针对弹载平台红外小目标的检测与跟踪算法

发布时间：2021-01-01 13:11

　　为了提高对红外小目标检测与跟踪的精度与速度,设计了一种针对红外小目标的单目标检测与跟踪算法,包含一个基于MB_LBP+AdaBoost与管道滤波器的目标检测模块,和一个有跟踪失败监测机制的基于模板匹配的多尺度跟踪模块。经过测试,该算法对边长11～31像素大小的指定类型的红外小目标取得了较好的检测效果,目标跟踪模块对于目标的尺度变化,快速运动,遮挡有较高的鲁棒性,算法中的跟踪失败监测机制在检测到跟踪异常的情况下能重新调用目标检测算法找回目标,经过测试对比,本方法跟踪的精度和速度综合优于主流跟踪算法,并且能够在弹载平台上实时运行。 

【文章来源】：宇航学报. 2020年11期 北大核心

【文章页数】：9 页

【部分图文】：

目标检测流程图

算法使用包含目标正负样本的数据集进行训练,使用MB_LBP特征和Adaboost算法挑选多种MB_LBP特征构建数个弱分类器,再由多个弱分类器组合成为多层强分类器,多层强分类器组成一个级联检测器,具体检测流程如图2所示。对于级联检测器的训练,使用红外相机采集的数千张11×11像素分辨率的“十字”红外模拟靶标的图片构成正样本库,数千张不包含目标且尺寸不小于11×11像素分辨率的图片构成负样本库,并且加入了随机翻转与旋转,随机gamma调节等数据增强,以增加模型对旋转和光照变化的泛化能力。使用opencv计算机视觉库中的opencv_traincascade函数,选用MB_LBP特征进行了训练,训练出的模型由9层强分类器级联而成,可以粗略检测图像中的目标,最小能检测出11×11像素大小的目标。

红外图像经过训练好的MB_LBP+AdaBoost级联检测器模型检测之后,一般会产生10～20个检测框,其中包含大量的误检和重叠的框,因此提出一种过滤机制,对每个候选框与图3所示的“十字”目标模板进行对比,计算得到相似度分数,然后挑选最高分筛选目标检测框。对于第i个候选框,其包含的图块是Ii,先把模板图缩放到与待检图块Ii同样的大小得到图块T,然后使用归一化相关性系数方法计算Ii和T的相似度分数Fi,计算公式:

【参考文献】：
期刊论文
[1]结合视觉注意力机制基于尺度自适应局部对比度增强的红外弱小目标检测算法[J]. 沈旭,程小辉,王新政.  红外技术. 2019(08)
[2]红外单帧图像弱小目标检测技术综述[J]. 王好贤,董衡,周志权.  激光与光电子学进展. 2019(08)
[3]基于鲁棒主成分分析的红外图像小目标检测[J]. 王忠美,杨晓梅,顾行发.  兵工学报. 2016(09)
[4]基于MB-LBP特征和JIH的Adaboost人脸检测算法[J]. 付心浩,谢勤岚.  计算机与数字工程. 2016(05)
[5]采用图像块对比特性的红外弱小目标检测[J]. 王刚,陈永光,杨锁昌,高敏,戴亚平.  光学精密工程. 2015(05)
[6]基于NMF、ICA和复Contourlet变换的红外小目标检测[J]. 吴一全,纪守新,尹丹艳.  宇航学报. 2011(08)
[7]基于变邻域变步长LMS背景预测检测红外小目标[J]. 吴一全,吴文怡.  宇航学报. 2009(02)
[8]反对称双正交小波在红外图像小目标检测中的应用[J]. 迟健男,张朝晖,王东署,王志良.  宇航学报. 2007(05)



本文编号：2951352