[发明专利]基于红外图像的远距离无人机小目标探测方法

说明书

本发明提供的一种基于红外图像的远距离无人机小目标探测方法及系统，首先构造红外图像各个方向上多个尺度的累积方向导数卷积核；然后对平均绝对灰度差分算法的输出进行优化，再然后对每个尺度采用累积方向导数卷积核计算优化的平均绝对灰度差分算法的加权系数，得到每个尺度上每个方向的加权系数，将每个尺度上各个方向加权系数最小的响应作为该尺度的响应图，其次，在每个尺度上将响应图作为优化的平均绝对灰度差分算法的加权系数，得到不同尺度上的响应图，最后将不同尺度上最大响应图作为最终响应图，对最终响应图进行轮廓提取，得到红外图像上的疑似目标。该方法有效地抑制了背景杂波，增强了目标区域，实现目标的准确探测。

技术领域

本发明涉及无人机探测领域，具体为一种基于红外图像的远距离无人机小目标探测方法。

背景技术

红外目标搜索与跟踪系统(IRST)由于具有隐蔽操作、抗电子干扰等特点，由于低信噪比和复杂背景环境干扰，导致在红外图像中检测远距离小目标仍然难以实现，目前的红外小目标检测研究可分为两大类，第一类为基于去背景的方法，在第一类使用期望的算子(如最大中值，形态开运算、主成分追踪)来学习近似背景。然后，从原始图像中减去近似的背景。最后，采用适当的阈值分割策略提取目标。虽然这种方法简单明了，计算复杂度低，但对于复杂背景下，它存在较高的虚警率。且相机只能对着固定区域，没法扫描学习背景，检测范围有限。

第二类方法是在红外小目标检测过程中直接增强目标区域，抑制背景区域，考虑到小目标空间分布的高斯模型，在尺度空间上采用归一化拉普拉斯高斯(LoG)来解决连续红外图像中目标尺寸的变化，该方法虽然能增强低信杂比(psnr)目标，但由于利用二阶导数，对背景噪声敏感。局部对比度法(LCM)目标检测[1]显示了良好的目标增强能力。然而，将区域最大响应值视为评判标准(最大响应值的单像素噪声)，使得这些算法对椒盐噪声非常敏感。同时，使用局部背景窗来实现这些算法，可以减弱在高复杂背景杂波附近的机动目标，平均绝对灰度差分是一种相对强大和鲁棒的红外小目标检测算法，虽然平均绝对灰度差分可以有效地抑制背景噪声(由于局部平均特性)和增强弱小目标，但该算法对高强度边缘敏感。此外，与其他基于局部对比度的算法一样，该算法利用了局部背景窗，从而提高了目标接近高强度边缘时的脱靶率。

但是平均绝对灰度差算法由于没有正负对比度的区别，因此局部对比度的靶区和局部对比度的空洞区均为阴性的区域将被强化，如图2所示，错误地增强了与孔状区域相对应的区域，反过来增加了虚警率，同时当红外图像的背景含有高强度的锐边时，AAGD算法的检测性能急剧下降，如图3所示。

发明内容

针对现有技术中存在的问题，本发明提供一种基于红外图像的远距离无人机小目标探测方法，实现小目标的准确探测。

本发明是通过以下技术方案来实现：

一种基于红外图像的远距离无人机小目标探测方法，包括以下步骤：

步骤1、构造红外图像各个方向上多个尺度的累积方向导数卷积核；

步骤2、对平均绝对灰度差分算法的输出进行优化，引入阶跃函数，消除负对比度，只保留正对比度；

步骤3、对每个尺度采用累积方向导数卷积核计算优化的平均绝对灰度差分算法的加权系数，得到每个尺度上每个方向的加权系数；

步骤4、在每个尺度上将各个方向上相同位置加权系数最小的响应作为该尺度的响应图D₂；

步骤5、在每个尺度上将响应图D₂作为优化的平均绝对灰度差分算法的加权系数，得到不同尺度上的响应图AAD_i；

步骤6、将不同尺度上相同位置的最大响应值构成的最大响应图AAD_i作为最终响应图，对最终响应图进行轮廓提取，得到红外图像上的疑似目标。

优选的，步骤1中所述各个方向为东西南北四个方向；