+

CN114463619B - 基于集成融合特征的红外弱小目标检测方法 - Google Patents

基于集成融合特征的红外弱小目标检测方法 Download PDF

Info

Publication number
CN114463619B
CN114463619B CN202210377446.0A CN202210377446A CN114463619B CN 114463619 B CN114463619 B CN 114463619B CN 202210377446 A CN202210377446 A CN 202210377446A CN 114463619 B CN114463619 B CN 114463619B
Authority
CN
China
Prior art keywords
image
dictionary
image block
classifier
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202210377446.0A
Other languages
English (en)
Other versions
CN114463619A (zh
Inventor
陈振国
聂青凤
掲斐然
李国强
翟正军
万锦锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Luoyang Institute of Electro Optical Equipment AVIC
Original Assignee
Northwestern Polytechnical University
Luoyang Institute of Electro Optical Equipment AVIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, Luoyang Institute of Electro Optical Equipment AVIC filed Critical Northwestern Polytechnical University
Priority to CN202210377446.0A priority Critical patent/CN114463619B/zh
Publication of CN114463619A publication Critical patent/CN114463619A/zh
Application granted granted Critical
Publication of CN114463619B publication Critical patent/CN114463619B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于集成融合特征的红外弱小目标检测方法，涉及机器学习领域，其包括获取红外弱小目标的初始图像作为训练集，建立分类器，得到训练好的模型；获取待检测图像并通过高通滤波器对其进行滤波；对滤波后的图像进行恒虚警阈值分割；对分割后的二值图像进行候选目标区域标记，并计算其中心坐标；根据每个候选目标的中心坐标，在待检测图像中取图像块；提取每个待测图像块的特征参数；通过训练好的模型对待测图像块的特征参数进行分类，得到并输出目标的中心坐标，完成目标检测。本发明融合特征的分类能力更强，不仅能够提高分类精度，还可以加快收敛速度从而实现减少分类器参数的目的；面对复杂应用场景由足够的适应性，便于工程应用。

Description

基于集成融合特征的红外弱小目标检测方法
技术领域
本发明涉及机器学习领域，具体一种涉及基于集成融合特征的红外弱小目标检测方法。
背景技术
红外弱小目标检测技术是机载光电系统的核心技术之一，是目标监视侦察和精确打击的基本前提。随着技术发展，光电探测距离要求越来越远。红外目标在远距条件下在成像尺寸较小，甚至人眼都难以分辨，并受空、地、海各种复杂场景中杂波的干扰，使得弱小目标难以被准确检测。
目前红外弱小目标检测技术从技术路线上可以分为基于多帧和基于单帧图像的方法。基于多帧图像的方法利用输入视频序列图像的时域和空域特征实现对目标的运动特性的提取，达到高精度检测的目的；该类方法需要利用数帧图像整体处理才能得到较高的检测精度，然而在实际应用中光电系统搜索扫描会导致视频前后帧场景变化剧烈，难以利用帧间关联信息，导致检测效果较差。基于单帧图像的方法中：显著性目标检测方法面对开放环境时，难以适应各种复杂的应用场景：一套参数往往只能适应个别场景，当切换到其他应用背景时，就需要调参来适应；而目前基于机器学习的单帧图像检测方法大都需要复杂的特征提取或检测模型，难以在工程应用中实时实现。
发明内容
针对现有技术中的上述不足，本发明提供的基于集成融合特征的红外弱小目标检测方法解决了现有方法面对复杂应用场景适应性不足或计算复杂度高难以工程应用的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于集成融合特征的红外弱小目标检测方法，其包括以下步骤：
S1、获取红外弱小目标的初始图像作为训练集，构建字典滤波器对训练集进行多尺度中心字典特征提取；
S2、基于多尺度中心字典特征建立分类器，得到训练好的模型；
S3、获取待检测图像并通过高通滤波器对其进行滤波，得到滤波后的图像；
S4、对滤波后的图像进行恒虚警阈值分割，得到分割后的二值图像；
S5、对分割后的二值图像进行候选目标区域标记，并计算得到候选目标区域的中心坐标；
S6、根据每个候选目标的中心坐标，在待检测图像中取图像块；
S7、提取每个待测图像块的特征参数；
S8、通过训练好的模型对待测图像块的特征参数进行分类，得到并输出目标的中心坐标，完成目标检测。
进一步地，步骤S1的具体方法为：
S1-1、获取红外弱小目标的初始图像作为训练集，并对训练集中的图像进行候选目标区域标记，计算得到候选目标区域的中心坐标；
S1-2、根据候选目标的中心坐标，提取大小为19×19的图像块；
S1-3、构建字典滤波器，并对图像块进行卷积得到图像块的特征图，并将所有的特征图拉伸为向量，合并形成特征列向量，即完成多尺度中心字典特征提取。
进一步地，步骤S1-3中构建字典滤波器的具体过程为：
S1-3-1、对每一个19×19大小的图像块，以像素坐标（10,10）为中心取不同尺寸的9个分图像块；
其中9个分图像块的尺寸分别为3×3，5×5，7×7，9×9，11×11，13×13，15×15，17×17，19×19；
S1-3-2、对尺寸为3×3的分图像块进行聚类，得到3个字典滤波器；
S1-3-3、对尺寸为5×5的分图像块进行聚类，得到3个字典滤波器；
S1-3-4、对尺寸为7×7的分图像块进行聚类，得到3个字典滤波器；
S1-3-5、对尺寸9×9，11×11，13×13，15×15，17×17，19×19的分图像块进行聚类，分别得到1个字典滤波器；共计得到15个字典滤波器。
进一步地，步骤S2中的具体过程为：
S2-1、将训练集中所有图像块的多尺度中心字典特征表示为
Figure DEST_PATH_IMAGE001
；
其中
Figure 851821DEST_PATH_IMAGE002
为第i个图像块的特征列向量；
Figure DEST_PATH_IMAGE003
为第i个图像块的标签，+1表示正样本，-1表示负样本；m为训练集中图像块的总数；
S2-2、根据计算式
Figure 271955DEST_PATH_IMAGE004
初始化第i个图像块的权重；
S2-3、对权重进行归一化；
S2-4、通过归一化后的权重计算得到第i个图像块的特征行向量，基于第i个图像块的特征列向量和特征行向量，计算得到特征参数；
S2-5、构建弱分类器，并根据弱分类器计算得到特征参数的分值；
S2-6、基于负样本数量和正样本数量比和特征符号函数构建分类器；
S2-7、根据分值更新图像块的权重；
S2-8、基于更新后图像块的权重，重复步骤S2-3到步骤S2-7，进行T次迭代，得到集成弱分类器的强分类器，即得到训练好的模型。
进一步地，步骤S2-4中的具体过程为：
S2-4-1、根据公式：
Figure DEST_PATH_IMAGE005
得到第i个图像块的第t轮迭代的特征行向量
Figure 525607DEST_PATH_IMAGE006
；其中
Figure DEST_PATH_IMAGE007
为求最小值函数，
Figure 239354DEST_PATH_IMAGE008
为归一化后的权重，
Figure DEST_PATH_IMAGE009
为截距，
Figure 357833DEST_PATH_IMAGE010
为用于控制范数约束的超参数，
Figure DEST_PATH_IMAGE011
为中间式，
Figure 538147DEST_PATH_IMAGE012
为用于调节两种不同范数约束比重的超参，
Figure DEST_PATH_IMAGE013
为二范数，
Figure 682689DEST_PATH_IMAGE014
为零范数；
S2-4-2、根据公式：
Figure DEST_PATH_IMAGE015
得到第i个图像块的特征参数
Figure 75494DEST_PATH_IMAGE016
。
进一步地，步骤S2-5中的具体过程为：
S2-5-1、根据公式：
Figure DEST_PATH_IMAGE017
得到第t轮迭代的特征行向量的弱分类器
Figure 726442DEST_PATH_IMAGE018
；其中
Figure DEST_PATH_IMAGE019
和
Figure 343237DEST_PATH_IMAGE020
为待求参数，
Figure DEST_PATH_IMAGE021
为符号函数；
S2-5-2、根据公式：
Figure 178338DEST_PATH_IMAGE022
得到第i个图像块的分值
Figure DEST_PATH_IMAGE023
；其中
Figure 840745DEST_PATH_IMAGE024
为第u个弱分类器。
进一步地，步骤S2-7中更新权重的具体过程为：
根据公式：
Figure DEST_PATH_IMAGE025
得到更新后的权重
Figure 874429DEST_PATH_IMAGE026
；其中e为常数。
进一步地，步骤S2-8中得到集成弱分类器的强分类器的具体过程为：
根据公式：
Figure DEST_PATH_IMAGE027
得到强分类器
Figure 662125DEST_PATH_IMAGE028
；其中x为待检测图像的特征列向量，由各个图像块的特征列向量组成，
Figure DEST_PATH_IMAGE029
为中间参数，T为迭代更新次数，r为负样本数量和正样本数量比，ln为以自然常数e为底的对数函数。
进一步地，步骤S4的具体方法为：
S2-1、设置虚警参数，并计算滤波后的图像的均值和方差；
S2-2、基于虚警参数、均值和方差，根据公式：
Figure 846506DEST_PATH_IMAGE030
得到分割阈值K；其中
Figure DEST_PATH_IMAGE031
为滤波后的图像的均值，
Figure 643430DEST_PATH_IMAGE032
为滤波后的图像的方差，
Figure DEST_PATH_IMAGE033
为正态分布函数，
Figure 591008DEST_PATH_IMAGE034
为虚警参数；
S2-3、将过滤后的图像中的像素值大于分割阈值的设置为1，小于分割阈值的设置为0，即得到分割后的二值图像。
进一步地，步骤S5中对分割后的二值图像进行目标区域标记的具体方法为：对分割后的二值图像中像素为1的区域进行搜索，并将像素为1的区域中构成连通域的区域标记为候选目标区域；其中候选目标区域的像素之和大于等于3。
本发明的有益效果为：本发明设计多尺度中心字典特征，覆盖各种尺寸的目标，并针对性的设计中心字典，提高对目标特征的描述能力；在分类器训练时，引入特征行向量
Figure 690551DEST_PATH_IMAGE035
对特征进行线性融合，并且通过集成学习的方式将融合特征形成简单分类器。融合特征的分类能力更强，不仅能够提高分类精度，还可以加快收敛速度从而实现减少分类器参数的目的。面对复杂应用场景由足够的适应性，便于工程应用。
附图说明
图1为本发明的流程图；
图2为分图像块示意图；
图3为初始图像；
图4为二值图像。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于集成融合特征的红外弱小目标检测方法，包括以下步骤：
S1、获取红外弱小目标的初始图像作为训练集，构建字典滤波器对训练集进行多尺度中心字典特征提取；
S2、基于多尺度中心字典特征建立分类器，得到训练好的模型；
S3、获取待检测图像并通过高通滤波器对其进行滤波，得到滤波后的图像；
S4、对滤波后的图像进行恒虚警阈值分割，得到分割后的二值图像；
S5、对分割后的二值图像进行候选目标区域标记，并计算得到候选目标区域的中心坐标；
S6、根据每个候选目标的中心坐标，在待检测图像中取图像块；
S7、提取每个待测图像块的特征参数；
S8、通过训练好的模型对待测图像块的特征参数进行分类，得到并输出目标的中心坐标，完成目标检测。
步骤S1的具体方法为：
S1-1、获取红外弱小目标的初始图像作为训练集，并对训练集中的图像进行候选目标区域标记，计算得到候选目标区域的中心坐标；
S1-2、根据候选目标的中心坐标，提取大小为19×19的图像块；
S1-3、构建字典滤波器，并对图像块进行卷积得到图像块的特征图，并将所有的特征图拉伸为向量，合并形成特征列向量，即完成多尺度中心字典特征提取。
步骤S1-3中构建字典滤波器的具体过程为：
S1-3-1、对每一个19×19大小的图像块，以像素坐标（10,10）为中心取不同尺寸的9个分图像块；
其中9个分图像块的尺寸分别为3×3，5×5，7×7，9×9，11×11，13×13，15×15，17×17，19×19；
S1-3-2、对尺寸为3×3的分图像块进行聚类，得到3个字典滤波器；
S1-3-3、对尺寸为5×5的分图像块进行聚类，得到3个字典滤波器；
S1-3-4、对尺寸为7×7的分图像块进行聚类，得到3个字典滤波器；
S1-3-5、对尺寸9×9，11×11，13×13，15×15，17×17，19×19的分图像块进行聚类，分别得到1个字典滤波器；共计得到15个字典滤波器。
步骤S2中的具体过程为：
S2-1、将训练集中所有图像块的多尺度中心字典特征表示为
Figure 765823DEST_PATH_IMAGE001
；
其中
Figure 507383DEST_PATH_IMAGE002
为第i个图像块的特征列向量；
Figure 718921DEST_PATH_IMAGE003
为第i个图像块的标签，+1表示正样本，-1表示负样本；m为训练集中图像块的总数；
S2-2、根据计算式
Figure 257875DEST_PATH_IMAGE004
初始化第i个图像块的权重；
S2-3、对权重进行归一化；
S2-4、通过归一化后的权重计算得到第i个图像块的特征行向量，基于第i个图像块的特征列向量和特征行向量，计算得到特征参数；
S2-5、构建弱分类器，并根据弱分类器计算得到特征参数的分值；
S2-6、基于负样本数量和正样本数量比和特征符号函数构建分类器；
S2-7、根据分值更新图像块的权重；
S2-8、基于更新后图像块的权重，重复步骤S2-3到步骤S2-7，进行T次迭代，得到集成弱分类器的强分类器，即得到训练好的模型。
步骤S2-4中的具体过程为：
S2-4-1、根据公式：
Figure 554864DEST_PATH_IMAGE005
得到第i个图像块的第t轮迭代的特征行向量
Figure 365694DEST_PATH_IMAGE006
；其中
Figure 228476DEST_PATH_IMAGE007
为求最小值函数，
Figure 221488DEST_PATH_IMAGE008
为归一化后的权重，
Figure 740194DEST_PATH_IMAGE009
为截距，
Figure 89136DEST_PATH_IMAGE010
为用于控制范数约束的超参数，
Figure 540846DEST_PATH_IMAGE011
为中间式，
Figure 418672DEST_PATH_IMAGE012
为用于调节两种不同范数约束比重的超参，
Figure 427604DEST_PATH_IMAGE013
为二范数，
Figure 314657DEST_PATH_IMAGE014
为零范数；
S2-4-2、根据公式：
Figure 355295DEST_PATH_IMAGE015
得到第i个图像块的特征参数
Figure 669601DEST_PATH_IMAGE016
。
进一步地，步骤S2-5中的具体过程为：
S2-5-1、根据公式：
Figure 425549DEST_PATH_IMAGE017
得到第t轮迭代的特征行向量的弱分类器
Figure 585135DEST_PATH_IMAGE018
；其中
Figure 480279DEST_PATH_IMAGE019
和
Figure 965487DEST_PATH_IMAGE020
为待求参数，
Figure 946081DEST_PATH_IMAGE021
为符号函数；
S2-5-2、根据公式：
Figure 443446DEST_PATH_IMAGE022
得到第i个图像块的分值
Figure 724255DEST_PATH_IMAGE023
；其中
Figure 645943DEST_PATH_IMAGE024
为第u个弱分类器。
步骤S2-7中更新权重的具体过程为：
根据公式：
Figure 176150DEST_PATH_IMAGE025
得到更新后的权重
Figure 471347DEST_PATH_IMAGE026
；其中e为常数。
步骤S2-8中得到集成弱分类器的强分类器的具体过程为：
根据公式：
Figure 341083DEST_PATH_IMAGE027
得到强分类器
Figure 168093DEST_PATH_IMAGE028
；其中x为待检测图像的特征列向量，由各个图像块的特征列向量组成，
Figure 123280DEST_PATH_IMAGE029
为中间参数，T为迭代更新次数，r为负样本数量和正样本数量比，ln为以自然常数e为底的对数函数。
步骤S4的具体方法为：
S2-1、设置虚警参数，并计算滤波后的图像的均值和方差；
S2-2、基于虚警参数、均值和方差，根据公式：
Figure 696868DEST_PATH_IMAGE030
得到分割阈值K；其中
Figure 686690DEST_PATH_IMAGE031
为滤波后的图像的均值，
Figure 684602DEST_PATH_IMAGE032
为滤波后的图像的方差，
Figure 861505DEST_PATH_IMAGE033
为正态分布函数，
Figure 232925DEST_PATH_IMAGE034
为虚警参数；
S2-3、将过滤后的图像中的像素值大于分割阈值的设置为1，小于分割阈值的设置为0，即得到分割后的二值图像。
步骤S5中对分割后的二值图像进行目标区域标记的具体方法为：对分割后的二值图像中像素为1的区域进行搜索，并将像素为1的区域中构成连通域的区域标记为候选目标区域；其中候选目标区域的像素之和大于等于3。
如图2所示，对应步骤S1-3的分图像块；
如图3所示，对应步骤S1的初始图像；
如图4所示，对应步骤S4的二值图像。
在本发明的一个实施例中，对于划分成9个分图像块的多尺度中心字典特征为
Figure 77253DEST_PATH_IMAGE036
，其对应的特征行向量的维度为2335。
对于
Figure 246066DEST_PATH_IMAGE037
分类器参数
Figure 644687DEST_PATH_IMAGE038
的求解，将其转化为一般的求解问题，则其迭代求解过程如下：
1）设定
Figure 557148DEST_PATH_IMAGE039
，使
Figure 258912DEST_PATH_IMAGE040
中零范数约束的比重略高于二范数约束，使得求解得到的
Figure 598626DEST_PATH_IMAGE041
中非零元素更多，有利于降低计算复杂度；
2）设定
Figure 750122DEST_PATH_IMAGE042
，其中
Figure 200695DEST_PATH_IMAGE043
表示第i个图像块的特征列向量的第j个分量，
Figure 102440DEST_PATH_IMAGE044
取最大值和最小值的平均，使得每次求解出的
Figure 347477DEST_PATH_IMAGE041
即便不是最优的，也不会很差，不会降低性能；
3）通过梯度下降法求解，得到
Figure 986268DEST_PATH_IMAGE041
的迭代如下：
Figure 974953DEST_PATH_IMAGE045
Figure 648380DEST_PATH_IMAGE046
Figure 332826DEST_PATH_IMAGE047
Figure 458914DEST_PATH_IMAGE048
其中
Figure 516869DEST_PATH_IMAGE049
为其第j个分量，
Figure 779223DEST_PATH_IMAGE050
为其第k个分量，
Figure 897221DEST_PATH_IMAGE051
为其第j个分量，
Figure 507675DEST_PATH_IMAGE052
为其第k个分量；
4）当梯度下降的总误差收敛，即可得到
Figure 634900DEST_PATH_IMAGE053
。
对于
Figure 17340DEST_PATH_IMAGE037
分类器符号参数
Figure 40659DEST_PATH_IMAGE054
和
Figure 878690DEST_PATH_IMAGE055
的求解，其表达式如下：
Figure 278447DEST_PATH_IMAGE056
Figure 780973DEST_PATH_IMAGE057
对于
Figure 240773DEST_PATH_IMAGE037
分类器迭代更新次数T的确定：
第R轮的分类误差
Figure 622557DEST_PATH_IMAGE058
，其中
Figure 826005DEST_PATH_IMAGE059
，如果
Figure 651879DEST_PATH_IMAGE060
在20轮内都没有变化，说明模型已经收敛，即可停止训练，设定T=R，当前截止的迭代轮数值。在实际应用中可以先设定为较大的数值，根据收敛情况适当停止训练。
本发明在两万多张对空红外图像提取到的16492个候选目标数据集（其中目标4039个，非目标12453个）上测试，分类正确率达到97.6%。在本发明中，字典集中每种尺度滤波器的数量设定略有不同，这是根据应用场景中目标大小来确定的，如果目标尺寸较大，应将大尺寸滤波器数量进行提升，并减少小尺寸滤波器数量。
本发明设计多尺度中心字典特征，覆盖各种尺寸的目标，并针对性的设计中心字典，提高对目标特征的描述能力；在分类器训练时，引入特征行向量
Figure 10000258598493
对特征进行线性融合，并且通过集成学习的方式将融合特征形成简单分类器。融合特征的分类能力更强，不仅能够提高分类精度，还可以加快收敛速度从而实现减少分类器参数的目的。

Claims (8)

1.一种基于集成融合特征的红外弱小目标检测方法，其特征在于，包括以下步骤：
S1、获取红外弱小目标的初始图像作为训练集，构建字典滤波器对训练集进行多尺度中心字典特征提取；
S2、基于多尺度中心字典特征建立分类器，得到训练好的模型；
S3、获取待检测图像并通过高通滤波器对其进行滤波，得到滤波后的图像；
S4、对滤波后的图像进行恒虚警阈值分割，得到分割后的二值图像；
S5、对分割后的二值图像进行候选目标区域标记，并计算得到候选目标区域的中心坐标；
S6、根据每个候选目标的中心坐标，在待检测图像中取图像块；
S7、提取每个待测图像块的特征参数；
S8、通过训练好的模型对待测图像块的特征参数进行分类，得到并输出目标的中心坐标，完成目标检测；
步骤S1的具体方法为：
S1-1、获取红外弱小目标的初始图像作为训练集，并对训练集中的图像进行候选目标区域标记，计算得到候选目标区域的中心坐标；
S1-2、根据候选目标的中心坐标，提取大小为19×19的图像块；
S1-3、构建字典滤波器，并对图像块进行卷积得到图像块的特征图，并将所有的特征图拉伸为向量，合并形成特征列向量，即完成多尺度中心字典特征提取；
步骤S1-3中构建字典滤波器的具体过程为：
S1-3-1、对每一个19×19大小的图像块，以像素坐标（10,10）为中心取不同尺寸的9个分图像块；
其中9个分图像块的尺寸分别为3×3，5×5，7×7，9×9，11×11，13×13，15×15，17×17，19×19；
S1-3-2、对尺寸为3×3的分图像块进行聚类，得到3个字典滤波器；
S1-3-3、对尺寸为5×5的分图像块进行聚类，得到3个字典滤波器；
S1-3-4、对尺寸为7×7的分图像块进行聚类，得到3个字典滤波器；
S1-3-5、对尺寸9×9，11×11，13×13，15×15，17×17，19×19的分图像块进行聚类，分别得到1个字典滤波器；共计得到15个字典滤波器。
2.根据权利要求1所述的基于集成融合特征的红外弱小目标检测方法，其特征在于，步骤S2中的具体过程为：
S2-1、将训练集中所有图像块的多尺度中心字典特征表示为
Figure 586887DEST_PATH_IMAGE001
；
其中
Figure 208361DEST_PATH_IMAGE002
为第i个图像块的特征列向量；
Figure 514577DEST_PATH_IMAGE003
为第i个图像块的标签，+1表示正样本，-1表示负样本；m为训练集中图像块的总数；
S2-2、根据计算式
Figure 563305DEST_PATH_IMAGE004
初始化第i个图像块的权重；
S2-3、对权重进行归一化；
S2-4、通过归一化后的权重计算得到第i个图像块的特征行向量，基于第i个图像块的特征列向量和特征行向量，计算得到特征参数；
S2-5、构建弱分类器，并根据弱分类器计算得到特征参数的分值；
S2-6、基于负样本数量和正样本数量比和特征符号函数构建分类器；
S2-7、根据分值更新图像块的权重；
S2-8、基于更新后图像块的权重，重复步骤S2-3到步骤S2-7，进行T次迭代，得到集成弱分类器的强分类器，即得到训练好的模型。
3.根据权利要求2所述的基于集成融合特征的红外弱小目标检测方法，其特征在于，步骤S2-4中的具体过程为：
S2-4-1、根据公式：
Figure 322182DEST_PATH_IMAGE005
得到第i个图像块的第t轮迭代的特征行向量
Figure 502276DEST_PATH_IMAGE006
；其中
Figure 662999DEST_PATH_IMAGE007
为求最小值函数，
Figure 148207DEST_PATH_IMAGE008
为归一化后的权重，
Figure 659960DEST_PATH_IMAGE009
为截距，
Figure 360587DEST_PATH_IMAGE010
为用于控制范数约束的超参数，
Figure 375816DEST_PATH_IMAGE011
为中间式，
Figure 31926DEST_PATH_IMAGE012
为用于调节两种不同范数约束比重的超参，
Figure 765395DEST_PATH_IMAGE013
为二范数，
Figure 797942DEST_PATH_IMAGE014
为零范数；
S2-4-2、根据公式：
Figure 461486DEST_PATH_IMAGE015
得到第i个图像块的特征参数
Figure 288497DEST_PATH_IMAGE016
。
4.根据权利要求3所述的基于集成融合特征的红外弱小目标检测方法，其特征在于，步骤S2-5中的具体过程为：
S2-5-1、根据公式：
Figure 243683DEST_PATH_IMAGE017
得到第t轮迭代的特征行向量的弱分类器
Figure 548763DEST_PATH_IMAGE018
；其中
Figure 275935DEST_PATH_IMAGE019
和
Figure 273847DEST_PATH_IMAGE020
为待求参数，
Figure 450750DEST_PATH_IMAGE021
为符号函数；
S2-5-2、根据公式：
Figure 825099DEST_PATH_IMAGE022
得到第i个图像块的分值
Figure 403848DEST_PATH_IMAGE023
；其中
Figure 835311DEST_PATH_IMAGE024
为第u个弱分类器。
5.根据权利要求4所述的基于集成融合特征的红外弱小目标检测方法，其特征在于，步骤S2-7中更新权重的具体过程为：
根据公式：
Figure 765090DEST_PATH_IMAGE025
得到更新后的权重
Figure 411972DEST_PATH_IMAGE026
；其中e为常数。
6.根据权利要求5所述的基于集成融合特征的红外弱小目标检测方法，其特征在于，步骤S2-8中得到集成弱分类器的强分类器的具体过程为：
根据公式：
Figure 110806DEST_PATH_IMAGE027
得到强分类器
Figure 719030DEST_PATH_IMAGE028
；其中x为待检测图像的特征列向量，由各个图像块的特征列向量组成，
Figure 604946DEST_PATH_IMAGE029
为中间参数，T为迭代更新次数，r为负样本数量和正样本数量比，ln为以自然常数e为底的对数函数。
7.根据权利要求1所述的基于集成融合特征的红外弱小目标检测方法，其特征在于，步骤S4的具体方法为：
S2-1、设置虚警参数，并计算滤波后的图像的均值和方差；
S2-2、基于虚警参数、均值和方差，根据公式：
Figure 321098DEST_PATH_IMAGE030
得到分割阈值K；其中
Figure 874439DEST_PATH_IMAGE031
为滤波后的图像的均值，
Figure 916214DEST_PATH_IMAGE032
为滤波后的图像的方差，
Figure 614393DEST_PATH_IMAGE033
为正态分布函数，
Figure 868656DEST_PATH_IMAGE034
为虚警参数；
S2-3、将过滤后的图像中的像素值大于分割阈值的设置为1，小于分割阈值的设置为0，即得到分割后的二值图像。
8.根据权利要求1所述的基于集成融合特征的红外弱小目标检测方法，其特征在于，步骤S5中对分割后的二值图像进行候选目标区域标记的具体方法为：对分割后的二值图像中像素为1的区域进行搜索，并将像素为1的区域中构成连通域的区域标记为候选目标区域；其中候选目标区域的像素之和大于等于3。
CN202210377446.0A 2022-04-12 2022-04-12 基于集成融合特征的红外弱小目标检测方法 Expired - Fee Related CN114463619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210377446.0A CN114463619B (zh) 2022-04-12 2022-04-12 基于集成融合特征的红外弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210377446.0A CN114463619B (zh) 2022-04-12 2022-04-12 基于集成融合特征的红外弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN114463619A CN114463619A (zh) 2022-05-10
CN114463619B true CN114463619B (zh) 2022-07-08

Family

ID=81417687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210377446.0A Expired - Fee Related CN114463619B (zh) 2022-04-12 2022-04-12 基于集成融合特征的红外弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN114463619B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228819B (zh) * 2023-04-27 2023-08-08 中国科学院空天信息创新研究院 红外运动目标检测方法及装置
CN117011196B (zh) * 2023-08-10 2024-04-19 哈尔滨工业大学 一种基于组合滤波优化的红外小目标检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004133629A (ja) * 2002-10-09 2004-04-30 Ricoh Co Ltd 特定マーク検出用辞書作成装置、特定マーク検出装置、特定マーク認識装置並びにプログラムおよび記録媒体
CN104899567A (zh) * 2015-06-05 2015-09-09 重庆大学 基于稀疏表示的小弱运动目标跟踪方法
CN105513076A (zh) * 2015-12-10 2016-04-20 南京理工大学 基于目标坐标分布特性的弱小目标恒虚警检测方法
CN107274410A (zh) * 2017-07-02 2017-10-20 中国航空工业集团公司雷华电子技术研究所 自适应的人造目标恒虚警率检测方法
CN109102003A (zh) * 2018-07-18 2018-12-28 华中科技大学 一种基于红外物理特征融合的小目标检测方法和系统
CN111539428A (zh) * 2020-05-06 2020-08-14 中国科学院自动化研究所 基于多尺度特征整合和注意力机制的旋转目标检测方法
CN112749714A (zh) * 2019-10-29 2021-05-04 中国科学院长春光学精密机械与物理研究所 一种单帧红外图像中多形态暗弱小目标检测方法
CN113935984A (zh) * 2021-11-01 2022-01-14 中国电子科技集团公司第三十八研究所 多特征融合的复杂背景中红外弱小目标检测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842047A (zh) * 2012-09-10 2012-12-26 重庆大学 基于多尺度稀疏字典的红外小弱目标检测方法
CN106709512B (zh) * 2016-12-09 2020-03-17 河海大学 基于局部稀疏表示和对比度的红外目标检测方法
CN107590498B (zh) * 2017-09-27 2020-09-01 哈尔滨工业大学 一种基于字符分割级联二分类器的自适应汽车仪表检测方法
CN108304873B (zh) * 2018-01-30 2020-09-11 深圳市国脉畅行科技股份有限公司 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
CN109902715B (zh) * 2019-01-18 2022-09-06 南京理工大学 一种基于上下文聚合网络的红外弱小目标检测方法
CN112001257A (zh) * 2020-07-27 2020-11-27 南京信息职业技术学院 基于稀疏表示和级联字典的sar图像目标识别方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004133629A (ja) * 2002-10-09 2004-04-30 Ricoh Co Ltd 特定マーク検出用辞書作成装置、特定マーク検出装置、特定マーク認識装置並びにプログラムおよび記録媒体
CN104899567A (zh) * 2015-06-05 2015-09-09 重庆大学 基于稀疏表示的小弱运动目标跟踪方法
CN105513076A (zh) * 2015-12-10 2016-04-20 南京理工大学 基于目标坐标分布特性的弱小目标恒虚警检测方法
CN107274410A (zh) * 2017-07-02 2017-10-20 中国航空工业集团公司雷华电子技术研究所 自适应的人造目标恒虚警率检测方法
CN109102003A (zh) * 2018-07-18 2018-12-28 华中科技大学 一种基于红外物理特征融合的小目标检测方法和系统
CN112749714A (zh) * 2019-10-29 2021-05-04 中国科学院长春光学精密机械与物理研究所 一种单帧红外图像中多形态暗弱小目标检测方法
CN111539428A (zh) * 2020-05-06 2020-08-14 中国科学院自动化研究所 基于多尺度特征整合和注意力机制的旋转目标检测方法
CN113935984A (zh) * 2021-11-01 2022-01-14 中国电子科技集团公司第三十八研究所 多特征融合的复杂背景中红外弱小目标检测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Multi-scale dictionary learning using wavelets;Boaz Ophir 等;《IEEE Journal of selected topics in signal processing》;20111231;第1-27页 *
Research on Feature Analysis and Detection of Infrared Small Target under Complex Ground Background;Xueqi Li 等;《2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC 2019)》;20191231;第641-646页 *
The Research on Classification of Small Sample Data Set Image Based on Convolutional Neural Network;Gen Li 等;《2021 33rd Chinese Control and Decision Conference (CCDC)》;20211130;第2317-2324页 *
基于 YOLO-IDSTD 算法的红外弱小目标检测;蒋昕昊 等;《红外与激光工程》;20220331;第51卷(第3期);第1-10页 *
基于多尺度自适应稀疏字典的小弱目标检测方法;王会改 等;《红外与激光工程》;20140731;第43卷(第7期);摘要，第0-4节 *

Also Published As

Publication number Publication date
CN114463619A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN106683119B (zh) 基于航拍视频图像的运动车辆检测方法
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN111882586B (zh) 一种面向剧场环境的多演员目标跟踪方法
CN113592911B (zh) 表观增强深度目标跟踪方法
CN107169985A (zh) 一种基于对称帧间差分和背景更新的运动目标检测方法
US11361534B2 (en) Method for glass detection in real scenes
CN108596101A (zh) 一种基于卷积神经网络的遥感图像多目标检测方法
CN106548169B (zh) 基于深度神经网络的模糊文字增强方法及装置
CN107169994B (zh) 基于多特征融合的相关滤波跟踪方法
CN112434599B (zh) 一种基于噪声通道的随机遮挡恢复的行人重识别方法
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN103971386A (zh) 一种动态背景场景下的前景检测方法
CN111260687B (zh) 一种基于语义感知网络和相关滤波的航拍视频目标跟踪方法
CN112150493A (zh) 一种基于语义指导的自然场景下屏幕区域检测方法
CN114463619B (zh) 基于集成融合特征的红外弱小目标检测方法
CN111242026B (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN117372898A (zh) 一种基于改进yolov8的无人机航拍图像目标检测方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN105184229A (zh) 一种动态场景下基于在线学习的实时行人检测方法
CN111582092A (zh) 一种基于人体骨架的行人异常行为检测方法
CN116912670A (zh) 基于改进yolo模型的深海鱼类识别方法
CN116844234A (zh) 一种基于视觉脑网络背景建模的运动目标检测方法
Feng Mask RCNN-based single shot multibox detector for gesture recognition in physical education
CN110910497B (zh) 实现增强现实地图的方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220708

CF01 Termination of patent right due to non-payment of annual fee
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载