[发明专利]基于红外视频的舰船检测及跟踪方法

说明书

技术领域

本发明涉及舰船检测及跟踪技术领域，尤其涉及一种基于红外视频的舰船检测及跟踪方法。

背景技术

舰船作为海上运输主体和重要的军事目标，其自动检测和识别具有非常重要的现实意义。随着对地观测技术的飞速发展，卫星遥感图像可以为舰船目标监视提供非常丰富的数据源。目前，基于遥感图像的舰船检测研究大多是围绕SAR(合成孔径雷达)图像开展的，而对基于红外视频进行的舰船检测及跟踪技术的研究较少。实际上，红外视频检测跟踪技术在其它领域已比较成熟，但直接将其用在舰船检测上还存在很多问题。例如，在舰船分割方面，由于在近岸的环境中存在很多干扰项，如海岸和海域的分割可能是不规则的，海域中可能会有海岛等干扰物，海岸或海岛在红外视频中亮度较高，容易导致误判。普通图像的分割目前依然是个难题，舰船和海面之间的灰度差异以及航迹等给舰船的分割带来较大的困难。另外，在舰船跟踪方面，红外视频画幅中出现的可能是半个或一部分目标，视频可能会有电磁干扰、物理抖动等原因，视野中出现的可能不止一艘船，因此跟踪舰船时要克服以上干扰。

发明内容

为解决上述问题，本发明提供了一种检测和跟踪效果良好的红外舰船检测和跟踪方法。

本发明采用的技术方案如下：

一种基于红外视频的舰船检测及跟踪方法，包括以下步骤：

步骤1、采用梯度算子法和霍夫变换法检测并提取海天线，利用海天线从视频画面中分割出海面区域；

步骤2、基于改进的ViBe算法进行红外视频前景提取，从视频海面区域提取疑似目标，同时对提取图像进行修复；

步骤3、基于统计直方图分析图像纹理特征，进行目标的捕获；

步骤4、基于多特征和显著性检测的MeanShift算法跟踪运动目标。

步骤1的具体步骤如下：

首先，采用梯度算子法提取海天线；使用Sobel算子进行水平梯度检测，得出水平梯度g_x，使用Sobel算子进行垂直梯度检测，得出垂直梯度g_y；根据计算总梯度g，对图像每一行的梯度g求和，具有最大值的行即为海天线所在的行，由此提取出海天线；

同时，利用霍夫变换法提取海天线；设定提取角度范围，提取图像中较长的几条水平方向的直线，对直线进行延长并与图像边缘相交，分别取直线与两侧边缘交点的平均值，将左右两侧的平均值相连，画出的直线视为海天线；

将两个方法获得的两条海天线进行对照，若两者之间相差较大则视为提取失败；若提取行号相差阈值不超过5，则根据容错要求取两者均值或行号最小值作为最终的海天线。

步骤3中改进的ViBe算法过程如下：

(1)定义背景模型：背景模型中的每一个像素由n个背景样本组成，记v(x)表示在给定的欧式颜色空间中图像在x处的像素值，v_i表示在x处周围的背景像素值，i为索引号；M(x)表示x处的背景模型，该模型中包含所有的v_i，公式如下：

M(x)＝{v₁，v₂，…，v_n-1，v_n} (1)；

(2)背景模型初始化：从x的24邻域N_G(x)中随机选取20个样本值用于初始化背景模型，公式如下：M⁰(x)＝{v⁰(y|y∈N_G(x))}(2)，M⁰(x)表示背景模型的初始值，v⁰表示初始化时选取的抽样点；

(3)像素分类：采用2-D空间中的欧氏距离对像素进行分类，记S_R(v(x))表示以v(x)为中心，半径为R的2-D欧式空间，若S_R(v(x))与M(x)的交集满足一定的基数，则认为v(x)是背景像素；

(4)背景模型更新：随机地从背景模型M(x)中选取一个值用新的背景像素p(x)代替，对背景模型进行更新；

(5)信息传播：在对背景模型更新的同时，同时采用新的像素p(x)更新邻域N_G(x)中像素的样本。

原有的ViBe算法在初始化背景M(x)时，随机从8邻域中选取20个样本，则每一个样本至少被重复选取2到3次。样本的选取过于集中，会导致像素的错误分类。假设下式成立