（测试计量技术及仪器专业论文）液体中小目标检测算法研究及应用.pdf

浙n 人学坝i j 学位论文 摘要 摘要 小目标是指呈现在图像上只有几个或者十几个象素大小的目标，缺乏结构信息， 单从灰度来看，难于同噪声区别开来，一般基于灰度的运动目标检测方法都无法采 用，必须研究特定的方法。所有检测出小目标的算法都是基于以下两个条件：目标 的灰度与背景有一定的差异：目标运动的轨迹具有连续性。 小目标检测一直是图像处理领域一个热点和难点，而现有的研究局限于军事上 的红外图像，极少涉及可视图像及民用。本论文讨论小目标检测在工业上的应用， 针对液体可视图像小目标检测提出了一系列新的算法，适用于复杂边界，低信噪比 的情况。 ， 论文首先总结了已有的算法，分析了液体可视图像的特征及其与红外图像的不 同点，给出液体小目标检测的软件框架和硬件系统结构。然后根据分析的结果将检 测过程分成三步：图像预处理，目标提取和目标跟踪。论文对每一步检测过程都进 行了详细的分析，给出了同步实验结果。论文介绍了并且验证了多种适合液体可视 图像小目标检测的目标提取检测算法，并且提出了几种新的时间滤波器，比较了各 类算法的性能和硬件可行性。然后根据目标运动轨迹的连续性提出了一系列的目标 跟踪算法。最后给出了算法融合后的最佳方案和实验结果。 【i 塑竖叁兰竺：竺兰垡堡苎； 垒呈! ! 竖垒竺! a b s t r a c t t a r g e t st h a ta r es m a l l e rt h a n2 0p i x e l sa r ec a l l e ds m a l lt a r g e t t h es m a l ls p a t i a l e x t e n do ft h e s et a r g e t s p r e c l u d e st h e u s eo fi n f o r m a t i o na b o u ts i z e ，s h a p ea n do t h e r f e a t u r e so fat a r g e ti nt r a d i t i o n a l i m a g ep r o c e s s i n gt e c h n i q u e s a l lt h er e s e a r c hw o r k c o n c e r n i n gs m a l lt a r g e td e t e c t i o na r cb a s e do nt w oc h a r a c t e r i s t i c so fs m a l lt a r g e t ：t h e g r a yl e v e lo f s m a l lt a r g e t sa r ed i f f e r e n tf r o mt h a to f b a c k g r o u n d ；t h ec o n t i n u i t yo ft a r g e t t r a c k d e t e c t i o na n dt r a c k i n go fl o wo b s e r v a b l es m a l l - t a r g e t sf r o mas e q u e n c eo f i m a g e s a g a i n s ts t r u c t u r a lb a c k g r o u n da n dn o n - s t a t i o n a r yc l u t t e ri sa i li m p o r t a n tr e s e a r c ha r e ai n i m a g ep r o c e s s i n gf i e l d a p p l i c a t i o n so f t h i st e c h n i q u ea r eg e n e r a l l yl i m i t e dt oi n f r a r e d i m a g e s ，e s p e c i a l l yi ni n f r a r e ds e a r c ha n dt r a c k ( i r s l ) s u r v e i l l a n c ea p p l i c a t i o n s ，w h i c h i sc h a r a c t e r i s t i cb y l a r g e ，l o wf r e q u e n c ya r e a sa n dm o v i n gc l u t t e r t h i sp a p e rd i s c u s s e d t h ea p p l i c a t i o no f s m a l l t a r g e td e t e c t i o nt e c h n i q u e i ni n d u s t r y as e r i e so f n e w a l g o r i t h m s f o rd e t e c t i n gi m p u r i t y o n ek i n do fs m a l lt a r g e ti nl i q u i db y a n a l y z i n gs e q u e n c e so fg r a y s c a l ei m a g e sw e r e p r o p o s e d ，w h i c h a r ee f f e c t i v ef o rc o m p l e xs t r u c t u r e dv i s i b l ei m a g e s b a s e do nt h ea n a l y s i so f e x i s t i n gm e t h o d sa n dd i f f e r e n c e sb e t w e e n v i s i b l ei m a g e s a n di n f r a r e di m a g e s ，t h ew h o l ed e t e c t i o n p r o c e s si sd i v i d e d i n t ot h r e em a i n s t a g e s ：i m a g e p r e - p r o c e s s i n g ，p o t e n t i a lt a r g e t se x t r a c t i o na n dt a r g e tt r a c k i n g e a c ho f t h e mi se x p l a i n e d i nd e t a i l i nt h i sp a p e ra n dt h ee x p e r i m e n t a lr e s u l t sa r ep r e s e n t e d i nt h es e c o n ds t a g e ， t h o s ea l g o r i t h m st h a ta r ee f f e c t i v ef o rl i q u i dv i s i b l ei m a g ea r ed i s c u s s e da n ds e v e r a ln e w m e t h o d so f e x t r a c t i n gf e a t u r e so fs m a l lt a r g e t si nv i s i b l ei m a g es e q u e n c e sa r ep r o p o s e d a n dp e r f o r m a n c e so ft h o s ea l g o r i t h m sa r ec o m p a r e d i nt h et l l i r d s t a g e s e v e r a lt a r g e t d e t e c t i o na n dn o i s er e p r e s s i o nm e t h o d sa r ep r o p o s e db a s e do nt h ec o n t i n u i t yo ft a r g e t t r a c k t e s t so fs y s t e mt h a ti n t e g r a t e de f f e c t i v ea l g o r i t h m so na v a i l a b l ed a t a b a s eh a v e y i e l d e dg o o d r e s u l t s v 浙江人学坝j 学位论文 绪论 绪论 1 课题的背景和意义 对于图像中低信噪比点目标的检测与跟踪问题的研究，起源于远距离搜索与监 视，比如宽视场望远镜，红外搜索和跟踪系统以及其它基于点源目标检测的监控系 统。当运动目标距传感器较远时，或者目标本身就是非常小的物体，它们在传感器 中的成像为信号幅度较弱的点目标。远距离的成像目标通常隐藏在高度结构化的背 景杂波中，目标信号幅值相对于背景杂波和噪声很弱，具有很低的信噪比。通常， 在检测、识别和相当大的跟踪阶段内，目标在成像平面上仅占几个至几十个象素， 没有形状、大小、纹理等特征可以利用。它的这种空间特性使得传统的利用目标大 小、形状以及特性的图像处理技术无法得以应用，不能够从单帧图像中检测到目标， 必须采用基于目标运动特征的序列图像处理方法，边检测边跟踪，设法沿目标航迹 积累航迹能量，提高信噪比，以达到抑制噪声、检测并且跟踪航迹的目的。 本课题的任务是研究液体中小目标的自动检测和跟踪，目的是自动给出液体杂 质存在与否的信息。液体中的杂质检测在工业生产中有着非比寻常的意义。无论是 在工业上还是民用上，杂质的存在将严重影响产品的质量和企业的形象。化学或生 物的方法进行抽样检查，并不能完全保证产品的合格率，并或多或少地损坏样品， 造成资源的浪费，提高成本。而且，人工的检查速度慢，依赖人的熟练程度和身体 状态，影响检测的效果。本课题所要研究的采用图像处理检测液体中杂质的方法， 效率高，可以扫描所有的产品，不会产生副作用，属于无损检测范畴，具有非常广 泛的适用范围。 国外学者从7 0 年代末期开始，经过2 0 年对小目标分割与检测问题的深入研究 已经取得了不少成果。然而，针对小目标检测并没有形成成熟的理论。所有的研究 都是针对各种不同的情况提出适合的算法。人们继续对这个问题保持浓厚的兴趣。 本课题的研究将在小目标检测领域增添新的研究成果。 从以往的研究成果来看，大多集中在对空间云团中的目标跟踪，红外图像上的 目标跟踪，极少关注可视图像。红外图像大多数情况下是缓慢运动的云团和大块的 背景噪声，人们对此己经提出了很多行之有效的方法，然而针对可视图像却有较少 浙江人学坝j ：学位论文 绪论 的研究成果。可视图像边界复杂，强灰度突变边缘多，很多在红外图像上有效的方 法在可视图像上难以得到比较满意的结果。在信噪比低的情况下检测难度很高，需 要探索新的可适用的算法。因此本课题亦具有较强的理论价值。 2 课题任务和论文的主要内容 本课题的主要任务是设计并且完成一个小目标图像检测与跟踪系统，满足流水 线生产的实时性要求，满足杂质检测的精度要求。主要的工作量在于小目标检测的 算法研究一根据新的环境要求和背景噪声特征改进原有的算法，提出新的算法，并 对这些算法进行性能比较，选择具有最好的实时性，硬件可行性的算法，为进一步 的硬件实现提高可靠的算法基础。 综上所述，本论文的主要内容安排如下： 第1 章小目标检测总体框架：主要介绍小目标检测理论的总体框架，可能 利用的方法，最近的研究成果和小目标检测的应用范围，最后给出 基于该总体框架的液体小目标检测的算法方案。 第2 章小目标检测硬件系统：简要介绍了用于生产线上的小目标检测的硬 件系统，包括c c d 摄像机，图像采集卡，计算机和机械手等控制 系统。详细介绍了c c d 摄像机和图像采集卡的原理。机械手等控 制系统不在本文研究的范围，未能详述。 第3 章图像预处理：主要内容为图像分割，利用饱和度信息去除非液体区 域，为后续检测打下基础。 第4 章目标提取算法及分析：介绍多种去除背景，提取目标的算法。这些 算法都是经过实验验证效果较好的算法，包括在前人基础上改进的 算法和在本论文中提出的新算法。论文讨论的重点在给出这些算法 在液体小目标检测中的应用结果，并且比较这些算法的性能和硬件 可行性。 第5 章小目标跟踪和检测：介绍多种继续去除噪声，跟踪小目标的算法， 包括在前人基础上改进的算法和在本论文中提出的新算法。主要利 用小目标运动轨迹的连续性和噪声的随机性来判断小目标的存在。 最后给出了确定目标存在与否的判决方法和确定轨迹的方法。 第6 章试验结果：给出了前述各种方法的组合方案以及方案的处理结果， 比较这些方案的性能和硬件可行性，建议下一步研究的算法方案。 浙江大学硕i 学位论文绪论 第7 章总结和展望：总结本文的内容和小目标研究的方案，讨论本论文的 应用和不足，提出了尚需进一步开展的工作和相应的改进措施。 浙江人学坝i ：学位论文 第一章小目标检测总体框架 第一章小目标检测总体框架 小目标检测包含非常多的内容。为了提高信噪比，必须经过很多步的信息融合 与提取，才能得到满意的结果。因此小目标检测有一个总体的指导方案。本章给出 小目标检测理论的总体框架，并且给出基于该总体框架的液体小目标检测的算法方 案。同时介绍了目前小目标检测可能利用的方法，最近的研究成果和小目标检测的 应用范围。 1 1 理论综述 1 1 1 小目标定义 通常的图像序列处理都是研究空间面积大于1 0 0 个象素的物体的运动。例如， 大于1 0 1 0 的物体。本论文研究的对象是空间面积小于1 0 0 个象索的目标，故称为 小目标。小目标检测和跟踪的研究主要针对以下三类对象1 ： 点源目标 点源扩展目标 点目标群 视场上一个典型的小目标一般小于或接近于2 0 个象素大小，视传感器的性质而 定。由于小目标的像元个数很少，缺乏目标的结构信息，单从灰度来看，难于同噪 声区别开来，一般基于灰度的运动目标检测方法都无法采用，可供分割与检测的信 息很少。不过他们有两个重要的特征，也是能够检测出他们的必备条件： 目标的灰度与背景有一定的差异： 目标运动的轨迹具有连续性。 1 1 2 小目标检测的研究内容 根据小目标的特征，从7 0 年代以来，国内外专家学者提出了很多针对红外图像 的行之有效的方法。由前人所做的工作看出，运动小目标分割与检测之关键在于解 决沿未知目标轨迹的快速能量积累问题，即把运动小目标分割与检测问题看成是目 标轨迹搜索及根据能量积累做出判决的过程，也就是根据目标运动的连续性和规则 性来检测目标。 浙江夫学硕1 一学位论文 第一章小目标检测总体框架 s e n s o rd a t ap r o c e s s i n g 单帧信号处理 多帧信号处理 跟踪后检测 单帧联合 多帧信息联合 多传感器融合 图l 一1 小目标检测所涉及的领域 新的研究动力是为了满足不断改进的传感器( 拍摄能力的增加，分辨率的增加) ， 不断增加的系统要求( 不断降低的信噪比和多目标跟踪) ，硬件的限制( 复杂度有要 求) ，较差的运行环境等等。多年来这些方面的改变给小目标检测的算法研究提供了 巨大的动力，也使得小目标检测研究有了更多的应用领域。目前的研究兴趣主要集 中在跟踪低信噪比和强噪声情况下的目标，以及交叉重叠的目标。 图l 一1 2 给出了有关小目标检测领域的相关内容及其各个部分的关系。大致上 可以分为两步：传感器信号处理和传感器数据处理。 ( 1 ) 传感器信号处理：指将输入的原始数据进行目标检测，完整准确的提取出图 像上的小目标。共分成两大功能块：目标检测和目标参数估计，中间由阈值 分割衔接。 目标检测：这方面的研究是提出各种滤波器算法，将小目标从背景中提 取出来。小目标应该对滤波器有较强的相应，而背景应该有较弱的相应。 反应在结果图像上就是小目标有较强的灰度值。 阈值选择：为了将小目标分割出来，阈值选择是两个步骤之间的衔接部 分，也是非常关键的一步。如果阈值选择过高，那么会将小目标点置为 “0 ”，如果阈值选择过低，则有太多的噪声点进入下一个功能模块，给 以后的处理增加压力。目前的阈值选择有基于统计变量的分割方法，也 有根据经验数据的自动反馈控制的方法。 浙江人学坝l 。学位论义 第一章小目标检测总体框架 信号参数估计：寻找目标运动的轨迹，或者根据轨迹连续的性质进一步 去除噪声，保存目标点：或者根掘点聚类的判断寻找目标点群。 ( 2 ) 传感器数据处理：主要是目标轨迹的确定和跟踪，给出目标运动速度，运动 方向等相关的信息。其中包括轨迹保持，轨迹产生，轨迹存储三个功能模块 3 轨迹维持：轨迹维持即连续保持跟踪，其目的是为了保证信号处理结果 所得到的轨迹图可能会出现断续和分叉等现象。轨迹保持的目的是将可 能属于同一个轨迹的目标运动曲线合并起来，进一步去除噪声。 轨迹起始：轨迹起始是一种建立新的目标档案的决策方法，主要包括假 定航迹形成、航迹初始化和航迹确定3 个方面。将每个即将到来的观测 与既定的判定准则相比较，这些准则包括已有航迹的判定准则、新航迹 检测准则和虚警准则。判定的结果，将在下述集合中做出选择，用以分 配新的观测：( 1 ) 航迹的“维持”或“继续”；( 2 ) 一个新的目标，以 起始一个新的航迹；( 3 ) 虚警。 轨迹存储：得到的轨迹图利用各种有效的方法存储下来。最后可能利用 己知的轨迹信息和输入图像相关，预测可能存在的目标或者进行其它的 处理。最后输出小目标运动轨迹。 从图l 一1 可以注意到在信号处理阶段也用到了信号跟踪。现在的算法将越来越 多地在每步都用到可用的信息，各个步骤之间没有明显的界限。并且在很多系统 中反馈控制方法也得到了充分的应用。针对图l 一1 ，下面详细解释可能用到的各种 算法分类。 ( 1 ) 单帧信号处理：首先对单帧图像进行处理，去除背景，增强目标，常用的方 法有： 高通滤波4 ：去低频背景，保留高频噪声点和目标点； 恒虚警率方法：假设背景为高斯噪声保持虚警率不变的基础上得到最大 检测率： 背景预测5 ：对输入图像上按行或列对每一点进行灰度、梯度和其它特 征的背景预测，并将不符合背景模型的捡出来，作为目标候选点。 非线性滤波器：非线性方法提取目标，常适用于有缓慢运动的云团的图 像序列： ( 2 ) 多帧信号处理；多帧之间的信息融合，运用目标运动轨迹的连续性和目标与 背景之间的灰度差别提高信噪比。已有的方法有： 连续小波变换”：用连续小波变换对象素时间轴上的灰度变化进行处理， 浙江人学坝f j 学位论史第常小甘标检铡总体框架 根据目标点、噪声点和缓动的背景对不同的分辨率的小波的敏感度不同 提取目标。 递归方差滤波器：用递归的方法动态估计连续几帧时间轴上的方差，适 用于运动速度为o 0 2 0 0 5 像素帧的情况。 三维时间滤波器( t r i p l et e m p o r a lf i l t e r ) 8 ：基于一个递减的正弦函数滤 波器，其零均值使得这种滤波器只会对这时间轴上有变化的信号响应， 并且对较长时间段内的单调函数响应较弱，而对冲激响应较强。这是目 前公认的一种比较有前景的算法，其最大的优点就是能够滤除缓动的边 界。现在该算法还在研究中，具体的内容可以参考有关文献。 ( 3 ) 跟踪后检测：“跟踪后检测”表示在取阈值或者进行相关的信号处理运算之前 就进行帧间信息融合。现在这种算法将越来越多的受到重视。因为原始图像 的信噪比不断降低，背景噪声越来越强，“检测后跟踪”不能得到满意的结果。 具有代表性质的算法有：三维匹配滤波器，三维时间滤波器等。 ( 4 ) 单帧联合：前后几帧之间的信息联合。 ( 5 ) 多帧信息联合。 ( 6 ) 多传感器融合：原始图像不仅来自于个信号源，需要对多个信号源产生的 信息进行数据融合。数据融合是一个多层次的，多方面的处理过程，这个过 程是对多源数据进行检测、结合、估计和组合以达到精确的状态估计和身份 估计，以及完整、及时的态势评估。 整个小目标检测9 的实现是以上各种算法的交叉。其中部分方法包括去除背景 杂波的过程，在滤波之后进行。首先，根据滤波的结果提取离散特征，用阈值分割 或者微量去除的方法。去除杂波通常是检验象索点在时间上的连续性，分析前后帧 之间的联系。跟踪通常使用一个跟踪滤波器，比如卡尔曼滤波器，用状态变量表示 目标点的特征，一般是中心坐标。如果一条轨迹只在足够短的时间间隔内出现，则 可以认为是杂波。还可以跟踪象素邻域的变化，检验轨迹的连续性的方法。这些方 法实际上都是“检测后跟踪”的算法，但是在降低虚警率方面非常有效。不过如果 过分依赖这一阶段，则其有效性会被强背景杂波带来的大量虚假目标所降低。 在强背景杂波的情况下，要得到很好的预处理结果，必须使用行之有效的滤波 器和特征提取算法。比如利用目标轨迹在时空域内的连续性和光滑性；利用动态编 程法提取最明显的特征。尽管特征提取是一个很重要的议题，但也不应该和特征本 身混淆。如果有足够好的计算能力，分别目标和杂波的能力是不会受到影响的，这 个能力是由m f t 和上面提到过的分别使用滤波器算法决定的。 新r r 人学坝i 学位论史 筇一章小目标检测总体框架 上述方法经常是针对特定的l j 标和背景提出的，因此决定了方法的多样性。当 目标处于空白的背景中，只有不相关的传感器噪声时。m f t 成为一个经典的速度滤 波器，根据轨迹寻找目标。大量的可能的轨迹导致很多折衷的方案，比如利用些 短距离滤波器检测一些短的轨迹，但都离不开灰级的累积。相反，对于具有很强的 静止背景杂波而较少的传感器噪声的图像序列要使用完全不同的方法。背景通常具 有空间相关性而且更强的时间相关性( 几乎恒定) ，所以m f t 方法减去图像序列的 均值得到结果图，同时在空间上利用解除相关性的滤波器，例如拉普拉斯滤波器。 对于大一点的目标来讲，另外还要使用空间平滑滤波器。还有很多非线性滤波器， 在非高斯背景杂波的情况下更加有效。 1 1 3 国内外研究的成果 对于背景抑制与小目标检测问题，b a u c h 等人通过采用一组时间上的高阶差分 来抑制背景干扰，并得到目标运动轨迹m 。有一些工作集中于用动态规划和状态估 计技术来增加目标的可检测性“”。然而，它们在低信噪比情况下可能呈现差的性能。 此后，人们”h 提出了频域中的三维时空匹配滤波技术。它已经被简化为只在空域中 进行的二维匹配滤波但在时间序列中进行递推求和1 5 。最近1 6 又进一步发展成为基于 线性变系数差分方程的方法。m i r a n i 等人用计算像素小邻域上灰度差的加权平均再 用梯度进行规一化，以此作为运动的度量1 7 。他们首先辩识有纯平移运动的区域并 分割相应于计算运动的区域，再对分割的区域计算一个高阶参数变换( 仿射变换，射 影变换，等等) 来改善运动估计并迭代上述步骤直至收敛。另一个由s e l i o u 和 r c j i a n 提出的运动检测方法是基于时空空间中运动轨迹任一点上切线和法线的正 交性”。但是为了得到图像函数的时间和空间偏导数，必须实时完成在时空空间中 的三维曲面拟合，从而增加了计算量。b i r b h a n u 和d h r i c h a r d 使用图像分割方法 来检测运动目标”。然而在许多情况下，从复杂的前景和背景中分割出运动目标是 很困难的任务。 光流法2 0 2 1 2 2 是文献中最常见的方法。但是它很耗时而且在有些情况中不可用， 例如有阶跃边缘和遮挡的情况。在这些情况下，光流的连续性不能得到保证。最近， 检测单象素目标运动轨迹的一种有效方法提出来了2 3 。这个方法是基于准连续性滤 波器来抑制大量的噪声，把轨迹的性质嵌入到一个代价函数中并把轨迹检测问题归 结代价函数的最小化问题。但是这个方法仅仅对于二值化图像是可用的。 l 。i p e r l o v s k y 等人基于使用内部世界模型的十个方程式所定义的m l a n s 非线性神 经网络系统，描述了一个自动目标识别方法和一个有关的非合作辨别敌友的问题”。 浙江人学倾i 学位论史 第一章小目标检测总体框架 这些模型在m l a n s 中对大量的神经网络权系数进行编码并且m l a n s 用一些先验 样本进行学习还有一些其他的运动检测方法，如m v s r i n i v a s a n 提出的基于微分的 广义梯度方案”，s d b l o s t e i n 和t s h u a n g 提出的使用假设检验的方法2 6 ，r c n e l s o n 提出的用运动观测器检测运动的方法2 7 和w bs c h a m i n g 提出的借助于b a y e s 统计量 的像素分类法2 8 ，等等。后者仅能用于检测相邻两帧之间目标的小运动。因为该方 法中使用的自适应门多特征像素分类器已经假设了两帧间的运动是小的。我国在小 目标分割与检测方厩也做了大量的工作由国防科技大学、同济大学、上海交通大学、 华中理1 ：大学共同参加的红外导引头信息处理机的研制已取得了一定的成果。相继 提出了迭代统计平均检测法，h o p f i e l d 神经网络法、全局搜索法等小目标检测方 法。 目前急待提高的领域有：算法效率，预测的精度，以及有效的可靠的评价预测 精度的方法。国内外学者近期的成果主要有：多光谱信号处理，多目标跟踪，多传 感器信息融合，多帧信息融合，多帧信号处理( 特别是“跟踪后检测”算法) ，传感 器源控制以及信号处理和跟踪之间的交叉融合。 1 1 4 小目标检测的应用 1 1 4 1 军事武器 总的来说，对该问题的研究一般都围绕以下两个实际背景展开，一是空载下视 系统如星载系统对低空及地面目标的监视：一是低空或地面系统对星空背景中目标 的监视。这些成果对我们的课题具有相当的参考价值。 1 1 4 , 2 工业应用 小目标检测可以应用于杂质检测等方面。提高工业生产的自动化水平，特别是 研究应用小目标检测的无损探伤技术，代替人眼识别，提高检测的准确度和速度。 1 1 4 3 生物医学 小目标检测可以应用于细胞体的跟踪，在对血液的研究中可以起到重要的作 用。 1 2 液体小目标检测的总体框架 j 塑三查兰堡兰兰堡丝兰一一 兰二兰! ：! 堡丝型璺竺堡墨 1 2 1 液体图像的特征 要检测出小目标，首先要研究液体图像的特征。如图1 2 ，经过初步分析，液 体图像的特征如下： 图1 - 2 液体i l l 像 1 2 1 1 背景特征 每个容器为一个六棱柱，其中两个面的面积较大，四个侧面面积较小。图1 2 所示a 区域为均匀的液体区域，较暗。b 区域液体较少，较亮。根据观察，在a 区 域运动的小目标，肉眼观测到的概率为9 0 ，而在b 区域运动的小目标肉眼观测到 的概率只有2 0 。而且目标运动在b 区域的可能性很小，所以在以后的小目标检测 的分析中，b 区域不予考虑。 c 区域为除液体区域之外的部分，灰度均值最高，平均灰度接近2 5 5 ，有很多 灰度突变的边缘，如果保留，会形成虚假的目标轨迹，影响检测的精度。 1 2 1 2 噪声特征 可能影响到检测精度的噪声源主要有： ( 1 ) a 区域：高频噪声，气泡，容器反光形成的小部分黑影，a 区域和b 区域 之间的边界，a 区域和c 区域之间的边界( 液体于空气之间的边界，应为反 光，形成黑影) ； ( 2 ) b 区域：容器上的附着物，容器反光形成的纹理，b 区域和c 区域之间的 边界； ( 3 ) c 区域：容器之间的粘连所形成的边界；容器的边界。 在所有的噪声源中，边界的对检测精度的影响最大。因为边界灰度突变明显， 会有很多的传感器噪声，而且边界是直线特征，如果处理不当，会形成虚假的目标 浙江人学硕士学位论文 第一幸小目标检测总体框架 轨逊。 1 2 1 3 目标的特征 液体内的杂质形成的小目标从形状看可以分为以下几类： ( 1 ) 黑点：几个象素大小，运动特征简单，下降的过程中形状不会发生变化， 检测最容易； ( 2 )细线：几个象素大小，运动特征可能会变化。 a ) 保持原有形态：目标缓缓下降的过程中其形状不发生变化，可以看作 一个小目标点群在运动，和黑点的检测方法相同； b ) 形状产生微小变化：小目标在重力的作用下在下降的过程中形态产生 微小变化，例如本来是横向的细线，受重力作用变成纵向； c ) 旋转：小目标在晃动容器结束后产生旋转，有原地旋转和在下降的过 程中旋转两种情况。若隐若无的细线通常更容易观察到，因此肉眼可 以非常容易地观察到目标的存在，这对旋转目标的检测提出了更高的 精度要求。然而由图像处理的方法检测旋转目标有一定的难度。从旋 转的小目标的灰度特征来看，小目标在同一点会多次出现，但每次出 现的都不连续，旋转的小目标会破坏轨迹的连续性。因此旋转的小目 标检测成为液体检测的难点所在。 小目标的运动特征受到拍摄速率的影响。在本课题中，拍摄速率大约是o 6 - 1 3 象素帧。 1 2 2 检测方案 根据特征分析的结果，液体小目标检测的总体方案流程图如图1 3 所示 刮醮删- 黥舰h 挑臁静 图1 3 液体小目标检测方案图 系统的输入是直接从传感器得到的原始图像，经过图像分割，获得液体区域， 然后再经过目标提取，去除背景，获得小目标的基本轨迹，然后再进行轨迹跟踪， 去掉虚假的轨迹，判断真实的轨迹，最后给出判断结果。 浙江人学坝i 学位论文第一章小目标检测总体框架 在液体小目标跟踪系统中，我们进行图像分割的目的有二：首先，我们只对液 体区域感兴趣。图像序列检测需要占用很大的系统资源，如果只对重点部分进行运 算，那么将会大大提高系统效率。其次，我们能够检测出小目标是基于其高频特性。 整个图像只有液体区域是均匀的。其它的实体部分都有很强的边界噪声。它们在图 像跟踪的过程中产生高频噪声点。这些噪声点的强度远大于实际的目标点，在提取 高频的过程中他们往往会湮没了实际目标，大大提高系统的虚警率。因此图像分割 在我们的系统中是必不可少的。 液体小目标检测要求实时性，因此计算的方法不能太复杂。我们将检测的步骤 分成目标提取和轨迹跟踪。这两种方法在后续的章节都有详细的讨论，这里不再赘 述。 1 3 衡量算法性能的指标 本课题的目的是为了研究适用于液体目标检测的最佳算法，这里定义几种衡量 算法性能的指标，用于比较算法。 1 3 1 虚警率和漏警率3 用数理统计的术语来说，信号检测就相当于假设检验。我们考虑二值假设检验 问题，令 胁：信号未出现；岛：信号出现； p ( 1 1 0 ) = 肋和p ( 胁) = p t 分别表示假设h o 和假设h i 为真的先验概率，系统 做出的决策： “：j 1 ， 扩h l 2 护w ( 1 1 ) 牡1 0 l矿风= t r u e “ 任何二元假设试验问题中，做判决时要考虑4 种可能性： ( 1 ) h o 假设为真，判决d o ； ( 2 ) h 1 假设为真。判决d 1 ； ( 3 ) 凰假设为真，判决d ， ( 4 ) 假设为真，判决d 。 前两种对应正确的选择，后两种对应错误的选择。( 3 ) 成为第一类错误，叫做 虚警率( 没有目标而判决有目标) ：( 4 ) 成为第二类错误，叫做漏警率( 有目标而 判决没有目标) 。令z o = ( u ，i “= o ) ，z j = ( u ，j “= 1 ) 。设观测量z 在判决域历和乃上的概 浙江大学坝i 学位论文第一章小目标检测总体框架 率密度函数分别为p ( z h o ) 和p ( z 1 4 1 ) ，c 为判定门限，则有 虚警率p ，= p ( d 。h o ) = p ( z ，) ：l 漏警率：p 。= p ( d 。h 。) = j p ( z h ) z o 检测率：p 。= j p ( d 。日。) = p ( z q ) 1 3 2 系统增益 ( 1 2 ) ( 1 3 ) ( 1 4 ) 综合检测率、虚警率，系统的性能评价函数表示为“处理增益”( p r o c e s s i n g g a i n ) 。p e t e rnr a n d a l l 在他的“o p t i m i z a t i o no fi r s ta l g o r i t h m s ”中介绍了p g 的 计算方法。在处理过程每一步结束后分别计算“检测到的目标数目”、“已知的目标 数”、“错误的目标数”。实际上，这些参数的精确值是不可知的，只能作为定性分 析的依据。 yn u m b e ro ff a l s ec u e si nf r a m e f c r = 翌竺型一 ( 1 - - 5 ) n u m b e r o f t a r g e tc u e s i nf r a m e t c e = 产生一 n u m b e r o fk n o w t a r g e t s i nf r a m e f r a m e = l t c e ( t a r g e tc u e i n ge f f i c i e n c y ) ：相当于检测率 f c r ( f a l s e c u e i n gr a t i o ) ：相当于虚警率 1 3 3 信噪比和对比度5 本论文采用对比度y c 。和信噪比r 。描述图像质量如下 驴学，乙= l 划 其中蜀为目标灰度均值：x 2 为背景灰度均值；n 为背景均方差。 ( 1 6 ) ( 1 7 ) 浙人1 坝i 学位论史第一章小i ：1 标检测总体框架 【参考文献】 1 s i g n a la n dd a t ap r o c e s s i n go f s m a l lt a r g e t s19 9 9 ，o l i v e re d r u m m o n d ，e d i t o r , p r o c e e d i n g so fs p i e ，v 0 1 3 3 7 3 2 s i g n a la n dd a t ap r o c e s s i n go f s m a l lt a r g e t s1 9 9 9 ，o l i v e re d r u m m o n d ，e d i t o r , p r o c e e d i n g so fs p i e ，v 0 1 3 8 0 9 3 康耀组，数据融合理论与应用，西安电子科技大学出版社 4 彭嘉雄，毋之璐：“红外背景抑制与小目标分割检测【j 】”。电子学报，1 9 9 9 ，2 7 ( 2 ) ：4 9 5 4 5 徐军，向建勇，林晓春，周翔，背景预测方法在空中红外弱小目标检测、识别中 的应用 j 】。西安电子科技大学学报，1 9 9 8 ，2 5 ( 4 ) ：4 7 1 - - 4 7 4 6a l e x i sp t z a n n e sa n dd a n a h b r o o k s ，t e m p o r a lf i l t e r sf o rp o i n tt a r g e td e t e c t i o n i ni r i m a g e r y ”s h ei n f r a r e dt e c h n o l o g y a n d a p p l i c a t i o n sx x i i i ，v o l3 0 6 1 ，1 9 9 7 ，p p 5 0 8 - 5 2 0 7v r o n d a ，m h e r , s u y o gd d e s h p a n d e ，p h i l i pc h a n ，“m u l t i - m o d ea l g o r i t h mf o r d e t e c t i o na n d t r a c k i n go f p o i n t - t a r g e t s ”，s p i ea c q u i s i t i o n ，t r a c k i n g ，a n dp o i n t i n g x l i l ，o r l a n d o ，5 9a p r i l1 9 9 9 8 j e r r ys i l v e r m a n ，j o n a t h a nm m o o n e y a n dc h a r l e n ee c a e f a r , t r a c k i n gp o i n t t a r g e t s i nc l o u dc l u t t e r ，”s p i e i n f r a r e d t e c h n o l o g y a n d a p p l i c a t i o n s x x i i i ，v 0 1 3 0 6 1 ，1 9 9 7 ， p p 4 9 6 5 0 7 9g h w a t s o na n d s k w a t s o n ，d e t e c t i o na n dc l u t t e rr e j e c t i o ni ni m a g es e q u e n c e s b a s e do nm u l t i v a r i a t ec o n d i t i o n a lp r o b a b i l i t y ，i ns i g n a la n dd a t a p r o c e s s i n g o fs m a l l t a r g e t s1 9 9 9 ，o l i v e r e d r u m m o n d ，e d i t o r , p r o c e e d i n g s o f s h e v 0 1 3 8 0 9 ，1 0 7 1 1 8 ( 1 9 9 9 ) 1oh e r a u c h w i f u t t e r m a n & d b k e m m e r b a c k g r o u n ds u p p r e s s i o na n d t r a c k i n g w i t ha s t a r i n gm o s a i cs e n s o r o p t i c a le n g i n e e r i n g ，1 9 8 1 ，2 0 ( 1 ) ：1 0 3 1 1 0 1 1 y b a r n i v d y n a m i cp r o g r a m m i n g s o l u t i o nf o rd e t e c t i o nd i m m o v i n gt a r g e t s i e e e t r a n s ，1 9 8 5 ，a e s 一2 1 ：1 4 4 1 5 6 1 2s m o r ie ta 1 t r a c k i n ga n d c l a s s i f y i n gm u l t i p l et a r g e t sw i t h o u t a p r i o r ii d e n t i f i c a t i o n i e e e t r a n s ，l9 8 6 ，a c - 3l ：4 0 1 - - 4 0 8 13i s r e e de ta 1 o p t i c a lm o v i n g t a r g e td e t e c t i o nw i t h3 - d m a t c h e d f i l t e r i n g i e e e t r a n s ，19 8 8 ，a e s - 2 4 ：3 2 7 3 3 6 1 4b p o r a ta n d b f r i e d l a n d e r a 矗e q u e n c yd o m a i na p p r o a c h t om u l t i f r a n l ed e t e c t i o na n d e s t i m a t i o no f d i m t a r g e t s p r o c e e d o f c o f e r o n a s s p , 1 9 8 7 15i s r e e de ta 1 ar e c u r s i v em o v i n g t a r g e t i n d i c a t i o na l g o r i t h mf o ro p t i c a li m a g e s e q u e n c e i e e et r a n s ，1 9 9 0 ，a e s - 2 6 ：4 3 4 4 3 9 16y a nx i o n g ，j i a x i o n gp e n ge ta 1 a ne x t e n d e dt r a c k - b e f o r e d e t e c ta l g o r i t h mf o ri n f r a r e d t a r g e td e t e c t i o n i e e et r a n s ，1 9 9 7 ，a e s 一3 3 ( 3 ) ：1 0 8 7 1 0 9 2 4 浙汀入学坝i 学位论文 第一章小目标检测总体框架 l7m i r a n ie ta 1 d e t e c t i n ga n d t r a c k i n g m u l t i p l em o v i n go b j e c t su s i n gt e m p o r a l i n t e g r a t i o n s e c o n de u r o p e a n c o n f e r o nc o m p u t e rv i s i o n ，1 9 9 2 ：2 8 2 2 8 7 1 8 18s r l i o u a n d r c j a i n m o t i o n d e t e c t i o n i ns p a t i o t e m p o r a ls