[发明专利]自适应红外小目标检测方法

说明书

技术领域

本发明涉及的是一种模式识别技术领域的方法，具体是一种基于字典学习的自适应红外小目标检测方法。

背景技术

近年来，随着计算机和图像处理技术的飞速发展，红外成像技术已被广泛地应用到军事、天文观测、遥感、安全检测、视频监控以及医学成像等领域。一方面，利用红外探测器摄取景物的热图像来搜索、捕获和跟踪目标，具有隐蔽性好、不易受干扰、识别伪装、获取的信息丰富等优点；另外一方面，由于红外传感器受到大气热辐射和作用距离以及探测器自身性能等因素的影响，其探测到的目标在整幅红外图像上往往具有较低的对比度，特别当探测距离比较远的时候，目标在成像平面内仅占据一个或几个像素的面积，因此没有明显的形状和结构特征，这就给目标的检测增加了难度，同时，也使得红外小目标的检测成为一个非常具有挑战性的研究课题。

通常情况下，红外小目标检测方法可以分为单帧检测方法和多帧检测方法。基于单帧的检测方法是利用当前帧图像的灰度信息来对目标进行检测，该类方法通常具有思路简洁、执行效率高、便于硬件实现等特点。本发明所提出的检测方法属于单帧检测类方法。传统的单帧检测方法首先利用各种滤波技术对红外图像的背景杂波进行抑制，提高图像的信噪比，然后通过阈值操作来得到目标的位置。值得注意的是，随着模式识别技术的发展，基于该技术的目标检测方法正成为一个新的研究热点。基于模式识别技术的目标检测方法不需要对红外图像进行预处理，直接根据目标的数学模型对目标和背景图像进行建模，通常是利用不同的学习方法对目标模型和背景模型进行训练，最后根据得到的目标模型和背景模型对输入的测试图像进行分类判别。其中，目标模型的建立是该类方法的核心和关键，主成分分析是最常用的一种目标描述方法，而最近几年，研究者发现，信号在超完备字典中的稀疏表示系数能更好的抓住信号的内在特征，利用信号在超完备字典中的稀疏表示系数来对目标进行分类，取得了更好的识别结果。

经对现有文献的检索发现，中国专利申请号200810038548.X，记载了一种“基于线性PCA的红外点目标检测方法”，该技术基于主成分分析方法来检测红外小目标，具体原理为：首先用改进的高斯灰度模型产生红外点目标的训练样本，通过对这些样本进行PCA训练，产生一组主分量，然后从待检测红外图像中截取子图像，并将其分别投影到各主分量上，用得到的投影系数和主分量对该子图像进行重构，并计算重构误差，最后将重构误差代入检测函数，产生检测图像，对检测图像进行阈值操作得到目标位置。该方法虽然将目标检测问题转化为模式分类问题，但在对目标模型的学习过程中没有考虑噪声的干扰，使得该方法对复杂背景的适应能力很弱，且检测过程十分复杂，实用性不强。

发明内容

本发明针对现有技术存在的上述不足，提供一种自适应红外小目标检测方法，首先通过K-SVD(奇异值分解)方法来离线训练红外小目标的超完备字典，接着采用正交匹配追踪方法来求解子图像块在超完备字典中的稀疏表示系数，最后直接将表示系数代入指示函数(Indicator Function，IF)，通过IF的值来判别该子图像块含有目标与否。

本发明是通过以下技术方案实现的，本发明首先用训练样本K-SVD方法训练红外小目标超完备字典，然后按照从上到下，从左到右的顺序从测试图像中提取出于训练样本具有相同尺寸的子图像，并将子图像展开为列向量后利用正交匹配方法计算该列向量在红外小目标超完备字典中的稀疏表示系数，最后将稀疏表示系数组合为指示函数并进行阈值化判断，得到目标的精确位置。

所述的K-SVD方法训练红外小目标超完备字典，包括以下步骤：

1)训练样本集Y和红外小目标超完备字典D的初始化，训练样本Y为截取的含有小目标的子图像的集合；红外小目标超完备字典D的初始化用部分离散余弦变换的基函数来对红外小目标超完备字典D进行初始化。

2)固定红外小目标超完备字典D，利用正交匹配追踪方法求解训练样本集Y在字典D中的稀疏表示系数X，其中，样本y_i的稀疏表示系数x_i通过求解如下最小化问题来得到：