• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于復(fù)雜動環(huán)境的“低小慢”目標(biāo)檢測

      2021-08-04 21:47:57栗華杰李格蘇煉蔡繼駒
      中國新通信 2021年8期
      關(guān)鍵詞:目標(biāo)檢測

      栗華杰 李格 蘇煉 蔡繼駒

      【摘要】? ? 文章首先對“低小慢”的目標(biāo)特性進行了分析,再提出感興趣區(qū)域獲取,通過“低小慢”目標(biāo)在復(fù)雜背景下的常見的幾種預(yù)處理算法的介紹,進一步指出可以在可見光背景、紅外背景、以及基于源傳感器融合的“低小慢”目標(biāo)檢測,以期為相關(guān)人員提供有益的借鑒。

      【關(guān)鍵詞】? ? 復(fù)雜動環(huán)境? ? “低小慢”目標(biāo)? ? 檢測

      引言:

      隨著技術(shù)的不斷發(fā)展,以及國家地空空域的逐漸開放,如何對“低小慢”目標(biāo)進行檢測并防范和應(yīng)對“低小慢”目標(biāo)在復(fù)雜動環(huán)境下的干擾和破壞,是一個重要的問題。地空飛行器的機動性強、操作較為簡單、并且數(shù)量較多,這些使得空中安全形勢比較嚴(yán)峻,因此,對于復(fù)雜動環(huán)境下的“低小慢”目標(biāo)進行檢測,尋找有效的方式,是十分重要且必要的,能夠有效的減少低空飛行目標(biāo)的威脅,進一步保障低空飛行的安全性。

      一、“低小慢”目標(biāo)的特性

      1.1“低小慢”目標(biāo)的基本情況介紹

      對于“低小慢”目標(biāo)來說,一般要符合體積小、飛行速度慢的特點,這里的速度一般限定為200km/h的范圍內(nèi),相較于傳統(tǒng)的高空空域美的管控而言,“低小慢”目標(biāo)在飛行器的材質(zhì)上比較多樣,在應(yīng)用環(huán)境上比較復(fù)雜,與雷達和人工觀察相比,采用光電手段進行基于復(fù)雜動環(huán)境的“低小慢”目標(biāo)檢測更加有效[1]。“低小慢”目標(biāo)的檢測難度在于目標(biāo)小,在圖像上占的像素量極少,缺失相應(yīng)的紋理特征,因此在檢驗過程中提升了難度。一般而言,想要捕捉和檢測“低小慢”目標(biāo),通常使用的方法有對單幀圖像進行目標(biāo)檢測,或者基于多幀圖像檢測目標(biāo),這兩類方法的使用優(yōu)劣都比較明顯,首先,第一類是對單幀圖像進行檢測,這種方法在應(yīng)用時,主要作用方式是濾波算法,這種方法的弊端在于低信噪比條件下,難以保證準(zhǔn)確度,同時如果使用其中的二維熵、小波變換等方法,又難以有效實現(xiàn)實時檢測。其次,第二類是對多幀圖像進行檢測,主要是通過對幀間上下文信息的檢測實現(xiàn)的,這類方法的優(yōu)勢在于準(zhǔn)確率高,但是缺陷在于,如果目標(biāo)隱藏在背景或噪聲下就難以進行有效的檢測。

      1.2“低小慢”目標(biāo)檢測中的問題

      在當(dāng)前“低小慢”目標(biāo)檢測中,往往難度比較高,原因在于信噪比條件下難以對目標(biāo)、背景、造成有效分離,并且噪聲受到的遮蔽較強。雖然當(dāng)前的技術(shù)有了不小的發(fā)展,但是仍然有很大的難度[2]。第一,在干擾環(huán)境上,地空環(huán)境下空間的環(huán)境比較復(fù)雜,在城市環(huán)境下,受建筑、城市環(huán)境的影響比較大。而在天空中受到云霧等氣象因素干擾比較大,因此,對于“低小慢”目標(biāo)檢測技術(shù)來說,核心問題就在于能否實現(xiàn)復(fù)雜背景下將雜波干擾和噪聲干擾的有效剔除。第二,“低小慢”目標(biāo)的鎖定比較困難,在視野中成像面積很小,不具備固定的形狀和紋理特征,難以進行有效的匹配。第三,檢測虛警率高。這一特點與上述的第一、第二條特點是相聯(lián)系的,正是由于難以捕捉且環(huán)境復(fù)雜,因此在檢測時虛警率高。第四,對于動態(tài)場景中的“低小慢”目標(biāo)的檢測困難度高,由于相機和目標(biāo)同時運動,并且受到光線、陰影及偽裝的干擾,使得動態(tài)場景中的“低小慢”目標(biāo)的檢測在時間內(nèi)核復(fù)雜度上都有所提升,難度較大[3]。

      二、感興趣區(qū)域獲取

      2.1視覺顯著性

      視覺顯著性指的是人類僅憑視覺感知,所實現(xiàn)的對周圍視覺信號的響應(yīng)程度,一般來說,越是具有獨特性、奇異性的視覺信號,越能夠被人類視覺有效捕捉,并且對于其中的顏色、紋理、形狀、亮度等的感知也會更加敏銳[4]。對比度可以根據(jù)區(qū)域范圍的大小進一步劃分為全局對比、區(qū)域?qū)Ρ?。全局對比的作用途徑在于實現(xiàn)目標(biāo)和周圍環(huán)境的有效分離,但是這種方法的缺陷在于,如果目標(biāo)與周圍環(huán)境的對比度較小就難以有效捕捉。而且對于“低小慢”目標(biāo)來說,本身所占據(jù)的像素就比較少,并且還缺失一些紋理信息,在全局的背景中,需要“低小慢”目標(biāo)與其他背景的差別比較大,例如,在天空的全局背景中,顏色就可以是有效的差別對象,其中的噪聲、云層、部分的地面場景和光照變化就是主要的干擾信息,將這些干擾信息進行排除后,通過“低小慢”目標(biāo)與圖像中其他像素點的顏色對比度來作為捕捉定義,就能夠很好的實現(xiàn)對目標(biāo)的捕捉。

      2.2梯度差分算法

      梯度差分算法是一種行之有效的算法,其價值主要是在視覺顯著性特征圖中找到種子點,主要是將形態(tài)學(xué)基本梯度和三幀差分算法進行有效融合的基礎(chǔ)上提出的一種方法。具體的操作過程是,借助參考點的坐標(biāo),設(shè)立相應(yīng)的正方形掩模,并對其中相鄰且連續(xù)的視覺顯著性圖像,進行提取,找出從中的基本形態(tài)學(xué)梯度特征,并進行三幀差分,這樣就獲得了所需的種子點。另外需要說明的是,這里的數(shù)學(xué)形態(tài)梯度,是一種代數(shù)運算子,能夠?qū)⑴蛎洝⒍甸_閉、形態(tài)學(xué)梯度等多種特征于一身,也是一種從形狀出發(fā)而進行的圖像處理的操作過程,具有廣闊的應(yīng)用前景,能夠?qū)D像進行特征抽取,其實現(xiàn)路徑主要是由膨脹和腐蝕的有效組合。膨脹指的是一種邊界向外部擴張的過程,其主要的實現(xiàn)路徑是由與物體接觸的所有背景點合并到該物體中實現(xiàn)的。而腐蝕則正好與其相反,是一種消除邊界點的方法,通過邊界向內(nèi)部收縮來消除小且無意義的物體,使得目標(biāo)更加突顯和清晰。

      當(dāng)對視頻圖像序列的連續(xù)兩幀圖像做差分運算時使用的就是幀間差分算法,這種方法能夠有效的獲取運動區(qū)域,但是這種方式在運用中,無法識別靜止或運動速度很慢的目標(biāo),因此,如果直接使用幀間差分算法要進行“低小慢”目標(biāo)檢測,是并不合適的。將傳統(tǒng)的兩幀差分算法進行改進升級,就形成了三幀差分算法。三幀差分算法的作用路徑是,首先將相鄰三幀圖像并為一組,接著對其進行差分計算。三幀差分算法往往應(yīng)用于提取種子點,因為這種方式能夠?qū)崿F(xiàn)對運動目標(biāo)之中的像素點準(zhǔn)確、快速捕捉。在實際操作中,將形態(tài)學(xué)基本梯度和三幀差分算法進行有效融合,就能夠?qū)崿F(xiàn)對圖像的顯著性前景特征的二次過濾,提升了目標(biāo)檢測的準(zhǔn)確性,也降低了后續(xù)工作的任務(wù)量。使用梯度差分算法能夠自動且高效的獲得有明顯區(qū)域性的種子點,同時更重要的是,由于這些種子點的可控生長門限較好,因此,往往不會產(chǎn)生生長過后分割成過多區(qū)域的問題,大大節(jié)省了后續(xù)工作的步驟和效率。因此,在實際的需要中具有比較強的應(yīng)用效果。

      三、“低小慢”目標(biāo)在復(fù)雜背景下的常見的幾種預(yù)處理算法

      3.1復(fù)雜背景下可見光圖像的預(yù)處理算法

      在可見光下進行的目標(biāo)捕捉的主要影響因素往往是由于物體之間的相互遮擋,或者在周圍環(huán)境、光照、霧氣等的變化影響下,使得捕捉場景中由于亮度、對比度等問題,進一步造成了捕捉的困難,一些圖像中的細節(jié)信息無法有效突出,進而對于后續(xù)的檢測準(zhǔn)確度產(chǎn)生一定的影響。這時可以通過預(yù)處理,實現(xiàn)可見光圖像的捕捉、識別效率的提升,能夠?qū)⒖梢姽庵懈蓴_因素的對圖像的影響進一步降低,提升捕捉的準(zhǔn)確度。具體而言主要有以下幾點方法。第一,基于直方圖均衡化的光照校正,這種方法的優(yōu)勢在于算法實現(xiàn)簡單且運算量小,但是僅僅是對局部的處理,也沒法對于細節(jié)進行具體增強。第二,基于 Gamma 變換的光照校正。這種方法的效果明顯,尤其是對消除陰影方面更是成效顯著,但是缺陷在于每次都需要手動設(shè)置,且很難取到最佳值,操作的便捷性不強。第三,基于多尺度 Retinex 的光照校正。這是在 基于單尺度 Retinex 的光照校正的基礎(chǔ)上進一步發(fā)展而來的,不僅能夠使圖像保持比較高水平的保真度,而且能夠進一步突出其中的較暗區(qū)域的細節(jié)信息。另外,這種技術(shù)的另一個巨大優(yōu)勢在于能夠?qū)崿F(xiàn)圖像的壓縮,這種壓縮主要是局部的,但有時也能夠?qū)崿F(xiàn)全局動態(tài)范圍的壓縮,并且能夠?qū)崿F(xiàn)色彩增強。但是,可能會造成一定的顏色失真、陰影邊界突兀,也可能會導(dǎo)致部分場景的顏色發(fā)生扭曲。

      3.2復(fù)雜背景下紅外圖像的預(yù)處理算法

      動態(tài)噪聲和非均勻性噪聲是兩種比較常見的紅外圖像中的噪聲,這些噪聲會干擾圖像信息的成像質(zhì)量,因此必須對其進行預(yù)處理。具體而言,常見的復(fù)雜背景下紅外圖像的預(yù)處理算法包括紅外圖像動態(tài)噪聲抑制算法、紅外圖像的非均勻性噪聲抑制算法、紅外圖像的增強算法這幾種,通過對逆光條件下對可見光圖像進行有效的亮度及顏色校正、去除紅外相機的動態(tài)噪聲和非均勻性噪聲、提高復(fù)雜場景下紅外圖像的信噪比,從而能夠提升目標(biāo)檢測的準(zhǔn)確率。

      四、“低小慢”目標(biāo)檢測

      4.1可見光背景下的“低小慢”目標(biāo)檢測

      可以采用基于二維伽馬變換的顏色特征提取,將不同強度灰度值進行校正,然后合理壓縮圖像的動態(tài)范圍。第二,基于 ESILTP 算子的紋理特征提取,這種方式與灰度特征和幾何特征相比,內(nèi)涵的信息度更多、更豐富,也能夠提升“低小慢”目標(biāo)檢測的準(zhǔn)確性。這種方式能夠有效應(yīng)對背景信息均值和方差的大幅度變化的情況,并且對于動態(tài)場景容錯性較高,即使不進行濾波操作,也不會有高斯白噪聲的產(chǎn)生,因此能夠?qū)⒛P偷臅r間復(fù)雜度大大降低。第三,對于在一些比較常見的閃爍噪聲問題,這種問題在建模算法往往是比較復(fù)雜和令人頭疼的問題,這時可以采用基于 Vi Be+的目標(biāo)檢測, Vi Be+的目標(biāo)檢測的構(gòu)成比較簡單,包括背景模型初始化、前景檢測以及背景模型更新三個環(huán)節(jié)。

      4.2紅外背景下的“低小慢”目標(biāo)檢測

      在紅外背景下的“低小慢”目標(biāo)檢測,能夠有效地透過煙霧成像,這種方法尤其適用于光照不足的環(huán)境,成像效果好。但是需要注意的是,由于低空慢速小目標(biāo)自身的點目標(biāo)特性,在紅外相機中容易被誤認(rèn)為噪聲,因此在基于復(fù)雜動環(huán)境下的“低小慢”目標(biāo)檢測,一般不適用紅外背景下的“低小慢”目標(biāo)檢測,

      4.3基于源傳感器融合的“低小慢”目標(biāo)檢測

      將可見光相機與紅外相機有效結(jié)合,能夠大大提升識別的效率和準(zhǔn)確性,多傳感器圖像融合的目標(biāo)檢測技術(shù)就能夠有效的實現(xiàn)這一目標(biāo),具體操作如下,首先,選定目標(biāo)區(qū)域。這里主要用到的是紅外成像特征定位的方法。其次,對可見光圖像進行識別。由基于加權(quán)移動均方差算法建立相應(yīng)的背景減除模型,由此定位可見光成像的候選區(qū)域。最后,再將兩者的圖像結(jié)果進行結(jié)合,形成一定的基于候選區(qū)域的局部像素背景模型,從而實現(xiàn)目標(biāo)的準(zhǔn)確提取。在目標(biāo)候選區(qū)域提取上,使用加權(quán)移動平均背景建模算法,基于滾動引導(dǎo)濾波和加權(quán)最小二乘優(yōu)化的圖像融合,然后從多尺度進行分解,利用視覺顯著性算法,將紅外圖像與見光圖像基礎(chǔ)層進行綜合的融合處理。也可以使用基于局部 Su BSENSE 的目標(biāo)檢測來提升準(zhǔn)確性。

      五、結(jié)束語

      復(fù)雜背景下“低小慢”目標(biāo)檢測技術(shù)研究仍處于初級階段,雖然取得了一些成就,但是技術(shù)上仍不成熟,在未來的發(fā)展中,還需要將復(fù)雜背景下“低小慢”目標(biāo)檢測技術(shù)和算法進行進一步的研究,提升準(zhǔn)確性,降低虛警率,使其發(fā)揮出更大的價值。

      6參考文獻:

      [1]吳言楓. 復(fù)雜背景下“低小慢”目標(biāo)檢測技術(shù)研究[D].中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機械與物理研究所),2020.

      [2]吳言楓,王延杰,孫海江,劉培勛.復(fù)雜動背景下的“低小慢”目標(biāo)檢測技術(shù)[J].中國光學(xué),2019,12(04):854-866.

      [3]王順飛. 基于復(fù)雜環(huán)境視頻序列的運動目標(biāo)檢測研究[D].南京航空航天大學(xué),2017.

      [4]吳亞濤. 復(fù)雜電磁環(huán)境下基于目標(biāo)動特性的微波成像技術(shù)[D].電子科技大學(xué),2014.

      參? 考? 文? 獻

      [1]吳言楓. 復(fù)雜背景下“低小慢”目標(biāo)檢測技術(shù)研究[D].中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機械與物理研究所),2020.

      [2]吳言楓,王延杰,孫海江,劉培勛.復(fù)雜動背景下的“低小慢”目標(biāo)檢測技術(shù)[J].中國光學(xué),2019,12(04):854-866.

      [3]王順飛. 基于復(fù)雜環(huán)境視頻序列的運動目標(biāo)檢測研究[D].南京航空航天大學(xué),2017.

      [4]吳亞濤. 復(fù)雜電磁環(huán)境下基于目標(biāo)動特性的微波成像技術(shù)[D].電子科技大學(xué),2014.

      猜你喜歡
      目標(biāo)檢測
      “不等式”檢測題
      “一元一次不等式”檢測題
      “一元一次不等式組”檢測題
      我的新目標(biāo)
      快樂語文(2021年11期)2021-07-20 07:41:44
      “幾何圖形”檢測題
      “角”檢測題
      小波變換在PCB缺陷檢測中的應(yīng)用
      我們的目標(biāo)
      新目標(biāo)七年級上Units7—8單項選擇
      新目標(biāo)七年級(下)Unit?。尘毩?xí)(一)
      曲松县| 仁怀市| 房山区| 浦江县| 阜阳市| 吉安县| 华安县| 蓬莱市| 嘉荫县| 曲麻莱县| 天水市| 三台县| 垦利县| 邳州市| 星座| 南靖县| 灵台县| 邵武市| 伊川县| 丹寨县| 邯郸市| 南丰县| 和田市| 丰原市| 桃源县| 宜川县| 孙吴县| 安阳市| 万安县| 瑞安市| 张掖市| 田东县| 淳安县| 兴文县| 贵南县| 新田县| 黄骅市| 咸宁市| 阿图什市| 乐安县| 若尔盖县|