍历前景判断窗口像素矩阵WF(i,j)每个像素，对当前像素值wf(i,j)进行下式判断得到前景判断映射表Table(i,j)：

步骤4中，计算邻域峰值梯度特征向量U₁的具体方法为：

步骤4-1，设定子块尺寸大小为T×T，前景判断窗口像素矩阵WF(i,j)被分割成k个子块构成{W_c1,W_c2,...W_ck},其中W_ck表示第k个子块矩阵；

步骤4-2，分别计算前景判断窗口像素矩阵WF(i,j)中子块W_ck中的像素次大值SMaxValue_k，通过如下公式计算子块W_ck邻域峰值梯度特征值：

其中，SMaxValue₀为中心子块W_c0的像素次大值，SMaxValue_k表示子块W_ck的像素次大值，Table(i,j)_k为子块W_ck对应的前景判断映射表权值，Z(k)为子块W_ck的邻域峰值梯度特征值；

步骤4-3，计算得到邻域峰值梯度特征向量U₁＝{Z(1),Z(2),....Z(k)}；

步骤4中，计算子块W_ck的平均梯度MGradValue_k的公式为：

其中，MGradValue_k表示子块W_ck的平均梯度，T×T为子块W_ck尺寸大小，表示子块W_ck水平方向上的梯度，表示子块W_ck垂直方向上的梯度；

步骤4中，计算邻域阶跃梯度特征向量U₂的具体方法为：采用如下公式计算子块W_ck邻域阶跃梯度特征值：

其中，MGradValue₀为中心子块W_c0的平均梯度，MGradValue_k为子块W_ck的平均梯度，Y(k)为子块W_ck的邻域阶跃梯度特征值，计算得到邻域阶跃梯度特征向量U₂＝{Y(1),Y(2),...Y(k)}；

步骤5包括：

步骤5-1，随机搜索主窗口模板正、负样本库，选取各X张图像，其中正样本为真实目标矩阵图像，负样本为背景矩阵图像，分别按照步骤4方法计算样本邻域峰值梯度特征向量U₁和邻域阶跃梯度特征向量U₂，生成特征向量U＝(U₁,U₂)；

步骤5-2，采用libSVM进行模型训练，选择RBF核进行正负样本交叉验证计算得到最佳参数(C，γ)，其中C为惩罚系数，γ为RBF函数的幅宽参数；

步骤5-3，根据最佳参数(C，γ)生成分类判断权值φ(U₁,U₂)；

步骤6中，通过如下公式计算前景判断窗口像素矩阵的邻域对比度ConRatio：

其中，M₂为前景判断窗口像素矩阵的宽度和高度，WF(i+1,j)为坐标(i+1,j)处的像素值，WF(i,j+1)为坐标(i,j+1)处的像素值；

通过如下公式计算图像全局对比度ConRatioAll：

其中，W、H分别为当前帧图像的宽和高，f(i,j)为图像中(i,j)坐标处的像素值，f(i+1,j)为图像中坐标(i+1,j)处的像素值，f(i,j+1)为图像中坐标(i,j+1)处的像素值；

步骤7中自适应调整滑动窗口步长具体方法为：

对于当前帧图像第n次遍历搜索主窗口模板W_n的中心位置为(x_n,y_n)，第n次遍历时子窗口模板SW_n的尺寸为M₂×M₂，SW_n中心位置为(sx_n,sy_n)，调整滑窗窗口水平步长X_SW和垂直步长Y_SW，满足下式：

X_SW＝|sx_n-x_n+M₂/2|，

Y_SW＝min(|sy_n-1-y_n-1+M₂/2|，|sy_n-y_n+M₂/2|)，

其中，(sx_n-1,sy_n-1)为第n-1次遍历时子窗口模板SW_n-1的中心位置，(x_n-1,y_n-1)为主窗口模板W_n-1的中心位置；

步骤8中，所述序列运动特性判断的具体步骤为：

步骤8-1，计算第N帧和N+1帧图像的候选目标点之间的中心距离，如果中心距离低于阈值DS，候选目标点质量得分PQ加1，否则PQ保持不变；

步骤8-2，判断第N+2帧候选目标点是否满足序列运动特性；

步骤8-3，根据序列运动特性更新第N+2帧候选目标点中心位置；

步骤8-2中，采用如下公式判断候选目标点是否满足序列运动特性：

F＝(αa_maxmax(Lw₁,Lw₂,Lw₃)Lw_max)

如果参数F＝1，则表示当前候选目标点满足序列运动特性，否则表示当前候选目标点不满足序列运动特性；α为连续三帧图像的目标转变角，a_max为最大转弯角参数，其中Lw₁、Lw₂、Lw₃分别为连续三帧图像的目标点(x_N，y_N)、(x_N+1，y_N+1)、(x_N+2，y_N+2)运动的相对距离，Lw_max为最大波门参数；

如果当前候选目标点满足序列运动特性则候选目标点质量得分PQ加1，否则PQ减1；

步骤8-3中，通过如下公式更新第N+2帧候选目标点中心位置：

x'_N+2＝λx_N+2+(1-λ)(x_N+1+(x_N+1-x_N)*TM)，

y'_N+2＝λy_N+2+(1-λ)(y_N+1+(y_N+1-y_N)*TM)，

其中λ为加权因子参数，TM为相邻两帧图像的时间，(x'_N+2，y'_N+2)为更新后第N+2帧图像的候选目标点中心坐标；输出质量得分大于阈值NS的目标点迹；

步骤8中，所述静止特性判断具体方式为：

如果参数Lws＝1，则表示当前候选目标点满足静止特性，其中(x_LN，y_LN)、(x_LN+M，y_LN+M)分别为第N帧候选目标点中心位置和N+M帧候选目标点中心位置，Lw_min为最小波门参数，其中M为序列帧号变量。