[发明专利]复杂背景下红外弱目标检测与跟踪的应用

摘要

本发明公开了一种复杂背景下红外弱目标的检测与跟踪的应用，其特征步骤为1、抑制杂波与保持图像的拓扑结构，构建空域邻近与方向优先的仿生视觉加权熵模型，实现图像从灰度模式变换为熵模式；2、分析突发或平稳特性的弱目标运动状态，采用熵流的非线性扩散平滑与自适应局部约束准则，构建符合弱目标机动特征的自适应熵流目标运动估计模型，实现估计速度逼近弱目标的真实运动状态；3、研究类属多特征融合与度量的弱目标跟踪方法，构建多特征融合的序贯滤波模型，实现弱目标的精确、鲁棒与实时识别。本发明提出了红外弱目标的自适应熵流检测与跟踪的算法，丰富了弱目标检测与跟踪的技术。

主权项

复杂背景下红外弱目标的检测与跟踪方法，其特征是方法步骤如下：(1)保持拓扑结构的图像预处理技术，采用不同尺度分布的高斯函数与指数函数叠加生成高斯指数混合模型，以构造具有空域邻近与局部方向特征的仿生视觉显著性度量的空域掩模，根据掩模窗口内任意像素与中心像素的欧式距离，分配该混合模型的系数权值，其高斯指数混合模型如公式(1)所示：其中：A1、A2、A3表示函数的峰值系数，σ1、σ2表示高斯函数的尺度系数，x和y分别表示掩模窗口内任意像素与中心像素的水平和垂直距离，fx和fy分别表示水平方向和垂直方向的梯度；然后采用空域掩模加权信息熵描述图像子块的信息量，首先，计算任意像素在图像出现的灰度概率；其次，采用空域掩模加权香农熵计算该图像子块的局部信息熵；最后，计算所有图像子块的局部信息熵并有序构建熵图像；从而实现由灰度图像模式变换为熵图像模式，使之既提高弱目标的信杂比又保持图像的拓扑结构；其灰度概率、加权香农熵的数学表达式如公式(2)所示：其中：M×N和J×K分别表示红外图像尺寸和红外图像子块窗口尺寸，f(x,y)和ρ(x,y)分别表示图像在(x,y)的灰度和在(x,y)出现的灰度概率，G(x,y)表示空域掩模加权系数，H表示加权香农熵；为保证香农熵函数的单调性，公式(2)中乘以1/e，以避免改变熵图像结构信息；(2)分析弱目标的突发或平稳运动状态，依据熵流数据和平滑约束准则，采用公式(3)构建一类熵流变分泛函；依据熵图像各像素梯度的不同，自适应计算像素的权函 数值ψ(x,y)，当梯度大于某一阈值时，权函数值大于0且小于等于1，使用数据约束条件，反之，权函数值为0，关闭数据约束条件；且根据熵图像各像素梯度的不同，采用梯度模函数L(||▽P||)自适应地控制熵流的平滑程度；公式(3)采用最速下降法求解变分泛函的极值，以逼近弱目标的运动速度和描述该目标的运动状态；其中：P表示熵图像，(u,v)表示熵流，C(u,v)表示数据项，S(u,v)表示平滑项；(3)研究同类多特征融合与度量的弱目标跟踪方法，目标一般具有相同或趋近的类属特征，采用弱目标的运动与非运动特征集，分析多特征合成策略，构建多特征关联的距离评价函数，识别弱目标与目标轨迹。